[发明专利]基于总体相关系数的阿尔茨海默症特征提取方法及系统

说明书

本发明公开了一种基于总体相关系数的阿尔茨海默症特征提取方法及系统，方法包括：获取阿尔茨海默症的磁共振成像数据；采用基于总体相关系数的遗传算法对获取的磁共振成像数据进行特征寻优，得到阿尔茨海默症的关键特征，其中，基于总体相关系数的遗传算法以总体相关系数作为启发性知识，并以分类效果最优为目标来提取关键特征。本发明采用了基于总体相关系数的遗传算法对获取的磁共振成像数据进行特征寻优，结合了总体相关系数和遗传算法来优化传统的特征提取过程，通过将总体相关系数作为启发性知识来提升遗传算法的特征寻优效率，并以分类效果最优为目标，在保证分类效果的前提下，有效提高了特征提取效率。本发明可广泛应用于数据挖掘领域。

技术领域

本发明涉及数据挖掘领域，尤其是一种基于总体相关系数的阿尔茨海默症特征提取方法及系统。

背景技术

阿尔茨海默症(Alzheimer's Disease，AD)是一种不可逆的慢性神经系统退行性疾病，是一种持续性高级神经功能活动障碍。AD现有的药物治疗手段非常有限，但早期准确发现、治疗能减缓疾病进程。轻度认知损害(Mild Cognitive Impairment，MCI)是介于正常健康者(Health Controllers，HC)和AD之间的过渡阶段，MCI患者是AD的高危人群。国内外的研究指出，AD的重要病理学征象和生物标示，可以通过磁共振成像(Magnetic ResonanceImaging，MRI)进行测量。从MRI提取有效特征，以对AD、MCI和HC三个阶段进行分类识别的方法，是近年来研究的热点。

MRI具有“高维度”和“信息量大”的特点，但并非从MRI中提取到的所有特征都对AD的分类起到关键作用。从MRI提供的大量特征中寻找到用以区分AD、MCI和HC三个阶段的关键特征，成为当前研究工作的重点。但是，遍历特征的所有组合情况是一个NP难(Nondeterminism Polynomial-Hard，NP-Hard)问题，因此在特征选择方法上，需要选择高效方法。

遗传算法(GA)是以自然选择和遗传理论为基础，将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相结合的搜索算法。它在搜索之前，先将变量以某种形式进行编码(编码后的变量称为染色体)，不同的染色体构成一个群体。对于群体中的染色体，将以某种方法评估出其适应值。该算法作为模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术，已广泛应用于计算机科学、人工智能、信息技术及工程实践。根据实际研究问题的特殊性，研究学者提出了很多关于GA的进一步优化算法。

总体相关系数(Collective Correlation Coefficient,CCC)是基于粗集理论和主成分分析的知识获取方法(KA-RSPCA)的重要组成部分。KA-RSPCA是在决策表信息系统中知识或条件属性存在冗余的背景下提出的高效属性简约方法。其中CCC值是条件属性与所有主成分的关联程度的加权平均，衡量了每个条件属性对决策表“因”信息的贡献度。若用CCC值作为GA的启发性知识，使得对“因”信息贡献度越大的属性以大概率被作为关键特征保留，则有助于提升算法的寻优效率。然而，目前尚未见到将总体相关系数与遗传算法相结合来进行特征提取的报道，更没有将基于总体相关系数的遗传算法应用于阿尔茨海默症特征提取研究中，未能短时间内寻找阿尔茨海默症的关键特征，寻优效率有待进一步提升。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种寻优效率高的，基于总体相关系数的阿尔茨海默症特征提取方法及系统。

本发明所采取的第一技术方案是：

基于总体相关系数的阿尔茨海默症特征提取方法，包括以下步骤：

获取阿尔茨海默症的磁共振成像数据；

采用基于总体相关系数的遗传算法对获取的磁共振成像数据进行特征寻优，得到阿尔茨海默症的关键特征，其中，所述基于总体相关系数的遗传算法以总体相关系数作为启发性知识，并以分类效果最优为目标来提取关键特征。