5、基于分层极限学习机的阿尔茨海默病计算机辅助诊断与污水处理过程关键变量软测量

基于分层极限学习机的阿尔茨海默病计算机辅助诊断与污水处理过程关键变量软测量

1. 阿尔茨海默病计算机辅助诊断

1.1 研究背景

阿尔茨海默病（AD）是老年人常见的神经退行性疾病。静息态功能磁共振成像（rs - fMRI）可显示AD患者大脑的功能结构。与其他神经影像数据相比，fMRI能更多地展示大脑功能变化。rs - fMRI采集的血氧水平依赖（BOLD）信号与神经元信号变化存在一定延迟，AD患者的BOLD信号通常与健康人群有差异，且以往对这种差异的分析多为人工，存在主观因素影响。

传统深度学习方法如DNN在AD计算机辅助诊断（CADx）中需要大量参数，而分层极限学习机（H - ELM）只需较少人工干预，且能通过多层特征表示框架提取特征，高层特征比低层特征更抽象。因此，提出基于H - ELM的AD CADx模型。

1.2 方法

1.2.1 fMRI数据预处理

• 对于每个受试者，丢弃功能图像的前7卷以实现信号平衡并让参与者适应环境，剩余卷用于后续处理。
• 使用静息态fMRI数据处理助手（DPARSF）工具箱和统计参数映射软件包（SPM12）对所有患者的rs - fMRI数据集进行标准预处理。
• 进行切片定时校正到最后一个切片。
• 使用六参数刚体空间变换对fMRI时间序列进行重新对齐以补偿头部运动影响。
• 将所有图像归一化到蒙特利尔神经学研究所（MNI）空间并重新采样到3毫米各向同性体素。
• 使用带通滤波器（0.01 - 0.08 Hz）尽可能保留有效信息。