基于自适应双曲图卷积的脑网络分类方法.pdfVIP

南京大学学报（自然科学）

第61卷第2期Vol.61,No.2

JOURNAIIVERSITY

2025年3月Mar.,2025

CNAIURASCIENCE

DOI:10.13232/ki.jnju.2025.02.005

基于自适应双曲图卷积的脑网络分类方法

李文阳，王明亮*

（南京信息工程大学计算机学院，南京，210044）

摘要：人脑本质上是一个极其复杂的网络，研究脑网络可以为理解大脑机理及脑疾病的病理机制提供新的视角，目前，

基于图卷积网络（GraphConvolutionNetwork，GCN)的深度学习方法因其在图结构数据学习方面的强大能力，被广泛应

用于脑网络分析，并在脑疾病诊断中取得了显著进展.然而，现有的GCN方法存在两个问题：（1)仅关注节点在欧式空间

的局部特征，难以有效刻画脑网络中无标度、小世界等全局特征；（2）使用手工构建的邻接矩阵，无法捕捉大脑中的自发

波动，忽视了潜在的拓扑结构信息，为了解决上述问题，提出一种基于自适应双曲图卷积网络（AdaptiveHyperbolic

GraphConvolutionNetwork，AH-GCN)的脑网络分类模型.具体地，AH-GCN首先使用双向门控循环单元自适应生成邻

接矩阵，然后将节点特征嵌入双曲空间，并在双曲空间中进行图表示学习，最后将整图表示送人分类器，实现疾病的诊断

预测.在AutismBrainImagingDataExchange（ABIDE)与AlzheimersDiseaseNeuroimagingInitiative（ADNI)数据集上

的实验结果表明，AH-GCN在脑网络任务上的性能优于现有的主流方法：

关键词：双曲空间，自适应学习，图神经网络，脑网络，疾病诊断

中图分类号：TP391文献标志码：A

Adaptivehyperbolicgraphconvolution-based

brainnetworkclassificationmethod

LiWenyang,WangMingliang

(SchoolofComputerScience,NanjingUniversityofInformationScienceandTechnology,Nanjing,210044,China)

Abstract:Thehumanbrainisessentiallyanextremelycomplexnetwork,andstudyingbrainnetworkscanprovidenew

perspectivesforunderstandingbrainmechanismsandthepathogenesisofbraindiseases.Currently,deeplearningmethods

basedonGraphConvolutionNetwork(GCN)havebeenwidelyappliedinbrainnetworkanalysisduetotheirpowerful

learningcapabilitiesforgraph-structureddata,achievingsignificantprogressinbraindiseasediagnosis.However,existing

GCNmethodsstil