[发明专利]一种基于稳定性选择的fMRI数据特征的选择方法

摘要

本发明属于生物医学图像模式识别技术领域，具体涉及一种基于稳定性选择的fMRI数据特征选择方法。该方法首先根据空间邻域特征之间的相关性，以随机的方式得到分组信息；随机选取样本，得到以组为基础的特征矩阵；再用Lasso模型求解各个组的权值，并以此得到各个特征的权值，进而更新各个特征的得分向量。重复上述过程多次，得到特征的累加得分向量，然后进行特征排序及选择。本发明的方法具有计算简单，特征选择准确性高，错误控制能力强等特点，对于磁共振数据模式识别等领域特征选择与排序提供了新的有效技术。

主权项

一种基于稳定性选择的fMRI数据特征选择方法，其具体步骤如下：步骤1、输入功能磁共振数据集和类别信息其中每一行代表一个样本，n为样本个数；每一列代表一个特征，p为特征维数；表示实数域；步骤2、给定随机惩罚因子λ＞0，随机次数K，每次随机对应的行子采样率α，列子采样率β，相关性阈值μ，块半径γ，并初始化得分向量s＝{s₁，s₂，...，s_p}使s_i＝0(i＝1，1，...，p)；步骤3、以概率为β的贝努利分布做列子采样，得到|G|＝[βp]，以G中每一个特征为基础，构建|G|＝[βp]个组G＝{g₁，g₂，...，g_[βp]},此时|g_i|＝1，i＝1，2...，[βp]；步骤4、对G中每个组g_i，以该组中当前的特征为中心，在3维空间做block，将block中与该中心点相关性高于阈值μ的特征并入该组；步骤5、以概率为α的贝努利分布对X和y做行采样，得到新的步骤6、对X中特征根据步骤4所得结果的分组情况G，对每个组所包含的特征取平均值，得到步骤7、通过和利用Lasso模型：${\min }_{\widetilde{\mathrm{\ω}}}\frac{1}{2}\left|\right|y-\tilde{X}\widetilde{\mathrm{\ω}}|{|}_2^2+\mathrm{\λ}|\left|\widetilde{\mathrm{\ω}}\right|{|}_1$求解权值其中，是[βp]维的向量，λ为优化问题中1‑范数的惩罚因子；步骤8、为所有特征赋予权值：为g_i中包含的所有向量赋予的权值，如果同一个特征被不同的组包含，则其权值取这些组对应权值的平均值；不被任何组包含的特征权值为0，得到权值向量ω；步骤9、得分向量s_i＝s_i+1如果i∈supporr(ω)i＝1，2，...，p；步骤10、将步骤3至步骤9重复K次，得到最终的得分向量s。