發(fā)布時間：2020-06-13 21:51

【摘要】：智商(IQ)可以綜合衡量個體認知能力的差異,被臨床心理學家視為具有臨床意義的有效統(tǒng)計指標。目前的智商評估主要是通過主觀量表評分實現(xiàn)的,存在很大的主觀性和不確定性。磁共振技術(shù)的出現(xiàn),使得研究智商個體差異的腦機制成為可能,而現(xiàn)代機器學習技術(shù)的發(fā)展為基于磁共振圖像開展智商的客觀評估提供了有效工具。本研究基于76名18-55歲成年人樣本的腦靜息態(tài)功能磁共振圖像,提取160個腦感興趣區(qū)的fMRI信號時間序列的相關(guān)性度量腦區(qū)之間的功能連接強度,并以這些功能連接強度為特征,以智商值為標簽,構(gòu)建預測模型實現(xiàn)對智商的有效預測。具體研究工作如下:(1)基于經(jīng)典回歸算法的智商預測研究�；谀X功能連接特征,本研究采用基于集成學習、樹模型、核方法、線性模型等四類(共12種)算法構(gòu)建預測模型。留一法交叉驗證實驗結(jié)果表明,基于線性模型的預測表現(xiàn)要優(yōu)于其他算法,而在基于線性模型的4種算法中,有對特征進行選擇的算法得到了更好的結(jié)果。(2)基于主動學習的智商預測研究。主動學習算法可以有效處理沒有足夠的訓練樣本的情況,因而適合本研究的小樣本場景。本研究中基于貪婪取樣的預測模型和基于期望變更最大化的預測模型,分別結(jié)合嶺回歸、支持向量回歸、彈性網(wǎng)回歸方法,構(gòu)建智商預測模型。實驗結(jié)果表明,主動學習方法的應用可以提升預測效果。(3)基于遷移學習域適應方法的智商預測研究。本研究分別基于模型融合的域適應(DAMF)、加權(quán)正則化域適應回歸(WARR)兩種算法,構(gòu)建智商預測模型。實驗結(jié)果表明該方法引入對提升智商預測效果作用有限,提示我們的“源域集和目標集數(shù)據(jù)分布不一致”假設可能不適用于當前研究問題。綜上,本研究基于人腦的RS-fMRI圖像,結(jié)合經(jīng)典回歸算法、主動學習算法、遷移學習域適應等機器學習算法,對成年人的智商進行預測。實驗結(jié)果表明采用經(jīng)典線性回歸模型可以達到很好的預測效果;主動學習算法的引入可以有效提升預測效果;遷移學習域適應算法的引入在提升智商預測效果方面作用有限。本研究的創(chuàng)新性在于:(1)系統(tǒng)地比較了多種經(jīng)典回歸算法在基于靜息狀態(tài)fMRI的智商預測方面的效用;(2)率先將主動學習算法結(jié)合回歸算法應用于基于靜息狀態(tài)fMRI的個體認知參數(shù)定量評估;(3)率先校驗了域適應算法在基于靜息狀態(tài)fMRI的個體認知參數(shù)定量評估方面的有效性。
【圖文】：

本節(jié)實現(xiàn)了決策樹、隨機森林、梯度提升樹和ＸＧＢｏｏｓｔ四種算法，調(diào)節(jié)函數(shù)逡逑參數(shù)最優(yōu)參數(shù)預測結(jié)果的預測智商和真實智商的相關(guān)系數(shù)Ｒ和均方根誤差ＲＭＳＥ逡逑見表２－２，決策樹方法實現(xiàn)的預測智商和真實智商的擬合曲線見圖２－２邋ａ），，隨機森逡逑林方法實現(xiàn)的預測智商和真實智商的擬合曲線見圖２－２邋ｂ），梯度提升樹方法實現(xiàn)逡逑的預測智商和真實智商的擬合曲線見圖２－２邋ｃ），ＸＧＢｏｏｓｔ方法實現(xiàn)的預測智商和逡逑真實智商的擬合曲線見圖２－２邋ｄ）。逡逑表２－２基于樹模型的回歸模型預測智商與真實智商相關(guān)系數(shù)Ｒ和ＲＭＳＥ值逡逑Ｔａｂｌｅ２－２邋Ｔｈｅ邋Ｒ邋ａｎｄ邋ＲＭＳＥ邋ｏｆ邋ａｃｔｕａｌ邋ＩＱ邋ａｎｄ邋ＩＱ邋ｐｒｅｄｉｃｔｅｄ邋ｂａｓｅｄ邋ｏｎ邋ｔｒｅｅ邋ｒｅｇｒｅｓｓｉｏｎ邋ｍｏｄｅｌｓ逡逑邐＾邐Ｒ邐ＲＭＳＥ邐逡逑決策樹邐０．３９邐１２．９７逡逑隨機森林邐０．２３邐１１．９６逡逑梯度提升樹邐０．３５邐１１．４４逡逑ＸＧｂｏｏｓｔ邐０．２５邐１１．７４逡逑ＤＴｒｅｅ邐ＲａｎｄｏｍＰｏｒｅｓｔ逡逑１４0邐－邐￣邐ｎ＝０邋２３逡逑＊邋＊邋ｒ＝０．３９邐ＤＭＣＣ邋—１邋１邋ＱＣ逡逑ＲＭ５Ｅ＝１２．９７邐１２０邐－邐＊邐ＲＭＳＥ＝１１．９６逡逑１３０邋■邐＊邐＊邐＊邐＊邐＊逡逑．邐＊逡逑＊邐＊邐１１５邋■邐＊邋挈邋＊＊＊＊＊逡逑Ｏ１２０．邐一邋＊＊邐＊邐Ｑ邐＊邋“Ｖ逡逑ｃ邐＊邐＊邋＊邋＊邋＊邐一一一ｒ

邐基于經(jīng)典回歸算法的智商預測逡逑測智商和真實智商的擬合曲線見圖２－４邋ｂ），Ｅ－ｎｅｔ實現(xiàn)的預測智商和真實智商的擬逡逑合曲線見圖２－４邋ｃ）邋，邋ＬＡＲ方法實現(xiàn)的預測智商和真實智商的擬合曲線見圖２－４邋ｄ）。逡逑表２－４基于線性模型的回歸模型預測智商與真實智商相關(guān)系數(shù)Ｒ和ＲＭＳＥ值逡逑Ｔａｂｌｅ２－４邋Ｔｈｅ邋Ｒ邋ａｎｄ邋ＲＭＳＥ邋ｏｆ邋ａｃｔｕａｌ邋ＩＱ邋ａｎｄ邋ＩＱ邋ｐｒｅｄｉｃｔｅｄ邋ｂａｓｅｄ邋ｏｎ邋ｌｉｎｅａｒ邋ｒｅｇｒｅｓｓｉｏｎ邋ｍｏｄｅｌｓ逡逑邐＾邐Ｒ邐ＲＭＳＥ邐逡逑嶺回歸邐０．２０邐１１．８２逡逑Ｌａｓｓｏ邐０．３０邐１１．４７逡逑Ｅ－ｎｅｔ邐０．６５邐９．２６逡逑邐ＬＡＲ邐０￡０邐８￡３邐逡逑Ｒ＾ｄｇｅ邋ｒｅｇｒｅｓｓｉｏｎ邐ＬＡＳＳＯ逡逑ｕｏ邐－０２０邐談邐＊廠邋￣￣~=0４ｌ４７逡逑＊邐＊邐＊★邐＊邐ＲＭＳＥ＊１１．８２邐＊邐＊邐★邐｜逡逑仍．邐＊＊＊邐＊：媭邋＊人邐＊邐１１５．邐？＊＊，＊＊？邐＿逡逑。邐＊邐．邋＊邐邐－Ｔ邐＊邋＊邋＊邋＊邐＾逡逑ｇ邐＊邐．邋＊＊＊＊＊＊邋：邋＊邋＊邋＊邐．邐Ｉ邐＼邋＊邋＊＊＊逡逑Ｉｍ
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：B848.5;TP301.6

【參考文獻】

相關(guān)期刊論文 前1條

1 何清;李寧;羅文娟;史忠植;;大數(shù)據(jù)下的機器學習算法綜述[J];模式識別與人工智能;2014年04期

本文編號：2711796