基于正则化稀疏模型和深度神经网络的fMRI数据特征选择方法研究

发布时间：2017-06-25 06:20

  本文关键词：基于正则化稀疏模型和深度神经网络的fMRI数据特征选择方法研究，由笔耕文化传播整理发布。

【摘要】：功能磁共振成像(functional magnetic resonance imaging,f MRI)是神经影像学中一种重要的脑成像方法,由于它的无创性、可重复测量和较高的空间分辨率,现在已被广泛用于脑科学和脑疾病的研究中。近年来,利用机器学习方法从f MRI数据中解码大脑认知状态是生物信息学中一项重要的研究课题。通过对f MRI数据进行分类,可以有效地解码被试的大脑刺激、心理状态和行为,这对人类理解大脑的工作机制具有非常重要的意义。然而,f MRI数据的高维小样本特性给这一研究带来了巨大挑战。这是因为训练样本太少容易使分类模型产生过拟合问题,而特征空间维度太高可导致高的计算复杂度,同时也会降低分类结果的可解释性。本文分别针对f MRI数据的高维特性和小样本特性,利用机器学习中的正则化稀疏模型和深度神经网络进行特征选择,开展了以下两个方面的研究工作:(1)针对f MRI数据的高维特性,提出了一种基于正则化Softmax回归的全脑f MRI数据特征选择框架。首先,从大脑认知的特点入手,将全脑分成感兴趣区域和非感兴趣区域。然后,用可以缩小权值系数的L2正则对感兴趣区域建模以选出感兴趣区域的全部体素,用能够产生稀疏效应的L1正则对非感兴趣区域建模以选出非感兴趣区域中的激活体素。最后,将感兴趣区域和非感兴趣区域的体素结合起来构成全脑f MRI数据的正则化Softmax回归模型。在Haxby数据集上的实验结果表明L2与L1的正则化策略可有效提升全脑分类的准确率。(2)针对f MRI数据的小样本特性,将无标签f MRI数据加入到无监督特征学习中,提出了一种基于栈式自编码深度神经网络的f MRI数据特征选择方法。首先,用栈式自编码神经网络对所有无标签数据和有标签的训练数据进行训练,得到栈式自编码神经网络的网络参数,同时还可以获得不同隐含层学到的特征。然后,用最后一个隐含层学到的特征和训练数据标签有监督的训练Softmax分类器,得到Softmax分类器的网络参数。最后,将上述预训练阶段学习到的网络参数值作为微调阶段的参数初始化值,并利用反向传播算法对模型进行微调。本文利用Haxby数据集来进行f MRI数据的分类实验,实验结果表明利用休息状态的无标签数据可以获得更高的分类性能。
【关键词】：fMRI数据 高维小样本 正则化稀疏模型 深度神经网络 特征选择
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R445.2;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 研究背景与意义9-10
• 1.2 国内外研究现状10-12
• 1.2.1 传统特征选择方法的研究现状10-11
• 1.2.2 深度学习的研究现状11-12
• 1.3 本文的研究内容和组织结构12-15
• 1.3.1 论文主要的研究内容12-13
• 1.3.2 论文的组织结构13-15
• 第2章 相关知识介绍15-27
• 2.1 功能磁共振成像概述15-18
• 2.2 传统特征选择方法18-20
• 2.2.1 特征选择模型18-19
• 2.2.2 特征子集评价指标19-20
• 2.3 深度学习20-24
• 2.3.1 自编码神经网络20-22
• 2.3.2 受限玻尔兹曼机22-24
• 2.4 Softmax回归分类模型24-25
• 2.5 本章小结25-27
• 第3章 基于正则化Softmax回归的全脑f MRI数据特征选择框架27-39
• 3.1 正则化Softmax回归27-28
• 3.2 全脑f MRI数据特征选择框架28-31
• 3.2.1 基本思想28
• 3.2.2 框架描述28-30
• 3.2.3 交叉优化求解算法30-31
• 3.3 实验与分析31-38
• 3.3.1 实验数据与预处理31-32
• 3.3.2 参数对分类准确率的影响32-34
• 3.3.3 实验结果与分析34-38
• 3.4 本章小结38-39
• 第4章 基于栈式自编码深度神经网络的f MRI数据特征选择研究39-49
• 4.1 栈式自编码神经网络模型39-42
• 4.2 基于栈式自编码深度神经网络的f MRI数据特征选择42-44
• 4.2.1 基本思想42-43
• 4.2.2 算法流程描述43-44
• 4.3 实验与分析44-47
• 4.3.1 实验数据与预处理44
• 4.3.2 实验结果与分析44-47
• 4.4 本章小结47-49
• 结论49-51
• 参考文献51-55
• 攻读硕士学位期间所发表的学术论文55-57
• 致谢57

【相似文献】

中国期刊全文数据库 前10条

1 戴康;王晓琼;;神经网络在药动学评价中的应用[J];医药导报;2007年09期

2 蔡云;;收敛非线性神经网络的稳定性[J];国外医学.生物医学工程分册;1991年01期

3 王继成,吕维雪;基于神经网络的心电数据压缩[J];生物医学工程学杂志;1993年03期

4 段新昱,林家瑞;神经网络在心电信号分析处理中的应用[J];国外医学.生物医学工程分册;1993年01期

5 Miller A S ,张永红;神经网络在医学信号处理方面的应用[J];国外医学.生物医学工程分册;1993年04期

6 王继成;吕维雪;;基于符号神经网络的心脏疾病自动诊断[J];北京生物医学工程;1993年03期

7 刘子皇;;胞神经与类胞神经网络的动力学范围的准确估计[J];中山大学研究生学刊(自然科学版);1995年03期

8 邹睿,欧阳楷,刘悦;神经网络中的微心理学——兼论人工神经网络框架[J];山东生物医学工程;1998年01期

9 邹凌云;王正志;黄教民;;基于位置特异性谱和输入加权神经网络的蛋白质亚细胞定位预测(英文)[J];遗传学报;2007年12期

10 成刚;吴小玲;夏杰;张炯;肖富男;崔燕南;周荃;刘永康;李珊;;基于神经网络的环孢素血药浓度预测[J];中国生物医学工程学报;2009年06期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

2 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

3 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

4 胡婷;改进QGA-BP模型及其在弥苴河总氮量预测中的应用[D];昆明理工大学;2015年

5 刘俊辉;基于数据清洗方法的河道水位预测研究[D];昆明理工大学;2015年

6 刘波;短期风电功率预测方法研究[D];南京信息工程大学;2015年

7 蔡邦宇;人脸识别中单次ERP时空特征分析及其快速检索的应用[D];浙江大学;2015年

8 郑川;垃圾评论检测算法的研究[D];西南交通大学;2015年

9 李菊;BP神经网络在房地产批量评估中的应用研究[D];昆明理工大学;2015年

10 马亮;降水点分类预测方法研究[D];中国地质大学(北京);2015年

  本文关键词：基于正则化稀疏模型和深度神经网络的fMRI数据特征选择方法研究，，由笔耕文化传播整理发布。

本文编号：481111