首页 > 文献资料
-
基于小波包分解和 HMM模型的纹理分析
本文用小波包分解法 (WPD)对肝脏 B超图像的分类进行了研究,分类对象为正常肝图像和脂肪肝图像二类,这些图像分近程图像和远程图像来分别对待.用隐含马尔可夫模型 (HMM)分类.实验结果显示该法分类正确率要比多分辨分形特征法 (MFF)高,是一种潜在的分析 B超肝脏图像纹理的工具.
-
针对汉语声母发音的辅助教师系统的研究
为了帮助聋哑人士早日进行语言康复,本文以汉语声母为例设计了一个利用自动语音识别技术进行发音训练的计算机辅助语音教学系统.首先由标准语音教师进行声母录音以建立语料库,同时提取关键发音口型视频.然后提取语料的动静态特征作为训练和识别的依据.利用连续密度隐马尔可夫模型(hidden Markov model)建模,并应用嵌入式算法进行训练.后利用信令传递算法和识别网络进行识别.教师汉语声母集外识别率为96.65%,这意味着该系统可以作为汉语声母发音学习的基准系统.借助视觉反馈的发音改进对比实验证明该语音学习系统可以有效帮助聋哑人士进行语音学习.
-
自回归模型和隐马尔可夫模型在癫痫脑电识别中的应用
目的 研究自回归(autoregressive model,AR)模型和隐马尔可夫模型(hidden Markov model,HMM)在癫痫脑电(electroencephalogram,EEG)识别中的应用,以期减轻医生工作量,减少人工识别主观因素的影响.方法 使用基于联合信息准则(combined information criterion,CIC)的佳阶数AR模型对脑电信号进行特征提取,连续密度隐马尔可夫模型(continuous density hidden Markov model,CD-HMM)作为正常脑电和癫痫脑电的分类工具,对南京军区总医院的临床脑电数据(8组采样频率为512 Hz的16导正常、癫痫脑电信号)进行分析和识别.实验时对每一例样本选取T3、T4、FP1、FP2、C3、C4六个导联的数据.使用训练集中的15段样本进行HMM建模,剩下35段用作测试.结果 癫痫脑电的识别率可达90%.结论 AR模型结合HMM建模的方法对正常脑电信号和癫痫脑电的识别率较高,在脑-机接口设备的开发中有一定的应用前景.
-
基于隐马尔可夫模型的老年人跌倒行为检测方法研究
随着社会老龄化程度的加剧,老年人的安全健康监护需求日益增加.跌倒行为在老年人日常生活中比较常见,它会给老年人带来严重的身体及心理伤害.因此,跌倒检测对于保护老年人的健康及安全具有重要意义.针对跌倒的运动过程,分析人体加速度变化特征,提出基于隐马尔可夫模型(HMM)的跌倒检测方法.将人体跌倒的加速度信号提取为加速度观测序列,并以此为训练样本训练隐马尔可夫模型,建立跌倒过程的概率模型进行跌倒检测.在验证实验中,采集10名志愿者共300例样本,采用5折交叉检验方法,对模型的有效性进行验证.验证结果表明,该方法检测跌倒的准确率为98.2％,灵敏度为91.3％,特异性为99.6％,具有良好的检测效果,可实现对跌倒行为的准确检测.
-
基于随机松弛的离散HMM参数估计和信号恢复
细胞膜离子单通道信号是皮安级的跨膜随机离子电流,由于信号的微弱性,膜片钳技术记录中单通道电流往往淹没在强背景噪声中.传统上采用阈值检测器来恢复通道电流信号,这需要人为设定阈值,尤其是信噪比低时,阈值检测器失效.本研究采用隐马尔可夫模型(HMM)的通道信号恢复及参数估计技术,首先利用基于随机松弛(SR)的离散HMM参数全局优化算法,估计通道的动力学参数,确保模型训练中参数收敛到全局优.在此基础上,从噪声污染的膜片钳记录中恢复通道电流信号.理论和实验结果表明,在低信噪比情况下(SNR＜5.0),该方法用于白噪声背景下细胞膜离子单通道参数估计和信号恢复时,参数收敛速度快,信号恢复精度高,算法抗噪能力强,可以较好地描述实际对象特性.
-
面向残疾人的汉语可视语音数据库
将人机交互领域中研究的唇读技术应用于康复工程之中,设计了一个基于视觉语言的语音合成系统.该系统特别针对后天致残,丧失语音能力的人设计,采用了一种特定条件下的汉语可视语音数据库.不同于现有的数据库,该数据库的设计具有以下特点:采用了非对称唇形轮廓模型,提取了嘴唇突出度的信息;针对汉语音节的特点,增强了汉字音节中信息变化过程;兼顾未来唇读技术的发展,以音节为基本元素,具有可扩充性.采用运动检测和数学形态学的办法提取唇动图像序列中的唇形区域,并从中提取非对称唇形轮廓模型特征参数,同时通过计算部分参数对时间的差分,来获得唇形轮廓的动态信息.基于隐马尔可夫模型的学习和识别实验表明,该数据库的设计方法合理,所选的唇动特征用能够将识别效果平均提高25%.
-
应用HMM和加权距离判别法的真核基因识别程序研究
根据现代科学对基因的认识,应用了隐马尔科夫模型(HMM)的算法,以大量核酸序列为信息来源,通过计算机计算来寻找未知基因的大体位置;再通过基因的固有结构特征及密码子使用的偏向性,使用加权距离判别法来准确地定位基因,以图形及文本的形式输出,从而极大地方便了实验室的研究工作.考虑到基因的许多特征还不为人们所了解,而且不同物种之间基因结构又有一定的差异,所以还开发了程序自学习功能,不断地存储已知的基因,再据此改变一些已有固有数据,以便更好地适应和了解不同生物基因结构的特异性,更加准确地寻找未知基因的位置.
-
基于Kinect的帕金森病步态不对称性识别方法
目的 开发一种基于深度图像的非接触式帕金森病步态不对称性识别方法,以辅助医疗诊断和评估,解决穿戴型传感设备费用高、影响正常生活且检查流程复杂的问题.方法 2016年7月至8月,对帕金森病患者8例和健康人10例,采用Kinect V2.0采集行走6 m的运动数据;对左右脚参数滤波处理后分别聚类,使用相似度矩阵算法分别计算健康人和帕金森病患者相似度值;使用隐马尔科夫模型验证该方法的识别效果.结果 所有患者左右脚参数聚类序列相似度小于健康人;从患者中提取的14条数据,成功识别12条(85.71％);从健康人中提取的46条数据,成功区别35条(76.09％).结论 基于左右脚位移过程中步态参数聚类结果不对称性的非接触式识别方法,对于帕金森病患者有一定识别效果.
关键词： 帕金森病 步态对称性 Kinect 字符串相似度矩阵算法 隐马尔可夫模型 -
基于隐马尔可夫模型-径向基神经网络的表面肌电信号识别
目的:利用隐马尔可夫模型-径向基神经网络(HMM-RBFN)混合模型对7种手指动作进行辨识,探索控制HIT多自由度灵巧手的有效控制策略.方法:8例健康实验对象参加了试验,4例女性,4例男性.每例实验对象按提示完成7种手指动作,每种动作重复50次.通过表面肌电信号(sEMG)采集系统,提取实验对象前臂4块肌肉的sEMG,在对其进行预处理并提取小波变换特征向量后,分别送入HMM模型分类器及HMM-RBFN混合模型分类器进行训练.结果:HMM-RBFN混合模型识别效果和稳定性都大大优于HMM模型,验证了HMM-RBFN混合模型的有效性.结论:①HMM模型在sEMG识别中的效果没有其在语音信号识别中的好,有必要对其进行改进,以便更好的应用于sEMG的识别;②将HMM模型和神经网络组成混合分类器,可以弥补彼此的不足,获得更好的性能.
-
多状态隐Markov统计模型的基本原理及其应用
隐马尔可夫模型(hidden Markov model,HMM )是一类统计模型,经典理论于20 世纪60 年代末70年代初由L.E.Baum 等提出,20 世纪70 年代中期开始应用于语音识别领域.目前被广泛应用于基因关联分析和基因识别、图像识别、孤立词识别和目标跟踪等方面.本文对HMM 基本原理和目前应用现状进行综述,旨在为HMM 的深入探讨提供参考.
-
前列腺素E1对高血压伴糖耐量减低患者血浆P 选择素的影响
近年来,我国高血压患病率成明显上升趋势.高血压病的发病机制仍不十分明确,与年龄、食盐等不良饮食习惯、体重、遗传、环境、职业等多种因素有关.诸多研究表明[1],高血压与糖耐量减低有着密切的关系.有研究指出[2],近80%高血压患者伴有胰岛素抵抗.而在糖尿病患者中高血压患病率可达20%～40%,是非糖尿病患者的1.7 倍,所以高血压合并糖尿病已成为我国等发展中国家的常见病.
-
基于隐马尔可夫模型的智能临床路径系统的设计
以隐马尔可夫模型为理论基础,通过海量临床数据学习建立智能临床路径系统,实现临床路径识别、治疗措施推荐和临床预警功能.以医疗服务云的方式为医生提供辅助决策,提高医生工作效率,降低医疗风险,推进医疗资源共享.
-
隐马尔可夫模型的原理与实现
隐马尔可夫模型正在被愈来愈多地引入到生物医学信号的处理中.本文旨在简述它的基本原理和实现中的问题,并且用简洁的列表形式总结它的算法步骤.
-
基于MATLAB的隐马尔可夫模型预测蛋白质结构类
目的 准确预测蛋白质结构类,为研究其空间结构及生物功能打下基础.方法 应用隐马尔可夫模型(HMM)预测蛋白质结构类,分别构建3-状态HMM和8-状态HMM.数据来源于Chou和Zhou构建的蛋白质数据集,分别包含有204条蛋白质序列和498条蛋白质序列,通过留一法预测其准确率.结果 所构建的3-状态HMM和8-状态HMM对全α类的预测准确率高,尤其是3-状态HMM的预测准确率达到95％以上.与Chou数据集相比,Zhou数据集对于全β类和α/β类的预测准确率也有所提高,同时,总体预测率也提高了2％左右；但α+β类的预测准确率有所下降.结论 将整条蛋白质序列作为预测模型的输入信息所构建的HMM模型能有效地预测蛋白质的结构类.
-
基于隐马尔可夫模型对原核生物编码序列的识别
目的 探讨隐马尔可夫模型在大肠杆菌编码序列识别中的应用,为生物信息挖掘、致病位点研究提供方法参考.方法 对大肠杆菌训练集数据进行训练建模,并对测试序列进行识别,用特异度、灵敏度以及精确度三个指标进行评价.结果 利用本试验的方法识别编码序列的灵敏度为73.33％,特异度为67.78％,精确度为70.56％.结论 隐马尔可夫模型能很好地模拟离散状态间的转换,适用于识别有状态转移、线性序列的数据.
-
腭裂语音理解度评估方法研究进展
腭裂患者存在不同程度语音障碍,可致语音理解度降低,影响与人交流的能力.腭裂语音理解度评估是腭裂语音治疗的重要步骤.除主观评估方法外,腭裂语音理解度可利用语音识别方法自动评估.本文就腭裂语音理解度评估方法的研究进展作一综述.
-
隐马尔可夫模型在生物学和医学研究中的应用
马尔可夫过程(Markov process)是具马尔可夫特性即无记忆性(memorylessness)又称无后效性(non-aftereffect)的随机过程,其未来状态的条件概率仅与系统的当前状态(或此前的少数若干个历史状态)有关,而独立于其他历史状态(或该序列其他变量的状态),由俄国数学家Andrey Andreyevich Markov提出相关的统计理论而得名[1].其中,随机过程通常是指以时间为参数的随机函数,但也可广义地视为一组随参数而变化的随机变量的有限或无限集合,如以空间为参数的随机函数;若参数为离散时又称随机序列.根据时间参数是否连续、状态空间是否可列等性质,马尔可夫过程有离散时间(discrete time)和连续时间(continuous time)、有限(finite)和不可列(infinite)、一阶(first-order,其条件概率仅依赖于系统的当前状态)和高阶(high-order,其条件概率依赖于此前多个状态)、时间齐次(time-homogeneous,有静态的转换频率函数,转换频率不依赖于当前状态所处的位置)和时间非齐次(time-nonhomogeneous)、一维(uni-dimensional)和高维(multi-dimensional)等之分.自然界和人类社会中,马尔可夫过程的存在相当普遍,例如随机漫步(random walk)、醉汉行走(drunkard's walk)、莱维飞行(Lévy flight)、布朗运动(Brownian motion)、原子核中自由电子在电子层中的跳跃等都是齐次的连续时间马尔可夫过程,传染病受感染的人数、人口增长过程等也可由马尔可夫过程来模拟.其中,参数为离散、状态空间可列的马尔可夫序列称为马尔可夫链(Markov chain)[2].当马尔可夫链的状态不能被完全观测但可由受状态影响的某些观察变量推断时,称为隐马尔可夫过程,相应地,刻画其统计特征的概率模型称为隐马尔可夫模型(hidden Markov model).常用的隐马尔可夫模型是一维的,其高维的扩展包括多维的隐马尔可夫模型或马氏网格随机场(Markov mesh random field)及更广义的马尔可夫随机场(Markov random field),又称马尔可夫网络(Markov network).隐马尔可夫模型在信号处理、文字识别、通信译码、图像分析、经济学、社会学、生命科学等领域有着广泛的应用[3-6].现介绍隐马尔可夫模型在生物学和医学研究中的应用.
-
基于经验模态分解分析和隐马尔可夫模型识别的咳嗽音检测
咳嗽是众多呼吸道疾病中常见的重要病症之一,其强度和发生频率提供了极其重要的临床信息.为利用这些信息,必须把咳嗽音从其他声音例如语音、清喉音、清鼻音等中分辨出来.我们提出一种基于经验模态分解(Empirical Mode Decomposition, EMD)分析的咳嗽音检测方法.该方法通过应用EMD的自适应滤波器组特性, 提取信号的频域能量分布以统计分析咳嗽音及语音等特征,进而找到优化特征提取的方法,并利用隐马尔可夫模型(Hidden Markov model, HMM)进行咳嗽音的检测.临床数据的实验表明,该优化方法能有效提高咳嗽音检测的正确率.
-
基于心率变异分析的睡眠分期方法
利用隐马尔可夫模型(HMM)对心率变异性(HRV)进行分析,识别HRV在不同睡眠分期的模式变化,从而推算出相应的睡眠分期.在信号处理的过程中采取了一定的措施降低个体差异对分析的影响;在特征提取中还考虑了HRV中超低频分量和睡眠的关系.由于心率信号的提取对睡眠几乎没有任何干扰,因此,本文提出的睡眠分期方法可以较好地反映受试者在自然条件下真实的睡眠状况,实验证明,该方法简单可行,其睡眠分期的结果和人工分期相比的符合率可以满足很多睡眠监测场合的需要,尤其适用于健康人常年的睡眠监测.
-
隐马尔可夫模型用于蛋白质序列分析
隐马尔可夫模型(Hidden Markov model,HMM)用于蛋白质研究是生物信息学研究的新领域.目前,人们已经得到大量的蛋白质序列和结构数据,传统研究蛋白质的方法已经不再实用,生物学家已经转向能够处理大量数据的统计方法来进行研究.隐马尔可夫模型可以通过训练,识别同一特征的蛋白质序列.从SCOP数据库中选择了一个蛋白质族,由它得到了能够代表该族特征的隐马尔可夫模型,并用该模型对一些蛋白质序列进行分析.结果表明,HMM能够较好的表示同一族的蛋白质,并能够从许多蛋白质序列中识别出该族的蛋白质序列.
