17、基于物联网的自闭症谱系障碍标签分布学习机制

基于物联网的自闭症谱系障碍标签分布学习机制

1. 引言

近年来研究表明，自闭症谱系障碍（ASD）与患者大脑功能异常有关。静息态功能磁共振成像（rs - fMRI）能够反映患者静息状态下大脑代谢活动等功能变化，已成为量化大脑神经活动的有力工具，逐渐成为研究ASD等脑部疾病的重要手段。

基于此诊断方法，研究人员提出了多种计算机辅助自闭症诊断算法，但这些方法大多只能处理二分类问题。在临床中，ASD包含多种发育障碍相关疾病，如自闭症、阿斯伯格综合征等。现有的基于物联网的自闭症辅助诊断模型多数只能解决二分类问题，无法同时区分ASD的多种相关疾病，且未针对性处理标签噪声问题。

标签噪声指训练样本的目标标签与对应实例实际标签之间的偏差，在自闭症诊断场景中普遍存在，如诊断过程的主观性、诊断标准不一致等因素都会导致标签噪声，严重影响分类器性能。同时，高维特征下的类别不平衡问题也是基于物联网的多类别ASD辅助诊断的一大挑战。神经影像数据维度高、训练样本少，易导致过拟合，且分类模型存在类别不平衡问题，使分类预测结果偏向多数类。

为解决上述问题，提出了一种用于基于物联网的ASD辅助诊断的成本敏感标签分布支持向量回归学习方法。标签分布的独特形式能更好地克服标签噪声对分类器的影响，支持向量回归引入核方法可提供更多判别信息，同时引入成本敏感机制以平衡类别不平衡问题。

2. 深度标签分布学习

标签分布学习（LDL）是近年来流行的机器学习技术，它利用单标签和多标签学习来分配标签。在多标签情况下，样本关联的多个标记对模型的重要性通常不同，标记分布能表示模型中其他变量的相关性。

标签分布学习以标签分布为学习目标，应用广泛。不过，在现实