首页 > 文献资料
-
波形特征的高斯混合模型锋电位分类算法
锋电位分类是进行大脑信息处理机制研究的基本步骤之一.针对锋电位信号的复杂性和非平稳性,从统计聚类的角度出发,采用高斯混合模型描述锋电位信号的概率密度函数,提出了一种新的基于波形变化率特征和高斯混合模型聚类的锋电位分类方法.首先计算锋电位的波形变化率,然后利用大差异方法获得锋电位波形的低维特征,后采用高斯混合模型算法对特征进行聚类,实现锋电位分类.采用开放的仿真数据分析了该算法的分类精度和可行性,然后分别利用来自5只大鼠和1只恒河猴初级视觉皮层的实测数据验证了该算法的实用性,并与主成分分析特征的高斯混合模型聚类、幅值特征的高斯混合模型聚类和变化率特征的k均值聚类等3种方法进行了比较.仿真实验中,在噪声水平为0.05、0.10、0.15、0.20时,误分率分别为1.18％±1.18％、1.41％±1.06％、2.27％±1.51％、2.98％±2.06％,低于其他3种方法;实测实验中,恒河猴数据的J3准则值为13.50±5.26,大鼠数据的J3准则值为26.43±10.46.与其他3种方法相比,平均J3准则值较大,且显著高于幅值特征的高斯混合模型聚类算法.所提出的方法表现出较高的分类精度和较好的类可分性,为实现神经元锋电位的可靠分类提供了一种有效的手段.
-
基于改进k均值与高斯混合模型的宫颈图像分割
针对宫颈癌智能化筛查系统需要从阴道镜图像中分割出宫颈区域的问题,提出一种改进的k均值与高斯混合模型相结合的图像分割方法.首先根据宫颈区域的代表性颜色和其距离图像中心点的距离,构造出待分类的数据集;其次通过对宫颈区域代表性颜色的重新计算,一种使待分类数据集可随着迭代的进行而动态调整的规则被加入到k均值算法中,使得k均值算法适用于多种光照环境下的目标图像分割;后利用k均值的聚类结果,初始化高斯混合模型的参数,并得到终的分割结果.75套来源于不同成像条件下的宫颈图像上的实验结果显示,该方法的平均分割精度达到65.1％,比采用基本k均值算法进行初始化的高斯混合模型算法高出5.5％,比模糊C均值聚类算法高出5.8％,比基本高斯混合模型算法高出8.5％;其均方差达到11.5％,与水平集算法相比降低5.6％.实验结果证明,该方法在阴道镜视野下的宫颈区域分割中是行之有效的.
-
病态嗓音特征的神经网络选择
病态嗓音自动检测和评价的关键是有效提取相关的特征,但一般的提取原则是尽可能的把相关特征纳入特征集,其结果就很难避免各种特征的相关和冗余信息,并对随后的识别效率和检测带来负面影响,因此特征优选工作就显得非常重要.本研究对待识别嗓音样本分别提取出两种特征参数(传统声学参数和基于小波变换提出的特征参数)后,利用神经网络分别对这两种特征参数进行了特征选择和优化,并分别对选出的各组特征进行了识别,结果表明基于神经网络的特征选择方法是有效的,从基于小波变换提出的特征中选出的7维特征矢量完全能取代原始特征矢量,并取得了正常95.06%,病态92.85%的识别结果.
-
一种半监督的彩色图像分割方法
提出一种基于半监督EM聚类的彩色图像分割方法,算法利用了有限的人工信息,即在图像上点击有限的几个点以标识对应区域之间的关系,从而得到满足给定限制的精确图像分割结果.算法首先对图像进行量化处理,而后在量化后的色彩空间中集成先验的分割信息进行色彩聚类.实验表明算法运行速度快,分割效果好,具有很高的应用价值.
-
基于视觉显著性和图割优化的图像自动分割
图像分割是从图像处理到图像分析理解的关键一步,考虑到目前越来越大的图像数据量,该文章提出了一种利用视觉显著性和图割优化的图像自动分割方法.已有的图像分割方法多涉及人工交互,通过人力选取图片背景和前景像素进而对图片进行分割,基于此,作者想到结合图像显著性和高斯混合模型代替人工交互部分,并利用图割优化算法对图像进行自动分割,省去人工参与,可以更有效率地处理大量数据.实验表明,该方法可以快速有效地将图片中目的物体从背景中分割出来.
-
基于贝叶斯网络高斯混合模型医学图像检索的研究
结合医学影像诊断的实际情况，提出一种基于贝叶斯网络高斯混合模型的医学图像检索方法。算法首先引入条件高斯模型，将连续变量模糊离散化，再利用贝叶斯网络对医学图像进行语义建模，并终完成基于内容的图像检索。实验采用医学图像库中的CT和MRI影像样本进行仿真，仿真结果显示，这种方法是有效的，可以满足医生的一般需要。
-
生长曲线构建的不同方法比较
目的 寻找适合于构建人体测量指标生长标准曲线的方法和途径.方法 以构建广州市胎龄别新生儿出生体重百分位曲线为例,从Tukey方法、稳健性回归和高斯混合模型等三种异常数据识别和剔除方法中获得佳数据预处理效果,然后对比三次样条方法、LMS方法和GAMLSS方法对百分位数曲线构建的影响.结果 高斯混合模型对多峰分布数据中的主要分布识别比较理想,而对单峰分布,稳健性回归比Tukey方法更加可靠.而从拟合优度以及小于胎龄儿(SGA)、大于胎龄儿(LGA)的识别能力看,GAMLSS构建的胎龄别新生儿出生体重百分位曲线比三次样条和LMS方法估计精度更高.结论 数据预处理过程应根据数据分布的特点选用合适的异常值识别和剔除方法,而曲线光滑过程中,GAMLSS方法可以对四阶矩进行建模,得到的百分位数曲线平滑且误差更小.
-
基于金字塔连接与高斯混合模型算法的层析芯片荧光信号检测
提出了一种层析芯片荧光信号自动识别的算法.该算法使用基于RGB空间的数学形态学运算方法对图像滤波增强,并采用金字塔连接算法分割图像,然后使用高斯混合模型(GMM)检测荧光信号,后再计算荧光区域的平均亮度.经实验证明,该算法能将荧光区域完整地分割出来,并能快速准确地检测出荧光信号,实现层析芯片的定量检测.
-
基于高斯混合模型和马尔科夫随机场的脑MR图像分割
目的 从磁共振噪声图像中分割脑组织(脑脊液、灰质、白质).方法 首先利用K均值分类自动计算三类脑组织的初始灰度分布参数,通过期望大化算法(Expectation maximization,EM)估计高斯混合模型(Gaussian mixture model,GMM)参数.然后按照空间体素的GMM分类信息改变其相应体素的联合概率的能量函数,控制该能量函数中代表灰度信息的分量,并且自适应地调节图像灰度和空间信息的分配.结果 实验结果表明该模型能够有效地分割出脑脊液,灰质和白质,并且对噪声不敏感,能消除灰度不均匀的影响.结论 与同类算法相比,本算法对含有噪声污染的脑MR-T1图像分割精度较高,也表现出不错的稳定性,且算法运行时间短.
-
基于高斯混合模型的脉搏波特征提取方法
脉搏波特征反映着人体生理病理状态,本文基于高斯混合模型提出一种脉搏波特征提取方法.该方法利用脉搏波的一、二阶差分信号的零点确定脉搏波特征点的数目及类型,并采用泰勒级数展开简化特征点位置估计的复杂度.仿真及实际数据的处理结果表明,本文所提出的方法相对经典算法能更精确地实现脉搏波特征点的定位及信息获取,是一种有效的脉搏波特征提取方法.
-
基于模糊贝叶斯网络的星形细胞瘤智能分级模型
本研究提出一种新的融合影像低层视觉特征和语义的模糊贝叶斯网络模型,使用了高斯混合模型(GMM)对连续的视觉特征模糊化处理,解决了传统贝叶斯网络不能操作连续输入的问题,更合理地表达了具有模糊性、不确定性的专业领域的结构性知识.为了验证它的有效性,将它应用于星形细胞瘤恶性程度的分级,建立了一个概率模型,实验结果得出83.33%的正确识别率.该模型为星形细胞瘤恶性程度预测提供了新的定量而客观的辅助手段.
-
基于形态学和高斯混合模型的3D T1-MRI大脑全自动分割算法
大脑的分割有重要的研究和临床应用,本文提出一种简单快速的全自动3 D T1-MRI大脑分割算法.该算法基于形态学运算和高斯混合模型,包括大脑分割初始化、断开连接和后处理三个步骤.第一次将大脑与头的体积比作为先验信息,大大提高了分割效率,在我们的机器上(内存256,1.5 GCPU),用VC++实现,算法平均执行时间仅需49秒.分割结果同IBSR提供的金标准进行了比较,相似度索引平均大于96.1%.
-
基于高斯混合模型Varian NovalisTX直线加速器盆腔肿瘤放疗摆位误差分布预测模型的构建
[目的]构建Varian NovalisTX直线加速器盆腔肿瘤放疗摆位误差分布预测模型.[方法]选取加速器治疗30例盆腔肿瘤患者先验IGRT摆位误差数据,采用高斯混合模型构建误差分布预测模型,并求解分析模型参数.[结果]由模型参数可知摆位误差主要往μ1～μ4四个中心点方向集中;中心点坐标表明误差在Vrt方向(-3.88～4.28)mm和Lng方向(-2.41～1.54)mm较大,Lat方向(-1.85～0.72)mm较小;误差可能性往μ2和μ4中心(0.301、0.310)较μ1和μ3中心(0.190、0.196)大;摆位误差标准差可达5.2 mm.[结论]高斯混合模型对盆腔摆位误差分布进行定量描述和预测分析,为缺少IGRT的盆腔肿瘤放疗摆位误差控制及肿瘤计划靶区外扩提供参考.
-
基于惯导信息的人体动作和路况识别
人体动作和路况的快速准确识别是实现智能假肢自主控制的基础与前提.本文提出了一种基于假肢(下肢)惯导信号的高斯混合模型(GMM)和隐马尔可夫模型(HMM)融合的人体动作和路况识别方法.首先,使用惯性传感器采集膝关节处 x、y 和 z 轴方向上的加速度、角度和角速度信号,然后用时间窗截取信号段并用小波包变换消除信号的抖动噪声;接着对预处理后的信号进行快速傅里叶变换,提取其系数作为特征值;随后对特征进行主成分分析(PCA),去除冗余信息;后采用高斯混合模型和隐马尔可夫模型进行假肢动作和路况识别.试验结果表明,本文方法对常规的动作(散步、跑步、骑行、上坡、下坡、上楼梯和下楼梯)的识别率分别达到96.25％、92.5％、96.25％、91.25％、93.75％、88.75％ 和 90％.同等试验条件下,将本文方法与常规的支持向量机(SVM)识别方法进行比较,结果显示本文方法的识别率明显较高.本文研究结果或可为智能假肢的监测和控制提供新的思路和途径.
-
基于非线性动力学和高斯混合模型/支持向量机的病态嗓音识别与研究
传统的病态嗓音的识别研究中,通常采用线性分析技术分析嗓音的特性,将嗓音产生过程用一个经典的线性模型来近似,然而,这样却忽略了嗓音产生过程中的非线性特性.本文基于非线性动力学的分析方法,定量分析并提取了嗓音的7维非线性特征——Hurst参数、时间延迟、第二阶Rényi熵、香农熵、关联维、Kolmogorov熵(K熵)、大Lyapunov指数.实验结果表明,非线性动力学的方法能够弥补传统分析方法的不足,较好分析正常与病态嗓音；应用高斯混合模型(GMM)和支持向量机(SVM)的模式识别方法,分别对测试集39例正常嗓音和36例病态嗓音进行识别,均得到较好的识别率,分别为97.22％和97.30％.
