首页 > 文献资料
-
轻度认知障碍及健康对照的分类研究
目的 研究轻度认知障碍(Mild Cognitive Impairment,MCI)患者脑部MR图像的三维纹理特征,利用此特征对MCI和健康对照(Normal Control,NC)进行分类识别,以探索MCI诊断的新途径.方法 分别选取MCI患者和NC的脑部MR图像各20例进行三维纹理分析,采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体的三维纹理特征.通过筛选得到组间存在显著性差异的纹理特征参量,利用BP神经网络建立识别模型,对MCI和NC进行分类识别.结果 训练集和测试集的分类识别正确率分别为95.83％和93.75％.结论 利用三维纹理特征的BP神经网络模型可以分类识别MCI和NC.
-
SVM方法在《伤寒论》方小样本分类识别中的应用
支持向量机(Support Vector Machine,SVM)方法是V.N.Vapnik等人20世纪60年代提出的基于统计学习理论的新型学习方法,到90年代中期,这一理论才开始受到越来越广泛的重视,并且这一新的理论方法在解决模式识别中小样本、非线性及高维识别问题中表现出独特的优势和良好的应用前景[1].对于SVM方法用于分类研究的高效性和准确率,国外有人已经将其与16种已有的分类方法进行了比较,得出SVM方法优的结论[2].目前该方法已在很多领域得到了广泛应用,如人脸检测[3]、文本自动分类[4]、生物信息学[5]、医疗诊断[6]等等.笔者针对<伤寒论>类方小样本分类识别问题,对该方法进行了初步实验,结果表明该方法具有较好的识别性能.
-
基于纹理分析的阿尔茨海默症及轻度认知功能障碍的分类研究
目的 利用脑MR图像中胼胝体的三维纹理特征对阿尔茨海默症患者(Alzheimer disease,AD)及轻度认知功能障碍(mild cognitive impairment,MCI)患者进行分类识别,以探索AD早期诊断新途径.方法 选取AD患者、MCI患者及健康对照者各l8例,采用灰度共生矩阵和游程长矩阵提取每位受试者胼胝体部位的三维纹理特征.通过筛选得到的纹理特征参量,利用BP神经网络建立识别模型,对AD患者、MCI患者和健康对照者进行分类识别,并对采用主成分分析、线性判别分析和非线性判别分析3种方法得到的识别结果进行比较.结果 使用神经网络模型的非线性判别分析的分类识别正确率高.结论 利用三维纹理特征的神经网络模型可分类识别早期AD患者及MCI患者.
-
基于希尔伯特-黄变换的白细胞信号分析
白细胞信号(WBS)具有脉冲形状多样和时频特性各异的特点,目前临床上用细胞信号脉冲计数的方法来分析WBS通常难以反映其所携带的丰富的生理和病理信息,并直接影响到细胞分类问题.针对这一问题,探索能自适应地分解非线性非平稳信号的希尔伯特-黄变换算法在WBC时频分析和分类中的应用效果.通过对血细胞中的WBC进行HHT变换,获取WBC的本征模态函数(IMF)分量、分量的Hilbert边际谱以及信号Hilbert谱；利用瞬时频率、瞬时幅值等进行计算提取健康人与患者的WBS平均强度、谱质心以及能量贡献率等特征作对比分析,根据其时频特征分布规律构建用于分类实验的特征向量；采用支持向量机(SVM)分类器,对58名健康人和60名患者的白细胞实验样本进行分类实验.结果表明,该方法提取的健康人和患者的WBS分量谱质心分布、平均强度值以及能量贡献率具有较好的区分度,分类正确率到达了94.83％.HHT方法能有效提取WBS特征,可辅助临床WBS的处理和分析.
-
基于卷积神经网络的外周血白细胞分类
白细胞图像的自动分类有助于提高临床诊疗效率,但仍需进一步改进方法以提高分类正确率.探索用卷积神经网络(CNN)进行外周血白细胞图像的自动分类识别.在深度学习框架Caffe上,以AlexNet和LeNet为网络原型构建CNN训练平台;用CellaVision DM96采集外周血涂片中的5类白细胞图像,经人工鉴定后按训练∶校验∶测试=7∶2∶1的比例,随机分配图像构建原始数据集,再通过平移、旋转及镜像构建扩充数据集;训练时采用随机梯度下降算法优化模型权值,以分类准确率＞95％为目标评估训练结果及优化调整网络结构.结果发现,AlexNet的训练误差无法收敛,陷入局部极小,LeNet则达到预期目标.随后对LeNet网络进行删减优化,获得一轻量高效的新结构——CCNet,其在模型大小、训练用时和分类用时上分别仅为LeNet的1/1000、1/3和1/30.两者对979张5类细胞图像的佳分类准确率分别达到99.69％和99.18％,高于目前同类研究报道.结果表明,CNN可用于5类白细胞图像的“端对端”分类识别,特别是CCNet模型兼具准确与效率优势.
-
基于卷积神经网络的P300事件相关电位分类识别
针对脑机接口系统中P300电位识别正确率不高的问题,提出一种基于改进卷积神经网络的P300事件相关电位分类识别方法.通过将传统卷积神经网络中第二个串行连接的卷积层改为3个并行连接的卷积层,可加大网络宽度,提升网络对P300信号特征提取的能力;将提取的特征经全互连层组合后,采用sigmoid函数构建P300事件相关电位分类器.针对脑机接口竞赛数据中靶刺激与非靶刺激数据量不平衡的问题,采用过抽样方式,对含有P300事件相关电位的脑电数据做部分平均来增加数据量,其训练集和测试集样本量分别为25 500和18 000.采用Adam优化方法,有监督地训练这种改进的卷积神经网络.结果表明,相比传统的卷积神经网络,该方法在实验次数大于11次时,字符识别正确率均高于95％,这对于脑机接口的应用具有重要的意义.
-
属性多层次结构关系在白细胞形态六分类技术中的应用
具有混合属性的白细胞形态是有着属性多层次结构关系的复杂系统,通过层次化表达属性、变层次利用属性,可以有效实现其六分类识别技术.在分析白细胞形态特征属性多层次结构关系基础上,获取白细胞六种类型目标的决策关系和伴生关系,设计白细胞形态属性多层次结构分类器,从而建立基于属性多层次结构关系的白细胞形态六分类识别方法.对952幅医院实际白细胞图像数据集做对比实验,取得95.98％的平均分类精度,明显高于其他3种经典算法,表明该方法具有较好的分类性能,也证明复杂系统属性多层次结构关系在图像模式识别领域具有重要的理论意义和应用价值.
-
基于LM-BP神经网络的阿奇霉素分类识别
本课题以药学实验数据为研究对象,以Matlab中的神经网络为开发工具,运用LM-BP方法对各个厂家阿奇霉素指纹图谱的特征进行分析,建立识别系统,实现对阿奇霉素样品的分类,终实现药物整体质量品质的快速鉴别.
-
基于特征融合的低倍镜下大鼠骨质疏松识别
低倍镜下纹理特征不清晰,并且相较于高倍镜更易受到方向和距离的影响.为此我们提出改进的纹理特征计算方法,结合形状分析方法,进行特征级融合以提高骨质疏松识别准确率. 通过对纹理参数在方向和距离上的分析,发现相关和短游程矩对方向非常敏感,并且距离在等于3时各参数变化趋于稳定.基于变异系数法利用相关和短游程矩计算各个方向权重系数,使用距离等于3时的纹理数据得到终纹理参数结果,融合形状参数,用线性支持向量机、K-近邻分类算法和线性判别分析方法进行分类识别. 采用加权纹理参数比常规未加权的纹理参数识别准确率高,同时融合了形状参数后识别准确率比仅用纹理参数高.线性判别分析识别率高达到了92.3%. 采用加权纹理融合形状参数的方法识别准确率显著提高,具有诊断应用价值.
-
基于多维特征和支持向量机核函数优化的自动化肺结节检测模型
为了解决特征级肺结节检测研究中的特征结构不合理和分类器性能低下两个问题,提出了一种多维特征表达与支持向量机(support vector machine,SVM)核函数优化相结合的自动化肺结节检测模型.首先提取多维特征数据量化感兴趣区域(region of interest,ROI),然后利用网格寻优算法优化SVM核函数,后基于优化的SVM分类器识别结节区域和非结节区域.仿真实验结果表明,该模型耗时短、检测正确率高,具有一定的临床应用价值.
-
基于直方图的纹理度量在超声乳腺肿瘤识别中的应用
探讨纹理特征在超声乳腺肿瘤诊断中的价值。提取超声图像中乳腺肿瘤的纹理度量，得到由均值、标准差、平滑度、三阶矩、一致性和熵组成的特征矢量，后用反向传播人工神经网络（BP）对96幅乳腺肿瘤的良恶性进行分类识别。BP 神经网络对良、恶性肿瘤的正确识别率分别为88．4％和78．6％。基于乳腺肿瘤超声图像的纹理特征建立的神经网络系统对肿瘤的良恶性具有较好的识别能力。
-
基于磁共振图像海马三维纹理特征的阿尔茨海默病及健康对照的分类研究
利用磁共振(MR)图像对阿尔茨海默病(AD)和健康对照(NC)进行分类识别,比较双侧海马在分类识别中的意义.选取AD患者和NC各25人,采用灰度共生矩阵和游程长矩阵提取每位受试者的海马部位的三维纹理特征.通过筛选得到组间存在显著差异的纹理特征参量,对主成分分析、线性判别分析和非线性判别分析3种方法得到的识别结果进行比较.利用反向传播(BP)神经网络建立识别模型,对AD和NC进行分类识别,采用相关性分析比较双侧海马纹理参数与简明智力状态检查(MMSE)评分的相关性.结果显示使用神经网络模型的非线性判别分析的分类识别正确率高,右侧海马分类识别的正确率均高于左侧.两侧海马的纹理特征与MMSE评分均具有相关性且右侧海马的相关性系数均大于左侧.利用三维纹理特征的神经网络模型可分类识别AD组和NC组,并且采用右侧海马进行分类识别可能更有利于AD的诊断.
-
基于希尔伯特-黄变换和BP神经网络的运动想象脑电研究
本文介绍了希尔伯特-黄变换(HHT)的实现过程与优点,研究基于HHT和BP神经网络的运动想象脑电(EEG)识别方法.在对运动想象EEG数据预处理后进行经验模态分解(EMD)分析得到各阶固有模态函数(IMF)分量,去除分解中的多余低频分量再作边际谱分析；选择C3、C4通道边际谱能量差作为特征,经过主成分分析降维后,联合时域的EEG复杂度作为特征向量,利用BP神经网络进行分类.对脑-计算机接口(BCI)竞赛数据进行左右手分类识别,识别率达到87.14％,取得了较理想的结果,证明了HHT对运动想象EEG处理的可行性与有效性.
-
浅谈医疗不安全因素的识别与控制
在临床工作中,由于医务人员对医疗安全认识不到位,管理及对策不力,致使不安全因素不能得到有效控制,不能有效地避免不良事件的发生,而给患者造成不应有的痛苦、人身损害甚至伤残或死亡的情况.所以,识别和控制医疗不安全因素,确保医疗安全,是医院全面提升医疗质量的关键,也是医院提高医疗服务能力,为患者提供优质、安全的医疗服务,提高医院核心竞争力的基本要求.对医疗不安全因素进行分类识别,并强化控制,其意义重大.
-
基于BP神经网络的在役管线焊缝故障缺陷的分类识别
本文利用计算机辅助进行在役管线焊故障缝缺陷检测,在缺陷特征提取中提出圆形度、长宽比、填充度、尖部尖锐度、对称度、灰度比以及缺陷的重心坐标相对焊缝中心的位置等7个参数作为缺陷的特征值,可有效地分类识别不同故障缺陷。在缺陷分类的解决方案上,采用具有自组织、自适应的3层前馈式神经网络,运用改进的BP算法,以焊缝缺陷的特征参数作为神经网络的训练样本。本文还通过实验的方法,分析了初始权值、隐含层的神经元数量、动量系数、误差水平及学习速率对网络训练的影响。
