基于改进BIRCH算法的AD患者rs-fMRI数据的脑功能分区
发布时间：2021-08-21 19:17
阿尔茨海默症（Alzheimer’s Disease,AD）由于发病隐匿、治疗手段稀少,居于社会疾病负担之首。了解AD患者的脑区状态对认识疾病原理、预防病情发展极为重要。目前,常用的脑分区模板如AAL分区、BA分区是根据细胞的解剖结构划分的,用其进行脑功能分析缺乏功能特异性描述,会带来一些误差甚至错误结论,而脑功能分区可避免以上问题。静息态功能磁共振成像（resting-state functional Magnetic Resonance Imaging,rs-fMRI）能够揭示大脑的自发活动规律和连接模式,是研究AD脑区状态的主要成像方式。将脑按层级进行功能分区实质上属于脑体素的层次聚类问题,BIRCH算法是一种基于距离的凝聚型层次聚类方法,适用于具有较大数据量的rs-fMRI数据,而且时间复杂度低,占用内存少。因此,本文提出基于改进BIRCH算法的AD患者rs-fMRI数据的脑功能分区方法,该算法的核心是聚类特征树（CF-Tree）的构建。BIRCH算法CF-Tree的构建由分支因子B和阈值T两个重要参数决定,B决定树的高度和大小,T控制聚类簇的边界。因此,本文对算法的重要参数进...
【文章来源】：河北大学河北省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
脑功能分区算法的分类示意图
第二章聚类算法相关理论9第二章聚类算法相关理论2.1聚类算法的分类与原理狭义上的聚类被称为无监督学习。对一群无标签的数据划分时，事先不知道这些数据会分成几类，只知道他们的某些特征，然后根据计算这些特征之间的特定标准（比如距离度量）将相似性高的数据分到一起，就是聚类。聚类的目的是让同一个簇的数据尽可能的相似，同时让不同簇的数据尽可能的有差异。聚类算法一般分为：划分聚类、密度聚类、网格聚类、模型聚类、层次聚类等，如图2-1所示。图2-1聚类算法的划分2.1.1基于划分的聚类划分聚类的原理简单来说就是：有一堆数据需要聚类，首先要知道想把这些数据划分成几堆，然后在每个类挑选几个点作为初始中心，接下来根据选定的算法对数据点不断地迭代重置，直到最后得到的类使得类内点的距离足够近，类间的点距离足够远，完成最终划分[29]。根据划分的思想，形成了k-means、k-modes、k-medoids等算法。通过k-means算法进行介绍，k-means算法是依据对象之间的欧氏距离作为相似性度量把n个对象聚集到预先设定的k个簇中[30]。假设数据集X中包含n个对象，即nX,...,,,xxxx321，其中每个对象都具有m个维度。图2-2是经典的k-means算法步骤。
河北大学硕士学位论文14离；第二步将距离最小的两个簇元素B和元素C凝聚为一个簇；第三步将距离最小的两个簇元素D和元素E凝聚为一个簇；第四步重新计算新簇与所有簇之间的距离，将ABC凝聚为一个簇；最后将所有元素凝聚为一个簇。分裂方法与凝聚方法的过程正好相反。图2-6凝聚方法与分裂方法的基本流程图层次聚类中计算两个组合数据点之间的距离常用的有单一连接（SingleLinkage），完全连接（CompleteLinkage），平均连接（AverageLinkage），其中平均连接法因为其良好的单调性，空间扩张或浓缩的程度适中是最常用的方法。除此之外，还有一些新的距离度量，比如“ward”离差平方和方法。层次聚类的原理简单且容易理解，不用提前设置聚类的数目，计算效率快并且能研究不同层次不同粒度的聚类情况，相比于其他聚类算法，更适合脑分区。层次聚类算法中比较常用的算法有BIRCH、CURE、ROCK、CHAMELEON。其中，综合效果较好的，速度快且可以增量聚类的算法是BIRCH算法。2.2BIRCH聚类算法的建立BIRCH算法在1996年由TianZhang等人[34]提出，大多数聚类算法通常会有伸缩性不好并且需要输入集群数量的缺陷，而BIRCH算法的伸缩性好且可以不输入簇数。当给定一组非常大的多维数据点时，数据点通常是不均匀的占用数据空间，所以对聚类过
【参考文献】：
期刊论文
[1]聚类分析算法的分析与评价[J]. 李芝峰,张妍. 电子技术与软件工程. 2019(07)
[2]女性阿尔茨海默病患者静息态功能磁共振图像FC分析[J]. 郑伟,王轩,刘敬,赵杰. 河北大学学报(自然科学版). 2018(05)
[3]中国老年痴呆的现状、面临的问题及对策[J]. 刘煜敏. 中国社会工作. 2018(14)
[4]阿尔茨海默病脑功能磁共振功能成像研究进展[J]. 白彦昌,贾艳丽,宋亚雪,王建华. 神经药理学报. 2017(03)
[5]基于极值特征的雷达侦察数据BIRCH聚类方法[J]. 张宇. 电子设计工程. 2016(09)
[6]基于最小生成树的层次K-means聚类算法[J]. 贾瑞玉,李振. 微电子学与计算机. 2016(03)
[7]脑功能成像fMRI技术的研究[J]. 崔艳玲,李玉霞,王冬,于延. 民营科技. 2015(09)
[8]脑研究的进展、挑战与机遇[J]. 龙程. 华南师范大学学报(自然科学版). 2013(06)
[9]阿尔茨海默病的静息态功能磁共振成像低频振幅研究[J]. 赵彬,商秀丽,何志义,范国光,刘虎. 中国医科大学学报. 2012(04)
[10]脑功能磁共振成像技术在阿尔茨海默病中的应用[J]. 林翠茹,周智梁,周黎,张玉莲. 天津医药. 2010(11)
博士论文
[1]基于群智能算法的人脑功能划分方法研究[D]. 赵学武.北京工业大学 2018
[2]基于静息态fMRI中超体素的全脑分割研究[D]. 王敬.东南大学 2018
[3]基于局部中心量度的聚类算法研究[D]. 王志强.华南理工大学 2018
[4]密度峰值聚类算法研究[D]. 杜明晶.中国矿业大学 2018
[5]旁海马组织脑网络图谱研究[D]. 卓俊杰.电子科技大学 2016
硕士论文
[1]基于链接改进的BIRCH算法的研究与应用[D]. 陈婧文.吉林大学 2019
[2]基于Spark平台的大数据聚类算法研究及其应用[D]. 刘磊.南京邮电大学 2018
[3]Reho和VMHC方法在脑成像数据分析中的应用[D]. 康彩丽.湖南师范大学 2017
[4]基于ALFF与图论分析法的静息态功能磁共振成像在无灶性癫痫患者中的应用研究[D]. 陈彤.苏州大学 2017
[5]基因表达谱数据分析方法研究与应用[D]. 李正军.南京林业大学 2016
[6]静息态功能磁共振（RS-fMRI）信号数据处理与统计分析软件开发[D]. 高中展.杭州师范大学 2016
[7]改进的BIRCH算法在电信客户细分中的应用[D]. 杨晓斌.合肥工业大学 2015
[8]阿尔茨海默病静息态功能磁共振研究[D]. 买金花.北京中医药大学 2014
[9]汉语学习平台中基于BIRCH聚类的用户个人信息分组算法研究[D]. 王旭.吉林大学 2011
[10]层次聚类中类间距离新定义[D]. 叶剑俊.浙江大学 2009
本文编号：3356185
【文章来源】：河北大学河北省
【文章页数】：73 页
【学位级别】：硕士
【部分图文】：
脑功能分区算法的分类示意图
第二章聚类算法相关理论9第二章聚类算法相关理论2.1聚类算法的分类与原理狭义上的聚类被称为无监督学习。对一群无标签的数据划分时，事先不知道这些数据会分成几类，只知道他们的某些特征，然后根据计算这些特征之间的特定标准（比如距离度量）将相似性高的数据分到一起，就是聚类。聚类的目的是让同一个簇的数据尽可能的相似，同时让不同簇的数据尽可能的有差异。聚类算法一般分为：划分聚类、密度聚类、网格聚类、模型聚类、层次聚类等，如图2-1所示。图2-1聚类算法的划分2.1.1基于划分的聚类划分聚类的原理简单来说就是：有一堆数据需要聚类，首先要知道想把这些数据划分成几堆，然后在每个类挑选几个点作为初始中心，接下来根据选定的算法对数据点不断地迭代重置，直到最后得到的类使得类内点的距离足够近，类间的点距离足够远，完成最终划分[29]。根据划分的思想，形成了k-means、k-modes、k-medoids等算法。通过k-means算法进行介绍，k-means算法是依据对象之间的欧氏距离作为相似性度量把n个对象聚集到预先设定的k个簇中[30]。假设数据集X中包含n个对象，即nX,...,,,xxxx321，其中每个对象都具有m个维度。图2-2是经典的k-means算法步骤。
河北大学硕士学位论文14离；第二步将距离最小的两个簇元素B和元素C凝聚为一个簇；第三步将距离最小的两个簇元素D和元素E凝聚为一个簇；第四步重新计算新簇与所有簇之间的距离，将ABC凝聚为一个簇；最后将所有元素凝聚为一个簇。分裂方法与凝聚方法的过程正好相反。图2-6凝聚方法与分裂方法的基本流程图层次聚类中计算两个组合数据点之间的距离常用的有单一连接（SingleLinkage），完全连接（CompleteLinkage），平均连接（AverageLinkage），其中平均连接法因为其良好的单调性，空间扩张或浓缩的程度适中是最常用的方法。除此之外，还有一些新的距离度量，比如“ward”离差平方和方法。层次聚类的原理简单且容易理解，不用提前设置聚类的数目，计算效率快并且能研究不同层次不同粒度的聚类情况，相比于其他聚类算法，更适合脑分区。层次聚类算法中比较常用的算法有BIRCH、CURE、ROCK、CHAMELEON。其中，综合效果较好的，速度快且可以增量聚类的算法是BIRCH算法。2.2BIRCH聚类算法的建立BIRCH算法在1996年由TianZhang等人[34]提出，大多数聚类算法通常会有伸缩性不好并且需要输入集群数量的缺陷，而BIRCH算法的伸缩性好且可以不输入簇数。当给定一组非常大的多维数据点时，数据点通常是不均匀的占用数据空间，所以对聚类过
【参考文献】：
期刊论文
[1]聚类分析算法的分析与评价[J]. 李芝峰,张妍. 电子技术与软件工程. 2019(07)
[2]女性阿尔茨海默病患者静息态功能磁共振图像FC分析[J]. 郑伟,王轩,刘敬,赵杰. 河北大学学报(自然科学版). 2018(05)
[3]中国老年痴呆的现状、面临的问题及对策[J]. 刘煜敏. 中国社会工作. 2018(14)
[4]阿尔茨海默病脑功能磁共振功能成像研究进展[J]. 白彦昌,贾艳丽,宋亚雪,王建华. 神经药理学报. 2017(03)
[5]基于极值特征的雷达侦察数据BIRCH聚类方法[J]. 张宇. 电子设计工程. 2016(09)
[6]基于最小生成树的层次K-means聚类算法[J]. 贾瑞玉,李振. 微电子学与计算机. 2016(03)
[7]脑功能成像fMRI技术的研究[J]. 崔艳玲,李玉霞,王冬,于延. 民营科技. 2015(09)
[8]脑研究的进展、挑战与机遇[J]. 龙程. 华南师范大学学报(自然科学版). 2013(06)
[9]阿尔茨海默病的静息态功能磁共振成像低频振幅研究[J]. 赵彬,商秀丽,何志义,范国光,刘虎. 中国医科大学学报. 2012(04)
[10]脑功能磁共振成像技术在阿尔茨海默病中的应用[J]. 林翠茹,周智梁,周黎,张玉莲. 天津医药. 2010(11)
博士论文
[1]基于群智能算法的人脑功能划分方法研究[D]. 赵学武.北京工业大学 2018
[2]基于静息态fMRI中超体素的全脑分割研究[D]. 王敬.东南大学 2018
[3]基于局部中心量度的聚类算法研究[D]. 王志强.华南理工大学 2018
[4]密度峰值聚类算法研究[D]. 杜明晶.中国矿业大学 2018
[5]旁海马组织脑网络图谱研究[D]. 卓俊杰.电子科技大学 2016
硕士论文
[1]基于链接改进的BIRCH算法的研究与应用[D]. 陈婧文.吉林大学 2019
[2]基于Spark平台的大数据聚类算法研究及其应用[D]. 刘磊.南京邮电大学 2018
[3]Reho和VMHC方法在脑成像数据分析中的应用[D]. 康彩丽.湖南师范大学 2017
[4]基于ALFF与图论分析法的静息态功能磁共振成像在无灶性癫痫患者中的应用研究[D]. 陈彤.苏州大学 2017
[5]基因表达谱数据分析方法研究与应用[D]. 李正军.南京林业大学 2016
[6]静息态功能磁共振（RS-fMRI）信号数据处理与统计分析软件开发[D]. 高中展.杭州师范大学 2016
[7]改进的BIRCH算法在电信客户细分中的应用[D]. 杨晓斌.合肥工业大学 2015
[8]阿尔茨海默病静息态功能磁共振研究[D]. 买金花.北京中医药大学 2014
[9]汉语学习平台中基于BIRCH聚类的用户个人信息分组算法研究[D]. 王旭.吉林大学 2011
[10]层次聚类中类间距离新定义[D]. 叶剑俊.浙江大学 2009
本文编号：3356185
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3356185.html
