[毕业设计]基于核磁共振成像的儿童多动症分析 答辩.pptVIP

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！ * * * TONGJI UNIVERSITY [ 1907 – 2014 ] 基于核磁共振成像的 儿童多动症分析 答 辩 人： 专 业：信息安全 学 号： 指导老师： * 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 一、研究意义 二、相关理论概述 三、基于卷积神经网络的判别分析 四、频段特征对判别影响的创新实验 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。 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）。 正常 ADHD患者 总计 训练所用数据 98 118 216 测试所用数据 12 29 41 表3.2： 实验数据（单位：人） * 核磁共振成像数据处理 将V(x,y,z)×T 数据分别映射到对应的Brodmann分区形成Varea×T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 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 ①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