独立网络的构建
本研究中构建了两个独立网络：皮层网络和皮层下网络
网络通常被定义为
\[
G = (V,E)
\]
其中，V、E分别顶点的集合和边的集合
皮层网络
根据上述的五种皮层区域测度，可以构建五种个体网络
\[
G_{CGMV},G_{CT},G_{CSV},G_{CC},G_{CFI}
\]
对于GCGMV，节点是由AAL图集定义的皮质区域，边缘是一对节点之间CGMV的某种相似性。在这项研究中，一对节点之间的CGMV的相似性计算如下
\[
s(a,b) = \frac{1}{d(a,b) + 1}
\]
其中d(a,b)定义为 ROIs a和b的差异
\[
d(a,b) = |t(a) - t(b)|
\]
其中t(a),t(b)分别为ROIs a和b的CGMV
其它四个网络的构造方法与此相似，这五个单独的皮层网络共享同一组皮层区域，并使用相同的方法计算一对节点之间的相似性，只是它们对于t(.)使用不同的定义，对于GCT,GCSA,GCC,GCFI分别使用CT,CSA,CC和CFI的皮质区
对于皮层下网络，我们仅基于上述皮层下区域的度量来构建单个网络，表示为GSV。GSV的构造方法类似于上述五个单独的网络。他们使用相同的方法来计算一对节点之间的相似性。它们的差异主要表现在GSV的节点集合是皮层下区域而不是皮层区域，GSV中的t(.)代表皮层下区域的SV
两个ROIs之间的差异越小，它们的相关性越大。如果两个ROIs具有相同的值，它们具有最强的相似性，其相关性等于1
将提取每个网络的所有节点和边缘作为AD分类的原始特征。基于这六个独立的网络，我们可以提取两类特征集：节点特征集和边缘特征集
特征排序是识别降维相关特征和提高泛化性能的有效手段。在本研究中，使用F-得分对每个特征集（如NCGMV、NCT、ECC、ECFI等）中的所有特征进行排序
F-score用于测量两个实数集之间的差距
其中n+和n-分别代表正/负数实例的个数
多核学习分类
在这项研究中，提出了一个两步MKL方法来实现最终分类
首先，使用MKBOSTST-S2算法获得之前定义的每个特征集的最优特征子集和最优分类器。由于多项式核具有良好的全局性能和高斯核具有良好的局部性能，因此在本研究中，定义了一组用于MKBoost-S2算法（即M=13）的13个基核
多项式核被定义为
表示多项式核的度，该研究中使用d={1,2,3}对于每个特征集合
Gaussian被定义为
其中\(\sigma\)表示Gaussian核的宽度，研究中使用\(\sigma\)={2-4,2-3...25}共10个值对于每个特征集合
对于一个特别的特征集NCGMV，使用他的top pi特征构造K个不同的特征子集。对于13个已经定义的基核，MKBoost-S2为每个K特征子集生成了一个分类器。然后我们就得到了K个分类器，在这K个分类器中，准确度最高的一个即为优化分类器，与它相关的特征集即为优化特征集，以同样的方法来得到其它各个特征集的优化分类器，优化特征子集。之后，一个带权重的MKL框架被提出来利用最优特征子集和相应的最优分类器来构造组合分类器，以研究分类性能
最终组合的分类器的计算方法
其中，\(\eta\)v表示分类器的权重
提出的架构