首页 > 文献资料
-
脑电时间效应对情绪识别模型的影响及解决措施研究
近年来,越来越多的研究者投入到基于脑电的情绪识别研究中.然而在实际应用中,建立高精确度的情绪识别模型仍面临巨大的挑战,其中一个难点就是如何剔除或降低脑电信号的时间效应,进而提高情绪识别模型的时间鲁棒性.拟通过增加情绪模型中训练样本的天数,降低时间效应对识别模型的影响.利用视频诱发被试的正性、中性、负性3种情绪状态,共9名被试参与实验,每名被试需在1个月内进行5次数据采集,每次采集的时间间隔分别是1天、3天、1周和2周.采集被试60导联的脑电信号,并提取6个频段的功率谱特征.在模式识别阶段,分类器的训练样本分别来自N天的样本(N=1,2,3,4),剩余(5-N)天的数据则作为测试样本,得到不同训练天数下的分类正确率.结果表明:脑电时间效应的确会影响情绪识别的正确率,当训练集与测试集中的样本来源于不同的两天时,识别率显著下降(P＜0.01);随着训练集样本天数的增加,正确率提高,正确率与训练样本的天数呈正相关;当训练集中样本来源于2～4天时,相比于1天的情况,平均正确率的提高率分别为6.45％ (P =0.006)、10.48％ (P=0.000)、14.40％ (P =0.000),即增加训练集中样本的来源天数,能显著降低时间效应对分类效果的影响.结果证实,脑电时间效应能显著降低情绪识别模型的识别正确率,增加训练样本的天数可降低时间效应对识别模型的影响,并提高情绪识别模型的时间鲁棒性,从而为情绪模型从理论研究走向应用提供技术支持与研究思路.
-
基于多尺度大李雅普诺夫指数的表面肌电信号模式识别
为了提高动作表面肌电信号的识别率,提出一种将大李雅普诺夫指数和多尺度分析结合的方法.从非线性和非平稳的角度出发,引入多尺度大李雅普诺夫指数特征,并应用到人体前臂6类动作表面肌电信号的模式识别中.首先利用希尔伯特-黄变换,对原始信号进行经验模态分解,即多尺度分解；然后利用非线性时间序列分析方法,计算多尺度大李雅普诺夫指数；后将多尺度大李雅普诺夫指数作为特征向量,输入支持向量机进行识别.平均识别率达到97.5％,比利用原始信号的大李雅普诺夫指数进行识别时提高了3.9％.结果表明,利用多尺度大李雅普诺夫指数对动作表面肌电信号进行模式识别效果良好.
-
构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态
研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.
-
基于熵和支持向量机的病态嗓音识别
为了更好地分析实际短数据带噪的病态嗓音信号,利用近年来提出的样本熵、多尺度熵、模糊熵和分层熵的方法来提取嗓音的熵特征参数,并借鉴分层分解方法,提出分层多尺度熵和分层模糊熵,分别对测试集39例正常嗓音和36例病态嗓音进行支持向量机(SVM)识别.实验结果表明:三层分层熵、分层多尺度熵、分层模糊熵的识别率和稳定性均较分层前有提高.在耗时较短的情况下,提取2 000点病理嗓音数据的6种熵特征都能达到较好且较稳定的识别率.提取2 000点病理嗓音数据的三层分层模糊熵特征,能得到较好且较稳定的SVM识别率97.33％,较分层前的模糊熵特征识别率提高约4.00％.熵分析方法可推进病态嗓音研究向临床的应用,为临床分析诊断实时、短数据的带噪病理嗓音提供一定的参考.
-
基于AR模型和支持向量机的急性低血压预测
ICU中,急性低血压的发生严重威胁着患者的生命安全,临床上对其预测性判断主要依靠医生经验.为实现急性低血压预测,利用PhsioNet的MIMIC Ⅱ数据库ICU监护中的患者临床记录,对发生与未发生急性低血压两者间的平均动脉压信号进行AR模型的功率谱估计,运用医学信息学理论,选取功率谱幅度的中位数、平均值、大值、标准偏差和极差用于支持向量机分类预测器的学习和训练,建立分类预测模型.预测模型对测试集进行分类预测,得到预测正确率为87.5%,表明相对于直接提取患者平均动脉压信号的统计特征参数作为预测特征,本方法具有更好的预测效果,有利于实现急性低血压提前预测.
-
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.
-
基于极限学习机的跌倒检测分类识别研究
由于年龄和身体条件的限制,在老年人群中跌倒是非常普遍的现象.因此,根据老年人跌倒的运动特征,远程监测他们在各个时间段的状态,以便在其摔倒或突发状况时及时采取措施显得尤为重要.针对人体运动状态进行监测,分析人体运动学特征,提出基于极限学习机的跌倒检测算法.运用三维加速度传感器采集人体的三维加速度值,建立跌倒检测特征模型.在此基础上,建立基于极限学习机的跌倒检测分类器,完成对老年人的计算机辅助跌倒检测.实验数据共540例样本,选用了不同数量的训练集和测试集,其中440例作为训练数据,其余100例为测试数据.测试结果表明,准确率为93％,敏感度为87.5％,特异性为91.7％,具有良好的分类性能.在对分类训练的运行时间方面,基于极限学习机的跌倒检测方法与传统的机器学习方法相比具有明显优势.
-
抑郁症的客观判别:基于光学脑成像的静息态功能性连接检测和分析
近年来,基于功能性近红外光谱的静息态功能性连接逐渐用于精神疾病的研究.然而,由功能性近红外光谱得到的静息态功能性连接是否可以用于抑郁症的客观判别仍然是一个未知数.采用42通道的功能性近红外光谱技术,测量28个抑郁症患者和30个健康对照组的8 min前额皮层的自发血液动力活动.在独立成分分析和0.008～0.09 Hz的带通滤波器滤除不相关的成分后,计算前额皮层3个区域(额下回、额中回和额上回)左右半球连接性.然后,选择其中两个有显著性差异的参数作为样本的两个特征维度,并采用线性判别分析和支持向量机对随机抽取的75％样本进行训练,并对剩余的25％样本进行预测.终均获得73％～74％的预测正确率和83％ ～87％的辨别率.这个结果支持由功能性近红外光谱技术得到的大脑静息态功能性连接在客观辨别抑郁症患者的可行性和有效性.
-
针对个体差异的心理压力评估
慢性心理压力会带来一系列的病理、生理风险,直接影响健康.有效地评估心理压力,一直是心理压力研究中的热点问题.在心理压力评估过程中,个体差异是影响评估效果的关键.本研究针对评估心理压力/非压力反应中个体差异问题,以表面肌电信号作为评估参数,以高校即将毕业的学生人群为对象,提出了一种改进的支持向量机心理压力评估算法.算法通过对样本聚类,并将聚类信息赋予支持向量机的损失函数,实现训练样本的筛选,针对筛选后出现两类样本不平衡问题,为损失函数赋予权重来降低分类器的预测倾向性,减少训练模型的误差,补偿不平衡样本数据所造成的影响.心理压力评估分类正确率由改进前的70.34％,提高到79.31％,算法运行时间由改进前的2026.5 s减少到541.3 s.结果表明,该算法可以有效地解决个体差异对于心理压力评估效果的影响,同时降低了分类器的计算复杂度,为心理压力评估中个体差异研究提供一种可行的方案.
-
一种电阻抗频谱法自动诊断乳腺组织疾病优化算法研究
乳腺组织疾病早期诊断具有十分重要的意义,基于电阻抗频谱法进行乳腺组织疾病早期诊断是近年来发展起来的乳腺临床检查技术,具有成本低、无损害、无创伤等优势.本研究采用电阻抗频谱法测量的64位妇女,106个乳腺样本的电阻抗特性数据,基于神经网络与支持向量机实现乳腺组织疾病的早期自动诊断.针对传统神经网络的过拟合问题,网络初始参数如何确定问题,以及支持向量机(SVM)分类器的惩罚因子C与核函数g如何有效确定问题,采用遗传算法全局寻优的方式,按适者生存的原则,进行参数的选择、交叉、变异,直到收敛到适应环境的“染色体”上,即得到问题的优解,从而实现网络权值与阈值以及SVM惩罚因子与核函数的参数寻优.改进后的算法诊断识别率分别由优化前的61.92％和51.92％,提高到优化后的76.15％和68.08％,为乳腺组织疾病的早期自动诊断提供了一种有效的参考方法.
关键词： 乳腺组织疾病自动诊断 电阻抗频谱法 遗传算法 支持向量机 BP神经网络 -
基于支持向量机的轻度认知功能障碍诊断方法
轻度认知功能障碍(MCI)是正常老化向痴呆转变的过渡阶段,目前被认为是老年痴呆症(AD)的一种先期征兆,其相关研究对于AD的早期诊断与干预具有重要意义.MCI的诊断一般通过认知和记忆的测查进行,各项指标均为正常或MCI状态时可直接确诊,如果不一致则需医生依据经验进一步判断.本研究从已确诊的被试中训练得出支持向量机分类模型,然后对需要医生诊断的被试做预测,实验表明,以医生的诊断为准,预测的符合率高可达85.7%,有助于MCI的计算机辅助诊断.
-
基于改进支持向量机方法的蛋白质相互作用预测
蛋白质与蛋白质相互作用研究是蛋白质组学的重要研究内容之一.本研究采用支持向量机学习方法,将氨基酸物理化学特性和序列信息方法相结合构建支持向量,选取DIP数据库中的酵母表达蛋白序列进行蛋白质相互作用预测.在34 000对酵母表达蛋白实验数据中,预测准确率达到83.72%,而单独运用基于氨基酸物理化学特性的方法和基于序列信息的方法预测准确率分别为75.86%和79.63%.在提高预测准确率的同时通过引入离散信息度量函数(FDOD)减少支持向量的维数,使支持向量学习时间缩短,提高相互作用预测的速度.
关键词： 蛋白质-蛋白质相互作用 支持向量机 离散信息度量函数 -
基因功能预测问题中的样本不平衡处理
应用机器学习进行分类是基因功能预测的一种重要手段.但是许多预测集中的阳性样本过少,会降低功能预测的效果.针对此问题,本研究对结合支持向量机(SVM)算法的几种常用非平衡数据分类方法进行实验比较,包括投票整合分类器和移动分类面等.在此基础上提出通过加权修正投票的整合策略,以提高预测效果.实验结果显示,结合多数类样本限数取样及整合思想的投票整合法预测效果优于移动分类面法,而在投票整合法基础上的加权修正整合方法在所有方法中获得更好更稳定的结果.
-
基于多参数模型结合的步态特征提取新方法
为弥补单一模型识别能力的不足,削弱因步速、衣着、光照等变化的影响,提出小波分解(WD)、不变矩(IM)并结合骨架理论(ST)提取步态特征参数的新方法.其技术流程为:先分割出人体目标轮廓,并将其规格化叠加处理,获取步态特征图;再将小波分解与不变矩结合,提取含人体整体模型信息的矩参数;同时将步态特征图骨架化,提取含人体简化模型信息的骨架特征参数;后将矩参数与骨架参数作为识别参量,输入支持向量机(SVM)进行步态识别.使用自建的天津大学红外步态数据库(TIGD)进行试验,其正确识别率为84%～92%.表明多参数模型相结合的方法有利于提取步态的本质结构特征.
-
心率变异性时频分析参数用于心电图ST段偏移时段的判别
利用ST段偏移时心率变异性(HRV)存在的变化,探讨区分ST偏移时段和正常时段,进而区分缺血或单纯心率改变引起ST段偏移的可行性.从Long-term ST-T(LTST)数据库免费下载的心电信号数据中,选取25个记录中缺血引起ST段偏移时段(105段)和单纯心率变化引起ST段偏移时段(43段),以及所选时段前后各5min作为对照时段.选用平滑伪Wigner-Ville分布(SPWVD),计算不同时域段和频域段的心率变异性(HRV)分析参数.利用Fisher线性判别和支持向量机进行判别分析,并采用留一法检验分类判别的正确率.对于Fisher线性判别,ST段偏移时段判别的正确率随时段持续时间的延长而减小,而不同诱因区分的正确率却较高(不低于89.7%).支持向量机法对上述各种检测和分类判别的正确率均为100%.研究结果为从非形态学的角度检测ST段偏移时段的存在和产生原因的判别,提高心肌缺血判别的准确性,提供了有参考价值的信息.
-
基于SVM-RFE-SFS的基因选择方法
基因微阵列数据通常包含大量与肿瘤分类无关的数据,会严重降低肿瘤诊断的准确率;基因微阵列数据还存在小样本、高维度的问题,也增加了肿瘤诊断的难度,所以必须对其进行基因选择.提出一种新的基于支持向量机(SVM)、联合递归特征去除 (RFE)和序列前向选择 (SFS) 的基因选择方法.首先利用SVM计算每个基因的排序准则分数,再利用排序准则分数的一阶差分把基因划分为若干小组;对排序准则分数值小的基因小组进行递归特征去除,消去噪声基因,同时对排序准则分数值大的基因小组进行序列前向选择,选取有效信息基因.对白血病、结肠癌、乳腺癌基因微阵列数据的实验结果表明,所提出的方法运行效率高、分类性能好.
-
病态噪声识别特征参数的优化选择
为提高病态嗓声识别效率,本研究首次采用主分量分析方法对目前常用的27个噪声特征参数进行了优化分析,考察了仅用少数主分量参数的识别效果及其分量数对结果的影响;同时根据参数对病态噪声信息敏感程度,使用正交试验法优选出9个较优特征参数,其识别率即可达到原27个参数的识别结果.经两种方法对参数进行优选后识别率分别达到97.23%和98.10%,显著高于未经优选、使用全部27个参数的92.10%识别率.研究结果表明:原27个参数中,2/3的参数不能很好地反映嗓声的病态变化特征,使用优选的含有大量病态嗓声信息的少量特征参数即可大幅提高病态嗓声识别效率.
-
基于支持向量回归方法的蛋白残基可溶性预测
介绍了一种从蛋白质序列预测残基相对可溶性的新方法.该方法基于支持向量回归,并将序列局部信息作为输入.不同于先前的大部分预测方法仅对特定的蛋白残基相对可溶性进行状态分类,该方法预测了相对可溶性的连续值,从而比状态分类保留了蛋白质三维结构的更多信息.本研究对RS-126,Manesh-215和CB-513三个数据集进行了测试,通过比较不同的参数及窗宽模型来获得佳结果,采用平均绝对误差、相关系数等参数来衡量预测效果,同时与多层反馈神经网络方法(RVP-Net)的实验结果比较,在3-fold情况下三个数据集预测结果的平均绝对误差均有降低,相关系数均有提高.另外,该算法采用了多序列比对作为输入,效果比单序列有所提高.采用该方法,对CB-513数据集平均绝对误差可以达到16.8%、相关系数为0.562,而用RVP-Net方法分别为18.8%和0.480.这些结论表明支持向量回归方法是蛋白质序列分析的一种有效工具.
-
基于P300电位的脑机接口系统中参数优化问题的研究
基于P300电位的脑机接口是脑机接口系统研究中的重要范式之一.本研究探讨双极导联选择、滤波器设计和特征窗长度这三者中,参数选择对分类正确率的影响.使用的数据为6名受试者进行12选择Oddball范式的实验数据,数据分类采用支持向量机.结果表明,通过导联优选,对不同的受试者进行定制,可以有效提高分类正确率.滤波器频带对分类正确率有一定影响,但是滤波器阶次对结果影响不大.随着特征窗长度的增加,分类正确率也会提高,因此使用较长特征窗有助于提高分类正确率.本研究结果推荐的数据处理过程为:通过导联优选为每位受试者定制优的双极导联;滤波过程使用0.5～16 Hz,阶次为20的FIR滤波器,然后把数据降采样为32 Hz;特征窗提取时可选择刺激后0～600 ms的数据.
-
一种基于特征优化算法的磁共振脑组织分割方法
结合独立分量分析与支持向量机,提出一种基于特征优化算法的磁共振脑组织分割方法.首先,从图像中提取出灰度和纹理特征构成原始特征集;然后,利用独立分量分析技术对所提取的原始图像特征进行优化处理,提取其中的独立分量构成特征子集;后,把训练样本与待分类样本都映射到特征子集所张成的独立空间中,利用特征子集对支持向量机分类器进行训练并对脑组织进行分类.实验结果表明,采用本研究的分割方法可以获得比其他相关方法更好的脑组织分割结果.
