[发明专利]基于高斯过程分类的阿尔茨海默症分类方法、系统及装置

权利要求书

1.基于高斯过程分类的阿尔茨海默症分类方法，其特征在于：包括以下步骤：

获取阿尔茨海默症的磁共振成像数据；

采用基于总相关系数的关键特征提取算法从获取的磁共振成像数据提取出用于阿尔茨海默症分类的关键特征；

根据提取出的关键特征采用高斯过程分类器对待分类数据进行分类，得到阿尔茨海默症的分类结果；

所述采用基于总相关系数的关键特征提取算法从获取的磁共振成像数据提取出用于阿尔茨海默症分类的关键特征这一步骤，具体包括：

对阿尔茨海默症的磁共振成像数据进行预处理，得到n个样本以及每个样本关于左右脑各个区域的所有相关特征，其中，n为样本的个数；

采用基于总相关系数的关键特征提取算法从得到的所有相关特征中提取出用于阿尔茨海默症分类的关键特征；

所述采用基于总相关系数的关键特征提取算法从得到的所有相关特征中提取出用于阿尔茨海默症分类的关键特征这一步骤，具体包括：

分别计算得到的所有相关特征中每个特征的总相关系数；

根据计算的总相关系数和预设的阈值，得到用于阿尔茨海默症分类的关键特征；

其中，总体相关系数在基于粗集理论和主成分分析的知识获取方法中用于代表条件属性与样本相关矩阵中所有主成分的关联程度。

2.根据权利要求1所述的基于高斯过程分类的阿尔茨海默症分类方法，其特征在于：所述获取阿尔茨海默症的磁共振成像数据这一步骤，具体为：

从阿尔茨海默症神经影像学倡议标准数据库中选取若干张磁共振图像作为阿尔茨海默症的磁共振成像数据。

3.根据权利要求1所述的基于高斯过程分类的阿尔茨海默症分类方法，其特征在于：所述分别计算得到的所有相关特征中每个特征的总相关系数这一步骤，具体包括：

对输入的条件属性集进行标准化，得到标准条件属性矩阵，其中，标准化所采用的公式为：

式中，X为输入的条件属性集，且X^T＝[x₁,x₂,…,x_n]是一个p×n维的矩阵，p代表条件属性集的维度，T为转置，x₁,x₂,…,x_n表示n个样本，I是一个n×n维的单位矩阵，diag(·)是一个对角矩阵，diag(·)对角线上的元素s_i代表第i个变量的标准差，i＝1,2,…,p，X_s为标准条件属性矩阵；

根据标准条件属性矩阵计算样本相关矩阵，所述样本相关矩阵R_x的计算公式为：

计算样本相关矩阵R_x的特征值并进行降序排列，得到降序排列后的p个特征值λ₁,λ₂,…,λ_p以及对应的相互正交的p个特征向量u₁,u₂,…,u_p；

根据降序排列的结果计算样本相关矩阵R_x的主成分，所述样本相关矩阵R_x的主成分计算公式为：

其中，y_i和u_i分别为第i个主成分和第i个特征向量；

根据降序排列的结果和计算的主成分计算样本的每个条件属性和样本所有主成分间的总体相关系数值，所述样本的每个条件属性计算公式为：

所述样本所有主成分间的总体相关系数值计算公式为：

其中，λ_i为p个特征值λ₁,λ₂,…,λ_p中第i个特征值，r_i为样本的第i个条件属性，为X的第k个变量X_k对主成分集Y的总体相关系数值，Y由所有主成分组成，u_ki是第k特征向量u_k的第i个元素，σ_kk是X的第k个变量X_k的方差。