《2018年[毕业设计]基于核磁共振成像的儿童多动症分析 答辩-文档资料.ppt》由会员分享，可在线阅读，更多相关《2018年[毕业设计]基于核磁共振成像的儿童多动症分析 答辩-文档资料.ppt（29页珍藏版）》请在三一文库上搜索。
1、毕业设计工作成果,理论研究 一篇论文（计算机工程，已送审） 实验研究 基于卷积神经网络的ADHD判别分析 频段特征对判病的影响,提纲,五、下阶段工作,一、研究意义,注意缺陷多动障碍症是一种常见的精神失调状况。全球流行率为5.29%。长期未愈可造成患者成人后教育水平低、反社会障碍和药物滥用等不良后果。 临床判别主要通过测量表、医生经验，因此过于主观。 通过对ADHD的fMRI数据进行认知计算从而为ADHD的诊断提供生物学标志是进行ADHD研究的一个炙手可热的方面。,儿童多动症的研究意义,图1.1：ADHD全球青少年患病率,二、相关理论概述,小波理论,ADHD患者相较于正常人而言，在静息态状态下某
2、些脑区激活点仍存在异常活跃现象。结合ADHD数据的特点，相比fMRI图像的脑体素像素信息，我们关注的是对描述脑部活动更有意义的频率信息。,图2.1：小波包3尺度分解生成树示意图,因此我们利用拥有数学上的“显微镜” 的小波理论对数据进行从时域数据映射到频域上的转换。 小波包变换不仅能对数据进行低频部分多尺度，同时能对高频部分进行分割。,主要算法PCA、ICA、SVM,主成分分析法：特征不相关,独立成分分析法：特征相互独立,支持向量机：通过向高维空间映射达到对数据的线性分割,深度学习,深度学习模型特点 深层的神经网络模型具有强大的抽象特征能力，通过深层网络模型学习而来的特征对原始数据具有更好的代表
3、性,图2.2 ：用于手写体字符识别的卷积神经网络结构示意图,刘建伟，刘媛，罗雄麟，等.深度学习研究进展J.计算机应用研究, 2014,31(7): 1921-1930, 1942.,卷积神经网络 多个单层卷积网络堆叠起来的有监督学习神经网络 局部感受野、权重共享技术来使训练规模减少,三、基于卷积神经网络的ADHD判别分析,实验概述,已有的文献并未涉及到将卷积神经网络引入到ADHD判别。 实验： 1. 卷积神经网络模型可行性探索 训练次数对正确率的影响 2.浅层学习与深度学习效果比较 PCA、FastICA、CNN的比较,实验数据来源与ADHD-200竞赛结果,实验数据来自ADHD-200数据库
4、。 在 2011 年ADHD-200的竞赛中，所有队伍三类分类（正常、ADHD-i、ADHD-c） 平均正确率为49.52%（正确率介于35.19%和65.37%之间）。 当不考虑 ADHD 各亚型时，对照组与 ADHD 的二类分类 平均正确率为56.02%（正确率介于 43.08%和 61.54%之间）。,判别分析实验数据,本实验采用NYU数据集，其中ADHD诊断标签在训练集的分布情况为正常组和患病组分别占45.37%（98人）、54.62%（118人）。测试集诊断标签分布情况为正常组29.26%（12人）、患病组70.73%（29人）。,表3.2： 实验数据（单位：人）,核磁共振成像数据处
5、理,将V(x,y,z)T 数据分别映射到对应的Brodmann分区形成VareaT的数据 Brodmann分区映射方法不仅减小了数据量，而且可以有针对性地选择与ADHD有关的功能区的数据,图3.1：Brodmann分区示意图,图3.2：NYU训练集存储结构示意图,评判标准,评判标准为准确度（Accuracy）。准确度是指整个系统在运行完整个数据集之后，判断正确的比率： 本实验中三种算法的正确率将相互进行比较，并与ADHD-200竞赛的平均二类正确率进行比较。,浅层学习（PCA-SVM、FastICA-SVM）流程图,PCA/FastICA,PCA/FastICA,小波包变换,小波包变换,SVM
6、,图3.3 浅层学习流程图,深度学习(CNNs)实验流程图,图3.4 深度学习流程图,实验视频,预处理小波包变换,PCA-SVM,FastICA-SVM,深度学习CNNs,实验结果,训练次数对正确率的影响,图3.5 卷积神经网络训练次数对正确率影响,过拟合！,实验结果,深度学习与浅层学习判病效果比较,实验结果均好于ADHD-200竞赛中的两类分类平均结果56.02% CNNs学习结果好于经典算法,图3.6 卷积神经网络与经典算法比较,四、频率特征对 ADHD判别的影响,概述,创新性实验，为了寻找判病的生物标记,使用小波包变换对频率信号进行分割，通过不同频段特征对注意缺陷多动障碍症的判别效果来找
7、出适合该病判别的频段，继而可以在今后的研究中对该频段做详尽分析。 实验： 1. 48个脑区平均正确率 2. 基于脑体素选择的正确率,实验数据频段分割,表4.1：频段分割（单位：Hz）,频率的定义是单位时间内完成周期性变化的次数，是描述周期运动频繁程度的量。在NYU数据采集中采样间隔TR=2000ms，KKI数据采集中TR=2500ms。NYU数据集为0.5Hz，KKI数据集为0.4Hz。,实验数据,表4.2：实验数据集（单位：人）,实验概述基于脑素选择的正确率,原始数据处理 将所有的体素进行拼接得到规模 计算体素方差 对每一个体素进行方差计算，以求得区分度最大的体素位置 选择数据 取方差前9002000，跨度为100的体素，共12组,实验结果48个脑区平均正确率,高频中的高频特征在对ADHD判病分类中表现最佳。 对频段进行分组，每组中同样为高频部分表现较好。,实验结果基于脑体素选择的正确率,本实验中，多数为高频部分表现突出，尤其是最高频(0.4375,0.5Hz，12组比较中有8组表现为分类第一。,五、下阶段工作,下阶段工作,对频段作进一步探索 优化卷积神经网络模型 尝试对不同数据集进行融合从而形成较大规模的平衡训练数据 引入新的评判标准,谢谢！,