首页 > 文献资料
-
表面肌电信号的时变AR模型参数估计及其在下腰痛评估中的应用研究
本文针对表面肌电信号的非平稳特性,采用时变参数AR模型对表面肌电信号进行分析,将线性非平稳问题转化为线性时不变问题,并采用递推小二乘算法求解模型的时变参数.在此基础上,提出了结合奇异值分解进行参数优化,进而进行模式分类的方法.能够成功地区分下腰痛患者治疗前后的状态,为下腰痛的诊断、治疗与康复判定奠定了一定的基础.
-
表面肌电的支持向量机分类
支持向量机(SVM)是一种新的机器学习机制.研究了基于支持向量机的控制假手表面肌电识别方法和性能,并与反向传播(BP)神经网络分类器进行了比较.分类的六种手腕部动作分别是腕内旋、腕外旋、展拳、握拳、肘部外旋、肘部内旋.利用"一对一"的分类策略和二叉树构造多类SVM分类器.核函数分别采用多项式和径向基函数.实验结果表明SVM可以有效地对表面动作肌电进行分类,SVM分类准确率普遍优于传统的BP神经网络,且具有良好的泛化推广能力.不同的核函数对分类准确率影响较小.
-
特征优化在表面肌电模式识别中的作用
肌电信号是与神经肌肉活动有关的生物电的体现,其应用已逐步深入到生物医学的各个领域.肌电信号模式识别是肌电应用的基础.本文在表面肌电模式识别中引入了特征优化环节,并讨论了其作用.通过对7个志愿者的实验研究表明,采用特征优化情况下,动作平均辨识率可提高近12%.结论表明,在没有增加原始信息的情况下,通过合适的特征优化处理可提高特征的可分性,从而提高动作模式的辨识率.这说明了特征优化在肌电信号模式分类中有重要作用,对其在康复控制等实际应用场合也会产生积极影响.
-
心音信号的非高斯AR模型双谱分析
本文利用高阶谱分析方法,提出以非高斯参数模型对心音信号进行双谱分析与分类.采用具有非高斯白噪声激励的参数模型对心音(PCG)信号进行建模,由导出的基于累积量的三阶递推方程估计模型参数,并对心音信号进行参数化双谱估计.其次,对心音信号的非高斯AR模型的定阶进行讨论,提出采用双谱互相关法估计心音信号的模型阶次.另外,利用非高斯AR模型参数构成特征向量,对正常心音和病理性心音进行二类模式分类.后,对实际心音信号进行分析,结果表明利用双谱技术分析心音信号是一种新的有效方法,有助于心音信号的定量分析并为某些心脏疾病的早期诊断提供新的辅助信息.
-
决策树特征基因选择方法对SVM有效性的研究
基因芯片新兴生物技术为从分子水平上研究疾病的发病机理和临床疾病诊断提供了强有力的手段.其中特征基因选择是疾病模式识别诊断重要的一个环节,但不同的特征基因选择方法往往影响疾病模式分类方法的效能.本研究针对这一问题,结合结肠癌基因表达谱数据分析,研究了递归决策树特征基因选择集成方法EFST,对支持向量机(SVM)模式分类器能力的影响.主要从特征基因选择前后分类器的性能、支持向量的吻合度、错分样本标识的吻合度、对样本均匀翻倍模式分类器的稳定性的影响等四个方面研究EFST特征选择算法对支持向量机模式分类方法的影响,同时考察了支持向量机模式分类器的泛化能力.结果表明:基于决策树特征基因选择算法EFST明显地提高了支持向量机模式分类的效能,且支持向量机模式分类器具有很强的泛化能力.
-
机械通气模式分类及名词术语注释
随着重症医学的发展,机械通气正被各级医院广泛应用.为取得良好的通气效果,减少机械通气并发症,需要正确选择和调整呼吸机的通气模式和通气参数.目前应用于临床的呼吸机至少有49款,独立命名的通气模式有54种,由此衍生出来的通气参数更是无从统计[1].其中存在着“一式多名”或“同名式不同”的混乱现象,使初学者困惑,给操作者带来困难,也不利于培训和交流.为此,本文以国际上比较通用的机械通气模式分类体系[2-5]为基础来对机械通气模式和参数进行分类和解释,希望能有助于更好的理解其实质内容,而不是简单的名称辨析.
-
小波包变换特征提取与表面肌电分类
针对表面肌电(SEMG)的非平稳特性,提出采用小波包变换方法对其进行分类.分析了特征提取方法并采用小波包变换各频段能量构造特征矢量,经过学习矢量量化神经网络训练能够有效地从伸肌和屈肌采集的两道肌电信号中识别伸拳,展拳,腕内旋,腕外旋4种运动模式,平均识别率为94.5%.与其它时频分析方法比较,该方法不仅识别率高,鲁棒性好,也为其他非平稳生理信号分析提供了新手段.
-
现代信息处理技术在中医诊断中的应用研究
介绍了多元信息处理和模式分类等现代信息处理技术在中医诊断中的应用,内容包括现代信息处理相关概念、一般过程及主要分类技术.现代信息处理技术作为信息时代的核心技术,已经成为现代人类认识的强有力工具,将其应用于中医诊断,既具有传统中医理论与现代科学技术相互结合的科学意义,又具有推动中医诊断过程客观化和手段现代化的现实意义.
-
基于支持向量机研究肌肉多运动模式识别
针对传统神经网络模式识别率低、收敛速度慢等缺点,提出用支持向量机处理表面肌电信号.采用小波变换对表面肌电信号进行分析,提取小波变换系数的标准办差作为表面肌电信号特征:随后引入支持向量机对肌肉进行展拳、握拳、腕外旋、腕内旋等4种动作模式分类.实验表明,用小波变换的标准方差所提取的表面肌电信号特征作为支持向量机模式分类器的输入,用于识别动作模式,具有运行速度快,识别率高,鲁棒性好的特点.
-
基于静息态fMRI的三叉神经痛模式分类研究
目的 采用机器学习技术进行三叉神经痛患者的模式分类研究,探讨基于术前静息态功能磁共振(resting state-functional magnetic resonance imaging,rs-fMRI)数据预测患者术后疼痛及面部麻木程度的可行性.方法 采集34名三叉神经痛患者半月节射频热凝术(percutaneous radiofrequency thermocoagulation,PRT)术前的fMRI数据,并提取全脑功能连接及ReHo值,作为机器学习算法的训练数据.采集患者术后6个月的VAS评分及面部麻木程度评分,将患者分别按照疼痛及麻木程度分为轻度/中重度两类,构建支持向量机(support vector machine,SVM)分类器,用训练数据对分类器进行训练,采用留一交叉验证法检验分类器的泛化能力,采用置换检验验证分类器的可靠性.结果 SVM分类器对术后6个月疼痛程度预测的准确率为82.35％,面部麻木程度预测的准确率为73.53％.结论以三叉神经痛患者静息态全脑功能连接和局部一致性为特征数据,用于预测PRT术后疼痛缓解程度及面部麻木程度具有较高的准确度,具备操作上的可行性和一定的临床实用价值.
关键词： 三叉神经痛 静息态功能磁共振 经皮穿刺半月节射频热凝术 机器学习 模式分类 -
基于多尺度主元分析的表面肌电信号模式分类
用基于小波变换的多尺度主元分析提取表面肌电信号特征,然后用贝叶斯分类器进行模式分类.实验结果显示,当选用Harr小波和bior2.6小波对肌电信号进行5层小波分解时,该方法对前臂6种动作模式(内翻,外翻,握拳,展拳,上切和下切)的正确识别率可以达到99.44%.研究表明,该方法优于基于小波系数统计特征和主元分析降维相结合的特征提取方法,能成功识别出多种动作模式.
关键词： 表面肌电信号 基于小波变换的多尺度主元分析 主元分析 模式分类 -
胰腺内镜超声图像纹理特征提取与分类研究
提出了胰腺内镜超声图像的纹理特征提取与分类方法,可应用于胰腺癌内镜超声图像的计算机辅助诊断.对胰腺内镜超声图像采用数字图像处理算法提取9大类共69个纹理特征.使用类间距作为可分性判据,实现特征的初步筛选,之后使用顺序前进搜索着法进一步筛选特征,并由支撑向量机实现分类.对216例病例随机选取训练集和测试集,通过多次随机实验表明,本文提出的算法实现了较高的分类准确率,为胰腺癌的临床诊断提供有价值的参考意见.
-
基于支持向量机的遗忘型轻度认知障碍个体识别研究
目的：近年来多元模式分析（ multivariate pattern analysis ， MVPA）方法的出现被认为是可以对各种神经精神疾病进行自动化识别的很有前途的工具，支持向量机（ support vector machine ， SVM）则是一种广泛使用的MVPA方法。文中采用SVM分类器对遗忘型轻度认知障碍（ amnestic mild cognitive impairment ， aMCI）患者和无记忆障碍及其他相关疾病者进行MVPA研究，旨在构建具有较高判别能力的个体诊断模型，并从多变量分析的角度来解析aMCI患者的灰质损伤模式。方法采用3．0T磁共振对51例aMCI患者和68例正常对照者进行高分辨率三维T1-weighted扫描，为每个受试者计算灰质体积图谱，该图谱用于之后的判别分析。使用特征选择方法去除冗余信息后训练SVM分类器，使用留一交叉验证估计分类器的性能，后识别出有判别能力的灰质模式。结果该方法的分类准确率为83．19％，敏感性为76．47％，特异性为88．24％，接收者操作特性曲线下的面积是0．8368。对分类贡献大的灰质区域包括双侧海马旁回、双侧海马、双侧杏仁核、双侧丘脑、右侧扣带回、右侧楔前叶、左侧尾状核、左侧颞上回、左侧颞中回、左侧岛叶以及左侧眶额皮层。结论构建的分类模型对aMCI患者具有较好的识别能力，可显示aMCI患者全脑灰质萎缩情况，对临床早期诊断aMCI患者有重要意义。
-
CT三维重建对外伤性脊柱骨折的诊断价值
目的:与轴位像和二维重建像进行比较,评价CT三维重建在术前评估外伤性脊柱骨折的诊断价值.方法:搜集42个月内65例(共有85处)不同类型急性外伤性脊柱骨折(从C2至L5)患者的CT影像资料.由3位有经验的CT医师采用Magerl分类法回顾性分析二维和三维重建图像,并将读片结果与术中发现或终诊断进行比较.结果:骨折按AO分类分为56处压缩型骨折,16处分离型骨折,13处旋转型骨折.168处(56处×3人)A型骨折在轴位层面上单独分类误诊2处(占1.2%).48处(16处×3人)B型骨折CT分类误诊17处(占35.4%),39处(13处×3人)C型骨折CT分类误诊31处(占79.5%).二维重建的误诊百分比有所增加,A型骨折为7.7%(13处),B型骨折为54.2%(26处),C型骨折为69.2%(27处).三维模式分类误诊率A型骨折为1.2%(2/168),B型骨折为12.5%(6/48),C型骨折为2.6%(1/39).轴位像对诊断A型和B型骨折优于二维重建像,但在诊断C型骨折方面较差.三维重建像对B型骨折正确诊断百分比明显高于二维模式(P＜0.05).对于C型骨折,三维模式正确诊断百分比明显高于轴位像或二维重建(P＜0.001).对三维重建图像辅以虚拟切除,通过交互监测分析能有助于诊断,特别是对椎管的评价.结论:三维重建可明显改进外伤性脊柱骨折的诊断,特别是对旋转型骨折的显示和分类.不足在于伪影略有增加,影响对细节的显示.三维模式的交互监测分析和后处理被证明是有益的.
-
基于ABC-SVM的运动想象脑电信号模式分类
为了提高运动想象脑电信号分类的准确率,针对传统支持向量机(SVM)分类方法在脑电信号处理中存在寻优繁琐、工作量大和分类正确率低等问题,本研究提出一种基于人工蜂群(ABC)算法优化SVM的分类识别方法.首先利用正则化共空间模式对脑电信号进行特征提取,然后利用ABC算法优化SVM的惩罚因子和核参数,后利用提取的右手和右脚两类脑电信号样本特征对优化后的SVM进行训练和分类测试.实验结果表明ABC-SVM分类器提高了脑电信号分类的准确率,比传统的SVM分类器准确率高出2.5％,证明该算法的可行性和较高准确性.
-
BP神经网络在骨髓细胞分类中的应用
人工神经网络是人工智能的重要分支,模式分类是其主要应用之一.设计一个三层BP神经网络,利用从骨髓细胞图像提取出来的训练样本集,对其进行训练,而后进行骨髓细胞的分类,实验证明,该分类器对红系细胞和粒系细胞具有很好的分类效果.
