腦疾病的早期診斷和干預(yù),對(duì)于用藥和治療有著十分重要的作用。目前,生理信號(hào)的檢測(cè)方法已經(jīng)被應(yīng)用在腦疾病的早期篩查中,并成為重要輔助手段之一,特別是面向腦疾病精神障礙的腦成像技術(shù)與無擾式人體步態(tài)識(shí)別技術(shù),并積累了大量的數(shù)據(jù)。由于傳統(tǒng)的診斷方式依賴于量表與醫(yī)生的專業(yè)素養(yǎng),其給出臨床診斷結(jié)果具有較高的主觀性。隨著智能醫(yī)療的發(fā)展,研究人員可以在多模態(tài)生理信號(hào)的客觀條件下去理解和量化精神疾病對(duì)大腦的影響。腦疾病診斷是復(fù)雜的決策過程,機(jī)器學(xué)習(xí)方法作為數(shù)據(jù)驅(qū)動(dòng)的強(qiáng)有力工具,可以為腦疾病分類和早期預(yù)測(cè)診斷提供輔助手段,揭示腦認(rèn)知、行為和相關(guān)腦疾病之間的關(guān)聯(lián)機(jī)制。本文圍繞腦疾病診斷分析中兩個(gè)方面開展相關(guān)的研究工作:（1）基于同倫字典學(xué)習(xí)的癲癇檢測(cè)算法研究;（2）面向抑郁障礙的步態(tài)運(yùn)動(dòng)學(xué)特征檢測(cè)及預(yù)測(cè)關(guān)節(jié)模型的研究。（1）大腦內(nèi)部信號(hào)的研究成為近年來探索認(rèn)知科學(xué)領(lǐng)域的熱點(diǎn)之一,腦電圖（Electroencephalography,EEG）與大腦活動(dòng)關(guān)聯(lián)性強(qiáng)、時(shí)間分辨率高而被廣泛用于認(rèn)知神經(jīng)科學(xué)、腦疾病臨床診斷以及腦-機(jī)接口等相關(guān)研究中。癲癇作為一種慢性精神疾病,由于突發(fā)性和反復(fù)性等特點(diǎn),EEG在癲癇檢測(cè)中起... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

l1范數(shù)和2l范數(shù)的最小化優(yōu)化過程示意圖

蘭州大學(xué)碩士學(xué)位論文腦疾病輔助診斷與預(yù)測(cè)技術(shù)的研究12Step3對(duì)經(jīng)過T輪訓(xùn)練后得到強(qiáng)的分類器：()()1argmax1TtttiyYtHxahxy∈===∑(2-19)2.3評(píng)估方法與指標(biāo)2.3.1分類模型度量為了評(píng)估二元分類模型的性能，必須將模型預(yù)測(cè)值與相應(yīng)的真值進(jìn)行比較。許多評(píng)價(jià)技術(shù)存在最常見和直觀的評(píng)價(jià)指標(biāo)。分類精度（Acc）表示與相應(yīng)真值相同的模型預(yù)測(cè)百分比，定義為：100TPTNAccTPFPFNTN+=×+++(2-20)圖2-2混淆矩陣其中TP、TN、FP和FN分別為真陽(yáng)性率、真陰性率、假陽(yáng)性率和假陰性率。圖(2-2)中描述了一個(gè)混淆矩陣，闡述了如何計(jì)算這些度量。其他的指標(biāo)是敏感性（Sen）和特異性（Spec），定義如下：TPSenTPFN=+(2-21)TNSpecTNFP=+(2-22)Sens為正確分類的陽(yáng)性點(diǎn)比例，spec為正確分類的陰性點(diǎn)比例。2.3.2回歸度量分類評(píng)估技術(shù)使用離散模型預(yù)測(cè)，而回歸模型評(píng)估使用連續(xù)模型預(yù)測(cè)。一個(gè)

蘭州大學(xué)碩士學(xué)位論文腦疾病輔助診斷與預(yù)測(cè)技術(shù)的研究15地表達(dá)原始信號(hào)[55]。圖3-1框架包括三個(gè)步驟：預(yù)處理，使用字典學(xué)習(xí)算法構(gòu)建字典D和診斷決策圖3-2字典和線性稀疏表示模型的設(shè)計(jì)3.2.1基于稀疏表示的分類方法近年來，Wright等人提出了一種基于SRC分類的新算法，并且在計(jì)算機(jī)識(shí)別領(lǐng)域中得到了廣泛的應(yīng)用[56]。在SRC算法中，測(cè)試樣本由不同類型訓(xùn)練樣本組成的訓(xùn)練字典中稀疏地表示出來。然后，計(jì)算不同類型訓(xùn)練樣本的重構(gòu)誤差，并根據(jù)最小重構(gòu)誤差進(jìn)行比較來確定類。該算法打破了傳統(tǒng)特征提取和模式識(shí)別，相關(guān)系數(shù)的稀疏度可以通過l1范數(shù)來定義，相關(guān)系數(shù)向量中的非零元素越少，其稀疏度則越大，反之亦然。通過引入約束后，信號(hào)y可以表示為：0argminsubjecttoxy=Dx(3-3)盡管l0范數(shù)在信號(hào)稀疏的解決過程相當(dāng)復(fù)雜，然而，在關(guān)于壓縮感知的最新研究中，許多研究人員已經(jīng)證明了在約束等距條件下，l1范數(shù)優(yōu)化與0l范數(shù)具有相同的解[57-58]。因此，公式(3-3)可以等價(jià)于l1范數(shù)的優(yōu)化過程，可以如下表示為1argminsubjecttoxy=Dx(3-4)訓(xùn)練字典,,,KXXXX12是由K類信號(hào)所構(gòu)成，這里，12,,,iimnmiiiiXXXXR×=∈，i1,2,,K代表具有的第i類信號(hào)，因?yàn)樵谶@個(gè)研

【參考文獻(xiàn)】：
期刊論文
[1]步態(tài)分析的臨床應(yīng)用[J]. 勵(lì)建安,孟殿懷.  中華物理醫(yī)學(xué)與康復(fù)雜志. 2006(07)



本文編號(hào)：3444343