基于交替方向乘子法的广义交互LASSO模型用于肝脏疾病分类

肝脏疾病特征及交互特征对于肝脏疾病的分类具有重要意义,本文在交互最小绝对收缩和选择算子(LASSO)模型的基础上,研究了广义交互LASSO模型并与其他可用于肝脏疾病分类的方法比较。首先,本文建立了广义交互逻辑斯特(logistic)分类模型,在模型参数中添加LASSO罚函数,然后将模型参数通过交替方向乘子法(ADMM)求解,得到模型系数的稀疏解。最后将测试样本代入模型,按照最大概率进行分类结果统计。通过将本文方法应用在肝脏失调数据集和印度肝病数据集的数据实验结果表明,交互特征的模型系数不为零,这说明交互特征对分类存在贡献。最终结果表明,本文提出的广义交互LASSO方法的正确率要优于交互LASSO方法,也优于传统模式识别方法,可将广义交互LASSO方法推广应用到其他疾病的分类问题上。     

特征交互lasso用于肝病分类

针对肝病分类中存在的特征交互的问题,我们研究了一种分层交互lasso分类方法。首先对logistic模型添加lasso罚函数和分层凸约束,其次采用卡罗需-库恩-塔克条件与广义梯度下降法相结合的凸优化方法给出模型求解方法,最后得到主效应特征系数与交互特征系数的稀疏解,实现模型分类。本文在两个肝病数据集上进行实验,证明了特征交互对肝病分类有贡献。实验结果证明了分层交互lasso方法可解释性强,效果、效率均优于lasso方法、全特征对lasso方法以及支持向量机、最近邻和决策树等传统分类方法。     

非增强核磁共振图像中肝脏肿瘤病理分级的定量分析方法

为了解决目前肝脏肿瘤病理分级主要依靠穿刺活检、手术病理取材等侵入式方法的问题,提出了一种在非增强核磁共振图像(MRI)上进行肝脏肿瘤病理分级的定量分析方法。首先对采集到的MRI图像,由医生在专业软件中人工分割出病灶部位,对这些病灶部位提取高通量的328维图像特征,包括灰度、形状、纹理、小波等特征,利用最小绝对收缩和选择运算符(LASSO)和交叉验证方法从中挑选出对病理分级最有价值的特征,组成影像组学模型并融合临床信息实现对肿瘤高、低分化分类的定量分析。在170位肝脏肿瘤患者的MRI图像(T1加权图像和T2加权图像)上进行实验,通过计算接收者操作特征(ROC)曲线下面积(AUC)来衡量模型的预测性能。结果表明,基于高通量图像特征的LASSO回归定量分析方法,在训练集上获得AUC为0.909,在测试集上AUC为0.800。挑选出来的图像特征组成的影像学标签可以对高、低分化进行自动分类,从而为医生提供了一种非侵入的辅助诊断方法,有助于预后判断和治疗方案的制定。     

基于深度学习方法的慢性阻塞性肺疾病危重度分类研究

本文提出了一种基于深度学习方法的慢性阻塞性肺疾病危重程度自动分类算法,并以大样本临床数据为输入特征,分析各特征在分类中所占的权重。研究通过特征选择、模型训练、参数优化、模型测试,建立了基于深信度网络架构的分类预测模型,通过对2007年、2011年两个版本的慢性阻塞性肺疾病全球倡议组织(GOLD)危重程度标准进行自动分类与测试,分类准确率均达到90%以上。同时,通过分析模型系数矩阵得出输入特征的贡献度排序,并通过该排序发现,贡献度较大的输入特征与临床诊断先验知识之间存在较好的吻合性,证明了深信度网络分类模型的有效性。通过本文研究,期望能为深度学习方法在疾病诊断辅助决策中的应用提供有效解决方案。     

基于小波变换和CNN-LSTM的肺音分类算法

目的：针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络（CNN）-长短期记忆网络（LSTM的混合深度学习肺音分类模型方法。方法：首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病。结果：CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950。结论：提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值。     

呼气信号三分类癌症检测模型的设计及评价

目的?电子鼻呼气检测技术是一种极具潜力的无创癌症检测技术。然而,现有的检测模型研究大多围绕将某一类疾病患者与健康人的区分展开。为了通过电子鼻呼气检测实现对多种癌症的鉴别,该文基于 KNN 构建 了一种三分类癌症 检测模型。方法?首先通过电子鼻采集 210 名志愿者的呼气号样本,其中160 名肺癌或肝癌患者均为医院的确诊患者,50 名健康对照者则为医院的职工或学生。对呼气样本进行预处理得到大小为210×180的原始特征数据集。然后通过卡方检验完成数据特征初筛,并利用 LDA 优化方法得到训练特征集。接着利用 K 值选择学习曲线,训练并得到最优 KNN 三分类癌症检测模型。最后对模型进行多维度评价。结果?优化后的 KNN 三分类癌症检测模型可有效区分健康人、肺癌患者和肝癌患者,性能优于其他模型,平均准确度可达到92.5%。可见,机器学习算法可助力电子鼻呼气检测在癌症检测中的推广应用。     

多变量自回归和多线性主成分分析结合的多通道信号特征提取研究

脑机接口(BCI)系统通过从脑信号中提取特征对其进行识别。针对自回归模型特征提取方法和传统主成分分析降维方法处理多通道信号的局限性,本文提出了多变量自回归(MVAR)模型和多线性主成分分析(MPCA)结合的多通道特征提取方法,并用于脑磁图/脑电图(MEG/EEG)信号识别。首先计算MEG/EEG信号的MVAR模型的系数矩阵,然后采用MPCA对系数矩阵进行降维,最后使用线性判别分析分类器对脑信号分类。创新在于将传统单通道特征提取方法扩展到多通道。选用BCI竞赛IV数据集3和1数据进行实验验证,两组实验结果表明MVAR和MPCA结合的特征提取方法处理多通道信号是可行的。     

基于条件生成对抗网络的三维肝脏及肿瘤区域自动分割

肝脏计算机断层扫描成像(CT)的三维(3D)肝脏和肿瘤分割对于辅助医生的诊断及预后具有非常重要的临床价值。为了准确快速地分割肝脏及肿瘤区域,本文提出了一种基于条件生成对抗网络(cGAN)的肿瘤3D条件生成对抗分割网络(T3scGAN),同时采用了一个由粗到细的3D自动分割框架对肝脏及肿瘤区域实施精准分割。本文采用2017年肝脏和肿瘤分割挑战赛(LiTS)公开数据集中的130个病例进行训练、验证和测试T3scGAN模型。最终3D肝脏区域分割的验证集和测试集的平均戴斯(Dice)系数分别为0.963和0.961,而3D肿瘤区域分割的验证集和测试集的平均Dice系数分别为0.819和0.796。实验结果表明,提出的T3scGAN模型能够有效地分割3D肝脏及其肿瘤区域,因此能够更好地辅助医生进行肝脏肿瘤的精准诊断和治疗。     

基于影像组学预测胰腺囊性肿瘤Ki67分子标记物的可行性研究

本文基于影像组学预测胰腺囊性肿瘤(PCN)的Ki67分子标记物表达情况。首先手动分割患者术前多排螺旋断层扫描(MDCT)图像中的肿瘤区域,然后根据肿瘤特点设计并提取409个高通量特征,再利用最小化的绝对收缩与选择算子(LASSO)回归模型进行多因素分析筛选特征,最后将筛选后的特征输入支持向量机(SVM)实现分类判别。通过重复200次LASSO筛选,记录每次被选择的特征,并将特征按照被选择的次数从高到低排序。使用十折交叉验证的SVM,测试不同的特征数量下的分类效果,重复200次并将结果取平均值以降低误差。实验结果表明,被选择次数最多的前20个特征构成最优特征子集,预测的AUC达到91.54%,准确率达到85.29%,敏感度为81.88%,特异性为86.75%。实验结果证明了通过影像组学方法预测Ki67分子标记物的可行性。     

基于数据挖掘的新疆高发肝包虫病的分型研究

目的探讨数据挖掘技术在新疆肝包虫病分型中的应用。方法提取肝包虫病CT图像的灰度-梯度共生矩阵(GGCM)和灰度共生矩阵(GLCM)特征,应用主成分分析法对各纹理特征及混合特征分别进行降维,采用支持向量机(SVM)分类器、决策树C4.5分类器、Logistic回归分类器对降维后的特征进行分类,最后对各分类模型进行受试者工作特性(ROC)曲线分析及参数评估。结果 SVM分类器对不同纹理特征下3种肝脏CT图像(单囊型、多囊型肝包虫病和正常肝脏)分类效果都明显优于决策树C4.5分类器和Logistic回归分类器。综合特征分类结果要明显优于单一特征分类结果;GGCM特征对综合分类结果的分类贡献率要高于GLCM特征。结论将SVM分类器应用于新疆肝包虫病CT图像的分型中具有一定分类优势,为肝包虫病影像学诊断提供了一定的依据,也为后期新疆肝包虫病计算机辅助诊断系统的研发奠定基础。     

基于判别式深度置信网络的心律失常自动分类方法

现有的心律失常分类方法通常采用人为选取心电图(ECG)信号特征的方式,其特征选取具有主观性,且特征提取复杂,导致分类准确性容易受到影响等。基于以上问题,本文提出了一种基于判别式深度置信网络(DDBNs)的心律失常自动分类新方法。该方法所构建的生成受限玻尔兹曼机(GRBM)自动提取心拍信号形态特征,然后引入具有特征学习和分类能力的判别式受限玻尔兹曼机(DRBM),依据提取的形态特征和RR间期特征进行心律失常分类。为了进一步提高DDBNs的分类性能,本文将DDBNs转换为使用柔性最大值(Softmax)回归层进行监督分类的深度神经网络(DNN),通过反向传播对网络进行微调。最后,采用麻省理工学院与贝斯以色列医院心律失常数据库(MIT-BIH AR)进行实验验证,对于数据来源一致的训练集和测试集,该方法整体分类精度可达99.84%±0.04%;对于数据来源非一致的训练集和测试集,通过主动学习(AL)方法扩充少量训练集,该方法整体分类精度可达99.31%±0.23%。实验结果表明了该方法在心律失常自动特征提取和分类上的有效性,为深度学习自动提取ECG信号特征及分类提供了一种新的解决方法。     

不同思维作业电信号的高准确度模式分类

本文采用独立分量(ICA)分析对不同思维作业的脑电(EEG)信号进行预处理,再用自回归(AR)参数模型提取EEG信号特征,最后利用BP网络完成对特征样本集的训练和分类.实验结果表明,所采用的方法提高了脑电思维模式作业的准确度,对两种到五种不同思维作业未经训练的数据的平均分类准确度达到79%以上,超过现有文献报道的结果.     

改进鲸鱼算法寻优支持向量机的眼动数据分类研究

支持向量机在进行不同眼动模式分类任务时受参数影响较大，针对这一问题，本文提出一种基于改进鲸鱼算法优化支持向量机的算法以提升眼动数据分类性能。根据眼动数据特点，本研究先提取注视、眼跳相关的57个特征，再利用近邻相关（ReliefF）算法进行特征筛选。针对鲸鱼算法收敛精度低，易陷入局部最小值等问题，本文引入惯性权重平衡局部搜索和全局搜索，加快算法收敛速度，同时利用差分变异策略增加个体多样性，跳出局部最优。本文对8个测试函数进行实验，结果表明改进鲸鱼算法具有最佳的收敛精度和收敛速度。最后，本文将改进鲸鱼算法优化支持向量机模型应用于自闭症眼动数据分类任务，公开数据集实验结果表明，相较于传统的支持向量机方法，本文方法的眼动数据分类准确率有着较大提升，相较于标准鲸鱼算法和其他优化算法，本文方法优化后的模型具有更高的分类精度，为眼动模式识别提供了新思路与方法。未来或可利用眼动仪获取的眼动数据，结合本文方法辅助医疗诊断。     

卷积神经网络在肝癌病理切片图像分类中的应用

目的探讨基于卷积神经网络的肝脏组织切片图像正常和病变性分类方法的可行性及应用价值。方法使用一种能够自动学习图像特征并分类的方法,先利用原始的Inception V3模型在肝脏组织切片数据集上进行训练,然后在原始模型的基础上通过微调得到改进的Inception V3模型,最后用改进的模型来实现肝脏组织切片图像正常和病变性两种类型的分类。结果改进后的Inception V3模型对肝脏切片图像的分类结果较佳,平均分类准确率达到99.2%。结论卷积神经网络的肝脏组织切片图像正常和病变性分类方法可行、合理,改进的Inception V3模型的分类效果较好。     

基于通道注意力和稀疏时频分解的运动想象分类EI北大核心CSCD

运动想象脑电信号是低信噪比的非平稳时间序列,单通道脑电分析方法难以有效刻画多通道信号之间的交互特征。本文提出了一种基于多通道注意力的深度学习网络模型,该模型对预处理后的数据进行稀疏时频分解,增强了脑电信号时频特征的差异性。然后利用注意力模块在时间和空间对数据进行注意力映射,让模型可以充分利用脑电信号不同通道的数据特征。最后利用改进的时间卷积网络进行特征融合并进行分类识别。利用BCI competition Ⅳ-2a数据集对所提算法进行验证,结果表明所提算法可有效提升运动想象脑电信号的分类正确率,9名受试者的平均识别率为83.03%,与现有方法相比,提高了脑电信号的分类精度。所提方法增强了不同运动想象脑电数据之间的差异特征,对提升分类器性能的研究具有重要意义。     

基于心率变异性分析的睡眠分期算法研究和验证

为实现睡眠分期,为穿戴式生理参数监测技术在慢病监测领域的应用提供技术支撑,发展基于心率变异性和支持向量机模型的睡眠分期算法。从心率时间间期序列中提取时域、频域和非线性等86个特征,将多导睡眠图仪的三分类结果(醒、快速眼动期、非快速眼动期)作为“金标准”,采用支持向量机作为多分类器模型;为保证训练集数据质量,使用开放睡眠数据库SHHS中由专家确认挑选的67例PSG样本作为训练集,实现特征筛选和模型参数训练。为验证模型的泛化性能,从SHHS数据库中进一步随机提取939例PSG样本,对模型性能进行测试。睡眠分期模型在训练集上的五折交叉验证的准确率为84.00%±1.33%,卡帕系数为0.70±0.03;在939例测试集上的准确率为76.10%±10.80%,卡帕系数为0.57±0.15。剔除RR间期异常(110例)和明显睡眠结构异常(29例)的样本后,测试集(800例)的准确率为82.00%±5.60%,卡帕系数为0.67±0.14。所提出的基于心率变异性分析的睡眠分期算法具有较高的准确性,大样本人群测试结果表明,该模型具有较好的普适性。     

基于联合深度网络和形态结构约束的三维医学图像分割方法

医学图像自动分割具有广泛和重要临床应用价值,特别是病灶、脏器的自动分割。基于传统图像处理方法的医学图像分割仅能利用浅层结构模型的浅层特征来识别感兴趣区域,并且需要大量人工干预。而基于机器学习的分割方法在模型建模时存在局限性且缺乏可解释性。本研究提出一种基于Transformer和卷积神经网络结合形态结构约束的三维医学图像分割方法。编码器中利用卷积神经网络和Transformer构建U型网络结构提取多重特征;解码器中采用上采样并通过跳跃连接将不同层次的特征拼接在一起;加入形态结构约束模块,通过提取病灶和脏器等分割目标的形状信息,以增强模型可解释性,并采用最大池化和平均池化操作,对经过卷积神经网络得到的结果进一步提取有代表性的特征,作为形态结构模块的输入,最终提高分割结果的准确性。在公开数据集Synapse和ACDC上利用评价指标Dice相似系数(DSC)和Hausdorff距离(HD)验证所提出算法的有效性。其中,在Synapse数据集上,18例数据作为训练集,12例数据作为测试集;在ACDC数据集上,70例数据作为训练集,10例数据作为验证集,20例数据作为测试集。实验结果表明,在Sy...     

基于计算几何分类器的帕金森病语音障碍可视化诊断分析

帕金森数据集和远程帕金森数据集是目前对帕金森病进行语音障碍分析时常用的两个数据集,由于其在帕金森病诊断方面的独特性而受到研究者的关注.针对这两个数据集,利用基于计算几何原理的多维筛分类器对其进行可视化分类,并从量化等级、子分类器个数等参数对其进行性能分析,从而获得帕金森病数据在可视化分类条件下的表现.实验结果表明,不同量化等级对诊断精度的影响大约为5％.通过与经典分类方法进行对比,发现多维筛的可视化分类方法精度高于其他分类方法至少5％,在取得更高分类精度的同时获得了良好的可解释特性.     

QRS的句法模式分类法

在自动化的心律失常检测中首先要识别QRS的不同模式,然后对其进行分类。QRS的分类方法可分为两种:模板匹配法和特征提取/分类法。模板匹配法是用时序采样点来表示QRS数据,通过互相关及面积差的计算来比较QRS的相似性;特征提取/分类法则是采用一组启发性描述因子(如幅度、面积、起始点和宽度等)或形式特征(如正交向量集的系数)来表示QRS数据,根据这些特征将每个QRS看成是N维空间的一个点(N为特征的个数),然后     

基于机器学习的心音识别分类研究

心音信号可反映心脏的病理信息,是诊断心脏健康的重要依据之一。本文首先从心音信号提取时频域、梅尔倒谱系数等145个特征作为机器学习的输入数据集,然后在随机森林、LightGBM、XGBoost、GBDT、SVM共5种分类器中选出效果最佳分类器与递归特征消除算法结合进行数据挖掘,找出重要特征集并对其分类效果做比较与分析,最后运用Stacking模型融合方法优化模型。数据挖掘特征子集比同数量特征子集在准确率、召回率、精确率、F1值上分别提高了33.51%、14.54%、20.61%、24.04%;采用LightGBM和SVM模型融合可将F1值提高至92.6%。本文提出了一种有效的心音识别分类方法,挖掘出心音最重要的8个特征,为临床诊断提供参考。