pGLT Matlab代码分析

ADNC.mat

load ADNC;

ADNC.mat是下面数据的打包数据。

《pGLT Matlab代码分析》

  • AD表示阿兹海默病人,NC应该表示正常人。
  • Y前93个数是1 后面的数都为0 个人觉得应该是用来区别AD与NC。
    AD_mri = AD(:,1:93);
    AD_pet = AD(:,94:end);

    NC_mri = NC(:,1:93);
    NC_pet = NC(:,94:end);

AD表示阿兹海默病人,NC应该表示正常人。
其中AD数据是93*186的数据集,前93列是mri的数据,后面的是pet的数据。

一些数据处理

Trainsize = length(find(Y == 1)); 
label = zeros(length(Y),2);
label(Y==1,1) = 1;
label(Y==0,2) = 1;
meanlabel = mean(label,1);// 求均值
stdlabel = std(label,1); // 没有用到
label = (label - repmat(meanlabel,size(label,1),1));
  • meanlabel 是 [0.4794 0.5206]

  • repmat作用如图所示:

    《pGLT Matlab代码分析》

  • label原来的值: 《pGLT Matlab代码分析》

  • label现在的值: 《pGLT Matlab代码分析》

 fold = 10; 
 num=1;
 i = 7;


data_MRI = data_MRI';
data_PET = data_PET';

pars.k2 = 5;
max_accresult=[];

myResults = [];

lab_test = [];
lab_resul =[];
lab_Fvec = [];



acc_result = [];

 pars.lam1 = 1;%[10^-3;10^-2;10^-1;10^0;10^1;10^2;10^3];
 pars.lam2 = 1;%[10^-3;10^-2;10^-1;10^0;10^1;10^2;10^3];
 pars.lam3 = 1;%[10^-3;10^-2;10^-1;10^0;10^1;10^2;10^3];
 load ADNC_ind.mat 
 ind1 = ADNC_ind{fold,1};
 ind2 = ADNC_ind{fold,2};
  • 这些参数暂时还不是很明白
  • data_MRI = data_MRI’;
    data_PET = data_PET’;

原来MRI的数据是194*93的矩阵 :
《pGLT Matlab代码分析》

转置后为93*194的矩阵:
《pGLT Matlab代码分析》

  • ADNC_ind 是cell的,什么是cell?类似于c语言的结构体。每个单元可以储存不同的数据类型,可以是数值,字符或矩阵或元胞数组等。

    程序中它存储的内容如图: 《pGLT Matlab代码分析》
    93 * 10应该表示AD,101 * 10表示NC。

    点开ADNC_ind{5,1}: 《pGLT Matlab代码分析》
    关于ind表示啥,后面会有一些相关的猜测。

  • ind1 取出了 ADNC_ind{10,1} (AD)
    ind2 取出了 ADNC_ind{10,2} (NC)

Get_sample函数介绍

     [Train_MRI,Test_MRI,Train_PET,Test_PET,Train_label,Test_label]...
         =Get_sample(data_MRI(:,1:Trainsize),data_MRI(:,Trainsize+1:end),data_PET(:,1:Trainsize),...
         data_PET(:,Trainsize+1:end),label(1:Trainsize,:),label(Trainsize+1:end,:),ind1(:,num),ind2(:,num),i);
function [Train_X,Test_X,Train_Y,Test_Y,Train_label,Test_label]=Get_sample(X1,X2,Y1,Y2,L1,L2,ind1,ind2,i)
% =Get_sample(data_MRI(:,1:Trainsize),data_MRI(:,Trainsize+1:end),data_PET(:,1:Trainsize),...
%          data_PET(:,Trainsize+1:end),label(1:Trainsize,:),label(Trainsize+1:end,:),ind1(:,num),ind2(:,num),i); 

    test1 = (ind1 == i);     %[test1]93*1  
    train1 = ~test1;         %[train1]93*1  
    Train_X1 = X1(:,train1); % [X1][Y1][L1]都是93*93的矩阵  [X2][Y2][L2]都是93*101的矩阵 [ind1]93*10 [ind2]101*3
    Test_X1 = X1(:,test1);   % 索引()内的必须是整数或者逻辑型的 怎么变成逻辑型 就要用到 == ,~等。
    Train_Y1 = Y1(:,train1);
    Test_Y1 = Y1(:,test1);
    Train_label1 = L1(train1,:);
    Test_label1 = L1(test1,:);
其中输入的9的参数分析:
  • data_MRI(:,1:Trainsize) :AC的MRI数据

  • data_MRI(:,Trainsize+1:end): NC的MRI数据

  • data_PET(:,1:Trainsize): AC的PET数据

  • data_PET(:,Trainsize+1:end): NC的PET数据

  • label(1:Trainsize,:): 《pGLT Matlab代码分析》

  • label(Trainsize+1:end,:): 《pGLT Matlab代码分析》

  • ind1(:,num):取出了第一列 《pGLT Matlab代码分析》

  • ind2(:,num):同理 《pGLT Matlab代码分析》

  • i = 7;其实就是把标记为7的数据拿出来做测试组,剩下的1 ~ 6,8 ~ 10组数据拿来做训练集

返回的6个参数分析:
  • Train_MRI:[93 * 83的AC矩阵 93*90的NC矩阵]
  • Test_MRI:[93 * 10的AC矩阵 93*11的NC矩阵]
  • PET 同理
  • label 同理

pGPL_train_old函数分析

[CP,Perfm,OPT,ind1_in,ind2_in] = pGPL_train_old(Train_MRI,Test_MRI,Train_PET,Test_PET,Train_label,Test_label,pars);
function[CP,Perfm,OPT,ind1_in,ind2_in] = pGPL_train_old(Train_MRI,Test_MRI,Train_PET,Test_PET,Train_label,Test_label,pars)

进入到function内

ind1_in = crossvalind('Kfold',size(find(Train_label(:,1) > 0),1),pars.k2);
ind2_in = crossvalind('Kfold',size(find(Train_label(:,1) < 0),1),pars.k2);
  • crossvalind 交叉验证 我的理解就是把现在已有的83份AC的标签数据和90份NC的标签数据通过交叉验证重新分别分成5组,为什么是5组,因为pars.k2的参数为5。
    k-折交叉验证 可以参考博文:https://blog.csdn.net/chenbang110/article/details/7604975
                     [Tr_MRI,vld_MRI,Tr_PET,vld_PET,Tr_label,vld_label]...
        =Get_sample(Train_MRI(:,1:Trsz_in),Train_MRI(:,Trsz_in+1:end),Train_PET(:,1:Trsz_in),...
        Train_PET(:,Trsz_in+1:end),Train_label(1:Trsz_in,:),Train_label(Trsz_in+1:end,:),ind1_in,ind2_in,kin);
                    
                X1 = [Tr_MRI vld_MRI];
                X2 = [Tr_PET vld_PET];
                YL = Tr_label;

通过Get_sample函数把83份AC的标签数据和90份NC的标签数据重新分成

  • 训练集:4组数据包含 66份的AC和72份的NC
  • 测试集:1组数据包含 17份的AC和18份的NC
    X1:[AC(93 * 66) NC(93 * 72) AC(93 * 17) NC(93 * 18)]
    X2:同理
    YL:是138份训练标签

myCAN_5函数分析

[Fu] = myCAN_5(X1, X2, YL,lambda1,lambda2,lam);

进入function

function [Fu] = myCAN_5(X1, X2, YL,lambda1,lambda2,lam)

L = size(YL,1); %L = 138
NITER = 50;
num = size(X1,2);
k = 13;
c = 2;
islocal = 1;
%% distance of X*X
distX1 = L2_distance_2(X1,X1);
distX2 = L2_distance_2(X2,X2);
  • size(X1,2)函数表示取矩阵X1总的列数和 173
  • L2_distance_2()函数如下: 《pGLT Matlab代码分析》

其中一些数据都是通过带入X1矩阵[AC(93 * 66) NC(93 * 72) AC(93 * 17) NC(93 * 18)]获得的。
通过d = repmat(aa',[1 size(bb,2)]) + repmat(bb,[size(aa,2) 1]) - 2*ab 得到一个对称阵。

《pGLT Matlab代码分析》

数据如下所示:
《pGLT Matlab代码分析》

****待更新****

    原文作者:NH3_
    原文地址: https://www.jianshu.com/p/c0fe4476fff2
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞