首页 > 文献资料
-
利用人工神经网络自动检测癫痫样放电的研究
根据对人工神经网络(Artificial Neural Network, ANN)识别脑电图(EEG)的网络输出峰值分布曲线的分析,建立了一套利用ANN自动检测癫痫样放电(Epileptiform Discharges, ED)的算法,即由计算机自动挑选ED模式,提取特征参数对网络进行训练,计算阈值,然后用训练好的网络和阈值对EEG进行识别.通过对典型的三种类型的癫痫患者的ED进行全自动识别,其平均识别率为90.9%,平均假阳性率为15.7%.
关键词： 癫痫样放电(ED) 人工神经网络(ANN) 自动检测 脑电图(EEG) -
基于人工神经网络数据挖掘技术构建浸润性膀胱癌预后模型研究
目的：运用人工神经网络数据挖掘技术分析与浸润性膀胱癌患者预后有关的各种因素建立预测浸润性膀胱癌患者5年生存状态的预后模型，并与传统的Logistic回归分析比较评价其效果。方法收集从2006年1月至2009年12月在我院接受诊治的134例浸润性膀胱癌患者的资料。所采用数据挖掘技术为人工神经网络（ANN）。将所有病例分为两组：一组作为训练样本，不参与数据挖掘过程，共计27例；一组用于筛选变量及建立预测模型，参与数据挖掘过程共计107例。应用Logistic回归模型的相关评价指标来比较两种方法对于评价预后模型的准确度。结果 T分期、肿瘤直径、是否有淋巴结转移、肿瘤单发及多发、手术方式、病理分级，6项指标均与浸润性膀胱癌患者的5生存状态相关（P＜0．05）。ANN模型预测患者5年生存状态的准确率为85．18％、敏感度为57．14％和特异度为95．00％，Logistic回归模型的相关评价指标，准确率77．78％、敏感度44．44％、特异度94．44％。神经网络各项指标均优于Logistic回归模型。结论数据挖掘技术可从与浸润性膀胱癌患者预后相关的大量信息中挖掘出有意义的指标，并利用这些指标建立预测模型来判断患者5年后的生存状态。
关键词： 数据挖掘 人工神经网络(ANN) 浸润性膀胱癌 预后模型 -
基于SVM的烧伤瘢痕增生程度分类方法研究
介绍一种基于支持矢量机(SVM)分类器进行瘢痕组织色度分析,进而判断其增生程度的方法.其技术流程为:先用数码相机获取烧伤瘢痕图像,再通过人工神经网络(ANN)进行色度校正,后运用支持矢量机(SVM)进行瘢痕色度分析及增生程度分类.经临床烧伤实例评价,证明上述方法行之有效.
关键词： 瘢痕 色度校正 色度分析 人工神经网络(ANN) 支持矢量机(SVM) -
人工神经网络在心拍分类中的应用
回顾了国内外近年来用于心拍分类的各种人工神经网络模型,并指出人工神经网络应用于心拍分类上存在的一些主要问题.
关键词： 人工神经网络(ANN) 心律失常 心拍 模式识别 -
非线性脑电分析技术及其临床应用
传统的脑电信号分析方法有频域(frequency domain)和时域(time domain)分析两大类.频域分析是把幅度随时间变化的脑电波变换为脑电功率随频率变化的谱图;时域分析主要是分析脑电图(EEG)波形的几何性质,如幅值、波形的持续时间等.
