[发明专利]基于深度信念网络的ADHD判别分析方法

摘要

一种基于深度信念网络的ADHD判别分析方法，包括步骤为步骤1，预处理；步骤2，特征提取和分类依赖于深度信念网络，深度信念网络由限制玻尔兹曼机堆叠组成最后由softmax分类并逐层进行反向调节，限制玻尔兹曼机逐层训练时目标是最大化概率函数的似然函数并引入对比散度，更新权重，使得隐藏层成为可视层的近似表示，并且将第一层的隐藏层作为第二层的可视层，以此类推，得到DBN的RBM层，将最后一个隐藏层作为softmax的输入，得到相应的输出即分类。本发明利用的深度信念网络是一种概率生成模型，通过堆叠多个含有隐藏层和可视层的受限波尔兹曼机构成，它模拟了人脑处理信号的逐层抽象特征的过程，抽象出原始信号的等效特征表达，应用到多动症的分类领域中。

主权项

一种基于深度信念网络的ADHD判别分析方法，其特征在于，本方法包括步骤为：步骤1，预处理：首先，依次完成原始数据的预处理：头动校正，时间层校正，空间归一化，平滑操作；再次，为了减小数据维度，采用了三步策略：1)根据布罗德曼模板按大脑皮层中的区域分割3D图像成48个区域；2)假设扫描过程中一些脑区的脑体素的最高频率是不同的，利用快速傅立叶变换FFT算法将数据从时域变换到频域；3)最后从每个分区里执行最大化选择，选择具有最大振幅的频率；步骤2，所述特征提取和分类：依赖于深度信念网络，深度信念网络由限制玻尔兹曼机堆叠组成最后由softmax分类并逐层进行反向调节，限制玻尔兹曼机逐层训练时目标是最大化概率函数的似然函数并引入对比散度，利用△ω＝ε(<vihj>data‑<vihj>recon)，其中△ω代表权重的增量，ε表示学习率，vi表示可视层的第i个节点的值，hj表示隐藏层第j个节点的值，更新权重，使得隐藏层成为可视层的近似表示，并且将第一层的隐藏层作为第二层的可视层，以此类推，得到深信念网络DBN的受限制玻尔兹曼机RBM层，最后，将最后一个隐藏层作为softmax的输入，得到相应的输出即分类，并比较得到的分类标签与真实的标签之间的差距来反向调节整个网络的权重。