基于噪声标签学习的数字画钟智能评测模型研究.pdf

摘要

认知障碍是一种影响认知能力的心理健康疾病，近年来认知障碍疾病呈现多发、

加速增长趋势，严重影响老年人的生活质量和家庭负担，其早期筛查和干预是综合

管理方案的重要一环。数字画钟测验是目前被广泛使用的认知障碍筛查工具，在社

区筛查条件下，建立智能评测模型凭借客观和高效的优势成为了数字画钟测验的主

要方式。

然而有研究表明，现实数据集中噪声标签广泛存在，从而严重地影响模型的性

能。在以往研究中，实验数据大多来自于假设无噪声标签的、小规模的临床评测。

但是在社区筛查环境下会有大量带有噪声标签的数据涌入，导致模型的鲁棒性下降。

因此本文将建立基于噪声标签学习的数字画钟智能评测模型以提升模型的泛化能力。

本文的主要研究内容如下：

(1)基于数字和指针噪声标签数据集，建立Co-AdaBoost噪声标签学习模型。首

先使用VGG16和ShuffleNet预训练模型提取图片特征，然后使用主成分分析进行数

据降维（分别保留原信息的70%、80%、90%），并将数据带入模型。结果表明，在

两个噪声标签数据集上，使用轻量级网络ShuffleNet进行特征提取效果更好，并且

相较于基本的AdaBoost模型和ND_AdaBoost模型，本文所建立的Co-AdaBoost噪

声标签学习模型在降至不同维度时均保持更高的准确率。

(2)基于数字和指针噪声标签数据集，建立MobileNetV3噪声标签学习模型。

首先通过数据增强方法提升模型的泛化能力，然后将数据带入模型。实验结果表明，

相较于基本的MobileNetV3模型，本文所建立的MobileNetV3噪声标签学习模型在

数字噪声标签数据集上的准确率从71.90%提升到80.61%；在指针噪声标签数据集

上，准确率从85.10%提升到87.01%。

关键词：噪声标签学习；认知障碍；智能评测；数字画钟测验

I

目录

摘要I

ABSTRACTIII

1绪论1

1.1研究背景及意义1

1.2国内外研究现状2

1.2.1画钟测验研究现状2

1.2.2数字画钟测验智能评测研究现状3

1.2.3噪声标签建模研究现状4

1.3研究内容及章节安排6

1.3.1研究内容6

1.3.2章节安排7

2相关理论基础9

2.1主成分分析9

2.2k近邻10

2.3EM算法与GMM11

2.3.1EM算法11

2.3.2GMM12

2.4AdaBoost模型14

2.5MobileNetV3模型15

2.6预训练模型18

2.6.1VGG16预训练模型18

2.6.2ShuffleNet预训练模型19

3基于Co-AdaBoost的噪声标签学习模型研究23

3.1数据集介绍23

3.1.1数据集采集和过滤23

3.1.2噪声标签采集24

3.1.3画钟图片处理28

3.2特征提取和降维29

3.2.1特征提取30

3.2.2特征降维31

3.3模型建立32

3.4实验结果与分析34

3.4.1数字准确性评测分析35

3.4.2指针准确性评测分析36

3.5本章小结36

4基于MobileNetV3的噪声标签学习模型研究39

4.1数据集介绍与数据增强39

4.1.1数据集介绍39

4