模式识别与人工智能
2025年1月11日 星期六   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2021, Vol. 34 Issue (4): 311-321    DOI: 10.16451/j.cnki.issn1003-6059.202104003
“智能医疗与医学图像处理”专辑 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于自适应稀疏结构学习的神经精神疾病特征选择方法
郝世杰1,2, 郭艳蓉1,2, 陈涛1,2, 汪萌1,2, 洪日昌1,2
1.合肥工业大学 大数据知识工程教育部重点实验室 合肥 230601
2.合肥工业大学 计算机与信息学院 合肥 230601
Feature Selection Method for Neuropsychiatric Disorder Based on Adaptive Sparse Structure Learning
HAO Shijie1,2, GUO Yanrong1,2, CHEN Tao1,2, WANG Meng1,2, HONG Richang1,2
1. Key Laboratory of Knowledge Engineering with Big Data, Hefei University of Technology, Hefei 230601
2. School of Computer Science and Information Engineering, Hefei University of Technology, Hefei 230601

全文: PDF (1376 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 在计算机辅助诊断神经精神疾病研究中,需要专业人士为样本进行诊断级的语义标注,耗费大量时间和精力,因此,以无监督的方式开展神经精神疾病辅助诊断研究具有重要意义.文中提出基于自适应稀疏结构学习的无监督特征选择方法,用于精神分裂症和阿兹海默症辅助诊断.在统一框架下同时学习稀疏表示和数据流形结构,并在该框架中采用一般化范数对稀疏学习的重构误差进行建模,不断迭代更新数据集的流形结构,解决传统特征选择方法存在的鲁棒性不足问题.在精神分裂症和阿兹海默症两个公共数据集上的实验表明文中方法在神经精神疾病分类中的有效性
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
郝世杰
郭艳蓉
陈涛
汪萌
洪日昌
关键词 无监督特征选择自适应稀疏结构学习流形学习神经精神疾病研究    
Abstract:In the research of computer-aided diagnosis techniques for neuropsychiatric diseases, professionals are required to perform diagnostic-level semantic annotations on samples, and it is time-consuming and labor-intensive. Therefore, it is of great importance to develop unsupervised techniques for the computer-aided diagnosis on neuropsychiatric diseases. In this paper, an unsupervised feature selection method based on adaptive sparse structure learning is proposed and applied to the task of diagnosis on Schizophrenia and Alzheimer′s disease. The sparse representation and the data manifold structure are simultaneously learned in a unified framework. In this framework, the generalized norm is adopted to model the reconstruction error of sparse learning. The manifold structure of the whole dataset is iteratively updated. The lacking of robustness in the traditional feature selection methods is relieved. Experiments on two public datasets of Schizophrenia and Alzheimer′s disease demonstrate the effectiveness of the proposed method in classification of neuropsychiatric diseases.
Key wordsUnsupervised Feature Selection    Adaptive Sparse Structure Learning    Manifold Learning    Neuropsychiatric Disorder Study   
收稿日期: 2020-07-26     
ZTFLH: TP 30  
基金资助:国家重点研发计划项目(No.2019YFA0706200)、国家自然科学基金项目(No.62072152,61702156,61772171,61876056)、安徽省自然科学基金项目(No.1808085QF188)、中央高校基本科研业务费专项资金(No.PA2020GDKC0023,PA2019GDZC0095)资助
通讯作者: 郭艳蓉,博士,副研究员,主要研究方向为计算机视觉、医学图像分析.E-mail:yrguo@hfut.edu.cn.   
作者简介: 郝世杰,博士,副教授,主要研究方向为模式识别、图像处理与分析.E-mail:hfut.hsj@gmail.com. 陈 涛,博士研究生,主要研究方向为卷积神经网络、多模态融合.E-mail:Chentao.hfut@mail.hfut.edu.cn. 汪 萌,博士,教授,主要研究方向为模式识别、数据挖掘、多媒体信息处理.E-mail:eric.mengwang@gmail.com. 洪日昌,博士,教授,主要研究方向为模式识别、多媒体问答.E-mail:hongrc.hfut@gmail.com.
引用本文:   
郝世杰, 郭艳蓉, 陈涛, 汪萌, 洪日昌. 基于自适应稀疏结构学习的神经精神疾病特征选择方法[J]. 模式识别与人工智能, 2021, 34(4): 311-321. HAO Shijie, GUO Yanrong, CHEN Tao, WANG Meng, HONG Richang. Feature Selection Method for Neuropsychiatric Disorder Based on Adaptive Sparse Structure Learning. , 2021, 34(4): 311-321.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202104003      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2021/V34/I4/311
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn