基于磁共振圖像的人腦發(fā)育和老化研究是神經(jīng)科學(xué)領(lǐng)域的熱點研究問題。前人的研究表明,人腦結(jié)構(gòu)及功能均隨發(fā)育及老化有明顯改變。這一結(jié)論提示我們,可以基于磁共振圖像,結(jié)合機器學(xué)習(xí)方法,對個體腦齡進行預(yù)測。另有研究表明,特定神經(jīng)精神疾病患者的腦齡與其生理年齡之間存在明顯偏差。因此,研究人員認為個體腦齡預(yù)測可客觀評估個體發(fā)育及老化水平,對特定神經(jīng)精神疾病的輔助診斷具有重要價值,如阿爾茲海默病及注意缺陷多動障礙等。本研究基于多模態(tài)磁共振圖像提取的腦結(jié)構(gòu)及功能信息,結(jié)合半監(jiān)督協(xié)同回歸、彈性網(wǎng)及隨機森林等機器學(xué)習(xí)算法,進行個體腦齡預(yù)測。具體研究工作如下:（1）基于靜態(tài)腦網(wǎng)絡(luò)特征的成人腦齡預(yù)測研究�；�73名30-85歲的成人樣本的彌散張量圖像（DTI）及功能磁共振圖像（fMRI）,分別提取了各向異性分數(shù)（FA）和功能連接（RSFC）作為特征,串聯(lián)FA值與RSFC,結(jié)合協(xié)同訓(xùn)練算法構(gòu)建腦齡預(yù)測模型。實驗結(jié)果表明,基于靜態(tài)腦網(wǎng)絡(luò)特征可達到較好的腦齡預(yù)測結(jié)果:預(yù)測年齡與生理年齡的相關(guān)系數(shù)R=0.78（平均絕對誤差MAE=8.39歲）。最優(yōu)預(yù)測中,FA值特征貢獻度大于RSFC特征,這可能說明FA值較RSFC對腦... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１?ｐ＝２時最優(yōu)預(yù)測情況下預(yù)測年齡與生理年齡擬合曲線（ｋ＝３?［Ａ］，ｋ＝６［Ｂ］，ｋ＝１０?［Ｃ］）．??Ｆｉｇ．?２－１?Ｔｈｅ?ｐｌｏｔｓ?ｏｆ?ｔｈｅ?ｅｓｔｉｍａｔｅｄ?ｖｅｒｓｕｓ?ｃｈｒｏｎｏｌｏｇｉｃａｌ?ａｇｅｓ?ｂａｓｅｄ?ｏｎ?ｐ＝２?ａｎｄ?ｋ＝３?（Ａ），?ｋ＝６?

從以上的４４１種（４９種特征組合情況Ｘ３種ｐ值Ｘ３種ｋ值）組合結(jié)果中，列??出預(yù)測年齡與生理年齡相關(guān)系數(shù)最高的８組結(jié)果，并計算出相關(guān)系數(shù)最高情況下??的ＦＡ特征在全部特征中所占比例，見表２－１０，

本集（每個樣本的容量都與原始訓(xùn)練集一樣），然后基于這些抽取出來的樣本集進??行決策樹訓(xùn)練建模，組合所有決策樹的判決結(jié)果，并得出新輸入樣本的最終預(yù)測??結(jié)果。下圖３－１是一個隨機森林的構(gòu)建過程。??ｊ自動樣本集ｉ?樹學(xué)習(xí)器１?＼??／??全部訓(xùn)練樣本自動樣本集ｉ?＞樹學(xué)習(xí)器ｉ?隨機森林?Ｈ？投票／平均??＼??￥自動樣本集女?＞?樹學(xué)習(xí)器ｋ?／??圖３－１隨機森林流程圖??Ｆｉｇ．?３－１?Ｔｈｅ?ｆｌｏｗ?ｏｆ?ｔｈｅ?ｒａｎｄｏｍ?ｆｏｒｅｓｔ?ａｌｇｏｒｉｔｈｍ??有研究發(fā)現(xiàn)，ｂｏｏｔｓｒａｐ重抽樣的結(jié)果是，原始樣本中大概有三分之一的樣本不??會被選中作決策樹的建模訓(xùn)練集，這些未被選中的樣本稱作這棵決策樹的“袋外??樣本（ｏｕｔ－ｏｆ－ｂａｇ）”。袋外樣本的存在，可以用作該決策樹的測試集，從而可以通??過計算所有的決策樹的袋外樣本預(yù)測誤差，來確定隨機森林算法模型誤差的內(nèi)部??估計。??另外，隨機森林算法通常還會根據(jù)基尼指數(shù)（Ｇｉｎｉ?Ｉｎｄｅｘ）準(zhǔn)則，采用最佳二??元分類方法作為拆分節(jié)點的依據(jù)�；嶂笖�(shù)也可以用于評估模型中，訓(xùn)練特征的??貢獻程度或重要性，具體地，可通過計算模型中所有節(jié)點處的基尼指數(shù)的減少程??度的總和

【參考文獻】：
期刊論文
[1]基于分歧的半監(jiān)督學(xué)習(xí)[J]. 周志華.  自動化學(xué)報. 2013(11)

碩士論文
[1]基于Lasso類方法的指數(shù)跟蹤問題研究[D]. 謝儀.太原理工大學(xué) 2015
[2]基于特征空間變換的半監(jiān)督學(xué)習(xí)[D]. 章文.中國科學(xué)技術(shù)大學(xué) 2009



本文編號：3225203