首页 > 文献资料
-
基于脑电运动速度想象的单次识别研究
基于运动想象脑电节律活动的脑-机接口是脑-机接口系统研究中的重要范式之一.本研究给出一种基于运动速度想象的新的研究范式,探索在该研究范式下对运动速度想象具有反应性的脑电节律活动,并进行单次识别.采集了4个健康志愿者想象左手食指快速运动(4 Hz)和慢速运动(1 Hz)时的脑电信号,速度由节拍器定节奏和训练.通过能量谱分析,在C3、Cz和C4通道发现了对运动速度想象具有反应性的频带:9 Hz至13 Hz.提取通道C3、Cz和C4上9 Hz至13 Hz频带能量构建特征空间,分别利用Fisher判别分析和多层感知器神经网络进行运动速度想象的单次识别,对于左手食指快速运动和慢速运动想象,Fisher判别分析和多层感知器神经网络取得的平均误分类率分别是27.7±1.2％,28.4±4.6％,正确识别率均在70％以上.结果表明,尽管运动速度想象的单次识别是一个困难的挑战,但通过精心设计研究范式,适当训练被试,能够诱发出对速度起反应的特征频带,基于脑电单次识别运动速度想象是可行的,该研究可望能够为脑-机接口提供额外的新的速度控制参数.
关键词： 脑电 运动速度想象 Fisher判别分析 多层感知器 脑-机接口 -
基于药物晶体的立体形态参数辨识硫酸氢氯吡格雷的不同晶型
晶体的三维形态与晶型有着天然的相关性,本文基于晶体立体形态参数,建立以硫酸氢氯吡格雷的晶型辨识方法与模型.采用同步辐射光源X射线显微CT技术(synchrotron radiation X-ray microscopic CT technology,SR-μCT)和多层感知器(multilayer perceptron,MLP)神经网络数学建模相结合的方法,以两种晶型硫酸氢氯吡格雷晶体(clopidogrel bisulfate)与微晶纤维素丸芯的混合物为样本,通过对样本进行CT扫描并重构,构建三维结构模型,得到7组三维形态参数,再基于多层感知器神经网络算法建立数学模型,用于晶型的辨识和预测.所建模型对硫酸氢氯吡格雷晶型的预测成功率为92.7％,ROC曲线下面积为96.2％.通过描述晶体三维形态可以对药物晶型进行有效辨识.晶体的体积(volume)、顶角数(number of vertices)和表面积(area)对于硫酸氢氯吡格雷晶型的确定起决定性作用.
关键词： 硫酸氢氯吡格雷 晶体三维形态 多晶型 同步辐射光源X射线显微CT技术 多层感知器 -
基于多层感知器模型的左室Tei指数参考值地理分布
目的：探讨地理环境因素纳入左心室Tei指数正常参考值制定的考量范围内及分析其对健康人左室 Tei指数参考值的影响。方法选取地形、气候、土壤3大类25项地理环境指标与健康人左心室Tei指数进行相关分析，选取有显著相关的9项指标参与多层感知器与 RBF网络建模，通过学习训练加强预测精度建立模型，与未参与建模的实测值对比，基于多层感知器模型的预测值与实测值拟合效果较好，在95％的置信度下，二者无显著差异。通过对数据的正态性检验分析，选取析取克里金插值法内插出基于多层感知器模型预测的中国健康人左心室 Tei指数参考值的地理分布图，拟合参考值的三维空间趋势图并分析环境对指标的影响机制。结果左心室Tei指数与纬度，年平均气温，年降水量，气温年较差，年平均风速，表土粉土阳离子交换量，表土CaSO4含量，表土碱度，表土盐分有显著相关性，基于多层感知器模型的预测值分布趋势由北向南依次递减，自西向东先减小后增大。结论综合生理因素和地理环境因素对参考值的影响，能够更加科学地确定参考值的分布。
-
人工神经网络对左心室肥厚筛查的应用价值
目的 本研究旨在探讨人工神经网络在左心室肥厚(LVH)筛查中的应用价值.方法 共纳入健康体检者486例,将既往病史、心电图参数等11项指标作为预测因素,建立训练集和测试集,以超声心动图结果作为结局指标,建立人工神经网络模型.同时应用相应的预测因素,建立logistic回归模型,比较两个模型间的筛查诊断价值.结果 人工神经网络模型预测LVH的灵敏度和特异度均高于logistic回归(LR)模型(灵敏度93％vs 89％,特异度91％vs 74％),人工神经网络ROC AUC大于logistic回归模型[0.964,95％CI:0.921～1.000 vs 0.889,95％CI:0.831～0.948,Z=2.016,P<0.05].结论 在预测LVH上,人工神经网络模型优于logistic回归模型.
-
基于神经网络分析法的肺磨玻璃密度结节侵袭性CT分析预测模型研究
目的 利用神经网络分析法构建肺磨玻璃密度结节(GGN)侵袭性的CT预测模型,探讨其预测的准确性.方法 回顾性分析203例经手术病理证实为肺腺癌的肺GGN的CT影像特征.采集患者基本信息,统计肺结节密度(纯磨玻璃结节或混合磨玻璃结节)、是否含有内核、大小、实性成分比例;采用评分法对空泡征、胸膜牵拉征、血管集束征三个影像特征进行量化评分,利用单因素方差分析各CT特征在不同病理分组间的差异,利用神经网络法将病例随机分为培训组(103例)和检验组(100例),建立各CT特征与GGN病理之间的预测模型.结果 203例肺GGN中AAH 20例,AIS 26例,MIA 74例,I-ADC 83例.四组病理类型间的结节性质、直径、实性成分比例以及三个影像特征通过单因素方差分析均存在显著性差异(P＜0.05).基于此数据而使用神经网络的“多层感知器”(MLP)建立预测模型.培训组总体预测准确率为80.6％ (AAH 92.9％,AIS 38.5％,MIA 91.2％,I-ADC81.0％)检验组预测总体准确率为72.0％ (AAH 50.0％,AIS 46.2％,MIA 72.5％,I-ADC 82.9％),各自变量在模型中的重要性WTMW/WTLW(0.270,100％),影像特征评分(0.263,97.6％),WTMW(0.099,36.7％),WTLW(0.097,36.0％),胸膜牵拉征(0.085,31.5％),血管集束征(0.084,31.0％),空泡征(0.051,18.8％),内核(0.027,9.9％),结节密度(0.025,9.4％).结论 基于神经网络建立的GGN侵袭性CT预测模型可用于GGN病理侵袭性评估.
