DE-NNs:基于动态证据神经网络的脑网络分析算法

作     者：侯涛 丁卫平 黄嘉爽 鞠恒荣 

作者机构：南通大学人工智能与计算机学院 模式分析与机器智能工业和信息化部重点实验室(南京航空航天大学) 

出 版 物：《计算机研究与发展》 (Journal of Computer Research and Development)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61976120,62006128,62102199) 江苏省自然科学基金项目(BK20231337) 江苏省双创博士计划项目 江苏省高等学校自然科学研究重大项目(21KJA510004) 中央高校基本科研业务费专项资金(NJ2022028) 江苏省研究生科研与实践创新计划项目(SJCX23_1781) 

主　　题：证据融合 不确定性 动态功能连接 脑网络分析 脑疾病诊断 

摘      要：动态功能连接（dynamic functional connections，dFCs）已广泛应用于静息态功能磁共振成像（rs-fMRI）分析，其可以将大脑功能连接视为在多个时间窗上动态变化的过程，探索大脑在不同时间段内的功能连接变化，为脑疾病诊断提供了新的视角和策略．然而常见的动态脑网络分析方法无法有效利用动态数据之间的潜在关联和时序性，且忽视了各个窗口因为数据质量不一致而导致的不确定性因素．为此，提出一种基于动态证据神经网络（dynamic evidence neural networks，DE-NNs）的脑网络分析算法．该算法设计了一种动态脑网络多视图证据获取模块，将动态脑网络的每个时间窗视为一个视图，利用3个不同的卷积滤波器提取动态脑网络每个时间窗的特征图，充分获取动态层面的证据．为了充分利用动态证据，设计了一种动态证据融合机制，结合证据理论合成规则，针对dFC数据的时序性构造动态信任函数，在分类的决策层对多个窗口产生的证据进行融合，充分考虑不确定性信息，显著提高分类性能．为验证所提DE-NNs的有效性，在3个精神分裂症数据集上与现有的先进算法进行比较实验，结果表明DE-NNs在3个脑疾病诊断任务上的准确率和F1分数都得到了显著提升．