兒童注意缺陷與多動(dòng)癥（attention deficit hyperactivity disorder,ADHD）屬于較為普遍的神經(jīng)性發(fā)育性障礙。患者主要表現(xiàn)出難以集中注意力,行為多動(dòng)等癥狀。近年來,模式識(shí)別方法廣泛應(yīng)用于疾病的診斷以及病灶的尋找,但是最終的分類結(jié)果依賴于分類特征的選取和分類器的選擇。本文綜合考慮了不同分類特征和不同分類器的各種組合,得到ADHD的較優(yōu)分類模型,并基于此較優(yōu)分類模型去尋找ADHD的病灶腦區(qū),研究結(jié)果可以為ADHD的診斷及治療提供一定的幫助。本文采用ADHD-200競(jìng)賽網(wǎng)上的部分?jǐn)?shù)據(jù),基于區(qū)域一致性、低頻波動(dòng)振幅分?jǐn)?shù)、體素鏡像同倫連接和度中心度四種特征腦圖像,用AAL（Anatomical Automatic Labeling）模板提取出每個(gè)腦區(qū)的相應(yīng)特征值,將腦區(qū)的特征值輸入到多個(gè)分類器中并訓(xùn)練分類器,最后向已經(jīng)訓(xùn)練好的分類器中輸入預(yù)留出的測(cè)試集數(shù)據(jù),全方位的評(píng)估多種分類器的分類性能。我們發(fā)現(xiàn),分類器SVMcs（Support vector classifification by Crammer and Singer）表現(xiàn)一直很穩(wěn)定,可以作為一種穩(wěn)定的鑒... 

【文章來源】：湖南師范大學(xué)湖南省 211工程院校

【文章頁數(shù)】：56 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

fMRI實(shí)驗(yàn)的主要流程

1311tttZiDiD,如果iityxh.（2-2）其中，tZ是一個(gè)正規(guī)因子，用來確保11itiD輸出：輸出最后的預(yù)測(cè)值yxhttYyfintxh:1logmaxarg.（2-3）AdaBoostM1的算法如上表所示，下面對(duì)AdaBoostM1算法進(jìn)行更詳細(xì)的解釋：在訓(xùn)練集S中，最開始的權(quán)重1D是相同的，miD1/1。為了從tD和由分類器得出的預(yù)測(cè)th更新權(quán)值t1D，我們引入了t。如果iityxh，那么此樣本的權(quán)值就會(huì)更新為tttiiDD1；如果iityxh，那么此樣本的權(quán)值就會(huì)保持不變。而2/1t，11/ttt。然后，基于tZ來歸一化處理權(quán)值。在這種背景下，分類正確的樣本有著相對(duì)更小的權(quán)值，而對(duì)于分類錯(cuò)誤的樣本來講，其維持著固定的權(quán)值。從而那些經(jīng)常分類錯(cuò)誤的樣本會(huì)獲得相對(duì)與分類正確樣本較大的權(quán)值，如圖2-1所示，這就是AdaBoostM1分類器的最核心的思想。圖2-1：AdaBoostM1算法分類思想直觀圖

20以上就是支持向量機(jī)的基礎(chǔ)型。而本文意欲通過計(jì)算公式（2-20）來獲得最大間隔的超平面模型。bxwxfT.（2-21）結(jié)合（2-21）公式來看，w和b屬于是超平面模型中兩個(gè)參數(shù)。由于二次規(guī)劃的影響，我們可以借助乘子法獲得對(duì)偶函數(shù)，進(jìn)而得到一個(gè)較為精準(zhǔn)的風(fēng)險(xiǎn)函數(shù)向量結(jié)果：miiTiibxwywbwL12121,,.（2-22）其中m;...;;21，經(jīng)過一系列變型之后，可以得到基本型的對(duì)偶問題：mimimjjTijijiixxyy1121max,.,...,2,1,0,0..1miytsimiii（2-23）解出后，求出w與b即可得到模型：iiiiixwbxyw.1.（2-24）以上我們討論的是硬間隔(hard-margin)的情況，這是一種沒有數(shù)據(jù)點(diǎn)被錯(cuò)誤分類的情況。事實(shí)上，我們不能排除一種情況，那就是有一些噪聲點(diǎn)的存在。也就是說，不是所有點(diǎn)都與超平面的約束有關(guān)，把這種間隔稱為軟間隔(soft-margin)我們可以通過引入松弛變量來解決這個(gè)問題，相應(yīng)的優(yōu)化問題如式（2-25）所示：0.,...,2,1,1...21min2iiiiinibxwytsCw.（2-25）結(jié)合以上計(jì)算公式而言，i是指模型變量，C反應(yīng)的是分類點(diǎn)失誤后的影響。當(dāng)C值越大時(shí)，說明分類器對(duì)于失誤樣本的容忍度越校本文所采用liblinear里面幾種不同的SVM分類器，對(duì)應(yīng)不同的結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)（結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)由正則化項(xiàng)和損失函數(shù)項(xiàng)組成）：

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的ADHD兒童和正常兒童腦電信號(hào)分類研究[J]. 田博帆,嚴(yán)瀚瑩,王蘇弘,鄒凌.  計(jì)算機(jī)應(yīng)用研究. 2019(02)
[2]基于小波變換與SVM的ADHD病人分類[J]. 譚穎,張濤,譚睿,沈小濤,校景中.  電子科技大學(xué)學(xué)報(bào). 2015(05)

碩士論文
[1]基于腦活動(dòng)網(wǎng)絡(luò)特征的ADHD分類研究[D]. 李長(zhǎng)斌.北京交通大學(xué) 2014



本文編號(hào)：2928937