基于数据的以节点为中心的图学习用于脑状态识别
机器学习
2020-11-05 v1 应用统计
机器学习
摘要
数据驱动的图学习通过确定其节点间连接的强度来建模网络。数据指图信号，即为每个图节点关联一个值。现有图学习方法要么对图信号使用简化模型，要么在计算与内存需求上成本高昂。当节点数量大或网络存在时间变化时尤为如此。为以合理计算可处理性考虑更丰富的模型，我们引入一种基于图上表示学习的图学习方法。表示学习为各图节点生成嵌入，并考虑来自邻节点的信息。我们的图学习方法进一步修改嵌入以计算图相似度矩阵。本文中，图学习被用于检查脑网络以实现脑状态识别。我们从十名患者的颅内脑电图（iEEG）信号大型数据集中推断时变脑图，然后将图作为分类器输入以区分癫痫与非癫痫脑状态。使用受试者工作特征曲线下面积（AUC）这一二分类度量，与两种广泛使用的脑网络建模方法相比，该方法平均带来 9.13% 的提升。
引用
@article{arxiv.2011.02179,
title = {Node-Centric Graph Learning from Data for Brain State Identification},
author = {Nafiseh Ghoroghchian and David M. Groppe and Roman Genov and Taufik A. Valiante and Stark C. Draper},
journal= {arXiv preprint arXiv:2011.02179},
year = {2020}
}