首页 > 文献资料
-
静息态脑功能网络分析的假设驱动和数据驱动方法综述
基于功能磁共振成像的研究已发现在脑区之间存在低频波动一致的脑功能网络.脑功能网络有助于认识脑功能和诊断神经精神疾病,而脑功能网络分析方法在其中具有重要地位.本文首先综述了假设驱动和数据驱动进行脑功能网络分析的两类方法,接着对常用的基于感兴趣区、基于体素、基于独立成分分析、基于主成分分析和基于聚类方法的原理、优缺点做了详细介绍,并着重阐述了近提出的组信息指导的独立成分分析方法,及基于半监督学习技术的感兴趣区选择方法,后对改进方向进行了展望.
-
构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态
研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.
-
基于多步降维和半监督学习的蛋白质质谱特征提取算法
目的 提出一种基于半监督学习的多步降维特征提取方法.方法 算法首先运用t-test对样本特征进行筛选,初步降低特征维度;然后进行离散小波变换,对小波系数进行相对熵排序,筛选出新的特征子集;接着进行主成分分析,提取主成分;后运用半监督学习算法BB-LLGC进行标签传递,充分提取有标记和无标记样本的判别信息.结果 在公共卵巢癌数据集OC-WCX2b和公共前列腺癌数据集PC-H4上获得了99.13％和97.20％分类准确率.在浙江省肿瘤医院临床乳腺癌数据集BC-WCX2a上获得了92.78％的分类准确率和100％的敏感性.结论 多步降维的特征提取方法可以有效降低SELDI质谱数据的特征维度,结合半监督学习算法BB-LLGC,可以获得较好的分类效果.
-
基于聚类分析和半监督学习的蛋白质质谱数据分类
目的 针对高维冗余的SELDI蛋白质质谱数据,提出一种基于聚类分析和半监督学习的数据分类方法.方法 算法首先运用t-test对蛋白质质谱数据进行初步降维;然后将处理后的数据用聚类分析算法进行进一步降维;后运用半监督学习算法传递标签,充分提取有标记样本和无标记样本的信息,从而进行分类.结果 在公共卵巢癌数据集OC-WCX2b和公共前列腺癌数据集PC-H4上获得了99.15％和96.75％分类准确率.在浙江省肿瘤医院临床乳腺癌数据集BC-WCX2a上获得了95.18％的分类准确率和100％的敏感性.结论 基于聚类分析的半监督学习方法能够有效利用未标记的质谱样本信息,与经典的监督学习算法相比,其分类性能更理想、实用性更好.
-
基于辅助训练的半监督稀疏表示分类器用于脑电图分类
脑机接口(BCI)脑电图(EEG)分类能实现人脑直接与外部环境的信息交互.提出了基于辅助训练思想的半监督稀疏表示分类器方法在BCI EEG分类中的应用.首先采用稀疏表示分类器从未标记样本中选择部分相关度较高的样本.其次采用Fisher线性分类器作为判别分类器得到已选样本的边界信息.通过距离大小和方向判别条件进一步选出高置信度样本.本文对三组基准数据集BCIⅠ、BCIⅡ_Ⅳ和USPS分别进行仿真实验,分类正确率分别为97％、82％和84.7％,运算速度快的仅需约0.2s.在分类正确率和运算效率两个方面,均优于自训练半监督SVM、有导师SVM两种方法.
