摘要
融合大脑结构和功能网络的多模态脑网络能够挖掘不同模态间的互补信息,有效提高癫痫等神经系统疾病的诊断准确率,在神经疾病诊断上具有优势。然而,由于多模态数据采集时间长、成本高,在实际应用中常面临模态缺失问题,导致可用数据量减少,模型的诊断精度和泛化能力下降。针对某一模态数据完全缺失问题,提出了基于图学习与循环一致生成对抗网络(Cycle‑consistent generative adversarial networks, CycleGAN)的图CycleGAN方法。该方法通过引入图卷积神经网络与图注意力机制等图学习方法捕捉脑网络不同脑区间的特征信息,强化生成框架对图形式脑网络的特征提取能力,实现脑结构网络与功能网络的相互生成。此外,针对目前较少利用诊断结果评估生成数据质量的情况,提出了一种融合真实脑网络与生成脑网络的多模态融合分类模型,以进一步评估生成脑网络的有效性。在癫痫数据集上的实验结果表明,图CycleGAN方法能够有效利用已有的模态信息,实现缺失脑网络的生成。
癫痫、精神分裂症等神经系统疾病的诊断方法通常涉及神经系统检查、基因检测、脑电图和计算机断层扫描等多个方面。随着机器学习的发展,结合脑网络的诊断方法能够有效提高脑疾病早期诊断的准确率,尤其是融合大脑结构和功能的多模态脑网络融合诊断方法。脑网络是由大脑内部不同区域连接构成的复杂网络结构。根据连接类型的不同,脑网络可以分为脑结构网络(Structural brain network, SC)和脑功能网络(Functional brain network, FC),前者反映的是大脑脑区间的物理连接(解剖结构连接),而后者反映的是脑区间的功能连接,即在信息处理过程中不同脑区的相关性。SC和FC分别通过弥散张量成像(Diffusion tensor imaging, DTI)技
大脑的结构连接和功能连接密切相关,研究它们的相互关系对于揭示大脑工作原理、推动生成技术发展具有重要意义。一方面,已有研究表明SC是FC形成的基础,高精度FC能够通过SC生成。Honey
利用脑结构连接和功能连接的关系进行缺失模态信息的生成技术多种多样。例如Li
现有的研究表明,多模态脑网络能够有效促进对大脑复杂性和动态性的理解,提高癫痫等神经系统疾病的诊断准确率。Venkataraman
本文提出了结合图学习与CycleGAN框架的图CycleGAN生成模型,并介绍了一种能够融合生成数据与真实数据的多模态脑网络融合诊断方法,主要包括以下几个创新点:
(1)提出了适应高度非线性脑网络的图CycleGAN方法。将不同模态数据表示为图结构数据,通过引入图卷积神经网络与图注意力机制等图学习方法捕捉脑网络不同脑区间的特征信息、连接信息,强化了生成框架对图的特征提取能力,实现了图形式的脑结构网络与脑功能网络的相互预测生成。
(2)针对多模态脑网络构建中常面临的某种模态数据完全缺失问题,尤其是DTI模态数据缺失问题,提出的图CycleGAN方法不仅可利用现有模态脑网络实现缺失模态脑网络的生成,促进多模态脑网络融合,也可以从fMRI和DTI模态数据的补全扩展到其他模态的数据补全。
(3)提出了融合真实脑网络与图CycleGAN方法生成脑网络的多模态脑网络融合诊断框架。该框架采用加权融合思想策略,优先保留已有模态数据即真实脑网络的信息,将两种模态数据融合成一个综合的脑网络表示,即能够同时提供大脑结构和功能信息的多模态脑网络。通过对融合后的脑网络进行特征提取进行疾病诊断。在癫痫数据集上的生成效果和分类结果表明了图CycleGAN方法的可靠性。
脑网络可以表示为一个无向图,其节点对应于神经元或大脑区域,边则对应于神经元间的脑区连接强
在脑网络的图论框架下,将大脑皮质区域划分为个感兴趣区域(Regions of interest, ROIs),即个脑区,也可称为个节点。静息状态下的fMRI数据是具有时间依赖性的血氧水平依赖(Blood oxygenation level dependent, BOLD)信号,能够提供脑区活动的重要信息。假设为fMRI数据经过预处理后(包括去噪、头动校正等)第个脑区的时间序列特征向量,即第个脑区的平均活动信号,表示整个大脑活动信号,其中表示时间序列中的时间点数。Pearson相关系数是脑科学研究中处理fMRI数据的一种常用方法,它具有简单、可解释性和应用广泛等优点。通常情况下使用fMRI的BOLD信号来计算脑区间的Pearson相关系数以表示脑区间的相关性。第个脑区和第个脑区间的Pearson相关系数的计算表达式为
(1) |
式中和分别为的均值和标准差,其定义分别为
(2) |
(3) |
不妨用表示删去对角元后各脑区间的Pearson相关系数矩阵,即。为了避免在分析和推断的过程中出现偏差,引入Fischer提出的变
(4) |
式中表示第个脑区和第个脑区间的相关性。
一个完整的脑功能网络不仅需要节点的特征信息,还需要节点间的连接信息。矩阵虽然能够反映大脑区域的活动模式,但无法直接提供脑区间的连接关系。然而,直接对设置阈值来推断脑功能网络中脑区连接关系是不可靠
(5) |
通过比较每个节点与各中心节点的距离,找到最短距离并记。根据节点与中心节点的最短距离将节点分配到距离最近的簇中,然后计算每个簇内所有成员的平均值并以此作为新的簇的中心,其中表示属于簇的所有数据点集合。重复上述步骤直到簇的分配不再更新后,计算每个节点的轮廓系数与整个网络的平均轮廓系数
(6) |
(7) |
式中:表示节点到簇内其他节点的平均欧式距离;表示节点到最近簇中所有节点的平均欧式距离。通过比较不同聚类数目下的平均轮廓系数,选取最大平均轮廓系数的聚类数目作为最终聚类数目,并据此划分节点。最后,根据聚类结果中每个节点所属的簇标签构造二值邻接矩阵,即
(8) |
不妨记脑功能网络(

图1 构造静息状态下的脑功能网络的流程
Fig.1 Process of constructing a brain functional network under resting‑state conditions
脑结构网络是基于DTI成像数据而构建的。DTI通过测量水分子在脑组织中的弥散特性,能够揭示大脑白质纤维束数量,从而提供了脑区间的物理连接关系。从DTI数据中提取纤维束追踪信息并进行预处理后,可获得对称的结构连接矩阵,其中表示脑区数量,表示脑区与脑区的纤维束数量。为非负矩阵,零元表示脑区间无直接连接,非零元则表示脑区间的直接连接强度。然而,脑区自身的特征难以通过DTI直接获得。为此,本文基于扩散的图论算法,利用脑区连接关系推断脑结构网络中脑区的功能特性。本文遵循先前研究大脑结构和功能联系的方

图2 大脑结构连接与功能连接矩阵的一些性质
Fig.2 Some properties of brain’s structural and functional connectivity matrices
假设能够被的奇异向量线性表示,即,其中分别为的左奇异矩阵和右奇异矩阵,为的共轭转置,有
(9) |
由于脑网络具有小世界属性,即具有高聚集性和短路径长度两个特征,因此假设随着连接强度的增加,脑区间的距离相应减
(10) |
式中为正则化参数,其选取对求解至关重要。受He
(11) |
因此,目标函数(10)可以进一步表示为
(12) |
不妨记上述目标函数为,
(13) |
式中:为学习率;为迭代步数;关于的梯度的计算公式为
(14) |
在实际计算中,梯度下降法可以通过结合早停
脑结构网络的构造流程如

图3 构造脑结构网络的流程
Fig.3 Process of constructing a brain structural network
图CycleGAN模型具有两个生成器,不妨记为T和F,它们的框架相似,都涉及图卷积神经网络(Graph convolutional network, GCN

图4 图CycleGAN模型框架
Fig.4 Framework of Graph‑CycleGAN model
每个由图CycleGAN生成器生成的脑网络实际上是无向图,同样能以特征矩阵与邻接矩阵的形式来表示。记脑功能网络经过生成器T获得的生成脑结构网络为,即,其中表示生成器T,和分别表示节点特征以及节点间的连接强度;脑结构网络经过生成器F获得的生成脑功能网络为,即,其中表示生成器F,和分别表示节点特征以及节点间的连接关系。将图CycleGAN生成器T和F的损失分为3部分,分别为身份损失、对抗损失和循环一致性损失。具体来说,由于大脑神经网络中神经元间的直接连接较少,结构连接高度稀疏,如
(15) |
式中:为脑功能网络中脑区经过生成器T获得的图嵌入;为脑结构网络中脑区经过生成器F获得的图嵌入;为正则化参数,用于控制生成脑结构网络的稀疏度。
记生成脑结构网络经过生成器F获得的循环脑功能网络为,即
(16) |
生成脑功能网络经过生成器T获得的循环脑结构网络为,即
(17) |
图CycleGAN模型希望能够实现与的相互生成,并且在训练模型的过程中能够保持真实脑网络的特征。因此,定义如下带稀疏正则化项的循环一致性损失函数为
(18) |
式中:为生成脑结构网络中脑区经过生成器F获得的图嵌入;为生成脑功能网络中脑区经过生成器T获得的图嵌入;为正则化参数,用于控制循环脑结构网络的稀疏度。
不妨记图CycleGAN的两个判别器分别为和,定义对抗损失函数为
(19) |
式中:为判别器将生成脑网络判别为真实脑网络的可能性;为判别器将生成脑网络判别为真实脑网络的可能性。
图CycleGAN生成器T和F的目标是得到如下目标函数的最优解
(20) |
式中和为常数。
图CycleGAN的两个判别器和的输出表示将输入样本判别为真实样本的可能性(值介于0~1之间)。判别器的学习目标是学习真实样本的数据分布特征,而非识别生成数据与真实数据的差异,因此需要增强判别器的图学习能力。不同于生成器通过使用GAT来增强模型图表示学习的灵活性,判别器和通过引入基于自注意力机制的图池化方法(Self‑attention graph pooling, SAGPooling
(21) |
(22) |
式中:和分别为判别器和判别器将真实脑网络识别为真的可能性,和分别为判别器和判别器将生成脑网络识别为真的可能性。
如前所述,多模态脑网络能够充分利用大脑结构与功能成像数据并挖掘其特征,从而提高癫痫等神经系统疾病的诊断准确率。为了验证图CycleGAN方法的有效性,本文提出一种能够融合真实脑网络与生成脑网络的多模态脑网络融合分类框架并用于癫痫诊断中。该分类框架分为以下3部分:(1)对于缺失某种模态的数据,充分利用已有模态信息,通过图CycleGAN模型生成缺失模态的脑网络;(2)通过融合生成脑网络与真实脑网络,构建多模态脑网络;(3)利用图学习捕捉稀疏多模态脑网络的特征,然后借助全连接层将图学习的特征映射到不同类别的决策空间。
不妨将融合生成脑网络与真实脑网络的多模态脑网络统一表示成,其中和分别表示多模态脑网络的节点特征矩阵与带权重的邻接矩阵,即描述大脑的功能连接与结构连接。虽然图CycleGAN模型生成的脑网络与真实脑网络具有一定的相似性,但在融合过程中倾向于优先保留真实脑网络的信息再进一步融合,以保证的可靠性。受扩展卡尔曼滤波器方
(23) |
式中:是与和有关的常数;是一种激活函数,融合过程如
(24) |
(25) |
式中是与、有关的常数,融合过程如

图5 多模态脑网络融合分类框架
Fig.5 Framework of multimodal brain network fusion classification
该融合多模态数据的分类框架的损失函数分为两部分,即生成脑网络与真实脑网络的融合损失函数,以及分类损失函数。具体来说,带稀疏正则化项的融合损失函数可定义为
(26) |
式中:和分别为和中脑区特征的图表示;常数,时表示融合与,表示融合与;为正则化参数。用二分类交叉熵损失函数来定义分类损失函数,可表示为
(27) |
式中:为真实标签(0或1);为该融合多模态的分类框架预测为正类的概率。因此该框架的目标函数格式为
(28) |
式中为常数。
实验数据来源于南京大学医学院附属金陵医院,通过西门子Trio 3T扫描仪采集获得。共有217名参与者,其中正常者(Normal controls, NC)114人,额叶癫痫(Frontal lobe epilepsy, FLE)患者103人,详情可查看
类型 | 数量/人 | 男/女 | 年龄分布/岁 | 平均年龄/岁 |
---|---|---|---|---|
NC | 114 | 58/56 | 20~38 | 26.2 |
FLE | 103 | 53/50 | 17~51 | 24.1 |
在本实验中,通过融合多模态脑网络的分类框架在数据集上的分类效果,将提出的图CycleGAN方法与基线方法生成的脑网络进行比较。根据脑结构网络预测,脑功能网络的基线方法包括:(1)扩散模型(Diffusion model, DM
在多模态脑网络构建过程中,DTI模态数据的缺失较为常见。一方面,脑功能网络的获取难度较低,即使是缺失fMRI模态数据,现有生成方法也能够预测和生成较高质量的脑功能网络;另一方面,DTI扫描设备不但设备成本高、操作要求高、敏感性高,而且扫描时间长,容易增加患者负担。此外,DTI数据中包含详细的脑部结构信息,涉及待诊者的隐私保护问题,因而公开数据较少。由于上述种种原因,在多模态融合诊断实验中,更加侧重于处理DTI模态缺失的情况。换而言之,本实验将只考虑真实脑功能网络与生成脑结构网络的融合诊断,即按一定比例随机选取真实脑网络与各生成方法的生成脑网络,并按
(29) |
(30) |
(31) |
(32) |
(33) |
(34) |
式中:TP、TN、FP和FN分别表示实际为癫痫患者且预测也为癫痫患者的样本数、实际为正常者患者且预测也为正常者的样本数、实际为正常者但预测为癫痫患者样本数和实际为癫痫患者但预测为正常者的样本数。
由图CycleGAN模型生成的脑网络(统称为生成样本)实际上是无向图,分别对和进行特征提取可获得带权重的邻接矩阵和特征矩阵,前者描述了节点间的连接关系或边的权重,后者则反映了节点间的功能连接强度或节点间的相关性。

图6 真实样本的脑网络
Fig.6 Brain networks of real samples

图7 各生成方法的生成脑功能网络效果对比图
Fig.7 Comparison of generated FC across different generation methods

图8 各生成方法的生成脑结构网络效果对比图
Fig.8 Comparison of generated SC across different generation methods
一方面,由于脑网络的邻接矩阵和的特征值主要揭示了脑区间连接强度的分布特性,即大脑网络全局拓扑结构特性,因此本实验描绘了生成样本脑网络的与真实样本脑网络的的特征曲线,如

图9 特征值曲线
Fig.9 Eigenvalue curves
为了进一步评估生成脑网络的有效性以及融合真实脑网络与生成脑网络的多模态融合诊断框架在生成数据上的适用性,本文在癫痫诊断上设置了对照组,如
类别 | ACC | BAC | AUC | F1 |
---|---|---|---|---|
多模态脑网络 | 83.43 | 73.02 | 73.03 | 71.74 |
仅脑结构网络 | 70.50 | 57.52 | 56.95 | 54.79 |
仅脑功能网络 | 62.12 | 50.00 | 52.25 | 34.91 |
融合真实脑功能网络与图CycleGAN方法或其他方法的生成脑结构网络的多模态脑网络在癫痫数据集上的实验结果如
模态完全缺失比例 | 方法 | ACC | BAC | AUC | F1 |
---|---|---|---|---|---|
20% | IDM | 77.42 | 77.21 | 73.18 | 75.52 |
K‑means | 68.74 | 67.70 | 62.20 | 66.90 | |
SVD | 72.92 | 71.95 | 69.59 | 66.01 | |
LRA | 70.52 | 68.34 | 65.54 | 64.21 | |
GCN | 77.90 | 77.63 | 75.21 | 78.77 | |
Graph‑CycleGAN | 82.12 | 81.71 | 83.04 | 77.86 | |
60% | IDM | 79.31 | 78.02 | 77.83 | 77.29 |
K‑means | 77.99 | 78.04 | 77.52 | 78.16 | |
SVD | 77.49 | 76.24 | 74.62 | 74.11 | |
LRA | 69.24 | 68.59 | 66.35 | 63.45 | |
GCN | 75.15 | 75.62 | 80.25 | 76.42 | |
Graph‑CycleGAN | 80.74 | 80.07 | 81.72 | 78.81 | |
100% | IDM | 67.69 | 66.19 | 63.61 | 60.32 |
K‑means | 73.23 | 72.95 | 66.13 | 73.52 | |
SVD | 74.20 | 72.51 | 66.35 | 67.15 | |
LRA | 71.41 | 69.92 | 66.81 | 66.27 | |
GCN | 71.39 | 71.43 | 67.79 | 68.52 | |
Graph‑CycleGAN | 76.00 | 74.49 | 72.48 | 71.53 |
注: 模态完全缺失比例=DTI模态数据完全缺失的个体数量/所有受试者数量。
本文提出了基于图学习和对抗生成学习的图CycleGAN方法,通过引入图学习来优化生成框架,使得该框架能够有效处理具有非欧式结构的图数据。在癫痫数据集上的实验结果表明,在某一模态数据完全缺失的情况下,无论是缺失fMRI数据还是DTI数据,图CycleGAN方法都能够利用已有模态信息以生成缺失模态的脑网络。此外,该生成脑网络与真实脑网络相似,并且在分类中取得了较高的准确率,这验证了图CycleGAN方法的有效性。然而,目前生成脑功能网络只能模拟大脑功能模式的主要信息,在局部细节上仍有较大的改进空间。针对这一问题,未来可以考虑采用更复杂的脑功能网络的描述方法,使得生成模型能够进一步捕捉大脑活动的细微变化。此外,作为两种从不同角度描述大脑的成像技术,fMRI和DTI数据可能存在互补的信息,在未来的研究中可以进一步挖掘并利用这些先验信息以生成更精确的脑网络。
参考文献
ZALESKY A, FORNITO A. A DTI-derived measure of cortico-cortical connectivity[J]. IEEE Transactions on Medical Imaging, 2009, 28(7): 1023-1036. [百度学术]
FINGER H, BÖNSTRUP M, CHENG B, et al. Modeling of large-scale functional brain networks based on structural connectivity from DTI: Comparison with EEG derived phase coupling networks and evaluation of alternative methods along the modeling path[J]. PLoS Computational Biology, 2016, 12(8): e1005025. [百度学术]
BISWAL B, YETKIN F Z, HAUGHTON V M, et al. Functional connectivity in the motor cortex of resting human brain using echo-planar MRI[J]. Magnetic Resonance in Medicine, 1995, 34: 537-541. [百度学术]
CORDES D, HAUGHTON V M, ARFANAKIS K, et al. Mapping functionally related regions of brain with functional connectivity MR imaging[J]. American Journal of Neuroradiology, 2000, 21(9): 1636-1644. [百度学术]
HONEY C J, SPORNS O, CAMMOUN L, et al. Predicting human resting-state functional connectivity from structural connectivity[J]. Proceedings of the National Academy of Sciences, 2009, 106: 2035-2040. [百度学术]
GU Z, JAMISON K W, SABUNCU M R, et al. Heritability and interindividual variability of regional structure-function coupling[J]. Nature Communications, 2021, 12: 4894. [百度学术]
ZAMANI E F, FASKOWITZ J, SLACK J, et al. Local structure-function relationships in human brain networks across the lifespan[J]. Nature Communications, 2022, 13: 2053. [百度学术]
YEO B T, KRIENEN F M, SEPULCRE J, et al. The organization of the human cerebral cortex estimated by intrinsic functional connectivity[J]. Journal of Neurophysiology, 2011, 106(3): 1125-1165. [百度学术]
ACHARD S, SALVADOR R, WHITCHER B, et al. A resilient, low-frequency, small-world human brain functional network with highly connected association cortical hubs[J]. Journal of Neuroscience, 2006, 26(1): 63-72. [百度学术]
BULLMORE E, SPORNS O. Complex brain networks: Graph theoretical analysis of structural and functional systems[J]. Nature Reviews Neuroscience, 2009, 10(3): 186-198. [百度学术]
MEUNIER D, LAMBIOTTE R, BULLMORE E T. Modular and hierarchically modular organization of brain networks[J]. Frontiers in Neuroscience, 2010, 4: 200. [百度学术]
WATTS D, STROGATZ S. Collective dynamics of “small-world” networks[J]. Nature, 1998, 393: 440-442. [百度学术]
LI Y, MATEOS G, ZHANG Z. Learning to model the relationship between brain structural and functional connectomes[J]. IEEE Transactions on Signal and Information Processing over Networks, 2022, 8: 830-843. [百度学术]
GLOMB K, MULLIER E, CARBONI M, et al. Using structural connectivity to augment community structure in EEG functional connectivity[J]. Network Neuroscience, 2020, 4(3): 761-787. [百度学术]
PATEL R S, BOWMAN F D, RILLING J K. A Bayesian approach to determining connectivity of the human brain[J]. Human Brain Mapping, 2006, 27(3): 267-276. [百度学术]
FRÄSSLE S, MANJALY Z M, DO G T, et al. Whole-brain estimates of directed connectivity for human connectomics[J]. NeuroImage, 2021, 225: 117491. [百度学术]
RAJ A, KUCEYESKI A, WEINER M. A network diffusion model of disease progression in dementia[J]. Neuron, 2012, 73(6): 1204-1215. [百度学术]
ABDELNOUR F, DAYAN M, DEVINSKY O, et al. Functional brain connectivity is predictable from anatomic network’s Laplacian eigen-structure[J]. Neuroimage, 2018, 172: 728-739. [百度学术]
LIÉGEOIS R, SANTOS A, MATTA V, et al. Revisiting correlation-based functional connectivity and its relationship with structural connectivity[J]. Network Neuroscience, 2020, 4(4): 1235-1251. [百度学术]
ZHU J Y, PARK T, ISOLA P, et al. Unpaired image-to-image translation using cycle-consistent adversarial networks[C] //Proceedings of the 2017 IEEE International Conference on Computer Vision (ICCV). Venice, Italy: IEEE, 2017: 2242-2251. [百度学术]
VENKATARAMAN A, RATHI Y, KUBICKI M, et al. Joint modeling of anatomical and functional connectivity for population studies[J]. IEEE Transactions on Medical Imaging, 2012, 31(2): 164-182. [百度学术]
KARAHAN E, ROJAS-LÓPEZ P A, BRINGAS-VEGA M L, et al. Tensor analysis and fusion of multimodal brain images[J]. Proceedings of the IEEE, 2015, 103( 9): 1531-1559. [百度学术]
YANG J, ZHU Q, ZHANG R, et al. Unified brain network with functional and structural data[C]//Proceedings of Medical Image Computing and Computer Assisted Intervention‑MICCAI 2020. Cham: Springer, 2020. [百度学术]
ZHU Q, LI H, YE H, et al. Incomplete multi-modal brain image fusion for epilepsy classification[J]. Information Sciences, 2022, 582: 316-333. [百度学术]
MEDAGLIA J D, LYNALL M, BASSETT D S. Cognitive network neuroscience[J]. Journal of Cognitive Neuroscience, 2015, 27(8): 1471-1491. [百度学术]
黄嘉爽, 接标,丁卫平, 等. 脑网络分析方法及其应用[J]. 数据采集与处理, 2021, 36(4): 648-663. [百度学术]
HUANG Jiashuang, JIE Biao, DING Weiping, et al. Brain network analysis: Method and application[J]. Journal of Data Acquisition and Processing, 2021, 36(4): 648-663. [百度学术]
JENKINS G M, WATTS D G. Spectral analysis and its applications[M]. San Francisco: Holden-Day, 1968. [百度学术]
FOX M D, SNYDER A Z, VINCENT J L, et al. The human brain is intrinsically organized into dynamic, anticorrelated functional networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2005, 102(27): 9673-9678. [百度学术]
ZHAN L, JENKINS L M, WOLFSON O E, et al. The significance of negative correlations in brain connectivity[J]. The Journal of Comparative Neurology, 2017, 525: 3251-3265. [百度学术]
MA J, YUAN Y, WANG Y, Hypergraph Laplacian diffusion model for predicting resting brain functional connectivity from structural connectivity[C]//Proceedings of the 2022 16th IEEE International Conference on Signal Processing (ICSP). Beijing, China: IEEE, 2022: 500-504. [百度学术]
ZHU Q, YANG J, XU B, et al. Multimodal brain network jointly construction and fusion for diagnosis of epilepsy[J]. Frontiers in Neuroscience, 2021, 15: 734711. [百度学术]
HE X, NIYOGI P. Locality preserving projections[C]//Proceedings of the 16th International Conference on Neural Information Processing Systems. Cambridge, MA: MIT Press, 2003: 153-160. [百度学术]
ZHANG G, ZHU Q, YANG J, et al. Functional brain connectivity hyper-network embedded with structural information for epilepsy diagnosis[J]. International Journal of Image and Graphics, 2021, 22(4): 2250029. [百度学术]
LUTZ P. Automatic early stopping using cross validation: Quantifying the criteria[J]. Neural Networks, 1998, 11(4): 761-767. [百度学术]
ZHANG Y. On the acceleration of optimal regularization algorithms for linear ill-posed inverse problems[J]. Calcolo, 2023, 60: 6. [百度学术]
ZHANG Y, CHEN C. Stochastic asymptotical regularization for linear inverse problems[J]. Inverse Problems, 2023, 39(1): 015007. [百度学术]
FOX M D, RAICHLE M. Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging[J]. Nature Reviews Neuroscience, 2007, 8: 700-711. [百度学术]
BRUNA J, ZAREMBA W, SZLAM A, et al. Spectral networks and locally connected networks on graphs[J]. Computing Research Repository, 2013. DOI: 10.48550/arXiv. 1312.6203. [百度学术]
VELICKOVIC P, CUCURULL G, CASANOVA A, et al. Graph attention networks[C]//Proceedings of International Conference on Learning Representations. Toulon, France: [s.n.], 2017. [百度学术]
LEE J, LEE I, KANG J. Self-attention graph pooling[C]//Proceedings of International Conference on Machine Learning. Long Beach, USA: [s.n.], 2019. [百度学术]
KALMAN R E. A new approach to linear filtering and prediction problems[J]. ASME Journal of Basic Engineering March, 1960, 82(1): 35-45. [百度学术]