第2期 魏彩锋，等：图正则化字典对学习的轻度认知功能障碍预测 ·375· 0.96 0.94 十倍交叉验证的结果（平均值）画出的盒形图。 使用准确率(ACC)、ROC曲线下面的面积(AUC) 0.90 0.88 对于分类器的性能进行评估，具体实验结果在 0.86 图4、5中显示。 从图4中整体上可以看出使用GDPL算法的 0.80 稀疏系数作为特征的平均准确率比DPL算法的 0.78 0.76 稍微好一点，比直接使用结合生物标志作为特征 SVM LDA KNN 方法 的平均准确率高，GDPL+KNN算法的平均准确率 最高达到了83.7%。图5显示ROC曲线下的面 图3不同方法上的ROC曲线下的面积(AUC) Fig.3 Area under ROC curve in different methods 积(AUC)最好的是GDPL+KNN算法，AUC达到 2)将结合生物标志直接作为特征用SVM、 92.1%。在图4、5,100次实验结果中GDPL+KNN LDA、KNN分类，使用DPL方法的稀疏系数作为 算法结果相对集中稳定。整体上看使用GDPL方 特征的分类方法记为DPL+SVM、DPL+LDA、 法训练出来的字典对上的稀疏系数作为特征的实 DPL+KNN,和使用GDPL方法的稀疏系数作为特 验结果比直接使用结合生物标志特征的结果好， 征的分类方法记为GDPL+SVM、GDPL+LDA、 GDPL+KNN实验结果最好，并且结果比较集中稳 GDPL+KNN,所用实验结果都是记录使用1O0次 定，每次实验的结果的变化不大。 0.86 ACC 0.84 0.82 0.80 白 0.78 0.76 0.74 SVM DPL+SVM GDPL+SVM LDA DPL+LDA GDPL+LDA KNN DPL+KNN GDPL+KNN 图4使用100次十倍交叉验证的ACC画出的箱型图 Fig.4 Box plot for the ACC of 100 times 10-fold cross-validation 0.94 AUC 0.92 0.90 0.88 0.86 0.82 0.80 之 0.78 0.76 白 0.74 SVM DPL+SVM GDPL+SVM LDA DPL+LDA GDPL+LDA KNN DPL+KNN GDPL+KNN 图5使用100次10倍交叉验证的AUC画出的箱型图 Fig.5 Box plot for the AUC of 100 times 10-fold cross-validationSVM LDA KNN 0.76 0.78 0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 0.96 方法 ROC 曲线下面积 图 3 不同方法上的 ROC 曲线下的面积 (AUC) Fig. 3 Area under ROC curve in different methods 2) 将结合生物标志直接作为特征用 SVM、 LDA、KNN 分类，使用 DPL 方法的稀疏系数作为 特征的分类方法记为 DPL+SVM、DPL+LDA、 DPL+KNN，和使用 GDPL 方法的稀疏系数作为特 征的分类方法记为 GDPL+SVM、GDPL+LDA、 GDPL+KNN，所用实验结果都是记录使用 100 次 十倍交叉验证的结果 (平均值) 画出的盒形图。 使用准确率 (ACC)、ROC 曲线下面的面积 (AUC) 对于分类器的性能进行评估，具体实验结果在 图 4、5 中显示。 从图 4 中整体上可以看出使用 GDPL 算法的 稀疏系数作为特征的平均准确率比 DPL 算法的 稍微好一点，比直接使用结合生物标志作为特征 的平均准确率高，GDPL+KNN 算法的平均准确率 最高达到了 83.7%。图 5 显示 ROC 曲线下的面 积 (AUC) 最好的是 GDPL+KNN 算法，AUC 达到 92.1%。在图 4、5，100 次实验结果中 GDPL+KNN 算法结果相对集中稳定。整体上看使用 GDPL 方 法训练出来的字典对上的稀疏系数作为特征的实 验结果比直接使用结合生物标志特征的结果好， GDPL+KNN 实验结果最好，并且结果比较集中稳 定，每次实验的结果的变化不大。 SVM DPL+SVM GDPL+SVM LDA DPL+LDA GDPL+LDA KNN DPL+KNN GDPL+KNN 0.74 0.76 0.78 0.80 0.82 0.84 0.86 ACC ACC 图 4 使用 100 次十倍交叉验证的 ACC 画出的箱型图 Fig. 4 Box plot for the ACC of 100 times 10-fold cross-validation SVM DPL+SVM GDPL+SVM LDA DPL+LDA GDPL+LDA KNN DPL+KNN GDPL+KNN 0.74 0.76 0.78 0.80 0.82 0.84 0.86 0.88 0.90 0.92 0.94 AUC AUC 图 5 使用 100 次 10 倍交叉验证的 AUC 画出的箱型图 Fig. 5 Box plot for the AUC of 100 times 10-fold cross-validation 第 2 期 魏彩锋，等：图正则化字典对学习的轻度认知功能障碍预测 ·375·