基于EM算法的医学影像数据的分类研究

发布时间：2017-06-13 23:03

  本文关键词：基于EM算法的医学影像数据的分类研究，由笔耕文化传播整理发布。

【摘要】：近年来,数据挖掘领域中的模式识别方法已广泛地应用于功能磁共振(fMRI)数据的研究中。本文以fMRI数据为基础,对69名精神分裂症患者和62名正常人进行判别分析。不同以往的研究中使用LDA、ICA、参数T检验等方法挑选显著特征,本文使用EM算法挑显著特征。在分类器的选择上,本文使用的是应用较为广泛、有较好的分类效果的支持向量机(SVM)分类器。基本思路如下：首先依照AAL模板将人脑划分为90个分区,将这些区域fMRI平均时间序列两两之间的相关系数通过Fisher's r-to-z变换转换成z值,使用EM算法挑差异最显著的前20条特征,从而找到异常的脑区。然后分别使用EM算法与双样本T检验挑选显著的特征,用SVM分类器分类,比较应用这两种挑显著特征的方法进行分类的效果。最后通过置换检验构造置信区间判断分类结果的可靠性。结果显示：精神分裂症异常的脑区主要位于默认网络,与注意、感觉、听觉相关的网络。这些脑区包括额下回、颞横回、楔叶、内侧和旁扣带脑回、额上回、丘脑等脑区。这些脑区对应着病人与正常人脑区之间的显著性差异,这为精神分裂症的病理研究提供了一定的理论依据,对辅助医生进行医学临床诊断具有现实意义。用EM算法挑特征分类的最高准确率为76.3%,用双样本T检验挑特征分类的最高准确率为74.8%。
【关键词】：功能磁共振数据 判别分析 EM算法 支持向量机
【学位授予单位】：湖南师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP181;R445.2;R338
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 1. 绪论9-13
• 1.1 引言9-10
• 1.2 基于静息态fMRI数据的分类研究现状10-11
• 1.3 EM算法的研究现状11
• 1.4 本文的创新点11-12
• 1.5 本文内容框架12-13
• 2. 数据及其预处理13-15
• 2.1 被试资料13
• 2.2 数据采集13
• 2.3 数据预处理13-15
• 3. 本文理论方法介绍15-21
• 3.1 功能连接的计算15
• 3.2 K-S检验15-16
• 3.3 EM算法(二分量混合模型)16-18
• 3.4 双样本T检验18
• 3.5 支持向量机18-19
• 3.6 留一交叉验证19
• 3.7 分类性能度量19-20
• 3.8 置换检验(Permutation Test)20-21
• 4. 结果分析21-29
• 4.1 态性检验21-23
• 4.2 参数估计结果23-26
• 4.2.1 混合正态分布23
• 4.2.2 特征选取23-26
• 4.3 分类结果26-27
• 4.4 置换检验27-29
• 5. 总结29-31
• 参考文献31-35
• 致谢35-37

  本文关键词：基于EM算法的医学影像数据的分类研究，由笔耕文化传播整理发布。

，

本文编号：447796