阿爾茨海默病為不可逆性的神經(jīng)退行性疾病,目前暫無治愈的特效藥和相關(guān)技術(shù),因此盡早發(fā)現(xiàn)其前期階段——輕度認知障礙并盡早治療成為挽救患者的唯一途徑。在此類神經(jīng)性疾病的計算機輔助診斷中,常用到磁共振影像,但是數(shù)據(jù)維度高且有效訓練樣本少成為影響識別率的重要因素。本文主要的研究目的是提高基于高斯過程分類方法對AD/MCI計算機輔助診斷的性能。具體工作內(nèi)容如下:1.討論了幾種常用的分類方法,詳細研究了高斯過程分類模型的建模方法及求解流程。針對后驗分布難于直接積分求解問題,重點探討了分類應用下的Laplace逼近算法。詳細闡述了本文所使用的分類器性能評價指標,以此驗證改進的分類方法的有效性。2.對AD/MCI小樣本分類問題,以高斯過程為基礎(chǔ)設(shè)計了一種分步的分類方法:先對測試樣本利用高斯過程進行初步分類;依據(jù)后驗概率篩選類別歸屬確定性強的樣本作為補充參與訓練,對其余錯分可能性相對較高的樣本重新進行分類。利用ADNI數(shù)據(jù)庫磁共振影像的分類實驗表明二次分類傾向于增大樣本歸屬于真實類別的后驗概率、提高類別判定的確定性,分類性能優(yōu)于常規(guī)的高斯過程分類方法和支持向量機。3.為增強高斯過程分類模型對高維復雜數(shù)據(jù)集... 

【文章來源】：山東科技大學山東省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

圖２．４受限玻爾茲曼機模型結(jié)構(gòu)圖??

隱含層存儲的數(shù)據(jù)為低維特征，ＤＢＮｓ中的每層神經(jīng)元都和上層中??的神經(jīng)元相連。ＤＢＮ結(jié)構(gòu)中相鄰的兩層可以看作一個單獨的ＲＢＭＰＩ，結(jié)構(gòu)圖如??圖２．５所示：??Ｓ１?＾圓??Ｉ：圓??圖２．５深度信念網(wǎng)絡(luò)結(jié)構(gòu)示意圖??Ｆｉｇｕｒｅ?２．５?Ｄｅｅｐ?Ｂｅｌｉｅｆ?Ｎｅｔｓ?Ｓｔｒｕｃｔｕｒｅ?Ｄｉａｇｒａｍ??具有Ｌ層隱含層的ＤＢＮ模型，可見層ｖ和隱含層Ａ的概率分布為：??／１－２?＼??Ｐ（ｖ，ｈ＇，－，ｈＬ）＝?Ｉ７２＂＂１）?ｐ｛ｈＬ￣ｘｙ）?式（２．６３）??ｖ?＾＝１?Ｊ??利用ＤＢＮｓ進行分類的思想是：首先由訓練樣本對ＤＢＮｓ模型進行預訓練，??在得到局部較優(yōu)解之后，在模型最上層添加分類器對網(wǎng)絡(luò)輸出的特征進行分類，??通常使用ＳＶＭ分類器。由于模型輸出特征是在無監(jiān)督學習方法下提取的，因此??在進行分類任務時，需要在分類器上添加樣本標簽進行有監(jiān)督訓練，并為了使??分類效果更好，通常采用ＢＰ算法根據(jù)誤差對整個網(wǎng)絡(luò)進行微調(diào)。??訓練ＤＢＮｓ模型主要由兩個階段組成

期間用于表示信號檢測特性時創(chuàng)造的，現(xiàn)在人們通常就稱之為Ｒ０Ｃ曲線而不用??其原始的全名。該曲線以靈敏度Ｓｎ即真陽性率作為縱坐標，假陽性率（１－特異??度）作為橫坐標，如下圖２．６所示。??對于一個分類器的分類性能，人們總是希望其真陽性率高、假陽性率低。??如果某種分類方法的真陽性率總是等于其假陽性率，那么就沒有任何應用價值，??這就對應于Ｒ０Ｃ曲線中的對角線。圖中（０，０）點和（１，１）點是兩種極端情況，??分別表示所有樣本都被判斷為陰性和所有樣本都被判斷為陽性。每確定一個閾??值就決定了決策的真假陽性率，對應圖中曲線上的－個點，比如（０．１，０．８）點表??２３??

【參考文獻】：
期刊論文
[1]基于增強AlexNet的深度學習的阿爾茨海默病的早期診斷[J]. 呂鴻蒙,趙地,遲學斌.  計算機科學. 2017(S1)
[2]基于深度表示學習和高斯過程遷移學習的情感分析方法[J]. 吳冬茵,桂林,陳釗,徐睿峰.  中文信息學報. 2017(01)
[3]基于高斯過程的多分類器[J]. 黃維,童瑩,曹雪虹.  計算機工程與設(shè)計. 2016(04)
[4]一種基于復合稀疏表示的阿爾茨海默病的診斷方法[J]. 滕升華,商勝楠,王芳,趙增順.  生物醫(yī)學工程研究. 2016(01)
[5]基于支持向量機的老年癡呆癥-頭發(fā)微量元素相關(guān)性研究[J]. 楊興華,肖緹,吳鋒.  計算機與應用化學. 2013(02)



本文編號：3331002