首页 > 文献资料
-
基于支持向量机算法的ECG分类策略
心电信号(ECG)对医生诊断心脏疾病极为重要.现存许多ECG分类技术存在实现困难,处理时间长和只能对2～3类的ECG进行分类的不足.我们提出了一类基于SVM的ECG分类的崭新的方法,阐明了SVM对ECG分类的基本思想.与传统的神经网络分类相比,在理论上该方法优于神经网络,因为支持向量机考虑的是测试样本的小化而不是训练样本的小化.
-
基于F-score特征选择和支持向量机的P300识别算法
如何从脑电信号中快速准确地识别出P300成分是脑-机接口研究中的一个热点问题.针对P300的识别问题,我们提出了一种将F-score特征选择与支持向量机相结合的判别方法,该方法采用F-score特征选择减少输入特征的维数,以克服支持向量机算法判别速度慢的缺点;然后借助支持向量机算法良好的分类性能实现P300的识别.本文在BCI Competition 2003的P300实验数据集上对该方法进行了验证,结果表明,在5次重复实验中该方法的识别准确率达到了100%,且判别速度与未经特征选择的传统支持向量机算法相比提高了近2倍.
关键词： 脑-机接口 P300 F-score特征选择 支持向量机 -
基于加权自相关函数特征提取法的多类蛋白质同源寡聚体分类研究
我们提出一种新的特征提取方法,即用蛋白质序列的氨基酸组成成分和一系列的氨基酸残基指数加权自相关函数构成特征向量,表示蛋白质序列,与支持向量机算法组合对蛋白质同源二聚体、同源三聚体、同源四聚体、同源六聚体进行分类研究,得到较好的分类结果.在Jackknife检验下,采用支持向量机算法,基于此新特征提取法所构成的参数集QIANA、QIANB、MEEJ、ROBB和SNEP的总分类精度分别为77.63%、77.16%、76.46%、76.70%、75.06%,分别比传统氨基酸组成成分特征提取法(参数集为COMP)提高6.39、5.92、5.22、5.46、3.82个百分点.对于参数集QIANA,支持向量机的总分类精度为77.63%,比协方差算法提高16.29个百分点.这些结果表明:(1新特征提取法是有效和可行的,基于此特征提取法构成的特征向量包含蛋白质四级结构信息,且可能捕获了埋藏在缔合亚基作用部位接触表面的基本信息;(2)对于蛋白质同源寡聚体分类研究,支持向量机是非常有效的.
-
基于人体血液常/微量元素含量的SVM癌症辅助诊断
支持向量机(Support vector machine, SVM)分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力,已被广泛地应用于许多研究领域.我们以癌症病人血液中6种元素(Ba, Ca, Cu, Mg, Se, Zn)的含量为研究对象,将SVM、近邻法、决策树C4.5及人工神经网络等方法用于癌症病人和正常人的分类研究.研究表明: 除C4.5的分类准确率保持不变之外,对数据的归一化处理能够提高SVM、 KNN、ANN的分类效果.当使用线性核函数时,SVM通过5次交叉验证的优平均分类准确率达到了95.95%,优于KNN(93.24%)、C4.5(79.93%) 及ANN(94.59%)等分类器,表明该方法有望成为一种实用的癌症临床辅助诊断手段.
-
基于SARS RNA序列可视化方法的进一步分析与研究
我们提出了一种新的基因可视化分析方法.该可视化方法基于元胞自动机(CA)原理,将RNA序列的一维信息转化为二维可视图谱;在将此方法应用到SARS RNA序列的分析中, 可以发现SARS-CoV 病毒不同于其他非SARS的冠状病毒的RNA序列可视特征;在此基础上,对得到的RNA特征序列进行片断提取,用片断可视化取代全序列可视化,并用主成分分析(PCA),支持向量机(SVM)等算法对RNA片断进行分析.结果证明,SARS-CoV的该类特征具有很好的模式可分性,与模式分析方法的结合则可以作为可视化的佐证,可以更充分地利用特征片断作为判别SARS-CoV的一种非常规的手段.
-
单通道脑电信号中诱发电位的单次提取
我们正在构建一个脑控拼写装置,直接利用脑信号与计算机进行交互.在这种实时通信模式中,作为通信载体的特征脑信号淹没在自发的脑电背景中,不能采用常规的叠加平均方法来提取,而必须实现特征信号的单次识别.为使这种技术走出实验室,记录脑电的导联数应越少越好.我们采用独特的"模拟自然阅读"诱发模式,让被试从平滑移过小视窗的刺激符号串中识别靶刺激符号,以产生视觉诱发电位(VEP).利用支持向量机方法,对三名被试位于导联Pz处EEG信号中的VEP进行了单次提取,正确识别率分别为92.1%、94.1%和91.5%,达到了较为满意的效果,为系统的实现打下了基础.
-
基于支持向量机的室性早搏检测
心电信号分类是自动心电监护设备的基础.支持向量机(SVM)在分类和模式识别方面展现出卓越的性能.本研究将支持向量机应用于心电信号室性早搏(PVC)的检测.根据室性早搏的特点,从MLII导联中提取心率、形态心及小波域能量3大类共9个特征.并使用MIT-BIH的Arrhythmia数据库的数据,根据AAMI建议要求,对采用不同核函数的支持向量机的性能作了比较.
-
支持向量机在血细胞分类中的应用
支持向量机是根据统计理论提出的一种新的学习算法.该算法通常可用于解决二分类问题,本文将其推广到多分类问题,利用多级支持向量机分类器对骨髓中不同成熟阶段的血细胞进行了分类.文中首先提出了利用逐步分解的分级聚类算法进行多级支持向量机的构建,然后通过一定准则在各级中确定支持向量机相应的优控制参数.为了进一步了解分类性能和较好的估计分类错误率,使用3次交叉验证法将其与传统的分类方法作了比较.实验表明,支持向量机分类器巧妙避开了维数灾难问题,具有较好的推广能力,可提高血细胞分类的正确率.
-
数据挖掘与乳腺癌诊断的研究进展
数据挖掘是应用一系列技术从大型数据库中提取人们感兴趣的信息和知识,这些知识或信息是隐含的、事先未知而潜在有用的,可表示为概念、规则、规律、模式等形式.本文详尽介绍了数据挖掘技术产生的背景、概念,综述了近年数据挖掘技术在医学中以及辅助诊断乳腺癌的应用情况,并探讨了其在辅助诊断乳腺癌的应用前景、意义以及目前存在的问题.
-
传统声学特征和非线性特征用于病态嗓音的比较研究
本文通过分析嗓音的发音机制,提取正常与病态嗓音的传统声学参数[基频、Mel倒谱系数(MFCC)、线性预测系数(LPCC)、频率微扰、振幅微扰]与非线性动力学特征参数[熵(样本熵、模糊熵、多尺度熵)、计盒维数、计维截距和Hurst参数],作为病态嗓音识别的特征矢量集.应用支持向量机(SVM)对/a/音的78例正常嗓音与73例病态嗓音和/i/音的78例正常嗓音与80例病态嗓音进行建模与识别.结果表明,相对于传统的声学特征参数,非线性特征参数能更好地区分正常与病态嗓音;实验提取的所有参数中,除了多尺度熵,/a/音的正常与病态嗓音的识别率均高于/i/音,因此为了达到识别病态嗓音的目的,国内外相关研究大多采用/a/音数据;多尺度熵特征对/i/音的正常与病态嗓音的识别率较/a/音高,它或能为评价声带代偿功能状态的研究提供有益的启发.
-
基于支持向量机的驾驶疲劳脑电特征递增选择算法研究
脑电(EEG)信号为识别驾驶员的疲劳状态提供了一种可能的客观生理指标,由于其特征的变化因人因时而异,因此能客观自适应地选取恰当的通道和EEG信号特征量是非常重要的.本文提出一种用于驾驶疲劳的EEG特征递增选择算法,即在候选通道的若干特征量集合中依次递增选择特征量,每次从剩余候选通道的特征量集合中,以优化后的支持向量机(SVM)模型的错误率小为指标选取优的特征,实现自适应选取驾驶疲劳EEG信号通道和特征的算法.实验计算中,在覆盖整个头部主要区域的16个电极通道选取了208个候选特征作为初始集合,针对受试者在5个不同时间段的EEG数据计算表明,以2％的错误率作为算法的终止条件,选取的特征和模型均达到了较高的分类精度和推广能力.
-
基于小波包和多元多尺度熵的癫痫脑电信号分类方法
本文提出一种基于小波包及多元多尺度熵的癫痫脑电(EEG)信号分类方法.首先应用小波包变换对原始EEG信号进行多尺度分解,并提取所需频段的小波包系数用以表示原始EEG信号;然后对选取的不同频段的小波包系数进行多元多尺度熵分析;后用支持向量机(SVM)对EEG数据进行分类.针对波恩大学癫痫病中心公开EEG数据实验结果表明,该方法能够有效提取癫痫EEG特征,具有很好的分类效果.
-
基于CBIR技术的眼底图像自动分类检索系统
为实现一个眼底图像自动识别检索的原型系统,本文采用基于内容的图像检索(CBIR)技术提出一种综合考虑眼底图像颜色(灰度)直方图和明、暗区域等局部信息相混合来表示眼底特征的方法,运用核主成分分析(KPCA)法进一步提取非线性特征和降维.在相似性度量上,提出一种利用支持向量机(SVM)对KPCA加权距离来度量的方法.用该系统随机测试300个样本,检索错误的图片总数为32张,其检索率为89.33％.实验表明该原型系统对眼底图像的识别率极高.
-
基于多尺度模糊熵的动作表面肌电信号模式识别
动作表面肌电(SEMG)信号是一种从皮肤表面采集的复杂电信号,它的模式识别在人体假肢和人—计算机交互系统等实际应用中非常重要.为了提高识别率,提出一种将模糊熵(FuzzyEn)和多尺度分析相结合的方法.该方法从动作SEMG信号非线性和非平稳特性的角度出发,引入了多尺度模糊熵(MSFuzzyEn)特征,并应用到人体前臂六类动作SEMG信号的模式识别中.首先利用小波分解对原始信号进行多尺度分解.然后计算MSFuzzyEn并将其作为特征向量输入支持向量机(SVM)进行识别,平均识别率达到97％,比利用原始信号的FuzzyEn进行识别时提高3％.结果表明,利用MSFuzzyEn对动作SEMG信号进行模式识别效果良好.
-
基于非线性动力学和高斯混合模型/支持向量机的病态嗓音识别与研究
传统的病态嗓音的识别研究中,通常采用线性分析技术分析嗓音的特性,将嗓音产生过程用一个经典的线性模型来近似,然而,这样却忽略了嗓音产生过程中的非线性特性.本文基于非线性动力学的分析方法,定量分析并提取了嗓音的7维非线性特征——Hurst参数、时间延迟、第二阶Rényi熵、香农熵、关联维、Kolmogorov熵(K熵)、大Lyapunov指数.实验结果表明,非线性动力学的方法能够弥补传统分析方法的不足,较好分析正常与病态嗓音；应用高斯混合模型(GMM)和支持向量机(SVM)的模式识别方法,分别对测试集39例正常嗓音和36例病态嗓音进行识别,均得到较好的识别率,分别为97.22％和97.30％.
-
一种基于语义模型的乳腺钙化病灶标注方法
为了实现对乳腺X线影像的医学语义标注,提出一种利用贝叶斯网络(BN)的多层乳腺影像钙化点语义建模方法.该方法首先用支持向量机(SVM)得到从图像底层视觉特征到中层特征语义的映射,然后再利用BN融合特征语义,终提取出高层病症语义即恶性程度的概率表达,完成语义模型.将模型应用于乳腺图像的语义标注,本实验选用142幅图像作为训练集,50幅图像作为测试集,结果表明,样本标注诊断语义的准确率:恶性为81.48％,良性为73.91％.
-
基于EMD奇异值分解诊断震颤的新方法
针对目前临床上对特发性震颤(Essential tremor,ET)、帕金森病(Parkinsonian disease,PD)、生理性震颤(Physiological tremor,PT)等3种常见震颤误诊断的问题,我们提出了一种基于经验模式分解提取奇异值特征和支持向量机识别3种不同类型震颤的新方法.首先采集了40例震颤受试者的手加速度信号,并用经验模式分解法将其分解成多个平稳的固有模态函数.将能刻画信号的重要的前四个固有模态函数形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为诊断震颤类型的特征向量,再用支持向量机分类震颤类型.实验结果分析表明,以经验模式分解提取奇异值为特征参数的支持向量机识别方法能较好识别3种不同震颤,为临床诊断震颤类型提供了一种新方法.
-
支持向量机规则提取在大脑胶质瘤诊断中的应用
利用一种新型的数据挖掘技术-支持向量机从大脑胶质瘤病例中获取胶质瘤良恶性程度的诊断知识.所获取的胶质瘤数据集有280个病例,其中多项信息包含了模糊值,还有一项有缺失值,致使人工神经网络算法在学习时易于产生过拟合,而支持向量机实现了统计学习理论中的结构风险小化原理,克服了过拟合问题,并且其分类面是一个线性超平面,有定量关系表达式,所以计算所得到的结果无论从测试样本的平均准确率,还是所获取知识的可理解性等方面,都优于常用的神经网络和规则提取方法.
-
支持向量机在早期癌症检测中的应用
支持向量机是在统计学习理论基础上发展而来的一种新的通用学习方法,较好地解决了有限样本的学习分类问题.在早期癌症诊断中,由于存在癌细胞缺乏、病人个体的特异性和数据本身的噪声等因素的影响,要进行非常准确的诊断是困难的.用支持向量机的分类算法,选取不同的核函数,构造了支持向量机的不同分类器,并将其应用于早期癌症诊断.非线性的支持向量机取得了较高的准确率,表明支持向量机在早期癌症的诊断中有很大的应用潜力.
-
口腔鳞状细胞癌近红外拉曼光谱特征及其诊断价值研究
目的 探索近红外拉曼光谱技术及化学计量法在口腔鳞状细胞癌诊断中的应用价值.方法 收集正常口腔黏膜组织10例、鳞状细胞癌组织20例、白斑30例进行近红外拉曼光谱扫描,分析不同病变类型的特征性光谱,通过化学计量法进行分析建模,并评价其分类诊断效力.结果 相对于正常组织,鳞状细胞癌及白斑中DNA、蛋白及脂类合成增强,表现出较明显的增殖活性.在对鳞状细胞癌和正常组织的建模比较中,诊断准确度98.81%;在鳞状细胞癌与白斑建模诊断中,诊断准确度96.30%.结论 近红外拉曼光谱检测结合支持向量机分类建模技术,可以检测到口腔正常黏膜、白斑及鳞状细胞癌样本中的生化物质变化,并进行准确分类建模诊断.
