1.基于结构-功能脑网络局部耦合模式的精神疾病分类方法,其特征在于,包括以下步骤:S1、在一个精神疾病数据集中,有两个重要的脑图网络,分别是结构脑网络,由连接矩阵AS2、将发现的所有以邻接列表形式存在的频繁连通子图g,根据标签与结点间的映射关系,转换为相应的连接矩阵,由B∈RS3、通过五折交叉验证,使用lasso模型对已经计算得到的耦合系数进行特征选择,在这个过程中,所得的耦合系数被划分为五个子集,其中四个子集用于训练模型,而第五个子集用于测试模型的性能,该过程将重复执行多次,每次使用不同的子集作为测试集,以确保获得稳健的模型评估,在每次交叉验证中,lasso模型将评估各个特征的重要性,并选择对目标属性具有最大预测能力的特征,通过这种特征选择的方法,得到属性约简后的耦合系数,这些约简后的耦合系数能反映结构和功能脑网络之间的关联程度;
S4、使用经过属性约简后的耦合系数作为特征,运用随机森林分类模型来进一步分析,随机森林能够综合多个决策树的结果来提高模型性能,通过随机森林,对耦合系数进行分类任务,评估它们在精神疾病诊断中的准确性。
2.根据权利要求1所述的基于结构-功能脑网络局部耦合模式的精神疾病分类方法,其特征在于,所述步骤S1中对结构脑网络连接矩阵进行频繁子图挖掘的步骤如下:S11、使用图数据G
S12、按频率对G
S13、对子图S'中的每一条边,首先判断是否满足最小的DFS编码,若满足,则对子图S'进行最右路拓展,得到S”,接着再判断S”是否满足支持度minsup,若满足,则重复此步骤,对S”进行递归挖掘,直到没有新的频繁子图生成为止,将发现的所有子图以邻接列表的形式保存。
3.根据权利要求1所述的基于结构-功能脑网络局部耦合模式的精神疾病分类方法,其特征在于,所述步骤S2中计算功能-结构耦合系数的步骤如下:S21、假设得到n个子图,表示为g
S22、通过子图邻接矩阵B
S23、通过子图邻接矩阵B
S24、通过Spearman相关系数方法,对提取到的功能子网络和结构子网络计算功能-结构耦合系数,公式如下:其中,ρ为结构-功能耦合系数,用来衡量结构脑网络与功能脑网络之间的关联程度,d为结构脑网络与功能脑网络秩次之间的差异,n为结构脑网络与功能脑网络样本数据点的数量。