大学生创新项目申请书基于DTI半监督学习的脑白质纤维束辨识.docx
《大学生创新项目申请书基于DTI半监督学习的脑白质纤维束辨识.docx》由会员分享，可在线阅读，更多相关《大学生创新项目申请书基于DTI半监督学习的脑白质纤维束辨识.docx（11页珍藏版）》请在冰豆网上搜索。
大学生创新项目申请书基于DTI半监督学习的脑白质纤维束辨识
项目
编号
国家大学生创新性实验计划项目申请书
填写说明
一、本表要按顺序逐项填写，内容要实事求是，表达要明确、严谨。
空缺项要填“无”。
要求一律用A4纸双面打印，于左侧装订成册。
二、申请参加河南师范大学“国家大学生创新性实验计划”项目团队人数不得超过5人（1人为项目负责人，参与合作研究者1--4人），运行周期为2年。
三、指导教师主持科研项目情况限填两项；代表性科研成果限填三项，若为论文需按照论文题目、发表刊物名称及年、卷、期、页码填写，若为科研成果奖，需按照成果名称、授奖机构及获奖等级填写，若为专利，需按照专利名称、专利性质（国家发明专利或实用新型专利）、授权机构填写。
以上成果限第一作者或第一完成人。
四、如填表有不明事宜，请致电咨询（联系电话：
3326192）。
三、指导教师对申请人的评价
（一）对申请人的专业基础、工作态度、学风及研究能力的评价
该项目申请人课程成绩优秀，具有坚实的科学研究工作基础；对计算机专业领域兴趣浓厚，具备开展创新试验项目和探索未知领域的能力；工作态度严谨，学风端正；研究能力突出，项目组织能力出色。
（二）对申请课题的价值、研究方案的可行性、工作基础等方面的评价
作为在校大学生能够对前沿脑科学、神经科学领域的先进技术产生兴趣并尝试用所在计算机学科领域的学识和技术解决交叉学科领域的问题实属难得；所申请课题同时也是目前机器学习等领域所关心的热点问题之一，并且所提研究方案目标明确，切实可行；项目组成员在各自以往的科研活动中均有优秀的成绩和表现，工作基础扎实，成员间团结协作，这对于本次创新试验项目研究工作的开展是个非常有利的条件。
四、申请人对研究项目简要说明
一、申请理由（包括前期工作基础及项目成员具备的知识、兴趣、已取得的成绩及相关科研经历等。
所列成果不得出现指导教师姓名等信息。
）
1.前期工作基础
DTI的白质神经纤维分束问题已由JuanC提出，其问题的特殊性对于基于计算机机器学习理论和技术提出了新的要求，如属性特征不等长且数量庞大，基于任务的特征提取实施困难。
于是可以在已建立的基于fMRI（核磁共振影像）的大脑神经纤维分束技术和以半监督学习技术的基础上进行模型分析与研究。
其中涉及到的工作包括但不限于：
Chawla等学者对同步神经元和它们平均活性值间的关系进行的量化方法[1]；S.Eero等学者依照fMRI活性用前后关系的聚类方式为脑神经组织进行区域划分[2]。
Hjen-Srensen等学者所提出的fMRI时间序列分析的Bayes模型[3];ChuangK.H.等学者提出了无模型的fMRI分析的Kohonen聚类神经网络[9]；以及林卫等提出的脑fMRI特征重建的分层快速聚类[4]以及样本训练的非同质检验方式[5]。
这些研究一定程度地解决了发现人脑感知外界刺激稳定模式的模型构建问题。
在已学习《线性代数》、《概率论与数理统计》等学科的基础上我们能继续深入学习半监督学习的模式分类方法（参照《模式分类（美）》）。
本小组成员还通过参与全国数学建模竞赛、程序设计大赛，掌握了聚类、分类算法以及神经网络等基础知识，锻炼了算法的分析、设计能力，为本项目中的数据归类和数据挖掘以及算法分析奠定了基础。
2.项目成员具备的知识、兴趣
项目成员了解聚类、分类算法的基础知识和神经网络算法的相关知识，熟练掌握C，C++，JAVA的算法设计技术，并具有参加全国数学建模竞赛和程序设计大赛的宝贵经验。
基于对人工智能与机器学习等前沿技术的浓厚兴趣，主动联系专业导师辅导，进行本项目申请。
3.成绩
吴瑞红同学组队参加2009年的数学建模比赛，并被举荐国家一等奖；
刘建礼同学在2009年河南省程序设计大赛中获省级金奖；李聪、郭麟同学组队参加了2009年的数学建模比赛；
二、选题依据（包括项目的学术价值、应用价值、国内外研究现状分析，并列出主要参考文献）
1．项目学术价值
探索大脑的奥秘一直是我们期待的理想。
在察看功能核磁共振影像（fMRI）记录时，可以发现灰质部分的活跃度会随着认知任务特征在时间上的改变而发生变化，于是得以对脑活动进行检测。
随着研究的深入我们发现大脑中各个不同的兴趣区域（ROI）并不是孤立得发生作用的，事实上存在着相互关联的网络，白质神经纤维束在这里起到了十分关键的作用。
本研究核心任务在于应用半监督学习方法，借助实验得到的弥散张量脑影像数据（DTI）对客观存在的白质纤维束进行活体辨识。
这一研究有助于进一步探索人脑对外部刺激的响应机理——即脑激活信号同认知过程的关系。
2.应用价值
临床医学、神经生理学、认知神经科学方面：
白质纤维束是脑神经活动传递的数据链路。
其精确测定需要通过不可逆转的解剖过程来完成。
如果能够找到适当算法从DTI数据中分析得到，无疑可以为认知过程和某些病理过程提供有效的活检证据。
就目前的技术而言，基于fMRI技术的DTI数据分析是对认知活动干扰最小的白质束辨识方式，其他技术如借助放射性示踪的CT技术、脑电、脑磁技术均会对受试者形成较大的心理和生理影响。
外科开颅技术尽管能够准确确定白质纤维束的存在与分布，但其代价是不可逆的皮层损伤，故通常施行于病情及其危重的受试者身上，会受到很大限制。
本项目更多的价值在于计算机学科研究的本身，即机器学习这个子领域中，因为不仅仅限于神经科学领域，相关结果还可以很方便地推广到针对其他相似的海量的、非等量特征的以及时空耦合数据的模型学习和挖掘上。
3.国内外研究现状分析
目前国内关于大脑皮层的结构划分较国外对此问题的研究尚处于起步阶段。
大量的国外研究文献[10][11]表明，关于大脑皮层的结构划分主要是通过在现有实验数据的基础上，训练出来一个模型，通过此模型在对大脑皮层进行全域的划分，那么问题的重点就在于：
如何通过有限的实验数据训练出来一个准确的模型。
这也是我们工作的重心。
另外关于分类的半监督学习方法本身也是在发展中不太成熟，我们的项目也将对此算法进行进一步的优化。
4.主要参考文献
[1]杨立才,李佰敏,李光林,脑-机接口技术综述.电子学报,2005.33（007）:
p.1234-1241.
[2]高阳,陈世福,陆鑫,强化学习研究综述.自动化学报,2004.30（001）:
p.86-100.
[3]Ormoneit,D.,Sen,Kernel-BasedReinforcementLearning.MachineLearning,2002.49
（2）:
p.161-178.
[4]林卫,何华灿,脑fMRI特征重建的分层快速聚类方法.计算机工程与应用,2009.45（32）.
[5]林卫,何华灿,刘丽,fMRI脑图的感知状态分析――回归模型及其寻优的非同质检验.计算机工程与应用,2007.43（31）.
[6]Andrea,M.,T.C.Jennifer,L.Steven,DissociatingReadingProcessesontheBasisofNeuronalInteractions.J.CognitiveNeuroscience,2005.17（11）:
p.1753-1765.
[7]Chawla,D.,E.D.Lumer,K.J.Friston,Therelationshipbetweensynchronizationamongneuronalpopulationsandtheirmeanactivitylevel.NeuralComput.,1999.11（6）:
p.1389-1411.
[8]Hjen-Srensen,P.,L.K.Hansen,C.E.Rasmussen,BayesianModelingoffMRITimeSeries,inNIPS99.1999:
Denver.
[9]K.H.,C.,C.M.J.,L.C.C.,Model-freefunctionalMRIanalysisusingKohonenclusteringneuralnetworkandfuzzycmeans.IEEETRANSACTIONSONMEDICALIMAGING,,1999.18（12）:
p.1117-1128.
[10]SongZhang,StephenCorreia,H.LaidlawIdentifyingwhite-matterfiberbundlesinDTIdatausinganautomatedproximity-basedfiber-clusteringmethod.VisualizationandComputerGraphics,IEEETransactionsonInVisualizationandComputerGraphics,IEEETransactionson,Vol.14,No.5.（2008）,pp.1044-1053.
[11]PaticHagmann,LeilaCammoun,XavierGigandet,RetoMeuli,ChristopherJ.Honey,VanJ.Wendeen,OlafSpornsMappingtheStrucuralCoreofHumanCerebralCortex,PLoSBiol6（7）:
e159.doi:
10.1371/journal.pbio.0060159
三、研究方案（包括研究目标、研究内容、研究方法、实验方案和技术路线、可行性分析等）
1.研究目标
现代统计学、机器学习以及智能计算技术为依据的半监督学习理论，使针对医学影像序列分析处理的研究有了进一步深入的可能，从而为进一步揭开大脑工作机理做铺垫。
算法本质的并行性有助于利用现有的高性能计算技术、集群技术，于是可以大大降低研究周期，促进理论成果转向向实用化。
主要目标包括：
（1）在部分标记的前提下建立辨识脑白质纤维束的半监督学习模型；
（2）推广得到最优训练策略，以确定上述模型的基本参数。
这种策略以算法、过程的形式体现；
（3）建立一般密度估计的局部流形特征量化模型、策略，提出聚类层次化与本质并行化算法，完善基于核的增强学习算法研究；
（4）完成相关系统分析、设计和实现及运算决策过程、结果可视化。
2.研究内容
本研究核心任务在于应用半监督学习方法，借助实验得到的DTI脑影像数据来辨识白质纤维束。
这种白质束的判定方法要求具有一定的泛化能力，即能否从一组实验数据中已经学习到的关系推断同一受试者在另一组测试中的未知标记情形；或者从某一受试者推知另一受试者的白质纤维束分布。
1）有关半监督学习理论基础方面的内容，其中包括密度估计的流形方法、高效聚类算法的研究、离散状态空间的核逼近、算法的内在并行性等。
（1）密度估计是半监督学习理论中其他关键技术如特征提取、聚类、分类的前提，已有的密度估计算法在窗宽选择（直方图方法）以及核参数选择（核方法）上不随数据样本分布而改变，适应性差。
我们期望通过考察数据分布的流形特征来研究泛化能力更好的密度估计算法。
（2）聚类是最常用的无监督学习方法，为了降低处理时间增加实时性，研究有效的低时间复杂度算法是十分必要的。
（3）就离散状态空间逼近方面，在已有的KBRL（核增强学习）的基础上，我们采用改进的核增强学习方法来完成，以提高算法效率、稳定性和适应性。
2）基于半监督学习方法在脑白质纤维束辨识中的应用
以实际测试所得（主要为医学、神经科学所需要用到的DTI数据，以及相应的部分研究对象，并以目前公开的开放数据集为评定主要评判指标的公共测试平台，确定提取有效特征、发现有效模式的关键技术。
3.研究方法和技术路线
1）对于半监督随机序列分析一般模型的建立，可从现代统计学角度论证相关算法解的存在性和稳定性，以及用实函数分析的思想探索能够将相关问题模型化与一般化的基本条件。
并在已公开标准数据集以及际实测量数据上测试并提高算法性能。
2）运用高维数据可视化技术对算法执行结果进行交互分析，并完善模型。
3）在实际控制、图像及其他随机序列分析应用领域采用实际数据对相关算法进行效能测试与算法改进。
4）对于所确立的模型算法基础上提高其本质并行特性，使其能够运行于计算集群之上，充分降低运算周期，进一步完善算法体系。
4.可行性分析
1）脑科学、信息科学一向是国家科技发展过程中非常重视的研究领域，其结合更关系到国计民生，有着深层次的战略意义。
但是同国外相比，这方面的投入和所做工作存在的差距十分明显，到了刻不容缓需要急起直追的地步，其紧迫性是显而易见的。
2）半监督随机序列分析研究的进展以及理论成果与方法，为能在控制、信号处理等领域率先导入先进的智能化的数据处理技术、决策支持技术奠定了专业理论基础与方法。
3）现代信息科学与技术的发展，如分布式计算技术、计算机支持协同技术的不断发展为本项目的研究提供了基础，各种高性能计算技术为本项目方法的实现提供了基本环境。
4）研究小组成员对应用数学、数据挖掘、人工智能和机器学习领域具有浓厚的兴趣，肯下功夫学习所需要的专业理论知识与方法，具有参加数学建模和程序设计大赛并取得优秀成绩的经验。
四、项目的创新点、特色和拟解决的关键问题或技术
1.特色、创新点
1）空间及非等量特征数据挖掘
2）广义的半监督学习体系，包括密度估计中充分考虑流形特征量化，以及采用各向异性核以提高模型适应性；提高算法的内在并行性以改善算法实时性能；对状态空间连续逼近的核增强学习算法的改进等。
3）结合前沿应用，将前述理论创新应用到实际神经科学领域、图像分析领域及时间序列预测研究上，并使理论研究结果得以充分的检验。
2.难点及关键技术
1）针对海量、高维数不等量属性数据的有效特征提取技术，数据的各向异性核估计；
2）对于具有标记的白质纤维数据，设计最优学习算法将推广能力最大化，即在进行辨识过程中寻求训练误差同测试误差的均衡，而不是片面降低训练误差；
3）对于具有少量监督标记的数据，用半监督学习的方法进行白质纤维束辨识；
4）在脑fMRI特征重建的分层快速聚类方法的基础上，实现对大脑白质神经纤维的无监督分束；
5）模型复杂度的均衡：
在不同情形下尽可能地使用凸规划技术避免过拟合问题的出现，从而提高模型推广能力；
6）高维数据可视化的兴趣视图选择：
在展现数据分布形态时应尽可能选择数据特征明显的视图方向，比如可以看出明显的分类界面。
五、项目进度安排（查阅资料、选题、设计项目研究方案、开题报告、实验研究、数据统计、处理与分析、研制开发、撰写研究论文和总结报告和成果推广等）
本项目研究工作计划时间为两年，即2009年10月至2011年7月，研究工作总体分为以下阶段：
1）2009年10月～2009年12月，文献及调研阶段：
通过文献及调研，进一步了解
明确国内外半监督学习及随机序列分析应用现状及发展方向；完善计算集群的软
硬件体系。
2）2010年1月～2010年3月，用于分类问题的各向异性核密度估计算法研究；高维
数据可视化技术研究。
3）2010年4月～2010年9月，聚类并行化技术研究。
4）2010年10月～2011年2月，在任务相关的fMRI序列分析领域上进行推广及改
进，完成相应系统的分析、设计和实现。
5）2011年3月～2011年5月，系统的进一步完善和实际应用领域中的测试。
6）2011年6月，总结验收阶段：
总结课题研究成果并使之规范化，最终编写成果报
告，总结验收。
六、拟利用资源（科研教学设施、仪器设备、资料等）
1）本项目依托单位——大学提供校园网络环境可供Web接入，并有丰富的图书和期刊资料；
2）本项目申请人所在河南师范大学计算机学院所辖实验室具有的基本的计算单元组群和局部网络互联环境，可供实现分布式计算集群改造；
3）河南大学为本科大学生提供的良好的科研政策和充分的科研时间。
以上这些条件都可用于研究工作之所需，保证科研计划顺利进行。
七、经费使用计划
序号
支出项目及理由
金额（元）
1
项目调研与资料收集
1200
2
局域网改造，台式机增加内存，集群构建
1600
3
购买耗材
1300
4
软件系统开发费用
4000
5
重要国际会议与论文发表
3000
6
燃料动力、通讯与照明费（5台计算设备2年能耗）
1800
7
项目管理费
600
合计
八、项目预期成果（研究论文、专著、调研报告、专利、计算机软件、研制产品等）
本项目预期成果包括：
1、就白质纤维束辨识的半监督学习算法分析等问题在计算机类核心期刊发表学术论文1-2篇，或就该问题在重要国际会议上宣读论文1-2篇
2、完成相关算法分析及运行于高性能分布式计算集群之上的软件系统分析、设计、实现与
测试
3、培养机器学习领域的新生力量，为进一步的深造和走上相关工作岗位作最充分的准备
九、诚信承诺
本项目全体成员郑重承诺，该项目研究将遵守学校有关规定，恪守学术规范，不抄袭他人成果，不弄虚作假，先诚实做人，再诚信做学问和研究，按项目研究进度和合同约定的内容保质保量完成各项研究任务。
如有违规行为，愿承担一切责任，接受学校的处理。
项目组成员签名：
年月日
十、指导教师意见：
（从项目学术性、创新性、可行性、可操作性和成效性加以评价）
能够从计算机前沿应用领域选题，结合并改进已有的机器学习手段和方法，尤其是能够提出各向异性核估计，本身具有理论创新意义。
本项目选题新颖，目标明确可行，虽然对于作为高年级本科生的项目组成员而言难度中等稍微偏高，不过不畏挑战的勇气、勤奋学习的态度会使他们深受裨益。
项目的实施不仅能够为相关学科领域提供年轻的思想和方法，也会使他们在科技攻关活动中得到锻炼，为今后走上工作岗位打下坚实基础。
签名：
年月日
十一、学院意见（学院意见应包括推荐项目的类别，按国家级和校级重点项目、校级一般项目、学校立项学院资助项目三种类别填写）
学院国家大学生创新性实验计划工作小组组长签名（学院盖章）：
年月日
十二、学校意见：
学校国家大学生创新性实验计划领导小组组长签名（学校盖章）：
年月日
河南师范大学2009年度国家大学生创新性实验计划
项目申请书基本信息
项目名称
基于DTI半监督学习的脑白质纤维束辨识
项目负责人
李聪
所在学院
计算机与信息技术学院
经费来源
A√国家和学校资助B．学院资助C．导师资助（请在相应类别上画“√”，可多选）
研究目标：
请明确填写预期成果形式（包括论文、专利、设计图纸、模型、样品、装置、软件、获奖、成果应用与转化等）和级别、数量
1、就白质纤维束辨识的半监督学习算法分析等问题在计算机类核心期刊发表学术论文1-2篇，或就该问题在重要国际会议上宣读论文1-2篇
2、完成相关算法分析及运行于高性能分布式计算集群之上的软件系统分析、设计、实现与
测试
3、培养机器学习领域的新生力量，为进一步的深造和走上相关工作岗位作最充分的准备
学院意见：
学院国家大学生创新性实验计划工作小组组长签名（学院盖章）：
年月日
备注：
此页仅用于推荐申报国家级大学生创新性实验计划的项目填写。
升级会员 