首页 > 文献资料
-
基于自适应混沌粒子群和支持向量机的医学图像分类
考虑到支持向量机(SVM)在分类模型的建立过程中会遇到的参数设置和特征选择的问题,针对现有算法效率不高、速度不快的问题,在已有优化算法的基础上,提出了一种引入自适应混沌粒子群算法来优化SVM分类器的方法 .通过混沌序列和自适应函数来改善粒子群的早熟收敛、易于陷入局部极值的问题,同时调整惯性权重来加快收敛速度.通过仿真实验证明算法可行性,并在脑CT图像分类上得到比较满意的效果.
-
基于脑肌电融合的混合脑机接口研究
动作模式识别是脑机接口技术的核心内容之一.针对目前脑机接口动作识别模式单一、识别率低等问题,基于混合脑机接口思想,提出一种脑电和肌电特征融合策略,可实现单侧肢体不同动作模式的有效分类,进而可用于脑机接口技术.同步采集9名健康受试者单侧手腕屈/伸两种动作模式下的脑电信号和表面肌电信号,分别提取脑电信号事件相关去同步化特征和表面肌电信号的积分肌电值特征,构建基于支持向量机和粒子群优化算法的脑肌电融合及运动模式识别模型,通过调整“特征融合系数”来实现动作模式优分类,从而提高模式识别的准确率;进一步通过递降健康人的肌电信号幅值来模拟患者和运动疲劳状态下的肌电信号,验证所提出方法对动作模式识别的有效性.实验结果表明,基于脑肌电融合特征的动作模式识别率(98％)比单纯依靠脑电特征的识别率(73％)提高25％;在运动疲劳状态下,基于脑肌电融合特征的识别率稳定在80％以上,比单纯依靠肌电特征的识别率提高14％.可见,脑肌电融合策略能提高动作模式识别的准确性和鲁棒性,为混合脑机接口技术提供条件.
-
基于梯度矢量流与粒子群优化算法的多模态医学图像配准
目的 研究用梯度矢量流与粒子群优化算法实现多模态医学图像配准,提高配准的精度.方法 算法对图像配准的特征空间、相似性测度、搜索策略3个方面进行改进:先由原始图像产生梯度矢量流场,作为配准的特征空间;然后提出并计算3种基于梯度矢量流场的相似性测度;后使用结合了遗传算法交叉机制的粒子群优化算法找到两幅图像的优变换.结果 对仿真及实际医学图像的54次配准实验,表明该方法配准精度优于基于像素的粒子群优化方法和Walsh变换法.结论 基于梯度矢量流与粒子群优化算法的图像配准方法能有效地实现多模态医学图像的配准.
-
近红外光谱技术结合粒子群小二乘支持向量机算法在山茱萸药材质量控制中的应用研究
本文结合近红外光谱(NIR)定量分析技术以及粒子群小二乘支持向量机(PSO-LS-SVM)方法,发展了一种方便、快速的用于山茱萸药材的多指标质量控制方法.实验以水分、浸出物、马钱苷、莫诺苷为质控指标,利用粒子群算法对小二乘支持向量机算法进行参数优化,并建立定量校正模型,发现模型中各个指标校正和预测性能都优于偏小二乘回归(PLSR)和神经网络(BP-ANN),其中校正集相关系数均大于0.942.对于未知样本的预测,PSO-LS-SVM模型的RMSEP和RSEP值分别小于1.176和15.5％,较其余两个模型更低.本文建立的PSO-LS-SVM模型具有模型性能好、预测精度高的优点.近红外光谱技术结合化学计量学方法在山茱萸药材质量控制中具有潜在的应用价值.
-
基于PSO的BP神经网络在腮腺炎发病率预测中的应用
目的 为提供更加准确的预测结果合理调配卫生资源,将基于PSO的BP神经网络应用到铜陵市腮腺炎发病率预测中.方法 根据铜陵市2006-2011年的腮腺炎发病率及其相关因素,利用基于PSO的BP神经网络建立腮腺炎发病率预测模型,并对模型的有效性进行验证.结果 预测结果显示,PSO-BP神经网络对2012年1-6月铜陵市腮腺炎发病率的预测平均误差为2.57％,预测精度明显高于传统的BP神经网络.结论 PSO-BP神经网络模型能够较好地克服传统BP神经网络易陷入局部极值、收敛速度慢等缺点,为腮腺炎发病率的预测提供了一种有效的方法.
-
站立平衡调节的肌力优化求解与分析
针对人体站立平衡姿态保持过程中,下肢主要肌肉的肌力变化分布的优求解问题.本研究将人体下肢运动肌肉骨骼简化为具有3关节和9块肌肉的平面物理模型,并在此基础上建立了用于冗余肌力优化求解的数学模型.分别利用粒子群优化(POS)单目标和多目标算法进行优化求解.数值计算的结果表明多目标优化可以更合理地得到9组肌力的分布及变化规律.后,通过对仿真结果的分析,定性地分析了被动运动下人体恢复站立平衡过程中各肌肉群的运动协调规律.
-
SVM在冠心病分类预测中的应用研究
本文基于体检获得的血压、血脂、尿糖和尿酸等数据指标,应用支持向量机(SVM)对南方人群冠心病患者和非冠心病患者进行分类研究,为进一步的预防和治疗提供指导.首先选取径向基核函数、线性核函数和多项式核函数,构造了SVM分类器,再采用粒子群优化(PSO)算法SVM惩罚参数C和核参数σ,后进行冠心病的诊断和预测.通过与反向传播模型的人工神经网络、线性判别分析法、Logistic回归分析及优化前的SVM进行比较,我们的计算结果显示优化后的RBF-SVM的总体分类效果要优于其他数据挖掘算法,其分类准确率、敏感性和特异性分别高达94.51％、92.31％及96.67％.研究表明SVM在心血管疾病的预测和辅助诊断中有很大的应用潜力.
-
基于海明窗滤波及粒子群优化搜索的医学图像配准
针对互信息在多模态医学图像配准中的局部极值问题,利用海明窗(Hamming窗)进行滤波预处理,并采用粒子群优化(Particle swarm optimization,PSO)方法搜索配准参数.结果表明,图像经过Hamming窗低通滤波后,局部极值大大减少,有利于利用互信息进行图像的配准.另外,PSO优化算法在大多数情况下都可以收敛到全局优解.我们提出的方法可有效克服互信息的局部极值问题,并有效提高配准精度.
-
粒子群优化在甲状腺结节特征选择中的应用
目的 甲状腺结节超声图像存在丰富的形态和纹理等图像特征.本研究旨在降低分类器的训练成本、提升分类性能,以提高结节良恶性的诊断准确度,更好地理解关键特征.方法 将粒子群优化算法引入特征选择中,对77个结节图像特征进行选择,并使用支持向量机对甲状腺结节的良恶性进行分类识别,以构建计算机辅助诊断系统.结果 训练得到的分类器精度达到98.20％性能超过了常规特征选择方法得到的同类分类器精度;结节的紧致度、平滑度等在甲状腺结节良恶性鉴别中起到关键作用.结论 采用粒子群优化进行甲状腺结节分类精度高,超过了常规特征选择方式的分类精度,应该进一步研究其临床应用价值.
