面向多分类自闭症辅助诊断的标记分布学习

自闭症谱性障碍(ASD)是一系列复杂的神经发展障碍性疾病,其包括若干与发育障碍相关的疾病,但是现有的自闭症辅助诊断方法大多是二分类方法,无法满足现实的需要。此外,ASD数据包含的标记噪声,以及高维度、数据分布不平衡等特点给传统分类方法带来了巨大的挑战。为此,提出一种新型的ASD辅助诊断方法,该方法通过引入标记分布学习(LDL)来解决标记噪声问题,引入代价敏感机制来解决样本不平衡问题,并采用基于支持向量回归(SVR)的标记分布学习方法,通过将样本映射到特征空间,解决高维特征带来的分类困难,最终实现多分类ASD的辅助诊断。实验结果表明,与已有方法比较,所提方法克服了多数类和少数类对结果的影响的不平衡性,可以有效地解决ASD诊断中的不平衡数据问题,拥有更好且稳定的分类性能,可以辅助ASD的诊断。