首页 > 文献资料
-
基于LVQ和脑电信号的左/右手动识别
基于脑电信号的脑-计算机接口(brain- computer interface,BCI)需要对脑电信号进行识别或区分.本文针对2003年世界BCI大赛提供的实验数据,利用学习矢量量化(learning vector quantisation,LVQ)算法从脑电信号中识别受试者左手或者右手手指运动,取得了较好的分类效果.
-
一种基于结肠压力的结肠动力性能诊断方法的研究
消化道测压是其他检查手段不可替代的,广泛使用的评价消化道运动功能的检查手段,对消化道运动障碍型疾病的诊断有较高的价值.但由于测量压力均是介入性检查,实施起来很不方便,且影响因素较多,所以对结果的分析还需要不断积累经验.结肠压力测量的研究更是如此.本研究对实际采集的结肠压力信号进行特征提取,采用学习矢量量化的方法进行结肠压力信号的识别.学习结果表明,这种方法可以将结肠压力信号分为正常和异常两组,与初始的医疗诊断相符合,为进一步根据结肠压力信号识别肠道的动力性能奠定了基础.
-
基于学习矢量量化神经网络的表面肌电信号的模式分类研究
表面肌电信号(electromyogram,EMG)是一种复杂的表皮下肌肉电活动在时间和空间上综合的特征图,已被广泛地应用于肌肉运动、肌肉损伤诊断、康复医学及体育运动等方面的研究.通常,在非疲劳、慢变力及等张收缩的情况下所测取的多通道屈伸的肌电信号,既可为控制假肢运动提供一个安全、非侵入的控制方式,也可用于人类运动和生物机械的研究[1、2].随着检测技术、信号处理方法和计算机技术的发展,研究如何从表面肌电中识别出肢体的多种运动模式已经成为康复医学界研究的热点问题之一[3].
-
小波包变换特征提取与表面肌电分类
针对表面肌电(SEMG)的非平稳特性,提出采用小波包变换方法对其进行分类.分析了特征提取方法并采用小波包变换各频段能量构造特征矢量,经过学习矢量量化神经网络训练能够有效地从伸肌和屈肌采集的两道肌电信号中识别伸拳,展拳,腕内旋,腕外旋4种运动模式,平均识别率为94.5%.与其它时频分析方法比较,该方法不仅识别率高,鲁棒性好,也为其他非平稳生理信号分析提供了新手段.
-
结肠压力测量方法介绍
消化道测压是广泛使用的评价消化道功能的检查手段,对消化道运动障碍疾病的诊断有较高的价值,是其他检查手段不可替代的.文章从结肠压力信号中提取有效的特征,采用学习矢量量化的方法进行结肠压力信号的识别.学习结果表明,这种方法可以将结肠压力信号分为正常与异常两组,与初始的医疗诊断相符合.这一研究为进一步根据结肠压力信号识别肠道各段的动力性能奠定了基础.
-
LVQ人工神经网络在伤寒、副伤寒发生强度判别与预测中的应用
目的:探讨学习矢量量化(LVQ)人工神经网络在伤寒、副伤寒发生强度判别与预测中的应用.方法:以前一年的平均气压、平均气温、平均降水量和平均蒸发量4个气象指标的标准化后的变量及伤寒、副伤寒发病率平方根反正弦变换值为研究自变量,将1979-2000年辽宁省某市伤寒、副伤寒发病率按大小分为高、中、低3种情况进行判别与预测研究.利用软件MATLAB 6.5的人工神经网络工具箱分别进行LVQ人工神经网络的构建、训练与模拟,分别考察LVQ人工神经网络在模型拟合及前瞻性和回顾性预测方面的能力,并且与传统Bayes判别分析进行比较.结果:LVQ人工神经网络能够从另一个角度对数据进行分类判别与预测,利用1980-1995年数据拟合准确率为100%,预测1996-2000年发病强度准确度为3/5;利用1982-2000年数据拟合准确率为100%,预测1 980-1981年发病强度准确度为1/2,均略高于传统Bayes判别分析.随机选择1 6年数据的拟合准确率为93.8%,预测另外5年发病强度准确度为4/5,与传统Bayes判别分析相当.结论:LVQ人工神经网络能够与传统Bayes判别分析相媲美,在发病率预测方面具有广阔应用前景.
