留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于小波变换与SVM的ADHD病人分类

谭颖 张涛 谭睿 沈小涛 校景中

谭颖, 张涛, 谭睿, 沈小涛, 校景中. 基于小波变换与SVM的ADHD病人分类[J]. 电子科技大学学报, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
引用本文: 谭颖, 张涛, 谭睿, 沈小涛, 校景中. 基于小波变换与SVM的ADHD病人分类[J]. 电子科技大学学报, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
TAN Ying, ZHANG Tao, TAN Rui, SHEN Xiao-tao, XIAO. Classification Based Wavelet Translate and SVM in the ADHD[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
Citation: TAN Ying, ZHANG Tao, TAN Rui, SHEN Xiao-tao, XIAO. Classification Based Wavelet Translate and SVM in the ADHD[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025

基于小波变换与SVM的ADHD病人分类

doi: 10.3969/j.issn.1001-0548.2015.05.025
详细信息
  • 中图分类号: TP301

Classification Based Wavelet Translate and SVM in the ADHD

  • 摘要: 提出基于小波变换的特征提取方法对ADHD病人进行分类研究。采用115名ADHD-200的竞赛静息态功能磁共振数据,首先提取了90个脑区的平均时间序列信号,然后利用小波变换多分辨率分析特性对信号进行3层分解;计算了各个尺度下小波系数的能量值,对能量值进行归一化处理后,将其作为分类特征向量;最后结合SVM分类器采用留一交叉验证法对ADHD病人进行分类。结果表明该方法有助于ADHD病人的分类与诊断。
  • [1] POLANCZK G, DE LIMA M S, HORTA B L, et al. The worldwide prevalence of ADHD: a systematic review and metaregression analysis[J]. Am J Psychiatry, 2007, 164(6): 942-948.
    [2] SELLERS R, MAUGHAN B, PICKLES A, et al. Trends in parent and teacher rated emotional, conduct and ADHD problems and their impact in prepubertal children in Great Britain: 1999-2008[J]. Journal of Child Psychology and Psychiatry, 2015, 56(1): 49-57.
    [3] ANURADHA J, RAMACHANDRAN V, ARULALAN K V, et al. Diagnosis of ADHD using SVM algorithm[C]// Proceedings of the Third Annual ACM Bangalore Conference. [S.l.]: ACM, 2010.
    [4] GUO X, AN X, KUANG D, et al. ADHD-200 Classification based on social network Method[C]//Intelligent Computing in Bioinformatics. Taiyuan, China: Springer International Publishing, 2014: 233-240.
    [5] 李长斌. 基于脑活动网络特征的ADHD分类研究[D]. 北 京: 北京交通大学, 2014. LI Chang-bin. Research on classification of ADHD based on the characteristic in brain activity-network[D]. Beijing: Beijing Jiaotong University, 2014.
    [6] AMIN H U, MALIK A S, AHMAD R F, et al. Feature extraction and classification for EEG signals using wavelet transform and machine learning techniques[J]. Australasian Physical & Engineering Sciences in Medicine, 2015, 38(1): 139-149.
    [7] 张晓文, 杨熠普, 许晓鸣. 基于小波变换的特征构造与选 择[J]. 计算机工程与应用, 2003, 19(19): 25-28. ZHANG Xiao-wen, YANG Yu-pu, XU Xiao-ming. Wavelet based feature representation[J]. Computer Engineering and Applications, 2003, 19(19): 25-28.
    [8] MITCHELL T M. Learning to decode cognitive states from brain images[J]. Machine Learning, 2004, 57(1-2): 145-175.
    [9] WEI Liao. Altered functional connectivity and small-world in mesial temporal lobe epilepsy[J]. PLoS One, 2010, 5(1): e8525.
    [10] 刘风. 基于磁共振成像的多变量模式分析方法学研究[D]. 成都: 电子科技大学, 2014. LIU Feng. MRI-based multivariate pattern analysis methodologies and applications[D]. Chengdu: University of Electronic Science and Technology of China, 2014.
    [11] 孙延奎. 小波分析及其应用[M]. 北京: 机械工业出版社, 2005. SUN Yan-kui. Wavelet analysis and its application[M]. Beijing: China Machine Press, 2005.
    [12] 成谢锋, 杨贺. 5种小波在心音信号处理中的分析与比较[J]. 南京邮电大学学报, 2015, 35(2): 39-46. CHENG Xie-feng, YANG He. Analysis and comparison of five kinds of wavelet in processing heart sound signal[J]. Journal of Nanjing University of Posts and Telecommunications, 2015, 35(2): 39-46.
    [13] JIAG Y E,LIN Y P. Error Estimation of INS ground alignment through observability analysis[J]. IEEE Transactions on Aerospace and Electronic Sstems, 1992, 28(1): 92-97.
    [14] 肖汉光, 蔡从中. 特征向量的归一化比较性研究[J]. 计 算机工程与应用, 2009, 45(22): 117-119. XIAO Han-guang, CAI Cong-zhong. Comparison study of normalization of feature vector[J]. Computer Engineering and Applications, 2009, 45(22): 117-119.
    [15] 张丽琼, 王炳和. 基于小波变换的脉象信号特征提取方 法[J]. 数据采集与处理, 2004, 19(3): 322-325. ZHANG Li-qiong, WANG Bin-he. Feature extraction methods for pulse signal based on wavelet transform[J]. Journal of Data Acquisition & Processing, 2004,19(3): 322-325.
    [16] TIAN L, WANG J. Hemisphere and gender-related differences in small-world brain networks: a resting-state functional MRI study[J]. NeuroImage, 2011, 54(1): 191-202.
    [17] VAIDYA C J, BUNGE S A, DUDUKOVIC N M, et al. Altered neural substrates of cognitive control in childhood ADHD: Evidence from functional magnetic resonance imaging[J]. Am J Psychiatry, 2005, 162(9): 1605-1613.
    [18] SOLANTO M V, MARKS D J, WASSERSTEIN J, et al. Efficacy of meta-cognitive therapy for adult ADHD[J]. The American Journal of Psychiatry, 2010, 167(8): 958-968.
  • [1] 张亮亮, 唐有, 张翌维, 王新安.  针对密码芯片数据搬移能量曲线的机器学习攻击 . 电子科技大学学报, 2019, 48(3): 415-419. doi: 10.3969/j.issn.1001-0548.2019.03.017
    [2] 黄一鸣, 雷航, 周瑞, 桑楠.  基于手机传感器的握持方式判断及运动状态识别 . 电子科技大学学报, 2017, 46(2): 399-406. doi: 10.3969/j.issn.1001-0548.2017.02.014
    [3] 张静, 刘忠宝.  基于流形判别分析的全局保序学习机 . 电子科技大学学报, 2015, 44(6): 911-916. doi: 10.3969/j.issn.1001-0548.2015.06.020
    [4] 林丽君, 殷鹰, 何明格, 尹湘云.  基于小波模极大值的磁瓦裂纹缺陷边缘检测算法 . 电子科技大学学报, 2015, 44(2): 283-288. doi: 10.3969/j.issn.1001-0548.2015.02.021
    [5] 刘忠宝.  新型支持向量机在风速预测模型中的应用研究 . 电子科技大学学报, 2014, 43(5): 754-757. doi: 10.3969/j.issn.1001-0548.2014.05.021
    [6] 高军峰, 张文佳, 杨勇, 胡佳佳, 陶春毅, 官金安.  基于P300和极限学习机的脑电测谎研究 . 电子科技大学学报, 2014, 43(2): 301-306. doi: 10.3969/j.issn.1001-0548.2014.02.028
    [7] 刘忠宝, 王士同.  面向大规模数据的隐私保护学习机 . 电子科技大学学报, 2013, 42(2): 272-276. doi: 10.3969/j.issn.1001-0548.2013.02.018
    [8] 张雪芹, 顾春华, 吴吉义.  异常检测中支持向量机最优模型选择方法 . 电子科技大学学报, 2011, 40(4): 559-563. doi: 10.3969/j.issn.1001-0548.2011.04.017
    [9] 丁世飞, 齐丙娟, 谭红艳.  支持向量机理论与算法研究综述 . 电子科技大学学报, 2011, 40(1): 2-10. doi: 10.3969/j.issn.1001-0548.2011.01.001
    [10] 何海江, 陈姝.  由排序支持向量机抽取博客文章的摘要 . 电子科技大学学报, 2010, 39(4): 593-597. doi: 10.3969/j.issn.1001-0548.2010.04.026
    [11] 向国齐, 严志坚, 黄大贵.  支持向量机替代模型的遗传优化设计 . 电子科技大学学报, 2009, 38(3): 459-462. doi: 10.3969/j.issn.1001-0548.2009.03.034
    [12] 胡丹, 肖建, 车畅.  再生核支持向量机在非线性系统中的应用 . 电子科技大学学报, 2008, 37(1): 124-127.
    [13] 徐图, 罗瑜, 何大可.  多类支持向量机的DDoS攻击检测的方法 . 电子科技大学学报, 2008, 37(2): 274-277.
    [14] 王勇, 许录平.  独立成分分析和支持向量机的虹膜识别方法 . 电子科技大学学报, 2007, 36(3): 583-586.
    [15] 杨明轩.  小波变换的齿轮泵故障分析 . 电子科技大学学报, 2007, 36(4): 805-808.
    [16] 周鸣争, 汪军.  基于支持向量机的传感器非线性误差校正 . 电子科技大学学报, 2006, 35(2): 242-245.
    [17] 张洁, 蒋宁, 浦立新.  基于小波变换的医学图像融合技术 . 电子科技大学学报, 2005, 34(6): 839-842.
    [18] 文琪, 彭宏.  小波变换的离群时序数据挖掘分析 . 电子科技大学学报, 2005, 34(4): 556-558.
    [19] 陈强洪, 李炳法, 叶斌.  小波变换下关联数字水印技术 . 电子科技大学学报, 2001, 30(4): 363-366.
    [20] 向渝, 李在铭.  小波变换图像压码延拓匹配与变换系数研究 . 电子科技大学学报, 1999, 28(3): 223-227.
  • 加载中
计量
  • 文章访问数:  4702
  • HTML全文浏览量:  193
  • PDF下载量:  276
  • 被引次数: 0
出版历程
  • 刊出日期:  2015-10-15

基于小波变换与SVM的ADHD病人分类

doi: 10.3969/j.issn.1001-0548.2015.05.025
  • 中图分类号: TP301

摘要: 提出基于小波变换的特征提取方法对ADHD病人进行分类研究。采用115名ADHD-200的竞赛静息态功能磁共振数据,首先提取了90个脑区的平均时间序列信号,然后利用小波变换多分辨率分析特性对信号进行3层分解;计算了各个尺度下小波系数的能量值,对能量值进行归一化处理后,将其作为分类特征向量;最后结合SVM分类器采用留一交叉验证法对ADHD病人进行分类。结果表明该方法有助于ADHD病人的分类与诊断。

English Abstract

谭颖, 张涛, 谭睿, 沈小涛, 校景中. 基于小波变换与SVM的ADHD病人分类[J]. 电子科技大学学报, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
引用本文: 谭颖, 张涛, 谭睿, 沈小涛, 校景中. 基于小波变换与SVM的ADHD病人分类[J]. 电子科技大学学报, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
TAN Ying, ZHANG Tao, TAN Rui, SHEN Xiao-tao, XIAO. Classification Based Wavelet Translate and SVM in the ADHD[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
Citation: TAN Ying, ZHANG Tao, TAN Rui, SHEN Xiao-tao, XIAO. Classification Based Wavelet Translate and SVM in the ADHD[J]. Journal of University of Electronic Science and Technology of China, 2015, 44(5): 789-794. doi: 10.3969/j.issn.1001-0548.2015.05.025
参考文献 (18)

目录

    /

    返回文章
    返回