首页 > 文献资料
-
一种数字化评估出入境人员亚健康风险的方法
目的 建立一种数字化评估出入境人员亚健康风险的方法.方法 收集2008-2014年出入境人员的鹰演电子扫描系统的检查数据与临床体检数据,经数据预处理后,采用极限学习机(ELM)和支持向量机(SVM)同时进行数据挖掘,建立数学模型,并对两种方法的评估效果进行比较.结果 ELM对出入境人员呼吸系统、泌尿生殖系统、免疫系统、内分泌系统、神经系统、消化系统、循环系统和运动系统的训练准确率分别为99.6％、99.4％、99.9％、99.8％、99.7％、97.8％、98.5％和99.0％,SVM的训练准确率均为100.0％.ELM对8个系统的预测准确率分别为87.2％、91.7％、92.8％、93.6％、81.7％、84.7％、87.0％和84.4％,而SVM的预测准确率依次为69.4％、95.7％、81.5％、87.8％、71.1％、82.3％、85.9％和66.0％.结论 采用ELM能够准确地对出入境人员亚健康情况进行数字化评估,对实现出入境人员的亚健康早期干预和健康管理有重要意义.
-
基于自适应噪声完整聚合经验模态分解-极限学习机的短期血糖预测
糖尿病患者的血糖浓度时间序列具有时变、非线性和非平稳的特点,为提高血糖预测精度,提出一种自适应噪声的完整聚合经验模态分解(CEEMDAN)与极限学习机(ELM)相结合的短期血糖预测模型.首先,利用CEEMDAN方法将患者的血糖浓度时间序列进行分解,得到不同频段的血糖分量IMF(本征模态函数)和残余分量,以降低血糖时间序列的非平稳性;然后对各血糖分量1MF和残余分量分别构建极限学习机,并将各极限学习机的预测结果融合,获得患者未来血糖浓度的预测值,提高预测精度;在此基础上,进行低血糖预警.利用从河南省人民医院内分泌科采集的56例患者的数据进行模型检验,结果表明:与ELM模型和EMD-ELM模型相比,CEEMDAN-ELM短期血糖预测模型提前45 min的预测仍可达到较高预测水平(RMSE=0.205 1,MAPE=2.1164％);低血糖预警虚警率和漏警率分别为0.97％和7.55％.血糖预测时间的延长,可以为医生和患者提供充足时间进行血糖浓度控制,提高糖尿病治疗的效果.
关键词： 血糖预测 低血糖预警 自适应噪声完整聚合经验模态分解 极限学习机 -
基于极限学习机的室性早搏判别算法的实现
室性早搏是常见的心律异常疾病,给人的生命带来威胁,准确的心律异常诊断对于帮助人们预防心血管疾病起到重要的作用.以MIT-BIH心律异常数据库中的数据作为分析对象,提出一种基于极限学习机算法的诊断方法,主要包括信号预处理、特征提取和分类,实现心电信号室性早搏异常的判别.采用小波变换结合形态学算法,对信号进行预处理,去除干扰,得到纯净的心电信号.通过K-means聚类算法提取QRS波群等特征参数,根据这些参数建立正常窦性心律和室性早搏的正样本和预测样本,再结合极限学习机分类器进行样本训练匹配和分类识别.选取1 260个周期信号进行实验,结果表明,该算法能准确诊断出室性早搏异常,终阳性平均检测率达到95％,平均灵敏度达到96％.该算法相比其他算法,在识别精度相当的情况下,可极大提高算法的实时性,具有很高的研究价值,同时在移动医疗和临床医疗方面也具有一定的实用价值.
-
基于EMD-多尺度熵和ELM的运动想象脑电特征提取和模式识别
运动想象脑电特征是进行动作模式识别进而实现生物反馈技术的重要依据.在对侧躯体运动想象脑电识别方法的基础上,研究单侧躯体不同运动想象模式下的脑电特征提取问题,提出基于EMD-多尺度熵(MSE)的脑电信号瞬态特征提取及定量描述的方法,设计基于极限学习机(ELM)的动作模式识别模型.通过对10名正常受试者在左侧手臂屈、伸动作模式下的运动想象脑电的分析,提取其特征并进行动作识别,结果证实其识别率可以达到90％以上.实验表明:所提出基于EMD-MSE的运动想象EEG特征提取方法,能够定量刻画不同运动模式下脑电信号的多尺度局部瞬态特征;进一步运用基于ELM学习算法的前馈神经网络,可以实现对不同运动模式下脑电EMD-SME特征的有效分类.
-
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.
-
基于极限学习机的左束支传导阻滞辅助诊断研究
左束支传导阻滞(LBBB)作为临床常见的一种心律失常,是左心室收缩功能减低、患者死亡率增加的标志;利用机器学习算法对其进行辅助诊断,将对LBBB早发现、早治疗起到积极的推动作用.然而,由于目前常用的支持向量机(SVM)等传统的机器学习算法容易产生局部优解,准确度有待提高,因此提出一种基于极限学习机(ELM)的LBBB辅助诊断算法.首先,利用小波进行心电信号预处理,包括基线漂移、肌电噪声及工频干扰的去除;接着,确定QRS波群与T波位置;然后,根据临床上LBBB患者比正常人的QRS波群持续时间延长等特点,建立融合时域、形态与能量3类特征的特征模型;后,利用该模型提取的特征集合,提出基于ELM的LBBB辅助诊断算法.此外,在MIT_BIH数据库中的5 000份ECG数据上进行实验验证,结果表明所提出的预处理与波形提取算法能有效去除噪声并提取QRS-T特征波;在LBBB的判别上,相比SVM算法、ELM算法的训练时间缩短了88.5％;同时,在准确率、灵敏度、特异度、LBBB检出率和正常人检出率的指标上,分别提升2.4％、5.4％、1.2％、3.6％和2％.因此,基于ELM的LBBB辅助诊断算法具有明显优势.
-
基于相似日和极限学习机方法的医院门诊量短期预测
目的:研究相似日和极限学习机(ELM)的方法在医院门诊量短期预测中的应用,提高医院门诊量预测水平.方法:以某医院2010年10月至2016年1月日门诊量数据为实验样本,按 照相似日原理,将历史门诊量数据按日类型分类,对数据进行预处理后分别建立极限学习机预测模型,并对模型进行训练和测试.结果及结论:选用平均绝对误差和平均相对误差作为评价指 标,仿真实验结果表明,该方法预测精度较高,可作为医院门诊量预测的一种有效方法.
-
基于PCA-ELM的病理数据研究与应用
目的:挖掘病理数据的内在属性,为相关临床医疗提供指导.方法:首先通过主元分析(principal components analysis,PCA)提取出数据空间中的显著差异性特征,据此将数据降维,然后采用极限学习机(extreme learning machine,E LM)算法训练和构建数据分类器模型,并将其应用在对冠心病和病毒性肝炎预后的病理数据分析中.结果:仿真实验结果显示PCA-ELM模型在不损失精度的情况下比传统的反向传播(back propagation,BP)神经网络和支持向量机(support vector machine,SVM)训练速度更快,并且优于单独的ELM,具有更好的外延性.结论:该数学模型在医疗病理研究上具有一定应用前景和价值,可为相关临床诊断提供指导.
-
基于小波多尺度分析和极限学习机的癫痫脑电分类算法
癫痫脑电的自动分类对于癫痫的诊断和治疗具有重要意义.本文提出了一种基于小波多尺度分析和极限学习机的癫痫脑电分类方法.首先,利用小波多尺度分析对原始脑电信号进行多尺度分解,提取出不同频段的脑电信号.然后采用Hurst指数和样本熵两种非线性方法对原始脑电信号和小波多尺度分解得到的不同频段脑电信号进行特征提取.后,将得到的特征向量输入到极限学习机中,实现癫痫脑电分类的目的.本文采用的方法在区分癫痫发作期和发作间期时取得了99.5％的分类准确率.结果表明,本方法在癫痫的诊断和治疗中具有很好的应用前景.
-
基于极限学习机的脑卒中上肢康复Brunnstrom远程智能评定系统
为了实现脑卒中后偏瘫康复患者上肢康复评定的远程化和智能化,需建立个体化和专业化的康复评定系统.本文首先利用康复训练传感器及数据接收软件采集患者训练时上肢的运动姿态数据,然后将其上传至服务器端的数据库,服务器端将使用基于极限学习机(ELM)和Brunnstrom分期标准的远程智能评定系统对数据进行智能评定.为了验证该系统的可靠性,征集了23位脑卒中后上肢运动功能处于不同恢复阶段的康复患者和4位上肢运动功能正常者做同一康复训练动作.实验结果显示,相比于康复医师使用Brunnstrom分期标准的评定结果,远程智能评定系统的分期准确率可以达到92.1％.本系统可以实现对脑卒中术后偏瘫康复患者上肢运动功能的智能评估,使患者在家中或者社区进行远程康复成为可能.
