60、阿尔茨海默病自动分类与移动应用行为模式研究

阿尔茨海默病自动分类与移动应用行为模式研究

阿尔茨海默病自动分类

在阿尔茨海默病（AD）的诊断中，利用磁共振成像（MRI）进行自动分类是一个重要的研究方向。以下是不同模型在AD分类上的比较结果：
| 作者（年份） | 成像方式 | 分类方法 | 验证方法 | 准确率（%） | 敏感度（%） | 特异度（%） |
| — | — | — | — | — | — | — |
| Farhan等 [30] | MRI | SVM + MLP + J48 | 10折交叉验证 | 93.75 | 87.5 | 100 |
| Xiao等 [31] | MRI | SVM - RFE | 10折交叉验证 | 92.86 | 87.04 | 98.28 |
| Taqi等 [32] | MRI | KNN + SVM | - | 91.4 | 83.3 | - |
| Zhang等 [6] | MRI | DWT + PCA + KSVM + RBF | 5折交叉验证 | 91.33 | 92.47 | 72 |
| Jha等 [10] | MRI | DWT + PCA + LR | 5折交叉验证 | 97.0 | 98.00 | 80 |
| 提出的模型 | MRI | AlexNet + TL | 10折交叉验证 | 97.2 | 98.12 | 81 |

从表格中可以看出，提出的模型（AlexNet + TL）在准确率和敏感度上表现较好。这是因为在深度卷积神经网络中采用了迁移学习（TL）概念，并对AlexNet结构进行了改进。不过，该模型在敏感度分类上的准确率仍有提升空间，还需要调整一些原始参数来提高泛化性能。原始的AlexN