彩色预处理阿尔茨海默病MRI(磁共振成像)所有的图像都被调整为128 x 128像素。该数据集有四类图像。该数据集由总共6400张MRI图像组成。1类轻度痴呆(896张图片)2类中度痴呆(64张图片)3类非痴呆(3200张图片)4类非常轻度痴呆(2240张图片)

大数据-算法-阿尔茨海默病和血管性痴呆的颅脑核磁共振定量研究.pdf

大数据-算法-阿尔茨海默病脑电信号多尺度时空定量特征研究.pdf

网络技术-网络基础-阿尔茨海默病的放射性诊断药物1省略电子发射断层扫描中显像方法的建立.pdf

智能语音检测阿尔茨海默病比赛论文

从数据中学习贝叶斯网络结构是一个NP-hard问题，提高网络结构学习算法精度是研究的重难点。基于Pearl的因果理论，提出了一种贝叶斯网络结构学习方法，提升了现有算法的准确率。利用改进的Pearl因果效应和BDe评分，学习网络节点优先次序，利用K2算法学习初始网络，并通过BDe评分反向调节、互信息和BDe评分删除边以修正学习结果。实验在贝叶斯网络标准数据集ASIA、ALARM上进行，在样本量为2000~20 000的20组实验中，学习准确率较MMHC算法平均提升16%，准确率标准差较MMHC算法平均缩小17%。实验表明，基于因果效应的方法较MMHC算法有更好的性能。

阿尔茨海默症诊断标准，ADNI是全球最大的开源的关于阿尔茨海默症的数据库。有研究ADNI的同学可以看看这个文档，里面详细说明了阿尔茨海默症的诊断标准。

深度学习是机器学习的一个子集，旨在用类似于人类的逻辑持续分析数据。 它使用称为人工神经网络 (ANN) 的算法的分层结构。 它们主要用于医学诊断，以做出疾病预测、机器人手术和放射治疗等关键决策。 疾病预测包括识别和分类阿尔茨海默病。 它是痴呆症的最常见原因，影响全球约 4600 万人。 该病有几个阶段，分为轻度和重度。 症状包括记忆信息的能力下降、口语和写作能力下降。 许多机器学习算法技术如决策树分类器、独立分量分析、线性判别分析（LDA）被用来根据疾病的阶段预测疾病，但识别信号阶段的精度并不高。 在这项工作中，提出了一种基于深度学习的技术，该技术通过使用卷积神经网络 (CNN) 来提高分类的准确性。 这项工作分析脑电图 (EEG) 信号，使用快速傅立叶变换 (FFT) 提取特征并通过 CNN 对疾病进行分类。

阿尔茨海默病相关基因的生物信息学分析，李长征，王慧，目的 用生物信息学方法探讨阿尔茨海默病的发病相关基因，为阿尔茨海默病的基础研究和临床治疗提供新思路。 方法 从基因芯片公共数

独活对阿尔茨海默病模型大鼠学习记忆能力的影响.pdf