基于脑功能连接和SAE的自闭症分类

为了对自闭症(autism spectrum disorder,ASD)的计算机辅助诊断提供参考,本文探讨了基于大数据和深度学习的静息态功能磁共振成像(rs-fMRI)的数据分类研究。研究从国际自闭症专业数据库(ABIDE)中获取了306名ASD和350名正常受试者(typically developing,TD)的rs-fMRI数据。通过对预处理之后的rs-fMRI数据提取脑功能连接(Functional connectivity,FC)相关矩阵,再利用堆栈自编码(Stacked autoencoder,SAE)进行训练,最后对ASD和TD进行了分类,得到了准确率高达95.27%的识别。本文的结果表明,基于相关矩阵和SAE的ASD分类系统已经达到了较高性能,可以为计算机辅助诊断ASD提供参考。

基于统计特性随机森林算法的特征选择

针对由静息态功能磁共振成像(R-f MRI)得到的脑功能连接矩阵数据运用传统特征选择方法处理的结果,存在特征冗余,无法确定最终特征维数等问题,提出一种全新的特征选择算法。该算法在随机森林(RF)算法中结合统计特性,根据袋外数据的分类效果得到保留的特征,并将其运用在对精神分裂患者与正常被试者的识别实验中。实验结果表明,与传统的主成分分析(PCA)方法相比,该算法可以有效保留重要特征,提高识别精度,且保留的特征具有很好的医学解释性。