首页 > 文献资料
-
基于支持向量机的乳腺病变检测
目的:利用支持向量机(SVM)对乳腺X光片图像中的病变区域进行检测和分类,识别出含钙化点区域和肿瘤区域.方法:在对目标区域加特定方形窗处理后,提取直接参数、灰度共生矩阵参数和频域参数,分别作为SVM分类器的输入进行训练和测试,并与3种参数同时输入的结果进行比较.结果:单独使用直接参数,频域参数和灰度共生矩阵参数的分类结果分别是92.28%、90.35%和91.12%,而3种参数结合的结果是99.23%.结论:所提取的3种参数可以较好地反映含钙化点区域、肿瘤区域和正常区域的特征,使用SVM分类器进行分类后取得了很好的效果,基本上可以准确识别出3种区域.
-
一种新的Chi2算法在乳腺肿瘤诊断中的应用
目的:结合面向医学领域的数据挖掘技术,对乳腺肿瘤诊断方法进行优化.方法:提出连续特征离散化的NewChi2算法,通过均匀选取类样本的支持向量机(T-SVM)分类方法,对乳腺肿瘤的数据信息进行数据离散化预处理.结果:在乳腺肿瘤诊断中采用该方法,分类预测率达到99.27％,取得了高于传统支持向量机分类器的分类学习精度.结论:采用的方法简化了信息系统,利用T-SVM对预处理后的数据进行分类和测试,可以更准确地识别出肿瘤是良性还是恶性.
-
小波包分解脑电复杂性特征提取的注意状态实时识别
目的:神经反馈法矫治注意缺陷障碍症近来引起较多关注,而注意状态的实时识别是神经反馈治疗法的关键该研究旨在提出一种注意状态实时识别新方法 方法:将单通道脑电进行小波包分解,得到不同频率分量的脑电节律波,计算这些节律的近似熵并作为支持向量机输入特征向量,向量机的输出可以较为准确地给出受试者实时的注意状态;基于该项技术设计一种注意缺陷障碍症神经反馈治疗装置结果:该方法对注意任务相关脑电信号分类的正确率可达72.5％,特异性为71.4％,敏感性为73.7％;据此完成的反馈治疗装置的有效性也在初步临床验证中得到证实 结论:将小波包分解、脑电复杂性分析与神经网络相结合的技术是一种有效的注意状态实时识别新方法.
-
知识发现技术在医院中的应用研究
知识发现技术在医院中有着广泛的应用前景,特别是在医院信息系统以及临床辅助、检测、诊断方面得到广泛关注,有关的研究成果已在医疗诊治得到应用.从人工神经网络、模糊系统进化计算、粗糙集理论、决策树、支持向量机等方面对此进行讨论.
-
机器学习算法在医疗领域中的应用
阐述了机器学习的定义及分类,介绍了决策树、贝叶斯网络、人工神经网络、支持向量机、深度学习等经典算法,重点分析了机器学习在疾病预测、疾病辅助诊断、疾病预后评估、新药研发、健康管理、医学图像识别等医疗领域的应用情况,指出了机器学习在医疗领域的应用还可拓展到病案推理、药物警戒等方面,对于进一步提升整个医疗行业的发展意义重大.
-
基于视觉采用词袋模型的移动机器人地形分类算法设计
目的:针对野外场景存在多种地形的情况,设计视觉地形分类算法,正确感知所处地形,辅助移动机器人制定合适的运动策略.方法:使用词袋模型和支持向量机构建地形分类算法.词袋模型包括特征提取、码本生成和码本编码.词袋模型输出地形图像的中层特征,特征输入到支持向量机中得到地形分类结果.结果:使用四足机器人平台分别在瓷砖、沥青、沙地和草地环境中进行视觉地形分类实验,实验结果良好,分类平均准确率保持在90％以上;对草地识别性能好,达到97.54％.结论:该方法能有效准确区分各类地形,准确率高、稳定性好,是一种简单有效的地形分类算法.
-
基于支持向量机的5种大黄苷元治疗脑缺血的配伍研究
目的 筛选大黄中5种能够治疗脑缺血的大黄苷元(芦荟大黄素、大黄酸、大黄素、大黄酚、大黄素甲醚)的佳配伍.方法 采用均匀设计法将大鼠分为14组,每组15只.采用线栓法制备大鼠大脑中动脉闭塞(MCAO)模型,以神经功能症状评分、脑梗死面积为指标,探讨不同配伍的大黄苷元对脑缺血大鼠的影响,同时基于支持向量机(SVM)建立大黄苷元药效预测模型.结果 经SVM回归分析,得到大黄苷元优配伍为芦荟大黄素6.653 4 mg/kg、大黄酸26.000 8 mg/kg、大黄素11.004 2 mg/kg、大黄酚3.841 4 mg/kg和大黄素甲醚3.862 0 mg/kg.结论 不同配比的大黄苷元能有效改善大鼠脑缺血的各个指标,采用均匀设计结合SVM的模拟预测方法优选出了5种大黄苷元组分的佳配比.
-
基于支持向量机的黄连饮片产地识别研究
目的 建立基于支持向量机的黄连饮片产地区分识别模型.方法 采集4个产地多批黄连样本,量化外部特征值(包括形状、气味、味道等),并按《中国药典》2010年版方法测定内部特征值(包括水分、总灰分、醇浸出物,指标成分表小檗碱、黄连碱、巴马汀、小檗碱质量分数),在Matlab 7.0平台进行数据降维和融合,建立黄连产地区分模型.结果 单独分析各项数据不能较好区分各产地黄连饮片,而采用支持向量机建模后所有特征叠加识别率达到97.1％,能准确区分各黄连饮片产地,内外特征的高识别率说明各特征子集间具有一定的互补性,可综合辨识不同产地黄连饮片的差异性.结论 建立的基于支持向量机的识别模型,实现产地的区分,为黄连产地区分提供研究思路和基础.
-
化学模式识别方法在中药质量控制研究中的应用进展
化学计量学是以计算机和近代计算技术为基础的一门新兴交叉学科,在中药鉴别、定性表征、质量控制、组效关系等研究中均具有广泛应用,尤其在中药的质量控制与评价研究中具有重要意义.综述近年来化学计量学中化学模式识别方法,包括2种无监督模式识别方法(聚类分析、主成分分析)和4种有监督模式识别方法(簇类独立软模式法、偏小二乘法判别分析、支持向量机、人工神经网络),并从产地、基原、炮制、真伪等多个方面总结了化学模式识别方法在中药质量控制研究中的应用.
-
支持向量机与中药研究
近年来越来越多的人工智能技术开始在中药研究领域得到应用并取得令人鼓舞的成果.支持向量机是近十余年发展起来的人工智能技术.包含了大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术,它的出现弥补了以往技术的不足并表现出很强的发展与应用潜力.中药现代化研究完全可以借助支持向量机的研究成果开创一片新的天地.尽管如此,支持向量机在中药研究领域的应用仍然不多见,一方面可能与支持向量机理论正处在发展上升的阶段有关,另一方面则可能是由于该项技术在中药研究的这片处女地上埋藏着巨大应用潜力.尚未引起人们的足够重视.总结近年来支持向量机在中药研究领域应用的基础上.讨论目前存在的问题,展望未来的发展趋势,探讨可能的应用方向.并以此激励更多的研究力量参与其中.
-
多重支持向量机递归特征消除模型在癌症特征基因筛选中的应用
目的 使用多重支持向量机递归特征消除算法(MSVM-RFE)对癌症的基因表达谱数据进行分析并计算基因排序分数,得到优特征基因子集.方法 从高通量基因表达数据库下载膀胱癌、乳腺癌、结肠癌和肺癌的基因表达谱数据并通过差异表达分析得到差异表达基因.对差异表达基因进行基于MSVM-RFE算法的特征基因排序并计算每种基因子集的平均测试误差,进而根据小平均测试误差得到优基因子集.基于4种癌症特征基因筛选前后的数据集,分别构建线性SVM并验证优特征基因子集的分类效能.结果 使用MSVM-RFE算法得到的优特征基因子集,可使膀胱癌的分类准确率从(96.77±1.28)％提高至(99.85±0.46)％,使乳腺癌的分类准确率从(83.77±4.93)％提高至(88.30±3.85)％,肺癌的分类准确率从(72.69±2.41)％提高至(90.21±3.31)％,使结肠癌的分类准确率维持在较高的程度(>99.5％).结论 基于MSVM-RFE算法的特征基因提取可在一定程度上提高癌症的分类效能.
-
基于自适应神经模糊推理系统的呼吸预测算法研究
目的 研究一种对非规则呼吸运动更精确的预测算法,更有效地补偿放疗系统的时间延迟,提高胸腹部肿瘤图像引导跟踪或门控放射治疗的靶点精度.方法 提出了一种基于自适应神经模糊推理系统(ANFIS)的对非规则呼吸运动的预测算法.该ANFIS模型结构利用呼吸运动的位置和速度作为输入参数,构造一个结合位置和速度的N×N模糊集,并通过历史数据建立训练集.在预测过程中,如新输入信号的位置或速度超出当前训练集的幅度范围,则对位置或速度进行相应的幅度调整,然后作为ANFIS模型的输入参数进行预测.本研究采集了20例CyberKnife治疗的胸腹部患者的非规则呼吸临床数据,通过回顾性离线分析,对ANFIS、神经网络(NN)、支持向量机(SVM)、CyberKnife系统的Synchrony呼吸同步追踪系统这4种典型预测算法精度进行对照比较.结果 比较4种预测算法对20例患者数据的结果,证实笔者提出的ANFIS算法预测结果的归一化均方根误差(nRMSE)、大误差(Max)、大于1 mm误差个数均小于NN、SVM和Synchrony.结论 ANFIS预测算法的精确性和鲁棒性均优于其他3种算法,能更好地预测非规则呼吸信号.
关键词： 呼吸预测 自适应神经模糊推理系统 神经网络 支持向量机 射波刀 -
基于小波变换和支持向量机的急性低血压预测方法研究
ICU中,急性低血压的发生可能引起严重的后果,甚至威胁患者的生命安全,临床上主要依靠医生的经验进行预见性判断.为了实现急性低血压发生的自动检测和提前预报,本文运用医学信息学理论,对发生与未发生急性低血压两者间平均动脉压信号进行小波多尺度分解,并选取各层小波系数的统计特征参数中位数和大值,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,预测准确率达90%.实验结果表明,该方法可以为ICU监护中急性低血压发生的提前预测和提前干预提供技术支撑,具有重要的临床应用价值.
-
基于支持向量机与随机游走结合的GGO型肺结节分割方法
目的:为了提高磨玻璃型肺结节(GGO型肺结节)的分割精度,提出一种基于支持向量机与随机游走相结合的分割方法.方法:利用已手动分割的GGO型肺结节训练支持向量机.由训练后的分类模型在待分割的GGO型肺结节图像中选择种子点,然后利用随机游走算法根据支持向量机选取的种子点进行GGO型肺结节图像分割.结果:该研究纳入150个待分割GGO型结节图像,上述分割算法的平均准确率为98.05％、平均召回率为96.35％和平均F1值为98.05％.与传统方法相比,本方法实现了GGO型肺结节的精确自动化分割,对GGO型肺结节定量、定性分析提供更加准确的客观依据.结论:该方法利用支持向量机选取种子点,并利用随机游走进行结节分割可以有效地对GGO型肺结节进行分割,具有简单高效,准确率高的优点.
-
基于中西医多模态信息的放射性肺损伤早期预测模型
目的：基于中西医多模态信息并应用支持向量机技术(SVM)构建关于≥2级放射性肺损伤(RILI)早期预测模型。方法2013年1月—2015年7月,共纳入接受放疗的肺癌患者191例,收集放疗前中医证候情况,放疗剂量学资料及其他一般临床信息。根据 NCI-CTC 3.0标准评价 RILI 级别,将放疗结束后发生≥2级 RILI 与否作为分类标签,随机选取119例病例作为建模组,剩余72例作为测试组。在 SVM模型训练中,应用 PCA 法对于维度特征进行了降维处理,并应用交叉验证方法进行参数寻优,确立佳参数,建立模型后通过验证集进行验证评价。结果在测试集建模中,5折交叉验证方法参数寻优确立了佳参数,其中惩罚参数 c 为21.112,核函数参数 g 为0.009,初步建立模型,并通过验证集进行验证,验证结果示该 SVM 模型具有较强的预测效力,其敏感性为70.0%,特异性为75.2%,正确率73.8%,准确率为50.0%,F 值为62.7%,AUC 值0.72。结论基于 SVM 技术构建早期预测≥2级 RILI 具有一定的敏感性和特异性,提示该模型值得进一步验证并应用。
-
基于显微CT多分形谱特征和支持向量机的骨质疏松诊断
骨质疏松症是以骨量减少、骨微观结构退化为特征,致使骨的脆性增加以及易发生骨折的一种代谢性骨病.一直以来,骨密度被认为是骨质疏松症诊断的临床标准和骨质疏松性骨折的主要预测因子.近研究发现,低骨量只是骨质疏松的危险因素之一,除骨量外,骨小梁的微结构变化对骨强度起着至关重要的作用[1-2].因此,对于骨小梁微结构的深入研究成为解决骨质疏松问题的关键[3].
-
基于经验模态分解的我国布鲁菌病月发病率预测研究
目的 根据我国布鲁菌病(简称布病)月发病率的波动特征,采用经验模态分解(EMD)和时间序列分析,构建布病月发病率预测模型,并预测2017年我国布病月发病率.方法 从公共卫生科学数据中心和国家卫生计生委疾病预防控制局网站,收集并计算2004年1月—2016年12月我国布病月发病率.选取2004年1月—2015年12月的数据作为训练集建模,2016年1—12月的数据作为测试集验证模型.通过EMD算法将发病率序列分解为本征模态函数(IMF)1~IMF4和趋势项,对IMF1~IMF4建立支持向量机(SVM)模型,对趋势项建立自回归移动平均模型(ARIMA)疏系数模型,后将5个模型的输出值进行线性加权求和,得出布病月发病率预测值.结果 SVM模型的惩罚参数c的取值范围是0.0884~100.0000,核函数参数g的取值范围是0.0100~128.0000;ARIMA((1,12,24),1,0)模型中,常数项及滞后1、12、24阶的自回归系数分别为0.002003、1.087788、-0.145494、0.028783.本文方法预测2016年1—11月布病发病率的均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)分别为0.0201、0.0169、0.0665,序列未分解单一SVM模型预测2016年1—11月布病发病率的RMSE、MAE、MAPE分别为0.0722、0.0560、0.1975,序列未分解单一ARIMA模型预测2016年1—11月布病发病率的RMSE、MAE、MAPE分别为0.1650、0.1562、0.6100.根据本文方法计算得出2017年1—12月布病发病率预测值为0.2870/10万人~0.3726/10万人.结论 本研究根据相关发病率数据构建了基+于EMD和时间序列分析的我国布病月发病率预测模型,其预测误差较小,预测准确度较高;2017年我国布病月发病率预测值约为0.35/10万人.
-
支持向量机模型在脑出血早期预后判断中的应用
目的 通过应用支持向量机模型预测脑出血患者早期预后转归. 方法 收集自发性脑出血患者310例,随访观察1个月的临床转归情况.将入组患者按时间顺序以3∶1的比例分为数据训练组和验证组,训练组作为训练样本,用于筛选变量和建立预测模型,计232例;验证组作为验证样本,用于评价模型预测效果,计78例. 结果 通过支持向量机模型对78例脑出血患者的预测判别验证,支持向量机的预测准确度76.9％,敏感度77.3％,95％可信区间54.6％-92.2％,特异度76.8％,95％可信区间63.6％-87.0％. 结论 采用支持向量机模型能较好地判断自发脑出血患者早期预后.
-
中药指纹图谱识别的机器学习算法研究
研究中药指纹图谱的模式识别问题,首先要通过提取图谱特征参数建立不同批类中药样本的映射关系模型,再根据智能模式分类方法,对待识别药材样本的质量、真伪、药物性状等特征进行判别.本文对机器学习算法进行了深入的研究,对其中有代表性的人工神经网络与支持向量机等方法进行了分析,与常见的聚类分析法和近邻法进行了比较,并指出各自的优点和不足.
-
BPNN与SVM在医院管理综合评价中的应用
目的 探讨医院管理多指标综合评价两种机器学习方法,并比较性能.方法 主成分分析与因子分析,BPNN.SVM.结果 资料中17所医院指标数据以及用主成分法所得综合得分组成训练样本,第18所医院作为待评价样本.当用35维原始指标输入训练和仿真网络时,低样本容量和高维网络结构导致评价结果较差;经主成分法指标降维后11维网络输入后改善评价结果.采用基于统计学习的SVM方法进行实验并作交叉检验,评价好而且稳定;改进后11维模型输入时结果更优.结论 SVM对高维小样本评价问题有优良非线性泛化能力.
