發(fā)布時間：2017-08-19 14:37

  本文關(guān)鍵詞：基于統(tǒng)計信息的fMRI數(shù)據(jù)特征選擇及分類方法研究

  更多相關(guān)文章： 功能磁共振成像數(shù)據(jù) 特征選擇 分類 正則化互信息 時序差異

【摘要】：功能磁共振成像(functional magnetic resonance imaging,fMRI)數(shù)據(jù)分析一直是認知神經(jīng)科學領域的研究熱點之一。fMRI數(shù)據(jù)分類作為fMRI數(shù)據(jù)分析的一個重要子任務,已受到國內(nèi)外學者的廣泛關(guān)注。但目前多數(shù)工作采用單變量分析方法,缺乏在fMRI數(shù)據(jù)上深入細致的研究,更忽視了fMRI具有高維和時序變化的特征,使得分類準確率受到了很大的影響。為此,本課題結(jié)合fMRI數(shù)據(jù)自身的特性,圍繞如何選擇特征和設計合適的分類器這兩個關(guān)鍵科學問題開展如下研究:(1)針對fMRI數(shù)據(jù)的高維問題,本文通過加入特征之間的空間交互信息,提出了基于正則化互信息和fisher判別率的特征選擇算法。算法首先根據(jù)fMRI數(shù)據(jù)特征之間的空間相關(guān)性,采用正則化互信息計算特征與特征之間的相關(guān)性。然后,利用fisher判別率進一步選擇出區(qū)分認知狀態(tài)能力強的特征,以發(fā)現(xiàn)能夠反映大腦思維模式的最佳特征集。在兩個公共fMRI數(shù)據(jù)集上與其它一些經(jīng)典特征選擇方法的實驗結(jié)果表明,新算法在多項指標上表現(xiàn)出了較好的性能。(2)針對目前方法忽視fMRI時序變化特征對分類性能造成的不良影響,本文提出了基于fMRI體素值時序差異和集成特征選擇的支持向量機分類方法。首先,在特征抽取中采用體素值時序差異的方法提取特征,利用top-k策略得到初始集。然后,在初始集中通過基于統(tǒng)計學的集成特征選擇方法選擇特征,獲得最優(yōu)子集。最后,對最終的最優(yōu)子集利用塊坐標下降的支持向量機分類模型進行分類。在任務相關(guān)數(shù)據(jù)集上的實驗表明,新方法能有效解碼腦認知狀態(tài),與其他一些方法相比具有明顯的競爭力。論文設計并實現(xiàn)了兩種新穎的fMRI數(shù)據(jù)特征選擇方法和分類方法,豐富了fMRI數(shù)據(jù)分類的研究,有助于神經(jīng)認知的進一步發(fā)展。
【關(guān)鍵詞】：功能磁共振成像數(shù)據(jù) 特征選擇 分類 正則化互信息 時序差異
【學位授予單位】：北京工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R445.2
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-15
• 1.1 論文的研究背景與意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-12
• 1.3 論文的主要研究內(nèi)容12
• 1.4 本文的組織結(jié)構(gòu)12-15
• 第2章 相關(guān)知識介紹15-25
• 2.1 fMRI技術(shù)15-17
• 2.1.1 fMRI技術(shù)原理15
• 2.1.2 fMRI的優(yōu)缺點及其數(shù)據(jù)特點15-17
• 2.2 特征抽取17-18
• 2.3 特征選擇18-20
• 2.3.1 不同類型的特征選擇方法18
• 2.3.2 常用的特征選擇方法18-20
• 2.4 數(shù)據(jù)分類20-23
• 2.4.1 分類算法簡介21-22
• 2.4.2 分類器評測過程22-23
• 2.5 本章小結(jié)23-25
• 第3章 基于正則化互信息和fisher判別率的fMRI數(shù)據(jù)特征選擇方法25-41
• 3.1 基本思想25
• 3.2 算法描述25-28
• 3.2.1 算法描述與分析25-27
• 3.2.2 正則化互信息27
• 3.2.3 Fisher判別率27-28
• 3.2.4 高斯樸素貝葉斯28
• 3.3 實驗結(jié)果與分析28-39
• 3.3.1 實驗數(shù)據(jù)集28-30
• 3.3.2 任務相關(guān)數(shù)據(jù)的實驗結(jié)果對比分析30-32
• 3.3.3 靜息態(tài)數(shù)據(jù)的實驗結(jié)果對比分析32-39
• 3.4 本章小結(jié)39-41
• 第4章 基于fMRI體素值時序差異和集成特征選擇的支持向量機分類方法41-51
• 4.1 算法思想41
• 4.2 算法描述41-45
• 4.2.1 算法流程描述41-42
• 4.2.2 基于體素值時序差異的特征抽取42-43
• 4.2.3 基于統(tǒng)計學的集成特征選擇43-44
• 4.2.4 基于塊坐標下降的支持向量機分類模型44-45
• 4.3 實驗結(jié)果與分析45-49
• 4.3.1 不同策略對分類結(jié)果的影響45-47
• 4.3.2 與其他模型的對比實驗47-49
• 4.4 本章小結(jié)49-51
• 結(jié)論51-53
• 參考文獻53-57
• 攻讀碩士學位期間所發(fā)表的學術(shù)論文57-59
• 致謝59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 高娟;王國胤;胡峰;;多類別腫瘤基因表達譜的自動特征選擇方法[J];計算機科學;2012年10期

中國重要會議論文全文數(shù)據(jù)庫 前6條

1 徐燕;王斌;李錦濤;孫春明;;知識增益：文本分類中一種新的特征選擇方法[A];第三屆全國信息檢索與內(nèi)容安全學術(shù)會議論文集[C];2007年

2 肖婷;唐雁;;文本分類中特征選擇方法及應用[A];2008年計算機應用技術(shù)交流會論文集[C];2008年

3 徐燕;孫春明;王斌;李錦濤;;基于詞條頻率的特征選擇算法研究[A];中文信息處理前沿進展——中國中文信息學會二十五周年學術(shù)會議論文集[C];2006年

4 陳慶軒;鄭德權(quán);鄭博文;趙鐵軍;李生;;中文文本分類中基于文檔頻度分布的特征選擇方法[A];黑龍江省計算機學會2009年學術(shù)交流年會論文集[C];2010年

5 顧成杰;張順頤;劉凱;黃河;;基于粗糙集和禁忌搜索的特征選擇方法[A];江蘇省電子學會2010年學術(shù)年會論文集[C];2010年

6 王秀娟;郭軍;鄭康鋒;;基于互信息可信度的特征選擇方法[A];2006通信理論與技術(shù)新進展——第十一屆全國青年通信學術(shù)會議論文集[C];2006年

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 劉明霞;屬性學習若干重要問題的研究及應用[D];南京航空航天大學;2015年

2 毛勇;基于支持向量機的特征選擇方法的研究與應用[D];浙江大學;2006年

3 尹留志;關(guān)于非平衡數(shù)據(jù)特征問題的研究[D];中國科學技術(shù)大學;2014年

4 裴志利;數(shù)據(jù)挖掘技術(shù)在文本分類和生物信息學中的應用[D];吉林大學;2008年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張琛馨;文本分類系統(tǒng)設計與實現(xiàn)[D];中山大學;2015年

2 秦嘉瑋;MRI結(jié)構(gòu)特征選擇方法及AD早期診斷的應用研究[D];太原理工大學;2016年

3 崔明明;視頻底層特征選取及其與觀眾評價的相關(guān)分析[D];東北電力大學;2016年

4 賀鳴;文本分類中基于詞頻再排序的特征選擇方法研究[D];南京大學;2016年

5 唐佳麗;面向科技評審中專家回避的人物社會關(guān)系分析方法研究[D];華東交通大學;2016年

6 周密;基于Fisher Score及遺傳算法的特征選擇方法研究[D];暨南大學;2016年

7 閻麗;基于新浪微博的短文本分類研究[D];云南大學;2016年

8 李志強;基于磁共振數(shù)據(jù)的特征選擇方法研究[D];電子科技大學;2016年

9 岳翠榮;多標簽分類中關(guān)鍵技術(shù)的研究[D];華中師范大學;2016年

10 趙磊;基于隨機搜索策略的多標簽特征選擇方法研究[D];南京師范大學;2016年

，

本文編號：701288