脑疾病辅助诊断与预测技术的研究
发布时间：2021-10-19 06:36
脑疾病的早期诊断和干预,对于用药和治疗有着十分重要的作用。目前,生理信号的检测方法已经被应用在脑疾病的早期筛查中,并成为重要辅助手段之一,特别是面向脑疾病精神障碍的脑成像技术与无扰式人体步态识别技术,并积累了大量的数据。由于传统的诊断方式依赖于量表与医生的专业素养,其给出临床诊断结果具有较高的主观性。随着智能医疗的发展,研究人员可以在多模态生理信号的客观条件下去理解和量化精神疾病对大脑的影响。脑疾病诊断是复杂的决策过程,机器学习方法作为数据驱动的强有力工具,可以为脑疾病分类和早期预测诊断提供辅助手段,揭示脑认知、行为和相关脑疾病之间的关联机制。本文围绕脑疾病诊断分析中两个方面开展相关的研究工作:（1）基于同伦字典学习的癫痫检测算法研究;（2）面向抑郁障碍的步态运动学特征检测及预测关节模型的研究。（1）大脑内部信号的研究成为近年来探索认知科学领域的热点之一,脑电图（Electroencephalography,EEG）与大脑活动关联性强、时间分辨率高而被广泛用于认知神经科学、脑疾病临床诊断以及脑-机接口等相关研究中。癫痫作为一种慢性精神疾病,由于突发性和反复性等特点,EEG在癫痫检测中起...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
l1范数和2l范数的最小化优化过程示意图
兰州大学硕士学位论文脑疾病辅助诊断与预测技术的研究12Step3对经过T轮训练后得到强的分类器：()()1argmax1TtttiyYtHxahxy∈===∑(2-19)2.3评估方法与指标2.3.1分类模型度量为了评估二元分类模型的性能，必须将模型预测值与相应的真值进行比较。许多评价技术存在最常见和直观的评价指标。分类精度（Acc）表示与相应真值相同的模型预测百分比，定义为：100TPTNAccTPFPFNTN+=×+++(2-20)图2-2混淆矩阵其中TP、TN、FP和FN分别为真阳性率、真阴性率、假阳性率和假阴性率。图(2-2)中描述了一个混淆矩阵，阐述了如何计算这些度量。其他的指标是敏感性（Sen）和特异性（Spec），定义如下：TPSenTPFN=+(2-21)TNSpecTNFP=+(2-22)Sens为正确分类的阳性点比例，spec为正确分类的阴性点比例。2.3.2回归度量分类评估技术使用离散模型预测，而回归模型评估使用连续模型预测。一个
兰州大学硕士学位论文脑疾病辅助诊断与预测技术的研究15地表达原始信号[55]。图3-1框架包括三个步骤：预处理，使用字典学习算法构建字典D和诊断决策图3-2字典和线性稀疏表示模型的设计3.2.1基于稀疏表示的分类方法近年来，Wright等人提出了一种基于SRC分类的新算法，并且在计算机识别领域中得到了广泛的应用[56]。在SRC算法中，测试样本由不同类型训练样本组成的训练字典中稀疏地表示出来。然后，计算不同类型训练样本的重构误差，并根据最小重构误差进行比较来确定类。该算法打破了传统特征提取和模式识别，相关系数的稀疏度可以通过l1范数来定义，相关系数向量中的非零元素越少，其稀疏度则越大，反之亦然。通过引入约束后，信号y可以表示为：0argminsubjecttoxy=Dx(3-3)尽管l0范数在信号稀疏的解决过程相当复杂，然而，在关于压缩感知的最新研究中，许多研究人员已经证明了在约束等距条件下，l1范数优化与0l范数具有相同的解[57-58]。因此，公式(3-3)可以等价于l1范数的优化过程，可以如下表示为1argminsubjecttoxy=Dx(3-4)训练字典,,,KXXXX12是由K类信号所构成，这里，12,,,iimnmiiiiXXXXR×=∈，i1,2,,K代表具有的第i类信号，因为在这个研
【参考文献】：
期刊论文
[1]步态分析的临床应用[J]. 励建安,孟殿怀. 中华物理医学与康复杂志. 2006(07)
本文编号：3444343
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
l1范数和2l范数的最小化优化过程示意图
兰州大学硕士学位论文脑疾病辅助诊断与预测技术的研究12Step3对经过T轮训练后得到强的分类器：()()1argmax1TtttiyYtHxahxy∈===∑(2-19)2.3评估方法与指标2.3.1分类模型度量为了评估二元分类模型的性能，必须将模型预测值与相应的真值进行比较。许多评价技术存在最常见和直观的评价指标。分类精度（Acc）表示与相应真值相同的模型预测百分比，定义为：100TPTNAccTPFPFNTN+=×+++(2-20)图2-2混淆矩阵其中TP、TN、FP和FN分别为真阳性率、真阴性率、假阳性率和假阴性率。图(2-2)中描述了一个混淆矩阵，阐述了如何计算这些度量。其他的指标是敏感性（Sen）和特异性（Spec），定义如下：TPSenTPFN=+(2-21)TNSpecTNFP=+(2-22)Sens为正确分类的阳性点比例，spec为正确分类的阴性点比例。2.3.2回归度量分类评估技术使用离散模型预测，而回归模型评估使用连续模型预测。一个
兰州大学硕士学位论文脑疾病辅助诊断与预测技术的研究15地表达原始信号[55]。图3-1框架包括三个步骤：预处理，使用字典学习算法构建字典D和诊断决策图3-2字典和线性稀疏表示模型的设计3.2.1基于稀疏表示的分类方法近年来，Wright等人提出了一种基于SRC分类的新算法，并且在计算机识别领域中得到了广泛的应用[56]。在SRC算法中，测试样本由不同类型训练样本组成的训练字典中稀疏地表示出来。然后，计算不同类型训练样本的重构误差，并根据最小重构误差进行比较来确定类。该算法打破了传统特征提取和模式识别，相关系数的稀疏度可以通过l1范数来定义，相关系数向量中的非零元素越少，其稀疏度则越大，反之亦然。通过引入约束后，信号y可以表示为：0argminsubjecttoxy=Dx(3-3)尽管l0范数在信号稀疏的解决过程相当复杂，然而，在关于压缩感知的最新研究中，许多研究人员已经证明了在约束等距条件下，l1范数优化与0l范数具有相同的解[57-58]。因此，公式(3-3)可以等价于l1范数的优化过程，可以如下表示为1argminsubjecttoxy=Dx(3-4)训练字典,,,KXXXX12是由K类信号所构成，这里，12,,,iimnmiiiiXXXXR×=∈，i1,2,,K代表具有的第i类信号，因为在这个研
【参考文献】：
期刊论文
[1]步态分析的临床应用[J]. 励建安,孟殿怀. 中华物理医学与康复杂志. 2006(07)
本文编号：3444343
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3444343.html
