20、深度脑刺激参数估计与共识虹膜分割融合技术

深度脑刺激参数估计与共识虹膜分割融合技术

1. 深度脑刺激参数估计

1.1 核方法概述

提出了一种基于核的新方法，用于从VTA（激活组织体积）数据中估计DBS（深度脑刺激）参数。该数据驱动的估计方法主要包括两个阶段：
- 基于核的VTA样本特征提取。
- 利用基于核的多输出回归和分类进行DBS参数估计。

1.2 具体算法实现

通过对VTAs之间的成对汉明距离执行KPCA（核主成分分析）算法，从高维且具有激活/非激活值的数据中提取相关特征。然后，在投影空间中训练MSVR（多输出支持向量回归）和SVC（支持向量分类器）来学习DBS配置。

1.3 方法优势与验证

此问题在以往文献中研究较少。该方法在各向同性和各向异性条件下进行了测试，以验证其在现实临床环境中的性能。基于核的特征分解分析显著减少了VTA空间，避免了系统过拟合，确保了稳定的估计。

1.4 未来工作方向

未来计划开发除基于汉明距离的KPCA之外的不同核特征分解方法，以提高系统在具有挑战性的VTA配置中的性能。此外，还将对引入的基于核的提取方法进行预图像扩展，用于VTA重建任务。

2. 共识虹膜分割融合

2.1 虹膜分割背景

虹膜识别系统中的分割阶段一直是研究的重点，其目的是提高识别率。由于分割错误会在识别过程的后续阶段传播，因此在不太受控的环境下进行虹膜图像分割是一项具有挑战性的任务。

2.2 现有分割融合方法问题

近年来，一些研究关注分割级融合（FSL）以提高虹膜识别系统的准确性