声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：侯涛,丁卫平,黄嘉爽,鞠恒荣,
关键词：证据融合, 不确定性, 动态功能连接, 脑网络分析, 脑疾病诊断,
动态功能连接（dynamicfunctionalconnections，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（dynamicevidenceneuralnetworks，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.
来源：2025年第4期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。