基于ADHD的模式识别方法的评估
发布时间：2020-12-21 01:35
儿童注意缺陷与多动症（attention deficit hyperactivity disorder,ADHD）属于较为普遍的神经性发育性障碍。患者主要表现出难以集中注意力,行为多动等症状。近年来,模式识别方法广泛应用于疾病的诊断以及病灶的寻找,但是最终的分类结果依赖于分类特征的选取和分类器的选择。本文综合考虑了不同分类特征和不同分类器的各种组合,得到ADHD的较优分类模型,并基于此较优分类模型去寻找ADHD的病灶脑区,研究结果可以为ADHD的诊断及治疗提供一定的帮助。本文采用ADHD-200竞赛网上的部分数据,基于区域一致性、低频波动振幅分数、体素镜像同伦连接和度中心度四种特征脑图像,用AAL（Anatomical Automatic Labeling）模板提取出每个脑区的相应特征值,将脑区的特征值输入到多个分类器中并训练分类器,最后向已经训练好的分类器中输入预留出的测试集数据,全方位的评估多种分类器的分类性能。我们发现,分类器SVMcs（Support vector classifification by Crammer and Singer）表现一直很稳定,可以作为一种稳定的鉴...
【文章来源】：湖南师范大学湖南省 211工程院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
fMRI实验的主要流程
1311tttZiDiD,如果iityxh.（2-2）其中，tZ是一个正规因子，用来确保11itiD输出：输出最后的预测值yxhttYyfintxh:1logmaxarg.（2-3）AdaBoostM1的算法如上表所示，下面对AdaBoostM1算法进行更详细的解释：在训练集S中，最开始的权重1D是相同的，miD1/1。为了从tD和由分类器得出的预测th更新权值t1D，我们引入了t。如果iityxh，那么此样本的权值就会更新为tttiiDD1；如果iityxh，那么此样本的权值就会保持不变。而2/1t，11/ttt。然后，基于tZ来归一化处理权值。在这种背景下，分类正确的样本有着相对更小的权值，而对于分类错误的样本来讲，其维持着固定的权值。从而那些经常分类错误的样本会获得相对与分类正确样本较大的权值，如图2-1所示，这就是AdaBoostM1分类器的最核心的思想。图2-1：AdaBoostM1算法分类思想直观图
20以上就是支持向量机的基础型。而本文意欲通过计算公式（2-20）来获得最大间隔的超平面模型。bxwxfT.（2-21）结合（2-21）公式来看，w和b属于是超平面模型中两个参数。由于二次规划的影响，我们可以借助乘子法获得对偶函数，进而得到一个较为精准的风险函数向量结果：miiTiibxwywbwL12121,,.（2-22）其中m;...;;21，经过一系列变型之后，可以得到基本型的对偶问题：mimimjjTijijiixxyy1121max,.,...,2,1,0,0..1miytsimiii（2-23）解出后，求出w与b即可得到模型：iiiiixwbxyw.1.（2-24）以上我们讨论的是硬间隔(hard-margin)的情况，这是一种没有数据点被错误分类的情况。事实上，我们不能排除一种情况，那就是有一些噪声点的存在。也就是说，不是所有点都与超平面的约束有关，把这种间隔称为软间隔(soft-margin)我们可以通过引入松弛变量来解决这个问题，相应的优化问题如式（2-25）所示：0.,...,2,1,1...21min2iiiiinibxwytsCw.（2-25）结合以上计算公式而言，i是指模型变量，C反应的是分类点失误后的影响。当C值越大时，说明分类器对于失误样本的容忍度越校本文所采用liblinear里面几种不同的SVM分类器，对应不同的结构风险函数（结构风险函数由正则化项和损失函数项组成）：
【参考文献】：
期刊论文
[1]基于深度学习的ADHD儿童和正常儿童脑电信号分类研究[J]. 田博帆,严瀚莹,王苏弘,邹凌. 计算机应用研究. 2019(02)
[2]基于小波变换与SVM的ADHD病人分类[J]. 谭颖,张涛,谭睿,沈小涛,校景中. 电子科技大学学报. 2015(05)
硕士论文
[1]基于脑活动网络特征的ADHD分类研究[D]. 李长斌.北京交通大学 2014
本文编号：2928937
【文章来源】：湖南师范大学湖南省 211工程院校
【文章页数】：56 页
【学位级别】：硕士
【部分图文】：
fMRI实验的主要流程
1311tttZiDiD,如果iityxh.（2-2）其中，tZ是一个正规因子，用来确保11itiD输出：输出最后的预测值yxhttYyfintxh:1logmaxarg.（2-3）AdaBoostM1的算法如上表所示，下面对AdaBoostM1算法进行更详细的解释：在训练集S中，最开始的权重1D是相同的，miD1/1。为了从tD和由分类器得出的预测th更新权值t1D，我们引入了t。如果iityxh，那么此样本的权值就会更新为tttiiDD1；如果iityxh，那么此样本的权值就会保持不变。而2/1t，11/ttt。然后，基于tZ来归一化处理权值。在这种背景下，分类正确的样本有着相对更小的权值，而对于分类错误的样本来讲，其维持着固定的权值。从而那些经常分类错误的样本会获得相对与分类正确样本较大的权值，如图2-1所示，这就是AdaBoostM1分类器的最核心的思想。图2-1：AdaBoostM1算法分类思想直观图
20以上就是支持向量机的基础型。而本文意欲通过计算公式（2-20）来获得最大间隔的超平面模型。bxwxfT.（2-21）结合（2-21）公式来看，w和b属于是超平面模型中两个参数。由于二次规划的影响，我们可以借助乘子法获得对偶函数，进而得到一个较为精准的风险函数向量结果：miiTiibxwywbwL12121,,.（2-22）其中m;...;;21，经过一系列变型之后，可以得到基本型的对偶问题：mimimjjTijijiixxyy1121max,.,...,2,1,0,0..1miytsimiii（2-23）解出后，求出w与b即可得到模型：iiiiixwbxyw.1.（2-24）以上我们讨论的是硬间隔(hard-margin)的情况，这是一种没有数据点被错误分类的情况。事实上，我们不能排除一种情况，那就是有一些噪声点的存在。也就是说，不是所有点都与超平面的约束有关，把这种间隔称为软间隔(soft-margin)我们可以通过引入松弛变量来解决这个问题，相应的优化问题如式（2-25）所示：0.,...,2,1,1...21min2iiiiinibxwytsCw.（2-25）结合以上计算公式而言，i是指模型变量，C反应的是分类点失误后的影响。当C值越大时，说明分类器对于失误样本的容忍度越校本文所采用liblinear里面几种不同的SVM分类器，对应不同的结构风险函数（结构风险函数由正则化项和损失函数项组成）：
【参考文献】：
期刊论文
[1]基于深度学习的ADHD儿童和正常儿童脑电信号分类研究[J]. 田博帆,严瀚莹,王苏弘,邹凌. 计算机应用研究. 2019(02)
[2]基于小波变换与SVM的ADHD病人分类[J]. 谭颖,张涛,谭睿,沈小涛,校景中. 电子科技大学学报. 2015(05)
硕士论文
[1]基于脑活动网络特征的ADHD分类研究[D]. 李长斌.北京交通大学 2014
本文编号：2928937
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2928937.html
