30、阿尔茨海默病进展阶段诊断与儿童机器人假肢手控制的研究进展

阿尔茨海默病进展阶段诊断与儿童机器人假肢手控制的研究进展

阿尔茨海默病进展阶段诊断

在阿尔茨海默病进展阶段诊断的研究中，采用了多种算法和模型进行实验。

算法与模型介绍

• 线性判别分析（LDA） ：旨在找到一个投影超平面，使类间方差最小化，并最大化类的投影均值之间的距离。与主成分分析（PCA）类似，这两个目标可以通过求解特征值问题来解决，相应的特征向量定义了感兴趣的超平面。该超平面可用于分类、降维和解释给定特征的重要性。
• U-net ：是一种广泛用于图像分割的全卷积神经网络模型，最初于2015年为医学图像分割而开发。其架构由两个“轨道”组成，第一个是收缩轨道，也称为编码器，用于捕获图像的上下文信息。它是一组卷积层和“最大池化”层，可创建图像的特征图并减小其大小，以减少网络参数的数量。
• ResNet50 ：是一个50层深的卷积神经网络。ResNet（残差网络）是一种经典的神经网络，常作为许多计算机视觉任务的骨干网络。其主要进步在于允许训练超过150层的极深神经网络。

模型训练

实验使用从ADNI1队列获得的数据集，将其随机分为三个集合：训练集2796条记录、验证集693条记录和测试集384条记录。所有模型采用三种不同的方案进行训练：
1. 第一种方案考虑表1中的所有15个特征。
2. 第二种方案采用特征约简过程中具有判别性的7个特征。
3. 第三种方案采用图形分析得出的4个特征（COT3SCORE、TOTALMOD、FAQ