面向脑皮层厚度的特征选择方法研究

发布时间：2019-11-03 05:57

【摘要】：针对当前阿尔茨海默症脑皮层厚度数据的特征选择算法分类精度问题,提出一种融合的特征选择算法。分析处理轻度认知障碍人群和正常老年人的脑皮层厚度的核磁共振图像数据,基于此数据融合最小冗余和最大相关方法与Relief方法,并使用粒子群优化算法求得最优权重;使用此权重融合两种方法对脑皮层厚度的脑区特征进行特征选择,选出使分类准确率较高的特征。实验使用留一验证对实验结果进行评估,选出的特征对轻度认知障碍人群与正常老年人的分类效果好于当前流行的特征选择方法。
【图文】：

流程图,流程图,最优权重,粒子

融合方法的潜力［10］。在本文中，新的排序系统rc兼顾了ra和rb的优点，提出使用粒子群算法(par-ticleswarmoptimization，PSO)作为权重选择算法，取得了更好的效果。1．4粒子群算法PSO算法的思想来源于对鸟群捕食行为的推演与模拟［11］，在PSO系统中，将鸟称为粒子，系统首先初始化一组随机的粒子，然后迭代寻优，迭代过程中粒子通过一定的速度更新自己的位置，且粒子始终追随局部最优粒子进行搜索，最后得出全局最优粒子［12］。图1为粒子群算法的流程图。最优粒子即最优解，在本文中也就是最优权重。图1PSO流程图更新粒子的公式为vid=wvid+c1r1(pid－xid)+c2r2(pgd－xgd)(9)xid=xid+avid(10)式(9)是速度更新;式(10)是种群更新。其中:W是惯性因子;a称为约束因子，用来控制速度权重;c1、c2为学习因子，合适的学习因子可以加快收敛而不陷入局部最优。本文迭代终止条件选为最大迭代次数，适应值函数为分类准确率。2本文特征选择方法本文用算法2选择特征，用算法3计算最优权重。算法2排名融合算法输入:不含类标的数据集data，数据集data的类标label，最优权重m，n。输出:选出的特征子集chosen_feature。beginfori=1:row//样本数b=mＲMＲ(data)//使用mＲMＲ算法求得特征排序ba=Ｒelief(data)//使用Ｒelief算法求得特征排序ach=rankab(a，b)/*融合排序，，rankab是用i存储a序列的第一个特征的位置，并用temp存储其特征编号，从b序列中找到这个特征的位置存到j，用f(temp)=m*i+n*j公式得到新的排序分数，并重复执行指导所有特征编号都有排序分数，按排序分数排序得到特征子集chosen_feature*/end算法3粒子群优化算法输入:不含类标的数据集data，?

对比图,准确率,对比图

tion)通过SVM(支持向量机)进行分类准确率评价，数据集中每一个样本单独被作为测试集，其余的样本作为训练集，所以实验有多少个样本就会得到多少个模型。用这些模型的分类准确率的平均数作为分类器的性能指标采用留一验证具有两个优点［13］:a)所有样本都被用于训练模型，得到的评估结果是可靠的;b)实验中没有随机因素影响，能确保实验过程和结果可复制。缺点是计算成本高，速度太慢，运行时采用并行计算能减少时间成本。2)准确率准确率(accuracy)是通过支持向量机对cMCI和NC数据预测后得到的。三种方法得到的效果如图2所示，可以明显地看出本文方法在选择四个特征时准确率大大好于其他两种方法，达到了83．33%，而mＲMＲ在选择26个特征时准确率达到最高的79.90%，Ｒelief方法在选择39个特征时准确率达到最高的79.41%。图2三种方法的准确率对比图3)敏感度(sensitivity)和特异度(specificity)敏感度即cMCI被分类器诊断为阳性的概率，特异度即NC被诊断为阴性的概率。敏感度和特异度是用来说明分类器性能的两个常用指标，分类器得到的敏感度越高，漏诊率越低，特异度越高，误诊的比例也就越低。通过支持向量机的分类实验，本文得到了相应的分类准确率、灵敏度、特异度如表2所示。表2三种特征选择方法的分类效果指标mＲMＲＲelief本文方法准确率0．79900．79410．8333灵敏度0．75000．75960．8558特异度0．85000．83000．8100特征数26394使分类效率达到最大的脑区是37、45、38、64这四个脑区，而且各评价指标也符合目前的研究。从表2可以看到，本文的特征选择方法预测准确率和敏感度远远高出其他两种特征选择方法，而特异度略低于其他两种方法，说明此方法漏诊率很低，误诊率偏高一点。由于本文方法是对正常人群和轻度功能障

【相似文献】