基于统计信息的fMRI数据特征选择及分类方法研究

发布时间：2017-08-19 14:37

  本文关键词：基于统计信息的fMRI数据特征选择及分类方法研究

  更多相关文章： 功能磁共振成像数据 特征选择 分类 正则化互信息 时序差异

【摘要】：功能磁共振成像(functional magnetic resonance imaging,fMRI)数据分析一直是认知神经科学领域的研究热点之一。fMRI数据分类作为fMRI数据分析的一个重要子任务,已受到国内外学者的广泛关注。但目前多数工作采用单变量分析方法,缺乏在fMRI数据上深入细致的研究,更忽视了fMRI具有高维和时序变化的特征,使得分类准确率受到了很大的影响。为此,本课题结合fMRI数据自身的特性,围绕如何选择特征和设计合适的分类器这两个关键科学问题开展如下研究:(1)针对fMRI数据的高维问题,本文通过加入特征之间的空间交互信息,提出了基于正则化互信息和fisher判别率的特征选择算法。算法首先根据fMRI数据特征之间的空间相关性,采用正则化互信息计算特征与特征之间的相关性。然后,利用fisher判别率进一步选择出区分认知状态能力强的特征,以发现能够反映大脑思维模式的最佳特征集。在两个公共fMRI数据集上与其它一些经典特征选择方法的实验结果表明,新算法在多项指标上表现出了较好的性能。(2)针对目前方法忽视fMRI时序变化特征对分类性能造成的不良影响,本文提出了基于fMRI体素值时序差异和集成特征选择的支持向量机分类方法。首先,在特征抽取中采用体素值时序差异的方法提取特征,利用top-k策略得到初始集。然后,在初始集中通过基于统计学的集成特征选择方法选择特征,获得最优子集。最后,对最终的最优子集利用块坐标下降的支持向量机分类模型进行分类。在任务相关数据集上的实验表明,新方法能有效解码脑认知状态,与其他一些方法相比具有明显的竞争力。论文设计并实现了两种新颖的fMRI数据特征选择方法和分类方法,丰富了fMRI数据分类的研究,有助于神经认知的进一步发展。
【关键词】：功能磁共振成像数据 特征选择 分类 正则化互信息 时序差异
【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
【目录】：

• 摘要4-5
• Abstract5-9
• 第1章 绪论9-15
• 1.1 论文的研究背景与意义9-10
• 1.2 国内外研究现状10-12
• 1.3 论文的主要研究内容12
• 1.4 本文的组织结构12-15
• 第2章 相关知识介绍15-25
• 2.1 fMRI技术15-17
• 2.1.1 fMRI技术原理15
• 2.1.2 fMRI的优缺点及其数据特点15-17
• 2.2 特征抽取17-18
• 2.3 特征选择18-20
• 2.3.1 不同类型的特征选择方法18
• 2.3.2 常用的特征选择方法18-20
• 2.4 数据分类20-23
• 2.4.1 分类算法简介21-22
• 2.4.2 分类器评测过程22-23
• 2.5 本章小结23-25
• 第3章 基于正则化互信息和fisher判别率的fMRI数据特征选择方法25-41
• 3.1 基本思想25
• 3.2 算法描述25-28
• 3.2.1 算法描述与分析25-27
• 3.2.2 正则化互信息27
• 3.2.3 Fisher判别率27-28
• 3.2.4 高斯朴素贝叶斯28
• 3.3 实验结果与分析28-39
• 3.3.1 实验数据集28-30
• 3.3.2 任务相关数据的实验结果对比分析30-32
• 3.3.3 静息态数据的实验结果对比分析32-39
• 3.4 本章小结39-41
• 第4章 基于fMRI体素值时序差异和集成特征选择的支持向量机分类方法41-51
• 4.1 算法思想41
• 4.2 算法描述41-45
• 4.2.1 算法流程描述41-42
• 4.2.2 基于体素值时序差异的特征抽取42-43
• 4.2.3 基于统计学的集成特征选择43-44
• 4.2.4 基于块坐标下降的支持向量机分类模型44-45
• 4.3 实验结果与分析45-49
• 4.3.1 不同策略对分类结果的影响45-47
• 4.3.2 与其他模型的对比实验47-49
• 4.4 本章小结49-51
• 结论51-53
• 参考文献53-57
• 攻读硕士学位期间所发表的学术论文57-59
• 致谢59

【相似文献】

中国期刊全文数据库 前1条

1 高娟;王国胤;胡峰;;多类别肿瘤基因表达谱的自动特征选择方法[J];计算机科学;2012年10期

中国重要会议论文全文数据库 前6条

1 徐燕;王斌;李锦涛;孙春明;;知识增益：文本分类中一种新的特征选择方法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

2 肖婷;唐雁;;文本分类中特征选择方法及应用[A];2008年计算机应用技术交流会论文集[C];2008年

3 徐燕;孙春明;王斌;李锦涛;;基于词条频率的特征选择算法研究[A];中文信息处理前沿进展——中国中文信息学会二十五周年学术会议论文集[C];2006年

4 陈庆轩;郑德权;郑博文;赵铁军;李生;;中文文本分类中基于文档频度分布的特征选择方法[A];黑龙江省计算机学会2009年学术交流年会论文集[C];2010年

5 顾成杰;张顺颐;刘凯;黄河;;基于粗糙集和禁忌搜索的特征选择方法[A];江苏省电子学会2010年学术年会论文集[C];2010年

6 王秀娟;郭军;郑康锋;;基于互信息可信度的特征选择方法[A];2006通信理论与技术新进展——第十一届全国青年通信学术会议论文集[C];2006年

中国博士学位论文全文数据库 前4条

1 刘明霞;属性学习若干重要问题的研究及应用[D];南京航空航天大学;2015年

2 毛勇;基于支持向量机的特征选择方法的研究与应用[D];浙江大学;2006年

3 尹留志;关于非平衡数据特征问题的研究[D];中国科学技术大学;2014年

4 裴志利;数据挖掘技术在文本分类和生物信息学中的应用[D];吉林大学;2008年

中国硕士学位论文全文数据库 前10条

1 张琛馨;文本分类系统设计与实现[D];中山大学;2015年

2 秦嘉玮;MRI结构特征选择方法及AD早期诊断的应用研究[D];太原理工大学;2016年

3 崔明明;视频底层特征选取及其与观众评价的相关分析[D];东北电力大学;2016年

4 贺鸣;文本分类中基于词频再排序的特征选择方法研究[D];南京大学;2016年

5 唐佳丽;面向科技评审中专家回避的人物社会关系分析方法研究[D];华东交通大学;2016年

6 周密;基于Fisher Score及遗传算法的特征选择方法研究[D];暨南大学;2016年

7 阎丽;基于新浪微博的短文本分类研究[D];云南大学;2016年

8 李志强;基于磁共振数据的特征选择方法研究[D];电子科技大学;2016年

9 岳翠荣;多标签分类中关键技术的研究[D];华中师范大学;2016年

10 赵磊;基于随机搜索策略的多标签特征选择方法研究[D];南京师范大学;2016年

，

本文编号：701288