首页 > 文献资料
-
基于心率变异性分析的睡眠分期方法研究
为实现对不同阶段睡眠的快速、便捷分期,本文实验分析了心率变异性(HRV)与睡眠分期的相关性,利用支持向量机(SVM)实现了基于HRV信息的睡眠自动分期的算法.对天津市胸科医院的33例临床心电数据进行了R-R提取和主成分分析(PCA),并利用SVM对睡眠中的不同阶段进行建模和预测,将分期的预测结果与基于脑电金标准的睡眠分期标注结果比对,对于三期睡眠的预测准确度超过80％,说明HRV与睡眠各期具有良好的相关性.该方法是对传统睡眠分期方法的一种补充,具有实际使用价值.
-
基于小波包节律和支持向量机的警戒低觉醒脑电信号识别方法
平乏、单调的监控作业容易使作业人员觉醒水平下降,为提高监控工作的绩效,需识别及唤醒低觉醒状态,因此本文提出以脑电信号(EEG)为研究对象的低觉醒状态识别方法.运用小波包变换分解警戒作业人员的EEG信号,获取EEG信号中的δ、θ、α、β等节律成分;结合各节律计算相对能量和高低频能量比参数等特征,组成低觉醒状态识别的特征向量,并使用支持向量机对模拟警戒作业中的低觉醒状态进行了识别.实验结果显示,本文方法能够很好地区分警戒作业中的低觉醒状态和觉醒状态,识别率高.与其它分析方法相比,该方法能够有效地识别警戒作业中的低觉醒状态,能够为低觉醒状态的唤醒机制提供技术支持.
-
医院门户网站门诊专家信息的抽取研究
门诊专家信息可以为需要就诊的居民提供一定的参考,通常这类信息分布于各个医院的门户网站,而且大多数需要通过查询才能获取.为了自动抽取医院门户网站的门诊专家信息,首先要解决查询接口判别的问题.针对此问题,根据查询接口的属性特征,构建了一种树状结构的领域模型,用于对查询接口进行分类判别,并进行领域关键词的填写.其次,对于返回的网页,需要进行噪声过滤,本文针对此问题,提出了分块重要度模型.实验结果表明,基于领域模型的查询接口判别方法比基于规则方法的准确率提高了10.83％,分块重要度模型的F1值比XPath方法提高了10.5％.
-
多尺度排列熵及其在癫痫发作识别中的应用
脑电图是人脑神经元动态活动的综合表现形式,可以用来研究癫痫的脑部病理变化.本文引入多尺度排列熵(MPE)的概念,将其应用于癫痫患者和健康人的脑电图特征提取,并将所有特征参数送人支持向量机(SVM)进行分类.实验结果表明,在区分癫痫患者和健康人的脑电图时平均分类精度达100％,癫痫发作间期和发作期的平均分类精度为99.58％.与同时输入的1～5个单尺度排列熵(PE)对比分析发现,MPE比PE更能反映癫痫脑电图多尺度上的特征,能更好、更稳定地实现癫痫预测.
-
基于支持向量机及特征选择的单通道脑电波睡眠分期研究
睡眠脑电是研究睡眠障碍及相关疾病的重要客观指标.人工解析脑电方法耗时且易受主观因素影响,而已有的自动睡眠分期算法则较为复杂且正确率较低.本文提出基于支持向量机(SVM)及特征选择的单通道脑电睡眠分期方法.从单通道脑电波信号中提取了38个特征值.在此基础上,通过将特征选择方法F-Score拓展到多分类,增加淘汰因子,为SVM分类器选择合适的输入特征向量组.文章采用标准的开源数据,对比实验了无特征选择、标准的F-Score特征选择以及带有淘汰制的F-Score特征选择三种方法.实验结果表明,本文提出的方法能够有效提高分期正确率,减少计算时间.
-
基于独立成分分析的双模态影像分类研究
本文运用信息极大化独立成分分析(ICA)分别提取结构磁共振成像(sMRI)和正电子发射断层影像(PET)的单模态特征,然后使用权重结合策略生成双模态影像特征,可提高阿尔茨海默病(AD)及轻度认知障碍(MCI)诊断准确度.AD患者与健康对照组(HC)的分类实验结果:准确度为93.75％、敏感度为100％、特异度为87.64％.MCI和HC组的实验结果:准确度为89.35％、敏感度为81.85％、特异度为99.36％.与单模态特征下的好实验结果相比,本文提出的双模态分析方法对分类结果有显著的提高.
-
基于时-频-空间域的运动想象脑电信号特征提取方法研究
脑机接口(BCI)是在人或动物脑与外部设备间建立的直接连接通路,信号分析功能模块是其核心部分,其中特征提取算法的效果如何是脑电图(EEG)信号分析算法的关键.EEG信号本身信噪比低,传统的EEG特征提取方法存在着缺少空间信息,需要的特征量个数较多,分类正确率低等不足.针对以上问题,本文提出了一种基于小波和独立分量分析(ICA)的时间-频率-空间EEG特征的提取方法,分别用离散小波变换(DWT)和ICA提取时频域特征和空域特征.并用支持向量机(SVM)和遗传算法(GA)相结合的方法对提取的特征进行分类.实验对比结果表明,所提出的方法有效地克服了传统的时频特征提取方法空间信息描述不足等问题,对于2003年BCI竞赛数据datasetⅢ分析,高分类正确率为90.71％.
-
基于主成分分析和支持向量机的睡眠分期研究
睡眠分期研究是睡眠质量评价和相关疾病诊断的重要依据.为了实现自动睡眠分期,本文提出了将主成分分析(PCA)和支持向量机(SVM)联合使用的自动睡眠分期方法.首先利用PCA对5位受试者的睡眠脑电(EEG)信号时-频-空域和非线性动力学特征进行特征降维,降低数据冗余度;然后利用一对一(One-against-one classifiers,1-a-1)SVM实现睡眠自动分期.结果显示:自动睡眠分期平均正确率可达到89.9％,优于许多同类研究.
-
基于SVM和优化特征集的MicroRNA靶标预测
MicroRNAs (miRNAs)是一类长约22个核苷酸序列(nt)的非编码单链小RNA,通过与靶标mRNA3’-UTR完全或不完全碱基互补匹配,在后转录时期发挥重要的基因调控功能.正确识别miRNA阳性靶标已成为研究miRNA功能的瓶颈.针对miRNA靶标预测的高维、非线性小样本数据集,本文基于v-SVM,提出冗余特征剔除算法,并将模式识别和特征选择融合在一起,通过冗余特征剔除算法优化特征集,构造表征miRNA与靶标作用模型的佳特征组合,先验参数γ(0＜v≤1)控制数据集压缩比例,选取有区分力度的支持向量集,进而构建佳预测性能的miRNA靶标分类器模型.采用独立测试集对miRNA靶标预测模型进行无偏差性能评估.试验表明,文中靶标预测的分类识别和泛化性能比算法miTarget、NBmiRTar及TargetMiner等更佳.
-
SVM在冠心病分类预测中的应用研究
本文基于体检获得的血压、血脂、尿糖和尿酸等数据指标,应用支持向量机(SVM)对南方人群冠心病患者和非冠心病患者进行分类研究,为进一步的预防和治疗提供指导.首先选取径向基核函数、线性核函数和多项式核函数,构造了SVM分类器,再采用粒子群优化(PSO)算法SVM惩罚参数C和核参数σ,后进行冠心病的诊断和预测.通过与反向传播模型的人工神经网络、线性判别分析法、Logistic回归分析及优化前的SVM进行比较,我们的计算结果显示优化后的RBF-SVM的总体分类效果要优于其他数据挖掘算法,其分类准确率、敏感性和特异性分别高达94.51％、92.31％及96.67％.研究表明SVM在心血管疾病的预测和辅助诊断中有很大的应用潜力.
-
基于心电信号的睡眠呼吸暂停综合征检测算法
睡眠呼吸暂停综合征(SAS)的诊断对预防高血压、冠心病、心律失常、脑卒中等疾病具有重要的临床意义.本文基于单通道的心电(ECG)信号提出了一种新的SAS检测算法,该算法首先对ECG信号进行QRS波检测和预处理,得到RR间期和心源性呼吸(EDR)信号序列,并从中提取各项时频特征参数(n=40),再对这些参数归一化处理后,使用支持向量机(SVM)进行分类训练,终获得可评判SAS的指标.经MIT-BIH权威数据库(Apnea-ECGdatabase)实验表明,本文算法在训练集和测试集上的准确率分别为95％和88％.
-
基于支持向量机的癫痫脑电信号模式识别研究
癫痫患者脑电(EEG)信号包含了癫痫发作过程中丰富的生理病理信息,EEG活动的动态变化为癫痫的自动检测系统的研发提供了依据和可能.本文从检测癫痫EEG信号的非线性动力学特征人手,提取EEG信号和小波分解后的各脑电特征波的非线性动力学特征值,作为输入向量构建支持向量机(SVM)分类器.结果表明,基于非线性动力学指标的SVM分类器对癫痫发作间期EEG和发作期EEG的分类准确率可达90％以上,SVM在癫痫EEG信号检测中作为非线性分类器具有较好的泛化能力.
-
乳腺肿块多级分形特征提取方法研究
乳腺肿块是女性的常发病,严重影响着女性健康.准确检测及定位乳腺图像中的肿块将大大提高乳腺疾病诊断的准确率.研究表明,肿块的组织结构、表面粗糙度等构成了肿块图像的纹理特征,是判别肿块的重要依据.本文提出了一种乳腺肿块多级分形特征提取方法,通过对可疑病变区域建立分形特征向量,实现了乳腺图像中腺体和肿块部分的特征提取及分析.结合支持向量机(SVM)分类方法,得出终的诊断结果.对110幅乳腺图像进行分形特征向量提取和分类,肿块准确率达到90％.实验结果表明,本文提出的多级分形特征提取及判别方法能够有效提高乳腺肿块诊断的准确率,对乳腺肿块的早期诊断具有良好的效果.
-
基于多类运动想象任务的脑电信号分类研究
针对基于多类任务的运动想象(MI)脑电(EEG)信号的分类问题,使用共空间模式(CSP)特征提取方法,分别提取了“一对一”和“一对多”两种特征提取策略下的多类任务MI EEG信号的特征.结合特征提取阶段的不同策略设计了基于支持向量机(SVM)的多类任务分类方法,分类结果表明:基于各分类器决策值的“一对一”SVM分类输出的方法的分类效果明显优于基于投票输出方法,并且略高于“一对多”分类策略下的分类结果,说明了这一方法的有效性.
-
EMD和SVM结合的脑电信号分类方法
脑电(EEG)癫痫波的自动检测与分类在临床医学上具有重要意义.针对EEG信号的非平稳特点,本文提出了一种基于经验模式分解(EMD)和支持向量机(SVM)的EEG分类方法.首先利用EMD将EEG信号分成多个经验模式分量,然后提取有效特征,后用SVM对EEG信号进行分类.结果表明,该方法对癫痫发作间歇期和发作期EEG的分类效果比较理想,识别率达到99%.
-
基于支持向量机的ICU中急性低血压预测模型研究
在重症监护室(ICU)的监护中,急性低血压(AHE)的发生严重威胁着患者的生命安全,临床上主要依靠医生的经验处置.本文运用医学信息学的理论,研究一种ICU中AHE发生的预测模型.利用ICU监护中血压变化的连续记录数据,分析发生与未发生AHE两者间平均动脉压(MAP)信号的变化趋势与特点,基于统计学习理论的支持向量机(SVM)方法,选取中位数、平均值等统计特征参数用于学习和训练,建立分类预测模型.在此基础上,对不同核函数构成的分类器和预测算法进行了比较分析.实验验证,本方法能够达到比较好的分类预测效果,有利于AHE发生的提前预测.
-
SVM和小波分析方法在脑电分类中的应用
根据癫痫发作前后脑电(EEG)波形、能量、频率特征的不同,本文研究了两种小波分析和支持向量机(SVM)结合的脑电分类方法.一种直接利用EEG的波形特征对癫痫发作间歇期脑电和癫痫脑电进行分类,另一种采用EEG信号的波动指数和变化系数为特征进行分类;并比较了这两种方法分类的正确率.实验结果表明,两种方法均能有效区分间歇期脑电和癫痫脑电,以波动指数和变化系数为特征的方法具有更好的分类效果.
-
基于多特征和支持向量机的心律失常分类
针对传统心律失常自动分类算法大多利用线性变换方法只提取单一特征的问题,本文提出基于多特征融合和纠错编码支持向量机的识别算法.该算法利用核独立成分分析(KICA)提取心电(ECG)信号的非线性特征,利用小波分析提取时频域特征,二者融合形成多域特征能够更全面反映不同类型心律失常的模式.设计基于受试者工作特性ROC曲线下面积指标优化的纠错编码支持向量机分类器,该指标比传统正确率指标能够更好的评价分类器性能.针对MIT-BIH心律失常数据库数据的实验表明,所提出算法优于基于单一特征的传统方法,ROC曲线下面积值为0.956,具有很好的分类效果.
-
基因表达式编程在心脏病诊断中的应用
将具有良好函数挖掘能力的基因表达式编程(GEP)算法用于处理一组有关心脏病诊断的数据,建立心脏病诊断预测模型.从13个变量中筛选出Sex,Chest pain,Blood pressure,Angina,Peak,Slope,Colored vessels,Thal等8个变量建立分类函数式,对100例预测数据集的预测准确率达87%.本文还采用支持向量机(SVM)等算法对该组数据进行预测分类,研究表明以GEP算法预测准确率为高.
-
基于二次互信息特征选择的人脸表情识别研究
针对主动表观模型(AAM)在表情识别中特征点定位不够精确以及特征数据存在冗余性的问题,本文通过对AAM拟合时初始模型的自动调整,提高了定位准确度,使获取的特征更能有效的反映表情的变化;用二次互信息解决特征矢量选择问题,减少了特征维数,再构造支持向量机(SVM)分类器进行表情识别.实验于CAS-PEAL人脸表情库的结果显示本文采用的方法能有效地提高人脸表情识别性能,高识别率为83.33%.
