機器學習技術（如稀疏學習、支持向量機等）已被成功地應用到各個領域,包括圖像處理,醫(yī)學影像分析等。最近,研究人員也將機器學習應用到基于功能磁共振成像（functional magnetic resonance imaging,fMRI）的腦網(wǎng)絡分析（分類）中,獲得很好的性能。但由于腦網(wǎng)絡數(shù)據(jù)本質(zhì)上是高維的結(jié)構化數(shù)據(jù),對其抽象表達和精確刻畫,仍是這類研究中面臨的一個重要問題,也是后續(xù)腦網(wǎng)絡分析的基礎�；诖吮尘�,本文展開了面向功能性腦網(wǎng)絡的表示學習研究工作,具體工作包括以下三部分:（1）提出一種基于權值分布的自適應閾值化方法（稱之為WDT）,用于自適應地閾值化功能性腦網(wǎng)絡。閾值化處理是腦網(wǎng)絡分析非�；A的步驟,傳統(tǒng)的方法一般采用單一值或者單一比例值方法對整個腦網(wǎng)絡進行閾值化處理,從而忽略了腦區(qū)間連接的多樣性,即不同腦區(qū)間的連接強弱（權重）不同,應該采用不同閾值進行處理。另外,在實踐當中,并沒有一個好的標準來確定相應的閾值或百分比,往往根據(jù)經(jīng)驗或者需要嘗試大量可能的值來確定相應的閾值�；诖�,提出的WDT方法能夠充分利用不同腦區(qū)間連接權重的分布信息,對每個連接能夠自適應地確定一個最優(yōu)閾值,從... 

【文章來源】：安徽師范大學安徽省

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【部分圖文】：

提出基于WDT方法的分類框架

31表3.7基于社區(qū)特征學習的四種方法在eMCIvs.NC分類任務上的性能MethodACCSENSPEAUC（%）（%）（%）baseline58.920.987.546.8ST63.60.566.164.7PT70.155.880.466.9WDT(ours)74.648.892.970.4表3.8基于社區(qū)特征學習的四種方法在ADHDvs.NC分類任務上的性能MethodACCSENSPEAUC（%）（%）（%）baseline56.450.061.955.2ST62.761.263.660.7PT64.939.885.663.2WDT(ours)66.652.078.860.5(a)MCIvs.NC分類(b)lMCIvs.eMCI分類(c)eMCIvs.NC分類(d)ADHDvs.NC分類圖3.6基于聚類系數(shù)特征在四種分類任務上的精度

323.7本章小結(jié)腦網(wǎng)絡的表示學習不僅能夠簡化學習模型，提升腦疾病的分類性能，而且能夠幫助理解一些腦疾病的病理，已被應用到腦網(wǎng)絡分析中。本章節(jié)中，本文提出了基于權值分布的閾值化表示學習方法，用于基于功能連接網(wǎng)絡的腦疾病分類。與目前現(xiàn)有方法通常采取的單閾值與稀疏百分比閾值化方法不同，本文提出的WDT方法充分考慮腦網(wǎng)絡數(shù)據(jù)在各腦區(qū)節(jié)點間可能存在的關聯(lián)性差異，進而采取對樣本進行分布式自動產(chǎn)生自適應閾值，保留各腦區(qū)間的差異性信息，除去不具備判別性的冗余信息，進而簡化后續(xù)特征學習與分類步驟，提升了整體模型性能。(a)MCIvs.NC分類(b)lMCIvs.eMCI分類(c)eMCIvs.NC分類(d)ADHDvs.NC分類圖3.7基于社區(qū)結(jié)構特征在四種分類任務上的精度


本文編號：3348955