首页 > 文献资料
-
基于Visual Basic的windkessel模型参数估计
在Visual Basic语言中应用龙格-库塔算法编写程序,求解windkessel模型的数值解,对其参数进行可视化估计.心血管模型的研究对研发血流参数无创检测仪等医疗仪器具有重要的指导意义.
-
人体微循环弹性腔模型与模型参数估计
为了定量分析容积脉搏血流与微循环的关系,首先建立起一个微循环的弹性模型腔,并把它加到原来的双弹性腔模型上,组成一个扩大的心血管双弹性腔模型.然后通过对不同年龄人群微循环输入输出的实际检测,估计出不同年龄人群的微循环模型参数.应用该模型及不同的模型参数可以计算出不同微循环生理状态下的容积脉搏血流,模型计算结果与实测结果完全一致.
-
CTT与IRT对被试能力参数估计的差异以及对绩效预测性的影响
目的 探讨CTT与IRT对被试能力参数估计的差异以及对绩效预测性的影响.方法 对1450名入伍1年的武警战士进行图形智力测试,并对91名被试进行工作绩效评价,分别用CTT与IRT对被试能力进行估计,比较其能力参数与绩效评价的相关性.结果 CTT和IRT对被试能力参数的估计没有显著差异.与CTT相比,IRT对能力估计值与工作绩效相关系数较大,预测性更好.结论 虽然本研究中CTT与IRT对被试能力估计没有显著差异,但用IRT估计能力参数,可提高对工作绩效的预测性.
-
第二心音主动脉瓣分量和肺动脉瓣分量的提取方法
提出了一种基于模拟退火算法的第二心音(S2)主动脉瓣分量(A分量)和肺动脉瓣分量(P分量)的提取方法.假设A分量和P分量服从包络调制的chirp模型,并用18个参数来表达.在小均方误差准则下,通过模拟退火算法为A分量和P分量估计出优参数,从而重构出A分量和P分量.仿真结果表明:在无噪声条件下,重构A分量和P分量的均方误差分别在1％和8％以内;在- 15 dB的加性高斯白噪声条件下,重构A分量和P分量的均方误差分别在1.5％和10％以内.进一步提取了10位志愿者S2信号的A分量和P分量,并用两位志愿者的颈动脉重搏切迹验证了重构的A分量和P分量的分界时刻,证明了方法的有效性.
-
神经元参数估计的符号动力学方法
提出一种与现有的参数估计完全不同的方法一用符号动力学实现参数估计.按符号动力学原理对系统输出信号进行粗粒化测量,根据符号序列的距离来衡量两条轨道的接近程度,可实现高精度的参数估计,精度与输出符号序列的长度相关.采用26个脉冲,估计的误差即可小于1/1000.该方法不需要对系统输出作精确测量,对不稳定系统也能实现估计,对于脉冲式工作的神经元的参数估计尤为有效.
-
基于随机松弛的离散HMM参数估计和信号恢复
细胞膜离子单通道信号是皮安级的跨膜随机离子电流,由于信号的微弱性,膜片钳技术记录中单通道电流往往淹没在强背景噪声中.传统上采用阈值检测器来恢复通道电流信号,这需要人为设定阈值,尤其是信噪比低时,阈值检测器失效.本研究采用隐马尔可夫模型(HMM)的通道信号恢复及参数估计技术,首先利用基于随机松弛(SR)的离散HMM参数全局优化算法,估计通道的动力学参数,确保模型训练中参数收敛到全局优.在此基础上,从噪声污染的膜片钳记录中恢复通道电流信号.理论和实验结果表明,在低信噪比情况下(SNR＜5.0),该方法用于白噪声背景下细胞膜离子单通道参数估计和信号恢复时,参数收敛速度快,信号恢复精度高,算法抗噪能力强,可以较好地描述实际对象特性.
-
脑干听觉诱发电位测试中的曲线拟合与参数估计方法
脑干听觉诱发电位是声觉器官受刺激后产生的一种生物电,反映了相应感觉通路及神经元群的活动,可用作听力阈值的客观判断,以及对多种耳疾和脑部病变作出诊断,因而成为当今临床医学和生物医学信号处理中的一个重要课题.本文介绍了脑干听觉诱发电位潜伏期(L)与刺激声强(I)之间关系曲线的作用及其拟合建模,回归算法优化,还用实测数据对选定的拟合曲线模型进行了回归方差分析.
-
适用于医学动态监测数据的稳健参数估计方法
目的:介绍并分析适用于医学动态监测数据的稳健参数估计方法.方法:结合分布假设和稳健统计给出了参数估计方法.首次提出了一种迭代求取形状参数稳健估计的算法.结果:该方法对医学动态监测中某种生理量异常所占百分比值统计量的参数估计优于临床普遍采用的方法.结论:通过对分布拟合、估计优效性和可实现性、估计稳健性等的理论分析和模拟实验表明该方法是一种高效、可靠的稳健参数估计方法.
-
超声造影剂微血管灌注建模及灌注参数初步研究
目的建立基于超声造影剂(ultrasound contrast agent,UCA)的微血管灌注理论模型,研究各种不同灌注条件下系统的响应以及基于模型的灌注检测和灌注参数估计方法.方法用随机微分方程的形式描述成像平面区域内UCA微泡浓度与灌注参数之间的关系;从系统模型的角度来对所建立的模型进行分析和比对,确立系统的传输函数和冲激响应.结果给出了不同造影剂注射方式下,以及不同系统设置下UCA微泡浓度响应;在微血管仿体模型实验中,获得一种灌注条件下的灌注检测图像和两组时间-强度关系曲线.结论基于灌注模型的建立,首次实现了各种复杂条件下灌注系统的仿真,并对超声造影剂灌注检测和参数估计等难点问题进行了初步研究.
-
随机模型在非典型肺炎预测及疫情分析中的应用
将随机房室模型应用于非典型肺炎的研究中,对模型中的参数用两种方法进行估计,进而可得到新增确诊人数的预测.本文还对北京和香港两地参数变化进行了对比分析,为了解疫情的变化、评价干预措施的效果提供了有价值的参考.
-
结构方程模型GLS与WLS性能比较
目的 通过构建结构方程模型的全模型,比较广义小二乘法(GLS)和加权小二乘法(WLS)在不同特征数据中的性能差异.方法 建立包括12个外生显变量、3个外生潜变量和8个内生显变量、2个内生潜变量全模型的真模型和误设模型,运用SAS 9.1软件的IML模块生成模拟数据,通过CALLS过程进行模型拟合,采用两类错误频率对2种参数估计方法的性能进行评价.结果 分布特征为多元正态分布、轻度偏态分布和重度偏态分布的数据,在采用相关系数矩阵和协方差矩阵时,GLS和WLS的两类错误频率均随相关系数或样本含量的增加而呈现下降趋势;GLS法表现为第一类错误频率较大而第二类错误频率较小,3种分布n＞200即显变量个数的10倍以上时第二类错误频率＜0.05,而第一类错误频率只有在n≥1 000即显变量个数的50倍及以上时才近似＜0.05;WLS法第二类错误频率几乎均为0,但第一类错误频率较大,在数据特征条件相同时其相关系数矩阵的第一类错误频率小于协方差矩阵的第一类错误频率.结论 GLS法与WLS法相比是比较稳健的结构方程模型参数估计方法.
-
前瞻研究中Logistic回归参数估计的应用条件
Logistic回归模型是分析反应变量为独立二分类资料的常用统计分析方法,对模型中的参数通常采用的是极大似然估计法(Maximum likelihood estimate,MLE),当资料的样本含量足够大、分层后格子不稀疏时,估计的结果是令人满意的,如果所得资料样本含量比较少或者资料中分层很多而致格子稀疏(数据结构不平衡)时,MLE估计结果可靠性会大为减低[1,2].
-
Bootstrap方法在Cox模型参数估计中的应用
目的探讨自变量分布极偏时Cox模型的参数以及区间估计是否准确,引入Bootstrap法对其加以验证.方法拟合Cox模型研究痰检结果与市癌发病风险的关系,使用非参数Bootstrap法验证Cox模型的参数估计值、可信区间是否有效.结果两者的参数估计值和大部分可信区间基本一致,个别变量的可信区间不一致,Bootstrap可信区间的下界更低,甚至变为负值.结论当自变量分布极偏时,Cox模型所估计的参数可信区间可能有偏,Bootstrap可信区间更准确.
关键词： Bootstrap方法 Cox模型 参数估计 -
诊断试验ROC参数估计双正态样本量估计方法探讨
目的探讨ROC双正态样本量估计方法的准确性.方法通过Monte Carlo方法对ROC双正态样本量估计法进行评价与修正.结果根据模拟试验结果得到双正态样本量估计法的校正公式及修正曲线.结论采用文中给出的样本量调整方法,可以有效地进行样本量估计,达到诊断试验评价的要求.
-
logistic回归参数遗传算法估计的可行性研究
目的 考察遗传算法作为logistic回归模型参数估计方法的效能,并与极大似然估计法比较.方法 通过数据模拟建立三种模型,分别用遗传算法和极大似然法作参数估计,考察建立模型的分类效能.结果 一般情况下,极大似然估计法的分类效能稍高于遗传算法.在样本量较小或自变量关系复杂的情况下,极大似然估计法和遗传算法的泛化误差增加.极大似然估计法的泛化误差主要源于在验证集中分类效能下降,而遗传算法的泛化误差主要源于训练集中的过拟合.当样本量小且自变量关系复杂的情况下,极大似然估计法出现迭代不收敛,参数失拟合,遗传算法无此现象.结论 遗传算法适用于自变量多而样本量相对小时logistic回归模型参数估计.
关键词： 遗传算法 Logistic回归 极大似然法 参数估计 -
Michaelis-Menten模型参数估计的搜索选优
在非线性药物动力学中,常用Michaelis-Menten方程:[1,2]-(dC)/(dt)=(VmC)/(Km+C)(1)来描述由于有酶或载体系统参与的药物生物转化的动力学过程.(1)式中,C(t)为t时刻的药物浓度,-(dC)/(dt)为t时刻药物浓度的下降速度,Vm为该过程理论上的大速度,Km为Michaelis常数,Vm、Km为模型(1)的待估参数.模型(1)在生命科学中有着广泛的应用.文献[3]给出了Vm和Km的一种估计方法--加权小二乘法,该方法较传统方法精度上有较大的提高.
-
小地域分析的研究进展
传统流行病学研究疾病的的空间分布,探讨疾病的危险因素,总是基于较大的范围收集数据和整理资料,并进行分析处理后得出结论.这些结论因为要求观测单位(地域或人口)相对过大,淹没了疾病分布中局部的、特征性的规律,所以不可能是疾病在地理上的真实反映,也就不适合于检测与空间定位有关的环境危险因素,尤其是对于罕见病如肿瘤的发病和死亡的研究就更显出其不足.但如果我们直接用小地域资料进行参数估计,也会因为样本含量小,数据不稳定而产生较大的误差.小地域分析的基本思想就是通过一些重要统计方法从相关的或者类似的邻近小地域借助信息,建立数学模型将获得的小地域数据结合起来,对本地域的参数进行估计.而当今计算机技术的迅猛发展也为小地域分析方法的实现提供了良好的辅助工具.
-
神经网络模型在分析复杂性疾病多基因交互作用中的应用
复杂性疾病的发病机制复杂,受多个微效基因及环境因素的影响,并且普遍存在基因-环境、基因-基因的交互作用.选择何种方法对多基因之间的交互作用进行分析以评价其在疾病发生过程中的作用,是当今面临的大挑战.传统的统计分析方法存在多重检验、维度困扰、模型依赖等许多问题,其中维度困扰是指每增加一个基因位点,所需的样本量将呈指数倍增加,即使样本量较大,很可能出现某些基因型组合观察值太少甚至缺失的情况,这将导致交互作用效应参数估计的不准确[1].
-
应用再抽样技术进行非常规统计推断
引言再抽样(resampling)是从人造总体中模仿随机抽样的过程,产生另外一些样本,然后根据这些样本进行参数估计和统计推断的技术.由于这个人造总体本身通常就是我们所研究的总体的一个样本,所以这一方法也被简单地解释为从样本中抽取样本,即再抽样[1].
-
中心极限定理的模拟试验及其在教学中的应用
一、中心极限定理的内容及其教学特点中心极限定理是反映抽样分布的一条基本规律,是统计推断的重要理论基础.深刻理解中心极限定理的内涵及其表现形式,将为进一步学习参数估计和假设检验打下坚实的基础.中心极限定理可以表述为:从均数为μ,标准差为σ的正态总体中进行独立随机抽样,其样本均数服从均数为μ,标准差为σ/√n的正态分布;而从均数为μ,标准差为σ的任意总体中进行独立随机抽样,当样本含量逐渐增加时,其样本均数的分布逐渐逼近于均数为μ,标准差为σ/√n的正态分布[1].
