神經(jīng)影像技術(shù)目前已經(jīng)應用于精神分裂癥的診斷。為了提升基于單模態(tài)神經(jīng)影像的精神分裂癥計算機輔助診斷（CAD）的性能,本文提出一種基于特權(quán)信息學習（LUPI）分類器的集成學習算法。該算法首先對單模態(tài)數(shù)據(jù)采用極限學習機-自編碼器（ELM-AE）進行特征二次學習,然后通過隨機映射算法將高維特征隨機分成多個子空間,并進行兩兩組合形成源領域和目標領域數(shù)據(jù)對,用于訓練多個支持向量機+（SVM+）弱分類器,最終通過集成學習獲得一個強分類器,實現(xiàn)有效的模式分類。本算法在公開的精神分裂癥神經(jīng)影像數(shù)據(jù)庫中進行了實驗,包括結(jié)構(gòu)磁共振成像和功能磁共振成像數(shù)據(jù)。結(jié)果表明該算法取得了最優(yōu)的診斷結(jié)果,其在基于結(jié)構(gòu)磁共振成像診斷的分類精度、敏感性和特異性分別可以達到72.12%±8.20%、73.50%±15.44%和70.93%±12.93%,而基于功能磁共振成像診斷的分類精度、敏感性和特異性分別為72.33%±8.95%、68.50%±16.58%、75.73%±16.10%。本文算法的主要創(chuàng)新點在于克服了傳統(tǒng)的LUPI分類器需要額外的特權(quán)信息模態(tài)的不足,可以直接應用于單模態(tài)數(shù)據(jù)分類問題,而且還提升了分類性能,因此... 

【文章來源】：生物醫(yī)學工程學雜志. 2020,37(03)北大核心EICSCD

【文章頁數(shù)】：8 頁

【文章目錄】：
引言
1 方法
    1.1 ELM-AE原理
    1.2 基于SVM+的集成學習
        1.2.1 SVM+原理
        1.2.2集成學習
2 實驗和結(jié)果
    2.1 實驗數(shù)據(jù)與處理
    2.2 實驗設計
    2.3 實驗結(jié)果
3 討論
4 結(jié)論


【參考文獻】：
期刊論文
[1]精神分裂癥的疾病負擔(綜述)[J]. 管麗麗,杜立哲,馬弘.  中國心理衛(wèi)生雜志. 2012(12)



本文編號：3178817