首页 > 文献资料
-
基于多特征融合的蛋白质折叠子预测
蛋白质折叠子预测为启发式搜索蛋白质三级结构提供了有用的信息.目前已知的折叠子预测方法大多数基于单种特征或多种特征的简单组合,本文采用一种多特征融合方法,从蛋白质的一级序列出发,对27类折叠子进行预测.使用支持向量机作为分类器,采用多对多的多类分类策略,以氨基酸组成成分、极性、极化性、范德瓦尔斯量、疏水性和预测的二级结构作为样本的六种特征,进行多特征融合,独立样本预测总精度为59.22%,与Ding等人的结果比较提高了3.2%,结果表明多特征融合方法是一种有效的蛋白质折叠子预测方法.
-
基于多特征融合的中文电子病历命名实体识别
目的 针对某三级甲等医院电子病历中的非结构化部分(诊断和病情),建立多特征融合的条件随机场模型,自动化识别用自然语言描述的电子病历(electronic medical records,EMR)中的疾病和症状,从而实现电子病历信息的结构化存储,以利于电子病历的信息挖掘和统计分析.方法 将手动标注的语料库分为训练集和测试集,借助NLPIR工具分割文本,选择CRF++工具进行实验.针对中文电子病历的数据特点,先选取基本特征和相应的特征模板,通过不同上下文窗口的对比实验确定其大小;再分别添加引导词特征和构词结构特征,对比两种高级特征对实验结果的影响.结果 仅选取基本特征,上下文窗口为7时,识别效果好;添加高级特征后,终疾病实体F值为92.80％,症状实体F值为94.17％.结论 条件随机场模型融合多种有效的特征,可以很好地识别出电子病历中的疾病和症状实体.本研究对电子病历的命名实体识别有重要的意义.
-
基于脑电信号神经反馈控制智能小车的研究
为了提高基于运动想象(MI)的脑控智能小车的控制性能,本文提出一种基于脑电(EEG)信号神经反馈(NF)控制智能小车的方法.采用MI心理策略,通过实时呈现该心理活动相关EEG信号特征的能量柱形图给受试者,训练受试者快速掌握MI技能并调节其EEG信号的活动,并以MI多特征融合和多分类器决策相结合的方法,从而在线脑控智能小车.训练组(试验前接受设计的反馈系统训练)取得平均、高和低的识别指令准确率分别为85.71％、90.47％和76.19％,对照组(不接受训练)对应的准确率分别为73.32％、80.95％和66.67％;训练组平均、长和短用时分别为92 s、101 s和85 s,对照组对应的用时分别为115.7 s、120 s和110s.通过以上试验研究结果,期望本文可为后续基于MI的EEG信号NF控制智能机器人的开发提供新的思路.
-
基于多特征和支持向量机的心律失常分类
针对传统心律失常自动分类算法大多利用线性变换方法只提取单一特征的问题,本文提出基于多特征融合和纠错编码支持向量机的识别算法.该算法利用核独立成分分析(KICA)提取心电(ECG)信号的非线性特征,利用小波分析提取时频域特征,二者融合形成多域特征能够更全面反映不同类型心律失常的模式.设计基于受试者工作特性ROC曲线下面积指标优化的纠错编码支持向量机分类器,该指标比传统正确率指标能够更好的评价分类器性能.针对MIT-BIH心律失常数据库数据的实验表明,所提出算法优于基于单一特征的传统方法,ROC曲线下面积值为0.956,具有很好的分类效果.
