基于密度聚類和卷積神經(jīng)網(wǎng)絡(luò)的生物數(shù)據(jù)分析研究.pdf

1、近年來，生物數(shù)據(jù)規(guī)模大、增長(zhǎng)快、包含信息豐富等特點(diǎn)越來越突出，使得目前對(duì)生物數(shù)據(jù)分析與信息處理技術(shù)的要求逐漸提高。其中，把握數(shù)據(jù)模式和發(fā)展趨勢(shì)，從而用于對(duì)未來數(shù)據(jù)的預(yù)測(cè)是生物數(shù)據(jù)分析的重要目的。本論文針對(duì)高分辨質(zhì)譜成像數(shù)據(jù)進(jìn)行相關(guān)研究，其中圖像為15T傅里葉變換-離子回旋共振質(zhì)譜儀采集大腦中存在的各種化合物，旨在通過機(jī)器學(xué)習(xí)技術(shù)，深入挖掘化合物對(duì)應(yīng)圖像之間所蘊(yùn)含的信息規(guī)律和預(yù)測(cè)未知數(shù)據(jù)的發(fā)展方向。由于質(zhì)譜圖像蘊(yùn)含信息量大但視覺特征不明顯

2、，研究人員難以確定數(shù)據(jù)類別并評(píng)估圖像信息。在這種情況下，本論文基于892幅質(zhì)譜圖像被分為5到11類的先驗(yàn)知識(shí)，對(duì)其進(jìn)行數(shù)據(jù)聚類和分類的研究，主要工作如下：
　?。?）質(zhì)譜圖像的分析和特征提取。對(duì)生物圖像進(jìn)行深度解析和預(yù)處理，包括濾波、顏色特征解析等，從而提取能表征圖像信息的特征向量。同時(shí)，對(duì)圖像的解析進(jìn)行直觀的展示，生成有價(jià)值的圖像特征。
　　（2）基于密度聚類進(jìn)行質(zhì)譜圖像的聚類分析，從而實(shí)現(xiàn)無類別標(biāo)號(hào)的圖像初步劃分。在基于

3、密度的算法基礎(chǔ)上，提出自動(dòng)選取中心點(diǎn)和異常點(diǎn)閾值的方法，使算法能夠自動(dòng)選取最佳聚類個(gè)數(shù)。經(jīng)實(shí)驗(yàn)分析，聚類結(jié)果對(duì)應(yīng)的評(píng)價(jià)標(biāo)準(zhǔn)和生物學(xué)專家評(píng)估表明，算法自動(dòng)選取的中心點(diǎn)和異常點(diǎn)符合數(shù)學(xué)意義和生物含義。同時(shí)，實(shí)驗(yàn)結(jié)果對(duì)參數(shù)的選擇和不同距離測(cè)度標(biāo)準(zhǔn)具備魯棒性，與其他經(jīng)典聚類算法相比具有明顯優(yōu)勢(shì)。
　?。?）質(zhì)譜圖像的分類預(yù)測(cè)。本論文首次基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的Alex Net模

4、型，實(shí)現(xiàn)對(duì)質(zhì)譜圖像的分類識(shí)別。在聚類結(jié)果的基礎(chǔ)上，通過對(duì)圖像類標(biāo)的人工矯正定義明確的類標(biāo)。首先，利用具有明確類標(biāo)的716幅質(zhì)譜圖像，實(shí)現(xiàn)基于CNN的特征提取。其次，在CNN的基礎(chǔ)上，利用支持向量機(jī)（Support Vector Machine，SVM）實(shí)現(xiàn)分類驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，隨機(jī)選取450幅圖像作為訓(xùn)練數(shù)據(jù)時(shí)，利用不同CNN輸出層的特征獲得的分類準(zhǔn)確率在91.4%到95.2%之間。當(dāng)實(shí)驗(yàn)的訓(xùn)練集達(dá)到300以上時(shí)，準(zhǔn)確率即可超過90%