一种基于自适应稀疏深度神经网络的脑疾病数据评估方法技术

本发明专利技术公开了一种基于自适应稀疏深度神经网络的脑疾病数据评估方法，包括：1)收集已备案的脑疾病数据；2)将各个体与其对应的数据特征及其变化值汇总为一条单元数据，然后利用各个体对应的单元数据构建数据矩阵；3)将步骤2)得到的数据矩阵划分为训练集及测试集；4)建立基于稀疏增强BP算法的深度神经网络模型；5)利用步骤3)得到的训练集及测试集对步骤4)建立的基于稀疏增强BP算法的深度神经网络模型进行训练，得训练后的基于稀疏增强BP算法的深度神经网络模型；6)基于训练后的基于稀疏增强BP算法的深度神经网络模型对待评估的脑疾病数据进行评估，该方法能够有效解决现有深度学习模型处理高纬小样本数据的过拟合问题。

【技术实现步骤摘要】
一种基于自适应稀疏深度神经网络的脑疾病数据评估方法
本专利技术属于数据处理领域，涉及一种基于自适应稀疏深度神经网络的脑疾病数据评估方法。
技术介绍
高维小样本数据常见于生物医学领域，如基因组数据、医学图像数据、蛋白质数据等，这些数据具有样本量小，但样本特征巨大的特点。这一特点对于进行数据处理和分析的过程提出了一定的挑战。当样本量与样本特征比值很小时，经典的机器学习算法往往会失败，这是由于在高维数据中可能包含不相关的和冗余的特征。目前，深度学习被证实是大数据分析中最强大的工具之一，但是传统的深度学习算法在生物信息学的应用中仍然十分有限，主要是因为当数据的样本量远小于特征数时，往往会导致模型陷入过拟合，进而导致数据处理不准确。因此，有必要针对这类具有高纬小样本特征的数据，寻求一个具有较强自稀疏学习能力的深度网络模型，从而解决现有的数据处理问题。
技术实现思路
本专利技术的目的在于克服上述现有技术的缺点，提供了一种基于自适应稀疏深度神经网络的脑疾病数据评估方法，该方法能够有效解决现有深度学习模型处理高纬小样本数据的过拟合问题。...

【技术保护点】
1.一种基于自适应稀疏深度神经网络的脑疾病数据评估方法，其特征在于，包括以下步骤：/n1)收集已备案的脑疾病数据；/n2)在采集到的脑疾病数据中，将各个体与其对应的数据特征及其变化值汇总为一条单元数据，然后利用各个体对应的单元数据构建数据矩阵；/n3)将步骤2)得到的数据矩阵划分为训练集及测试集；/n4)建立基于稀疏增强BP算法的深度神经网络模型；/n5)利用步骤3)得到的训练集及测试集对步骤4)建立的基于稀疏增强BP算法的深度神经网络模型进行训练，得训练后的基于稀疏增强BP算法的深度神经网络模型；/n6)基于训练后的基于稀疏增强BP算法的深度神经网络模型对待评估的脑疾病数据进行评估。/n

【技术特征摘要】
1.一种基于自适应稀疏深度神经网络的脑疾病数据评估方法，其特征在于，包括以下步骤：
1)收集已备案的脑疾病数据；
2)在采集到的脑疾病数据中，将各个体与其对应的数据特征及其变化值汇总为一条单元数据，然后利用各个体对应的单元数据构建数据矩阵；
3)将步骤2)得到的数据矩阵划分为训练集及测试集；
4)建立基于稀疏增强BP算法的深度神经网络模型；
5)利用步骤3)得到的训练集及测试集对步骤4)建立的基于稀疏增强BP算法的深度神经网络模型进行训练，得训练后的基于稀疏增强BP算法的深度神经网络模型；
6)基于训练后的基于稀疏增强BP算法的深度神经网络模型对待评估的脑疾病数据进行评估。


2.根据权利要求1所述的...

【专利技术属性】
技术研发人员：乔琛，胡鑫钰，石砚，刁豫贤，高斌，董鑫，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61