首页 > 文献资料
-
基于超像素和支持向量机的阴道细菌自动检测
阴道受到细菌感染引发的阴道炎疾病可能导致异位妊娠、不孕、急慢性盆腔炎等严重疾病,目前形态学人工观察是临床诊断该类疾病的主要方法,但容易引起误诊和漏诊.本研究提出一种基于超像素和支持向量机(SVM)的阴道细菌自动检测方法,对革兰染色的阴道细菌图像,采用简单线性迭代聚类(SLIC)方法计算超像素;对超像素区域计算形状特征、颜色特征和方向梯度直方图(HOG)特征;后用SVM对超像素区域进行识别.在专业医生的指导下挑选了40幅正常图像和60幅有细菌性阴道病(BV)的图像进行实验,其中10幅正常图像和20幅有细菌性阴道病(Bv)的图像用于训练分类器,剩下的70幅用于测试算法.实验结果表明,所提出的自动检测算法获得了89.27％的细菌检出率,具有较大的临床应用价值.
关键词： 阴道细菌 超像素 支持向量机(SVM) 方向梯度直方图(HOG)特征 自动检测 -
复杂网络主成分分析的分类方法在音乐家白质可塑性研究中的应用
人脑在多种时间和空间尺度上都是复杂网络,而复杂网络中往往包含着大量的连接信息.主成分分析(PCA)方法主要被用于从大量信息中提取重要特征,因而可以被用于探寻复杂网络中的一些重要信息.众所周知,音乐家是研究训练导致的脑可塑性问题的一个理想模型,探求音乐家脑网络的可塑性变化是非常有意义的.首先通过基于弥散加权成像(DWI)数据的纤维束追踪,构建了16位音乐家与16位非音乐家的脑白质结构网络;然后对两组人的整体脑网络进行了PCA分析,进而对得到的每个主成分做支持向量机(SVM)分类处理,得到分类效果好的主成分;终找出对此主成分贡献前1％的连接即为音乐家相对于非音乐家在大脑白质结构网络上发生改变的主要连接.本方法为组间复杂网络对比分析提供了一种基于PCA分类的新思路.基于上述思路,对于音乐家与非音乐家的脑白质结构网络对比分析,表明音乐家在运动、听觉、情绪和记忆等功能脑区表现出更高的脑区间信息传递效率;进而扩展了在网络层面对长期音乐训练改变音乐家白质可塑性问题的理解.
-
改进的快速FCM及SVM实现糖网白色病灶的自动检测
为构建基于眼底图像的糖尿病视网膜病变(糖网)自动筛查系统,提出一种基于改进的快速FCM(IFFCM)及SVM的糖网白色病灶自动检测算法.首先,利用改进的快速FCM算法,对彩色眼底图像进行粗分割获取糖网白色病灶候选区域,由于该算法将中值滤波添加到FCM算法的准则函数中,同时利用K-means算法的聚类结果对FCM进行聚类中心初始化,使得该算法克服了传统FCM算法计算复杂度高以及对噪声敏感的缺点；其次,采用两层级联分类结构的SVM对候选区域进行分类,即先利用SVM根据候选区域的特征集将白色病灶提取出来,再利用SVM根据另外的特征集将白色病灶中的硬性渗出与棉绒斑区分开,从而实现眼底图像中糖网白色病灶的自动检测.利用该方法对65幅眼底图像进行糖网白色病灶的自动检测,得到图像水平灵敏度100％,特异性95.0％,准确率98.46％；病灶区域水平(硬性渗出/棉绒斑)灵敏度96.42％/97.15％,阳性预测值90.03％/91.18％；平均一幅图像处理时间35.56 s.结果表明:将改进的快速FCM算法所提供的良好粗分割结果与识别率较高的分类器SVM相结合,使得对糖网白色病灶的自动检测结果较优,即该算法能够高效地自动检测出眼底图像中的糖网白色病灶.
-
基于多特征融合的线性内核SVM法挖掘生物实体关联
提高挖掘生物医学文献中的实体关联算法的性能,对开拓研究新思路有重要启示作用.提出一种改进特征的新线性内核SVM关联挖掘方法,以糖尿病相关文献摘要为研究内容,总结归纳出5种实体关联挖掘特征:实体特征、实体对特征、依赖图特征、解析树特征和名词短语约束特征,其中实体对和名词短语约束是所提出的新特征,并使用Huber损失函数作为SVM分类器的线性内核进行计算,挖掘预测疾病、基因和药物实体之间的关联.计算得到10种糖尿病相关病症和23种基因有173种关联,13种糖尿病相关病症和26种药物存在79种关联,18种基因与17种药物组成了159种关联,构建出疾病-基因、疾病-药物、基因-药物和8种糖尿病相关疾病基因药物的关联网络,共计619种实体关联,同时预测出27种新实体关联对,后使用ROC曲线验证3种关联(0.804、0.847和0.742).结果表明,所提出算法与CoPub(0.710)、PubGene(0.609)、FBK-irst(0.547,0.800)和WBI(0.510,0.759)所用算法相比,高精确度提升超过约5％(0.847与0.800),低提升超过约20％(0.742与0.510),性能更优,为下一步在生物医学大数据中的应用打下良好基础.
关键词： 特征 支持向量机(SVM) 关联挖掘 糖尿病 ROC曲线 -
基于脑电同源样本捆绑法的情绪识别研究
近年来,越来越多的研究者投入到基于脑电的情绪识别研究中,新理论方法的提出使得情绪的识别准确率有了进一步提高.然而,一旦走向实际应用,识别率大幅度下降,建立高精确率的情绪识别模型仍面临巨大的挑战.一个非常重要的原因是同源样本携带的非情绪信息使情绪识别模型更容易识别测试集的样本,使得传统的情绪识别方法出现识别正确率虚高的问题.为此,提出一种新的样本划分方法-同源样本捆绑法,并对10名被试开展情绪诱发实验,利用情绪图片和视频诱发平静、愉悦、难过和恶心等4种情绪状态.提取6个频段的脑电信号(θ:4～8 Hz,α:8～12 Hz,β1:13 ～ 18 Hz,β2:18 ～30 Hz,γ1:30 ～ 36 Hz和γ2:36 ～44 Hz)的功率谱特征,然后利用支持向量机进行情绪识别,并对比传统随机方法与同源样本捆绑法的情绪识别效果.结果显示,对于图片诱发任务,随机法四分类平均正确率为43.92％,而捆绑法只得到34.15％的平均正确率;在视频诱发任务下,随机法和捆绑法分别得到94.45％和37.88％的平均正确率,随机法显著高于捆绑法,证明传统的样本随机划分方法会带来虚高情绪识别率.后利用基于递归筛选的支持向量机(SVM-RFE)算法剔除基于同源样本捆绑法下的非情绪特征,提高情绪识别正确率,图片和视频诱发任务分别得到76.22％和72.53％的平均识别正确率.综上,所提出的同源样本捆绑法可以剔除非情绪因素的影响,避免传统的样本划分方法带来的虚高情绪识别率,是情绪识别从理论研究走向实际应用重要且必要的一步.
关键词： 脑电 情绪识别 支持向量机(SVM) 同源样本捆绑法 -
一种基于改进经验模态分解的癫痫脑电识别新方法
在临床癫痫诊断过程中,为了提高癫痫脑电的识别率,能在癫痫发作前期就预测到癫痫疾病,其特征波的提取至关重要.针对这一问题,提出将平行延拓与镜像延拓相结合来改进EMD算法.首先,使用平行延拓的方法,在原始脑电信号的左、右端点处分别预测出一个极值;然后,使用基于镜像延拓的EMD方法,对信号进行镜像延拓,以避免经验模态分解过程中的端点效应;后,采用支持向量机进行信号的分类识别.算法验证数据取自德国伯恩大学癫痫研究中心的脑电数据库,其中50例是正常脑电信号、50例是癫痫发作间期的脑电信号.实验研究表明:该方法对总测试脑电信号的识别率达到94％.其中,正常脑电信号和癫痫脑电信号的独立识别率均为94％,比传统EMD算法处理后的脑电识别率提高了5％,可见该方法可以有效地预测癫痫脑电.
关键词： 癫痫脑电 平行延拓 镜像延拓 经验模态分解(EMD) 支持向量机(SVM) -
基于去趋势波动分析(DFA)的脑卒中后抑郁症静息脑电特征提取与识别
为考察脑卒中后抑郁症(PSD)患者静息态脑电(EEG)特异性,通过去趋势波动分析(DFA),提取16导联EEG信号波动函数F(s)和区间长度s函数关系在双对数坐标中线性拟合斜率之标度指数α值,作为EEG信号的长程幂函数相关性特征参数.将3类人群(健康正常组10人、脑卒中后无抑郁症组4人、脑卒中后抑郁症组7人)的16导联EEG信号α值作为样本进行独立样本t检验,结果显示,健康人与脑卒中患者在顶叶、颞叶以及枕叶处α值存在显著性差异(P＜0.05)；利用支持向量机(SVM)分类器,将EEG信号DFA的α值放入16维特征空间在脑卒中患者组(含抑郁症与无抑郁症)内进行模式识别,可获得高90.9％的分类正确率,有望为临床PSD提供客观有效的辅助诊断新手段.
-
基于背景估计和SVM分类器的眼底图像硬性渗出物检测方法
硬性渗出物是糖尿病视网膜病变(DR)的早期病症,是糖尿病性黄斑水肿的主要表现,因此对硬性渗出物的准确检测具有重要的临床意义.提出一种基于背景估计和SVM分类器的眼底图像硬性渗出物检测方法.首先通过背景估计,得到包含亮目标的前景图;然后利用基于Kirsch算子的边缘信息确定硬性渗出物的候选区域,再移除视盘;后对候选区域进行形状特征、直方图统计特征以及相位特征的提取,采用SVM对候选区域进行分类,完成硬性渗出物的精确提取.对DIARETDB1和HEI-MED公共数据库中共248幅眼底图像进行实验,图像水平达到灵敏度97.3％和特异性90％,病灶水平达到灵敏度84.6％和阳性预测值94.4％.实验表明,所提出的方法能够实现眼底图像中硬性渗出物的自动检测.
关键词： 硬性渗出物检测 糖尿病视网膜病变 背景估计 相位一致性 支持向量机(SVM) -
基于改进CSP算法的运动想象脑电信号识别方法
针对想象运动的脑机接口(BCI)系统中,在电极导联数少的情况下存在脑电信号分类准确率降低的问题,提出一种改进共同空间模式(CSP)算法. 通过对事件相关去同步(ERD)/事件相关同步(ERS)生理现象较明显的频段进行滤波, 选取大特征值对应的表征运动想象脑电信号状态的优特征向量,进而提出特征向量新的定义方法,同时与支持向量机(SVM)相结合,实现运动想象脑电数据的分类.对于GRAZ大学提供的运动想象脑电数据(Data Ⅲ),想象左手运动脑电信号的识别准确率为98.57%.想象右手运动的脑电识别率为100%.实验结果表明,改进的CSP算法更准确地反映脑电信号的任务状态,有效避免了特征模式的重复选取问题,具有更优的分类性能.
关键词： 脑机接口 脑电 共同空间模式(CSP) 支持向量机(SVM) -
疲劳驾驶识别中的脑电信号特征选择算法和支持向量机模型研究
针对疲劳驾驶识别中脑电特征选择和分类模型,提出采用粗糙集理论的离散化算法对通道和脑电信号特征量进行选择,选用支持向量机作为疲劳驾驶识别模型,并将疲劳误判风险作为支持向量机模型参数进行模型优化.针对5名受试者的实验结果表明,与主分量方法相比,粗糙集离散化算法选取的特征量较少,以0.8为相容度阈值,在208个候选特征中选择的特征数为2～4个,不同被试者选取的特征不同且对建立支持向量机识别模型有影响;疲劳误判风险控制参数可以达到调节支持向量机识别模型误判风险.
关键词： 脑电信号 功率谱 疲劳 粗糙集 支持向量机(SVM) -
基于支持向量机的BCI导联选择算法
脑-机接口(BCI)中导联选择的目的是在所有记录脑电信号的导联中,选择出与特定心理任务分类相关的导联,对于简化BCI系统,提高系统传输速率具有重要影响.本研究提出一种基于支持向量机(SVM)的导联选择算法,所采用的实验数据来自德国组织的第三届国际BCI数据竞赛数据集IVa中两个受试者(al,aw).结果表明,该算法对al数据集导联可从118减少到22,同时系统识别的精度从92%提高到98%;对aw数据集导联可从118减少到35,同时系统识别的精度从89%提高到93%.可简化BCI系统的设计,改善系统性能.
关键词： 脑-机接口 导联选择 支持向量机(SVM) 特征选择 -
基于多通道线性描述符的脑-机接口分类算法的研究
脑电信号的特征提取是脑-机接口(BCI)中的一个关键部分,对提高分类正确率和信息传输率起着决定性的作用.本研究利用多通道线性描述符提取脑电信号的分类特征信息,将三个描述符单独和联合地施加于三个感兴趣的电极子集,导出12个特征矢量.五个受试参加了一个在线反馈BCI实验.实验期间他们被要求想象左手或右手运动,记录的脑电图数据用于离线分析.对来自7导和11导两个电极子集的8个特征矢量,五个受试平均的分类精度在89%和93.5%之间,而好的分类精度在85%与99.9%之间.比较基于描述符的特征与基于自回归(AR)模型的特征分类性能,结果表明多通道线性描述符是一种有效的特征提取方法.使用该方法提取特征时,理想的电极数应在7与11之间.
-
基于支持向量机的民航飞行人员人格选拔分类器的探讨
目的:探究将统计学习方法应用于心理测验所得的大量数据进行学习分析的可行性,并基于探究结果对飞行职业的人格特征进行进一步探索,为飞行人员的选拔及评估提供新的思路.方法:从某航空公司随机抽取1020名男性被试,其中飞行人员510名,非飞行人员510名,采用卡特尔16项人格测试对其进行测验,施测后对得到的16项因子分采用支持向量机就随机划分的训练组和测试组进行学习,分析学习结果.结果:挑选出4项因子作为分类的特征因子,基于线性支持向量机构建的分类器在交叉验证下的平均正确率为64％.结论:采用SVM构建的分类器具有一定的可靠性和有效性.
-
基于支持向量机的室颤信号检测算法
目的:实现室颤信号与非室颤信号的分类,进而实现室颤信号的检测.方法:本文引入了一种基于支持向量机(Support Vector Machine,SVM)和改进的越限区间算法(TCI)的新算法,其中支持向量机在处理分类和模式识别等问题中具有很大的优势.该算法采用4s的滑动窗技术,并利用改进后的越限区间算法(Threshold Crossing Interval,TCI)方法提取心电信号的特征.新算法的实现如下:在每一滑动窗内采用改进的后的绝对值阈值,计算中间2s内的平均越限间隔值.并以此TCI值作为特征参数,输入一个预先设计好的二分类支持向量机中,从而实现分类.结果:成功实现了室颤信号的检测,通过计算该方法的灵敏度、精确度、预测性和准确度且与其他方法相比较,可知此新算法总体可靠性优于其他方法.结论:该算法能够实现室颤信号的实时监测,且简单易行,易于实现,较适合实时的心电监测以及除颤仪器.
关键词： 室性纤颤(VF) TCI 支持向量机(SVM) -
基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较
运动想象脑电特征快速准确提取是脑-机接口技术研究的重要问题.本研究分别讨论了共同空间模式(common spatial pattern, CSP)与小波包分析关于左右手运动想象特征提取的原理,并对两种方法进行了比较.对于GRAZ大学提供的运动想象脑电数据,使用CSP 与支持向量机(support vector machine, SVM)结合的分类正确率高为85.5%;使用小波包分析与SVM结合的分类正确率高为99%.同时对于本实验室采用Emotiv epoc+ 系统采集的运动想象脑电数据,利用小波包分析与 SVM结合的分类正确率也保持在98%以上.实验结果表明,相较于CSP算法,小波包分析对于运动想象特征提取的效果更好.
-
非线性脑电分析技术及其临床应用
传统的脑电信号分析方法有频域(frequency domain)和时域(time domain)分析两大类.频域分析是把幅度随时间变化的脑电波变换为脑电功率随频率变化的谱图;时域分析主要是分析脑电图(EEG)波形的几何性质,如幅值、波形的持续时间等.
