基于譜聚類集成學習的神經元胞體的幾何分類.pdf

1、大腦作為人體最為復雜的器官，不僅是因為它有著極其復雜的結構，而且它有著眾多的高級功能，能夠進行記憶、思維，產生意識和情感等?，F在技術上已經能夠對小鼠的腦神經元結構實現矢量化，這有利于下一步“人腦研究”的進行。
　　本文研究大腦神經元胞體的幾何分類問題。首先將神經元胞體的極坐標數據轉換成三維向量數據，繪制胞體的三維網線圖，并結合生物學神經元胞體的結構特點。根據形狀對胞體做預分類。其次，抽取胞體的重要幾何特征，繪制樣本各特征的直方圖及

2、密度曲線，刻畫其分布。再次，對胞體特征做降維處理，提取主要特征，消除冗余特征，以降低算法的復雜度，提高聚類的準確性：采用主成分分析和譜分解兩種方法進行降維，測試發(fā)現，譜分解降維后的k-means、fcm、基于密度的聚類和層次聚類結果準確率均高于主成分20％以上。故后面的聚類算法中，選譜分解降維提取特征。接下來進行聚類方法的研究。單個聚類算法各有優(yōu)劣，本文采用了一種可以綜合眾多聚類算法優(yōu)點的集成學習算法，提高了聚類的可靠性。集成算法中，本

3、文采用賦有權重的投票方法作為共識函數：先從胞體特征數據樣本中隨機抽取1/3數據，進行4種聚類方法實驗，再依據這1/3胞體的分類準確率的高低確定投票權重。最后，將原始特征數據做譜分解降維，再利用提取到的新特征先做單一方法的聚類，再將以上四種聚類方法集成一種新的方法，然后將他們進行對比，得到了優(yōu)于所有單一方法的較為理想的分類結果。實驗結果表明，該方法用于胞體分類時，識別相似胞體能力強，可用于腦區(qū)分類，或尋找異常胞體，進行相關醫(yī)學研究。