基于卷积自编码器与区间二型模糊回归的 rs-fMRI 模态精神分裂症及注意缺陷多动障碍自动诊断
机器学习
2022-11-15 v2
摘要
如今，全球许多人患有脑部疾病，健康受到威胁。迄今为止，已提出众多用于诊断精神分裂症（SZ）和注意缺陷多动障碍（ADHD）的方法，其中功能磁共振成像（fMRI）模态被医师视为一种流行方法。本文提出一种利用新型深度学习方法对静息态 fMRI（rs-fMRI）模态进行 SZ 和 ADHD 智能检测的方法。实验使用了加州大学洛杉矶分校数据集，其中包含 SZ 和 ADHD 患者的 rs-fMRI 模态。FMRIB 软件库工具箱首先对 rs-fMRI 数据进行了预处理。随后，使用所提议层数的卷积自编码器模型从 rs-fMRI 数据中提取特征。在分类步骤中，引入一种称为区间二型模糊回归（IT2FR）的新模糊方法，并分别通过遗传算法、粒子群优化和灰狼优化（GWO）技术进行优化。此外，将 IT2FR 方法的结果与多层感知机、k 近邻、支持向量机、随机森林、决策树以及自适应神经模糊推理系统方法进行比较。实验结果表明，采用 GWO 优化算法的 IT2FR 方法相较其他分类器方法取得了令人满意的结果。最终，所提出的分类技术能够达到 72.71% 的准确率。
引用
@article{arxiv.2205.15858,
title = {Automatic diagnosis of schizophrenia and attention deficit hyperactivity disorder in rs-fMRI modality using convolutional autoencoder model and interval type-2 fuzzy regression},
author = {Afshin Shoeibi and Navid Ghassemi and Marjane Khodatars and Parisa Moridian and Abbas Khosravi and Assef Zare and Juan M. Gorriz and Amir Hossein Chale-Chale and Ali Khadem and U. Rajendra Acharya},
journal= {arXiv preprint arXiv:2205.15858},
year = {2022}
}
备注
Cogn Neurodyn (2022)