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、增長快、包含信息豐富等特點越來越突出，使得目前對生物數(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，從而用于對未來數(shù)據(jù)的預(yù)測是生物數(shù)據(jù)分析的重要目的。本論文針對高分辨質(zhì)譜成像數(shù)據(jù)進行相關(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，旨在通過機器學習技術(shù)，深入挖掘化合物對應(yīng)圖像之間所蘊含的信息規(guī)律和預(yù)測未知數(shù)據(jù)的發(fā)展方向。由于質(zhì)譜圖像蘊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類的先驗知識，對其進行數(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。對生物圖像進行深度解析和預(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，對圖像的解析進行直觀的展示，生成有價值的圖像特征。
　?。?）基于密度聚類進行質(zhì)譜圖像的聚類分析，從而實現(xiàn)無類別標號的圖像初步劃分。在基于

3、密度的算法基礎(chǔ)上，提出自動選取中心點和異常點閾值的方法，使算法能夠自動選取最佳聚類個數(shù)。經(jīng)實驗分析，聚類結(jié)果對應(yīng)的評價標準和生物學專家評估表明，算法自動選取的中心點和異常點符合數(shù)學意義和生物含義。同時，實驗結(jié)果對參數(shù)的選擇和不同距離測度標準具備魯棒性，與其他經(jīng)典聚類算法相比具有明顯優(yōu)勢。
　?。?）質(zhì)譜圖像的分類預(yù)測。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，實現(xiàn)對質(zhì)譜圖像的分類識別。在聚類結(jié)果的基礎(chǔ)上，通過對圖像類標的人工矯正定義明確的類標。首先，利用具有明確類標的716幅質(zhì)譜圖像，實現(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（Support Vector Machine，SVM）實現(xiàn)分類驗證。實驗結(jié)果表明，隨機選取450幅圖像作為訓練數(shù)據(jù)時，利用不同CNN輸出層的特征獲得的分類準確率在91.4%到95.2%之間。當實驗的訓練集達到300以上時，準確率即可超過90%