[发明专利]基于LLE的阿尔茨海默病早期诊断方法、装置、系统

权利要求书

1.一种基于LLE的阿尔茨海默病早期诊断方法，其特征在于，所述方法包括：

获取脑部扫描数据，并提取其对应的皮层厚度特征和灰质体积特征以形成训练样本点，并由多个所述训练样本点构成样本距离矩阵；

在LLE算法基础上，计算所述样本距离矩阵中各训练样本点对应的欧氏距离以寻找与其对应的一或多个近邻点并添加用于区分样本类别的标签信息，并依据各所述各训练样本点对应的标签信息对异类的所述紧邻点进行距离修正；

根据修正后得到的样本距离矩阵找个各所述训练样本点对应的一或多个近邻点，据以计算局部重建权值矩阵；

依据所述局部重建权值矩阵及各所述训练样本点对应的各所述近邻点，将各所述训练样本点的特征向量由高维空间映射到低维空间。

2.根据权利要求1所述的方法，其特征在于，所述在LLE算法基础上，计算所述样本距离矩阵中各训练样本点对应的欧氏距离以寻找与其对应的一或多个近邻点并添加用于区分样本类别的标签信息，并依据各所述各训练样本点对应的标签信息对异类的所述紧邻点进行距离修正的方法还包括：

计算所述样本距离矩阵中各训练样本点的测地距离，通过给定的k值，找出各训练样本点样本点对应的k个原始近邻点；

计算改进后的均匀化距离矩阵，并据以计算出最后终的k个近邻点。

3.根据权利要求1或2所述的方法，其特征在于，所述LLE算法包括：

将所述样本距离矩阵中各所述训练样本点减去均值向量，即对所有训练样本点进行中心化；

计算各所述训练样本点的协方差矩阵；

对所述协方差矩阵做特征值分解，将特征值按降序排序，并取前若干个特征值所对应的特征向量组成投影矩阵；

依据所述投影矩阵将各所述训练样本点的特征向量由高维空间映射到低维空间。

4.根据权利要求1所述的方法，其特征在于，所述距离修正方法包括：

D'＝D+αmax(D)Δ；

其中，D为修正前的样本距离矩阵；Δ为修正矩阵，异类为1，同类为0；α取值范围为(0,1)。

5.根据权利要求4所述的方法，其特征在于，当α＝0，此时等同于所述LLE算法；当α＝1时，同类所述训练样本点之间的距离不变，而异类所述训练样本点之间距离则增大。

6.根据权利要求1所述的方法，其特征在于，所述欧氏距离的算法包括：

其中，D_ij表示x_i与x_j间的欧氏距离，M(i)与M(j)分别表示x_i到它的k个近邻点间距离的平均值和x_j到其近邻点的距离平均值，即：

7.根据权利要求2所述的方法，其特征在于，所述测地距离的算法包括：

其中，G表示x_i与x_j间的测地距离，M(i)与M(j)分别表示x_i到它的k个近邻点间距离的平均值和x_j到其近邻点的距离平均值，即：

8.一种电子装置，其特征在于，所述装置包括：

获取模块，用于获取脑部扫描数据，并提取其对应的皮层厚度特征和灰质体积特征以形成训练样本点，并由多个所述训练样本点构成样本距离矩阵；

处理模块，用于在LLE算法基础上，计算所述样本距离矩阵中各训练样本点对应的欧氏距离以寻找与其对应的一或多个近邻点并添加用于区分样本类别的标签信息，并依据各所述各训练样本点对应的标签信息对异类的所述紧邻点进行距离修正；根据修正后得到的样本距离矩阵找个各所述训练样本点对应的一或多个近邻点，据以计算局部重建权值矩阵；依据所述局部重建权值矩阵及各所述训练样本点对应的各所述近邻点，将各所述训练样本点的特征向量由高维空间映射到低维空间。