使用elasticnet优化静息态脑功能超网络构建及其在抑郁症分类中的应用

本文主要探讨了在脑网络分析领域中，如何通过引入Elasticnet方法优化静息态脑功能超网络的构建，特别是在处理抑郁症患者和正常被试数据的分类问题上，显示出了优于传统LASSO方法的效果。 在神经影像学的研究中，脑网络分析已经成为一个关键工具，用于理解大脑不同区域间的交互作用。超网络是一种高级的网络表示，它能够描述多个脑区间的复杂关系，而非简单的二元连接。通常，超网络是基于静息态功能磁共振成像（fMRI）的时间序列数据，通过稀疏线性回归模型来构建。在过去的实践中，LASSO（最小绝对收缩选择算子）被广泛用于这种模型构建，因为它能够实现特征选择的稀疏性，即仅保留对模型预测最有贡献的特征。 然而，LASSO方法在处理多组数据时，如抑郁症患者和正常人的脑部数据，可能无法有效解决脑区间的组效应，这可能会导致构建的超网络不准确。为了解决这个问题，该研究提出使用Elasticnet方法替代LASSO。Elasticnet结合了LASSO和岭回归的优点，既能实现特征选择的稀疏性，又能保持模型的稳定性，尤其在处理多重共线性问题时表现优越。 通过对抑郁症患者和正常人的fMRI数据进行分析，研究比较了基于LASSO和基于Elasticnet的超网络构建方法的分类性能。实验结果显示，Elasticnet方法在分类准确率上达到了86.36%，而LASSO方法为83.33%。这一结果显示，Elasticnet方法能够提取更有效的特征，从而提高分类效果，对于识别抑郁症等神经精神疾病的研究具有重要意义。 此外，本研究还得到了多项国家级和省级科研项目的资助，表明了该领域研究的前沿性和重要性。文章的作者们，包括靳研艺、郭浩和陈俊杰，他们都在智能信息处理和脑信息学方面有着深入的研究，其工作为理解和利用脑网络分析提供了新的视角和方法。 这篇论文展示了Elasticnet方法在构建脑功能超网络上的优势，特别是在抑郁症等神经疾病研究中的潜在应用价值。这种方法的进一步探索和发展有望推动神经影像学研究的进步，提高疾病的早期识别和治疗效率。