利用脑网络模板对脑网络进行构建是当前脑网络疾病领域的一个研究重点,该方法为脑神经疾病的诊断提供了一种更有效的技术。研究发现,不同模板定义下的网络节点规模的差异对网络的结构及其拓扑属性会产生极大影响。然而,传统单一模板构建的网络忽略了节点的规模,也缺乏不同节点规模对拓扑属性可信度影响的探究。同时,对于机器学习方法中网络节点规模的差异是如何影响网络结构、分类准确率的仍在研究中。为解决这些问题,本文在前人的基础上,针对节点规模对网络拓扑属性、分类特征表现、选择策略及分类准确率的影响进行深入研究。以下为本文的主要工作:第一,定义多节点模板并构建网络。本文使用纽约大学公开的正常被试的数据集和山西医科大学抑郁症的数据集分别进行脑区划分,得到五个不同节点数量的脑网络。第二,探究不同节点数量对拓扑属性的影响。对纽约大学公开的正常被试的数据集构建的不同节点规模的脑网络的局部属性进行提取,然后对比拓扑属性的差异,最后对脑网络的功能连接和网络拓扑属性的可靠性进行分析。第三,探究节点规模对分类特征的选择及性能的影响。首先提取抑郁症数据集构建的不同节点规模的脑网络的局部属性,然后通过K-S检验法在局部属性之间进行统计分析,经过判断,选取判别性特征(显著性差异的属性)作为分类特征,采用SVM对抑郁症与正常人进行分类。第四,使用最大相关最小冗余法对特征间的冗余性进行分析,并判断不同节点规模的脑区间的距离对冗余度的影响与传统的统计显著性的特征选择方法在不同节点规模的可行性,最后检验实验中高维特征是否存在过拟合问题。综合考量发现,随着空间节点数量的增加,网络结构的可靠性在逐渐提高,分类效果也在不断改善。结果表明,不同节点规模得到的特征有效性相当,即节点数量多的模板虽然不能提供更有效的特征,但是,却可以提供更多的有效特征,这将导致分类准确率的提升。同时,节点数量多的模板由于脑区间距离更接近,特征间的冗余程度也在增强。文中还发现传统的统计显著性的特征选择方法在不同节点规模下均可行,但分析结果表明,传统的0.05的阈值设置过于严格。本研究得到国家自然科学基金(61672374,61741212,61876124,61873178),山西省自然科学基金(201601D021073,201801D121135),山西省高校科技创新项目(2016139)的研究资助。山西省重点研发(R&D)项目(201803D31043)。本文的研究重点在于多节点模板定义及网络构建,在此基础上进一步探讨了网络节点规模对网络拓扑属性以及分类特征的选择及性能的影响。本文为今后将脑网络拓扑属性应用到机器学习方法时,为构建网络选择合适的模板提供了一定的参考价值。