Классификация нормы и патологии на основе спектральных признаков сетевых структур мозга

В данной работе мы рассматривали проблему классификации сетевых структур мозга с использованием алгоритмов машинного обучения на основе спектров матриц, связанных с сетями. Мы используем три подхода. Во-первых, мы используем линейные и нелинейные модели на векторах собственных значений матрицы смежности, матрицы лапласиана и матрицы нормализованного лапласиана. Во-вторых, мы обучаем SVM классификатор с ядрами, основанными на информационном расстоянии между распределениями соответствующих спектров. В-третьих, мы обучаем SVM классификатор с ядром, использующим метрику, возникающую как решение транспортной проблемы. Подход, использующий информационные меры, оказывается наиболее продуктивным при решении задачи классификации нормального развития и расстройств аутистического спектра, а также носительства и не-носительства аллеля, связанного с высоким риском развития болезни Альцгеймера. Однако получаемые результаты оказываются крайне чувствительны к выбору параметров восстановления плотности, используемых для подсчета ядра. Методы, преодолевающие это ограничение, будут предметом наших дальнейших исследований.