首页 > 文献资料
-
一种新特征评价方法在红斑鳞状皮肤病诊断中的应用
针对改进F-score特征评价准则没有考虑特征测量量纲对特征重要性的影响,提出一种新的特征重要性评价准则D-score,避免不同特征测量量纲的影响,衡量样本特征在两类或多类之间的辨别能力.将D-score分别与前向顺序搜索、前向顺序浮动搜索两种搜索策略结合,以支持向量机的分类准确率评估所选特征子集的有效性,结合Filter和Wrapper特征选择方法的优势进行特征选择,得到两种混合特征选择方法.将该方法应用于红斑鳞状皮肤病诊断研究,并与基于改进F-score的混合特征选择方法进行了实验对比.十折交叉验证实验结果显示:在红斑鳞状皮肤病诊断研究中,D-score特征评价准则优于改进的F-score准则,基于D-score和前向顺序搜索策略的诊断准确率提高1.11％；D-score结合前向顺序浮动搜索策略的低诊断准确率提高约3个百分点,平均诊断准确率提高约0.3个百分点,高诊断准确率达到100％.前向顺序浮动搜索中,D-score准则选择的共有特征是改进F-score准则所选择共有特征的子集.所提出的D-score特征重要性评价准则是一种有效的特征区分能力度量准则,在红斑鳞状皮肤病的诊断中选择出了更有分类意义的特征,提高了诊断准确性.
-
情绪相关脑电信号的特征选取与导联优化
目的 探究与情绪密切相关的脑电特征,并藉此优化少导联集合.方法 30名被试观看四类典型情绪图片(轻松、沮丧、愉悦、恐惧)并记录脑电信号.Fisher分数(F-score)算法筛选每导联脑电特征,使用支持向量机方法(SVM)分类四种情绪.结果 24名被试情绪诱发有效,四个特征组合(β频带、γ频带、信息熵、微分熵)的F-score均值作为情绪有效性评价指标,筛选出分类准确率高达81.15％的5个导联(FT7、T7、FC4、TP10、O1).结论 利用校正后的F-score算法首次筛选出脑电信号的特征组合,获得与情绪密切相关的优导联集合,极大地降低了运算时间,该结果对实现情绪的快速识别有重要价值.
-
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.
