首页 > 文献资料
-
基于粒子群算法与反向传播神经网络的呼吸运动预测研究
在放射治疗过程中,呼吸运动会造成某些器官组织如肺、肝的靶区发生变化,从而降低放疗的效果,并且加大对正常组织器官的伤害.因此,在放疗过程中对靶区进行呼吸运动的实时估计是一项非常必要的工作.由于具备较好的非线性拟合能力,优化反向传播神经网络(BP-NN)已经被广泛应用于呼吸的预测,然而BP-NN容易陷入局部优值.提出一种应用粒子群算法(PSO)优化BP-NN的方法减少陷入局部优值的机率,提高呼吸运动预测的精度.首先,应用PSO算法寻找神经网络的佳初始权值与阈值;然后,应用优的初始权值与阈值建立神经网络(PSO-NN);后,利用建立的PSO-NN网络进行呼吸预测.结果表明,11组肺癌病人呼吸运动预测实验对比结果表明,此算法(PSO-NN)相比单纯应用BP-NN算法的平均绝对误差由0.24减少到0.18 (25％),互相关系数由0.82提高到0.86.所提出的算法可以有效地减少BP-NN陷入局部优值的机率,提高预测的精度.
-
基于反向传播神经网络算法的瑞芬太尼药代模型构建
目的 针对短效静脉麻醉药物瑞芬太尼在药物代谢过程中存在强时变性、复杂非线性等特点,本研究期以利用人工神经网络算法建立瑞芬太尼血药浓度预测模型.方法 本研究利用人工神经网络算法,建立基于反向传播(BP)网络的瑞芬太尼药代血药浓度预测模型,并与非线性混合效应建模(NONMEM)方法预测效果进行比较.结果 BP神经网络预测结果的相对误差、平均相对误差均优于NONMEM算法.结论 通过选取适当的时药数据,利用反向传播网络算法构建的预测瑞芬太尼血药浓度模型,准确度高,实现便捷,可适用于瑞芬太尼等短效静脉麻醉药物的群体药代药效学研究和分析.
-
一种新的脑电信号睡眠分期方法
目的 研究一种新的脑电信号睡眠分期方法.方法 利用小波包变换提取EEG信号的β和δ节律波,然后采用功率谱熵算法分别处理β和δ节律波,并整合结果得到第一部分特征参数.使用基于样本熵且尺度为11,12的多尺度熵算法分别处理EEG信号,得到第二部分特征参数.终将所有特征参数输入到支持向量机或反向传播神经网络分类器中,将睡眠分为4期.结果 对1000个睡眠脑电样本进行测试,使用支持向量机分类的平均准确率为91.90％,使用反向传播神经网络分类的平均准确率为91.70％.结论 本文提出的结合小波包分解、功率谱熵和多尺度熵的方法提取的特征参数可以作为睡眠分期的有效依据,且适用于两种分类器.
-
神经网络用于口服缓释制剂的处方设计
目的用反向传播(backpropagation,BP)神经网络,从药物的溶解度设计符合一定释放度要求的缓释制剂处方.方法选取9种药物(异烟肼、利巴韦林、盐酸地尔硫,盐酸雷尼替丁、盐酸环丙沙星、茶碱、替硝唑、丙基硫氧嘧啶、磺胺甲唑)作为模型药物,按HPMC∶糊精=(5-0.2)∶1配比制成不同释放度的缓释片,测定各个处方的释放度,其释放度数据用于BP神经网络的建模、训练.结果得到隐含层为一层、结点数为5个和迭代次数为25次的佳神经网络,并成功拟定了4个制剂处方,按此处方制备的缓释片的实测释放值与神经网络预测值相符.结论由MATLAB 5.1中的BP神经网络和优化工具箱编写的程序可根据药物溶解度设计符合某一释放度要求的缓释制剂处方.
-
基于遗传算法优化的BPNN读者满足率评价模型
在分析读者满足率意义及与其相关因素的基础上,提出了基于遗传算法优化的BPNN读者满足率评价模型,并通过实验验证了其有效性.
-
反向传播神经网络结合超声诊断乳腺癌
目的:探讨利用反向传播神经网络结合超声对乳腺癌的诊断价值.方法:选择55例乳腺癌进行常规超声及超声造影,了解有无微钙化灶,通过应用Qontraxt软件绘制时间-强度曲线,以其中35个病例的峰值强度、达峰时间、曲线尖度及曲线下面积及有无钙化为输入变量,肿瘤的良恶性为输出变量,建立反向传播神经网络,并用其预测另20例的肿瘤良恶性.结果:利用微钙化灶对乳腺癌诊断的敏感性、特异性和准确率分别为69.7%、90.9%、60.6%;超声造影对乳腺癌诊断的敏感性、特异性和准确率分别为87.9%、81.8%、69.7%;反向传播神经网络联合超声造影和微钙化灶对乳腺癌诊断的敏感性、特异性和准确率分别为91.7%、87.5%、79.2%.结论:选择合适的超声造影和常规超声参数建立的反向传播神经网络,可提高乳腺肿瘤良恶性判断的准确性.
-
人工神经网络在上海市肾综合征出血热发病率预测中的应用
[目的] 应用人工神经网络的方法开展上海市肾综合征出血热发病率的预测.[方法] 采用广义回归神经网络和反向传播神经网络的方法,将上海市历史人群抗体阳性率、宿主动物的监测资料和气象数据作为训练样本进行上海市肾综合征出血热历史疫情拟合,并开展未来发病率的预测.[结果] 两种人工神经网络方法可综合监测资料,对上海市散发的肾综合征出血热的发病率进行拟合和预测,广义回归神经网络方法的拟合和预测效果优于反向传播神经网络方法.[结论] 人工神经网络方法可以用于上海市肾综合征出血热发病率的预测,上海市未来发病率可能保持在低水平.
-
反向传播神经网络用于牛黄解毒片的质量评价研究
目的:研究中成药牛黄解毒片的质量评价方法.方法:应用反向传播神经网络(BP神经网络)模型.结果:该分类结果与其它经典方法一致,识别准确率为100%.结论:该方法具有较强的容错能力和较快的识别速度,简单易行,便于大规模的数据处理,也可用于其它中成药的质量评价.
-
超声结合人工神经网络技术预测血清促黄体激素基础值
目的:利用超声结合人工神经网络技术预测血清促黄体激素(luteinizing hormone,LH)基础值.方法:选用71例性早熟女童进行常规超声检查子宫、卵巢,以其中61个病例的子宫体积、卵巢体积以及双侧卵巢大卵泡内径为输入变量,以LH基础值为输出变量,建立BP神经网络,并用另10个病例作为测试检验,将预测结果与实际值作统计分析.结果:BP网络预测的结果与实际值作线性回归,得到回归直线的斜率为1.0088,回归直线的相关系数为0.977.结论:性早熟女童超声检查结合BP神经网络技术可以预测LH基础值.
-
肝癌31磷磁共振波谱数据的分类
目的 利用31P磁共振波谱分析数据,区别肝细胞肝癌、肝硬化和正常的肝组织.方法 从33例包括肝细胞肝癌、肝硬化和正常肝的志愿者中选择66个有效体素样本,利用1.5T超导MR扫描仪采集31P MRS数据,通过BP神经网络和SVM模型的实验来区别肝细胞肝癌、肝硬化和正常肝脏组织.结果 有限的样本实现了良好的分类性能,反向传播神经网络(BP)和支持向量机(SVM)模型可以提高31P MRS识别率,识别率可达92.31%.结论 基于BP和SVM的31P MRS数据分析,对于活体肝细胞肝癌的诊断提供了一种可选择的有价值的技术.
-
超声结合BP神经网络预测GnRH激发试验中促黄体激素水平
目的:探讨超声结合人工神经网络技术预测促性腺激素释放激素(GnRH)激发试验中血清促黄体激素(LH)基础值及峰值的可行性.方法:对71例性早熟女童行常规超声检查子宫、卵巢,以其中61例的子宫体积、卵巢体积以及双侧卵巢大卵泡内径为输入变量,分别以LH基础值及峰值为输出变量,建立反向传播(BP)神经网络,并将另10例作为测试样本,分析此10例的预测值与实际测量值的差异.结果:利用BP神经网络对LH基础值及峰值的预测结果与实际检测值比较差异无统计学意义.结论:利用超声结合BP神经网络预测GnRH激发试验中LH水平是可行且有效的.
关键词： 反向传播神经网络 超声 促性腺激素释放激素激发试验 促黄体激素 -
基于主成分分析和反向传播神经网络的肝癌细胞后向散射显微光谱判别
为了实现血液中肝癌细胞的自动识别,本文基于主成分分析(PCA)和反向传播(BP)神经网络算法对三种细胞(小鼠的白细胞、红细胞和人体肝癌细胞HepG2)进行了识别研究.利用光纤共聚焦后向散射(FCBS)光谱仪获取光谱数据后进行PCA,选取前两个主成分作为光谱的特征,建立一个具有2个输入层节点、11个隐层节点、3个输出节点的神经网络模式识别模型.选取195例对象数据训练该模型,随机抽取150组数据作为训练集,45组数据作为测试集,验证模型给出的细胞是否识别准确.结果显示三种细胞的整体识别准确率在90％以上,平均相对偏差只有4.36％.实验结果预示采用PCA+BP算法能够从红细胞和白细胞中自动识别肝癌细胞,这将为研究肝癌的转移与肝癌的生物代谢特性提供有利的工具.
-
基于经验模态分解与独立成分分析的心肺复苏伪迹自适应滤除算法
心肺复苏(CPR)过程中实施的胸外按压引起的伪迹会严重降低除颤节律辨识的可靠性.本文提出了一种无需参考信号的CPR伪迹自适应滤除算法.结合经验模态分解(EMD)和独立成分分析(ICA),将真正的心电节律信号从受CPR伪迹干扰的心电信号中分离出来.为评估算法的效果,构建了一个用于除颤节律辨识的反向传播神经网络.采集了1 484例受CPR伪迹干扰的猪的心电信号用于实验.实验结果表明,该算法可以在很大程度上抑制CPR伪迹的影响,从而显著提高CPR过程中除颤节律辨识的准确性.
-
针穿刺软组织变形预测模型研究
配制了与人体软组织性能相近的水凝胶人造软组织.采用由光学平台、相机及支架、相机光源等组成的图像采集设备,记录嵌入在软组织内标识物的连续位移,研究穿刺过程中软组织的变形规律.在分析标识物在X方向和y方向上位移的基础上,基于反向传播(BP)神经网络,建立标识物在y方向上的神经网络模型.通过与实验数据对比,神经网络模型的拟合度在95％以上,有效数据的大相对误差控制在30％,大绝对误差为0.8 mm,能够较好地定量预测穿刺过程中软组织的变形.研究结果可有效提高软组织针穿刺靶点精度.
-
应用遗传算法优化神经网络的致死性心电节律辨识算法研究
致死性心电节律的辨识和分类是自动体外除颤仪的关键任务.本文对已存在的心电节律辨识算法提取出的21个特征值进行了回顾性研究,并基于这些特征值构建了一个遗传算法优化的反向传播神经网络.以数据库提供的l 343例心电信号样本用于实验.实验结果表明,本文构建的神经网络在对窦性节律、心室颤动、室性心动过速、心脏停搏4类心电信号的辨识分类上有很好的表现,在测试集上的平衡准确性高达99.06％;相较已存在的算法,辨识性能更好.将该算法应用在自动体外除颤仪上,将进一步提高除颤前节律分析的可靠性,终提高心脏骤停的存活率.
