基于焦点损失函数的嵌套长短时记忆网络心电信号分类研究EI北大核心CSCD

心电图(ECG)可直观地反映人体心脏生理电活动,在心律失常检测与分类领域中具有重要意义。针对ECG数据中类别不平衡对心律失常分类带来的消极作用,本文提出一种用于不平衡ECG信号分类的嵌套长短时记忆网络(NLSTM)模型。搭建NLSTM学习并记忆复杂信号中的时序特征,利用焦点损失函数(focal loss)降低易识别样本的权重;然后采用残差注意力机制(residual attention mechanism),根据各类别特征重要性修改已分配权值,解决样本不平衡问题;再采用合成过采样技术算法(SMOTE)对麻省理工学院与贝斯以色列医院心律失常(MIT-BIH-AR)数据库进行简单的人工过采样处理,进一步增加模型的分类准确率,最终应用MIT-BIHAR数据库对上述算法进行实验验证。实验结果表明,所提方法能有效地解决ECG信号中样本不平衡、特征不突出的问题,模型的总体准确率达到98.34%,较大地提升对少数类样本的识别和分类效果,为心律失常辅助诊断提供可行的新方法。     

基于生成对抗网络的乳腺癌组织病理图像样本均衡化

针对乳腺癌组织病理图像中各类样本的不均衡性,本研究构建了基于条件控制和深度卷积的两种乳腺癌组织病理图像样本生成对抗网络并生成人造样本,以实现样本均衡化。实验验证了两种网络用于数据均衡化的可靠性,发现在处理不均衡数据时基于深度卷积的生成对抗网络效果更好,基于条件控制的生成对抗网络鲁棒性更强;分析了增加人造样本对深度学习算法的影响。结果表明,本研究提出的数据均衡化方法将训练所得网络的分类准确率平均提升了近5%,生成对抗网络可以缓解深度学习在医学领域的应用中数据分布不平衡的问题。     

基于超参数优化的TransCNN眼底图像分类算法

针对深度学习模型参数多、随机、训练时间长，眼底图像病变处交织重叠、数据集样本不均等问题，提出基于超参数优化的TransCNN(Deho-TransCNN)眼底图像分类算法。该算法以TransCNN网络模型为基础，利用差分进化算法分别对模型网络权重进行初始化寻优和对模型进行超参数组合实现参数自适应优化；最后利用MEB-KSVM对眼底病变图像进行多分类。实验结果表明，改进算法的准确率、敏感性、特异性以及AUC值最优，分别为0.947、0.926、0.937、0.945，与文中9种传统算法比较，分别平均提升5.6%、6.4%、5.1%、7.9%；改进算法检测时间最低，与最佳算法改进CNN相比，平均检测时间降低158.3%。改进算法在一定程度上提升图像多分类效果，降低图像检测时间，对图像多分类处理有一定泛化能力。     

从肿瘤基因表达数据挖掘分类规则的研究

基于肿瘤基因表达数据,利用信息科学的方法和技术建立肿瘤预测分类模型,对肿瘤基因表达模式研究和肿瘤的诊断识别具有重要意义.本研究提出一种从肿瘤基因表达数据中直接挖掘分类规则建立肿瘤预测分类器的方法.该方法首先抽取实验样本集,分别找出标记肿瘤和正常组织样本的分类特征,由此生成可预测样本类别的分类规则,对每个未知类别样本,按照置信度最高原则,选择一个分类规则作为预测结构.本研究的实验数据来自Broad Institute的前列腺癌基因表达数据,实验结果显示该方法的预测精度在90%以上,且同时获得了大量结构透明的分类预测规则,表明本研究的方法是可行的和有效的.     

构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态

研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需最具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.     

基于U-net的心脏自动勾画模型的临床应用及改进

目的:拟分析基于不同医院数据的心脏自动勾画模型在临床应用中的适用性及其改进方法。方法:首先,建立基于U-net和Inception模块的心脏自动勾画网络。其次,收集不同治疗中心的患者数据:中国科学技术大学附属第一医院65例（数据1）、MICCAI2019比赛数据50例（数据2）、数据1和2的混合数据（数据3）、郑州大学第一附属医院50例（数据4）和郑州大学第一附属医院100例（数据5）,分别训练得到模型1～5。然后,以郑州大学第一附属医院59例患者作为测试集,使用形状相似性系数（DSC）评估该测试集在不同模型上的分割精度,比较模型之间的差别。最后,将模型3作为心脏预训练模型,采用数据5进行模型再训练,分别测试3组实验（20例/次×5次、10例/次×10次、5例/次×20次）对心脏预训练模型的改进情况。结果:测试集在模型1~5中的平均DSC为0.926、0.932、0.939、0.941和0.950。在再训练过程中,模型在20例/次×5次的实验中表现更稳定。结论:基于不同医院的数据训练模型在心脏自动勾画的临床应用上表现存在差异,使用本地医院数据进行训练的模型预测精度更高。对于非本地数据训练的模型,基于本地数据再训练可以有效提高模型预测的精度,其中以20例/次的再训练方式效果较好。     

加权SVM在中医舌象分类与识别中的应用研究

加权SVM是解决不均衡舌象样本分类和识别的有效方法，但在边界支撑向量很少是错分样本的情况下，已有方法有时不能取得良好的效果。本研究首先采用已有的加权方法进行舌象样本的分类与识别，在训练结果不能使得大小样本的分类率得到很好均衡的情形下，分别进一步加大和缩小重要样本和非重要样本的惩罚项，直到满足要求为止。理论分析和实验均表明该方法的有效性。     

基于非结节自动分类的二维卷积网络在肺结节检测假阳性减少中的应用

目的针对计算机断层扫描(computed tomography, CT)图像的肺结节自动检测中灵敏度低及存在大量假阳性的问题,本文提出了一种基于非结节自动分类的二维卷积神经网络(convolutionalneural network, CNN),并用于肺结节检测中的假阳性减少。方法首先对CT图像进行预处理,通过对原始CT图像重采样和归一化,解决不同样本像素间隔不一致及图像对比度不统一问题;采用结节不同空间方向的二维切片信息采集进行正样本扩充,负样本无监督分类方法平衡正负样本数量;分别利用不同类别负样本与正样本训练二维卷积神经网络,获得多个用于降低假阳性的2D CNN肺结节检测模型,对LUNA16提供的假阳性减少数据集进行五折交叉验证,利用官方提供的评估程序对模型进行评估。结果通过与直接使用单个2D CNN进行分类的模型比较,对非结节分类后训练多个模型的分类结果较佳,最终竞争性指标(competition performance metric,CPM)竞争性得分0.849。结论基于非结节自动分类的2D CNN模型可以有效地对假阳性肺结节进行剔除,相较于其他2D CNN具有竞争力,可为肺癌早期筛查提供帮助。     

基于动态心脏模型的体表心电图仿真研究

以往的电生理心脏模型大多是静态的,而非动态模型.这样在用准静电场理论求解体表电位时,整个心动周期中等效心电偶极子（源点）与体表（场点）之间的距离假设为恒定不变,从而会引入较大的系统误差.因此,为了更准确仿真心电图,有必要采用动态或跳动的心脏模型.基于原来静态心脏模型,构造了一个动态心脏模型,并对体表12导联心电图进行仿真比较研究.在动态心脏模型中考虑了心肌电兴奋引起的心脏机械力学收缩,通过计算心动周期中心室壁的位移,从而将心脏与体表之间的相对距离变化考虑进体表电位计算过程.仿真结果表明,对于正常心电图,基于动态心脏模型的仿真结果比基于静态心脏模型的仿真结果更符合临床记录心电图,特别是V1-V6胸导联的ST段和T波.对于前壁轻微缺血情况,在动态心脏模型的仿真心电图中能明显看出ST段和T波的变化,而在静态心脏模型的仿真心电图中与正常心电图相比看不出什么变化.本研究的仿真研究证实了动态心脏模型的确能更准确地仿真体表心电图.     

融合脑电与近红外脑地形图特征学习的多模式分类

脑地形图可以用来可以监测大脑的活动状态，为了准确提取被试大脑活动产生信号的空间特征以及有效提高分类准确率，结合脑地形图和卷积神经网络提出一种多模态脑地形图神经网络分类算法(MBTMNN),对运动想象和心算进行分类识别。对脑电和近红外信号进行预处理，提取脑电的能量特征和近红外中氧合血红蛋白浓度特征，结合各自电极位置统一所有样本的colormap后生成脑地形图，将二者同时输入到卷积神经网络并在特征层进行融合得到训练模型。利用2017年柏林脑电-近红外公开数据集进行六折交叉验证实验，数据集包含29名被试，各300个样本，在运动想象左/右、心算/静息、运动想象/心算/静息和运动想象左/右/心算/静息等4种分类场景中，分别达到了82.91%、94%、90.34%和78.18%的准确率，高于同数据集的近期研究和单模态方法。所提出方法能够有效融合脑电和近红外信号以提高分类精度。     

An ischemia detection method based on artificial neural networks

An automated technique was developed for the detection of ischemic episodes in long duration electrocardiographic (ECG) recordings that employs an artificial neural network. In order to train the network for beat classification, a cardiac beat dataset was constructed based on recordings from the European Society of Cardiology (ESC) ST-T database. The network was trained using a Bayesian regularisation method. The raw ECG signal containing the ST segment and the T wave of each beat were the inputs to the beat classification system and the output was the classification of the beat. The input to the network was produced through a principal component analysis (PCA) to achieve dimensionality reduction. The network performance in beat classification was tested on the cardiac beat database providing 90% sensitivity (Se) and 90% specificity (Sp). The neural beat classifier is integrated in a four-stage procedure for ischemic episode detection. The whole system was evaluated on the ESC ST-T database. When aggregate gross statistics was used the Se was 90% and the positive predictive accuracy (PPA) 89%. When aggregate average statistics was used the Se became 86% and the PPA 87%. These results are better than other reported.     

基于传递熵的复杂网络人体平衡特征分析

为克服人体平衡能力医学评估方法中的主观性缺陷,提出一种基于相位同步数据筛选和传递熵脑网络特征的人体平衡能力评估算法;采集20名被试在本体觉与视觉分别被阻断的4种范式下共1 200 min的EEG平衡数据;基于人体平衡生理机制,利用相位同步特性计算每段数据间的锁相值,并按照调节指标筛选出有效数据段,经过数据筛选后得到859段有效数据,每段长度在50~2 000 ms。利用该数据构建基于传递熵的脑功能网络连接模型,并定义了一种能够同步反映人体平衡信息接收与运动感觉协同处理的特征系数。在同一批次的实验数据中进行10折交叉验证。结果发现,新特征的加入将4类范式的整体分类准确率提高到73.63%,高于其他脑功能网络特征(56.23%)和足底压力中心(COP)特征(67.90%)。根据同步性分析结果推断视觉系统在人体平衡调节中占据主要作用;人体平衡协调新特征的应用可使平衡分类结果准确性有效提高。     

基于SE-CapsNet的肺结节良恶性诊断研究

在过去的几年中,肺癌是癌症相关死亡的主要原因。提出一种针对低剂量计算机断层扫描(CT)影像精细化预处理条件下的SE-CapsNet分类方法,解决传统肺结节诊断方法中分类精度低、假阳性高等问题。改进胶囊神经网络分类算法:对最新Hinton的胶囊神经网络进行改进,引入新的非线性激活向量,避免全局向量压缩;采用特征重标定的方法,在特征通道层面进行模型优化。在标定的感兴趣区域,利用自动阈值法对CT影像进行预处理,并在中心结节处进行样本采样,获得预处理结果数据样本。选用内含1 010个病例的公开数据集LIDC-IDRI和某医院30个脱敏肿瘤患者病例,评估改进的SE-CapsNet算法,评价指标包括准确性、敏感性和特异性。在LIDC-IDRI数据集与医院数据集中,SE-CapsNet算法的平均准确率分别达到95.83%和94.67%,优于基于CapsNet分类算法的平均准确率。此外,在分类算法的耗时方面也具有明显优势,改进的胶囊网络能够更快地收敛,得到稳定的结果。     

基于迁移学习和空洞卷积的癫痫状态识别方法

癫痫患者脑电信号的自动检测和发作诊断对临床治疗癫痫具有重要意义。针对训练数据有限及训练与测试数据分布不一致的难点,采用领域间联合知识迁移学习方法,实现小训练数据量下的癫痫状态识别。首先对脑电信号进行4层小波包分解,提取小波包分解系数作为特征,通过边缘分布和联合分布迭代调整,完成源域和目标域特征之间的知识迁移,训练空洞卷积神经网络作为分类器,完成目标域癫痫状态识别。分别在波士顿儿童医院CHB-MIT脑电数据集(22 例被试,共计790 h)和波恩大学癫痫脑电数据集(5 组,每组100 个片段,每段23.6 s)上进行算法验证,实验结果表明,所提出的方法对复杂癫痫状态的平均识别准确度、敏感性、特异性在CHB-MIT数据集上达到96.8％、96.1％、96.4％;在波恩数据集上,平均识别准确率为96.9%,有效提高了癫痫状态识别综合性能,实现了癫痫发作稳定可靠检测。     

基于卷积神经网络的外周血白细胞分类

白细胞图像的自动分类有助于提高临床诊疗效率,但仍需进一步改进方法以提高分类正确率。探索用卷积神经网络(CNN)进行外周血白细胞图像的自动分类识别。在深度学习框架Caffe上,以AlexNet和LeNet为网络原型构建CNN训练平台;用CellaVision DM96采集外周血涂片中的5类白细胞图像,经人工鉴定后按训练∶校验∶测试=7∶2∶1的比例,随机分配图像构建原始数据集,再通过平移、旋转及镜像构建扩充数据集;训练时采用随机梯度下降算法优化模型权值,以分类准确率>95%为目标评估训练结果及优化调整网络结构。结果发现,AlexNet的训练误差无法收敛,陷入局部极小,LeNet则达到预期目标。随后对LeNet网络进行删减优化,获得一轻量高效的新结构--CCNet,其在模型大小、训练用时和分类用时上分别仅为LeNet的1/1000、1/3和1/30。两者对979张5类细胞图像的最佳分类准确率分别达到99.69%和99.18%,高于目前同类研究报道。结果表明,CNN可用于5类白细胞图像的“端对端”分类识别,特别是CCNet模型兼具准确与效率优势。     

ST shape classification in ECG by constructing reference ST set

Abnormal changes in the ST segment of an electrocardiogram (ECG) are very important diagnostic parameters for detecting myocardial ischemia. ST segment analysis requires a long-term ECG recording because of the transient change of the ST segment. Deviations of the ST segment are generally related to myocardial abnormality. In this study, we classify the ST segments by their morphology. First, a set of reference ST shapes is given. The ECG analysis algorithm developed in this study consists of feature point detection and ST shape classification. S wave and J-point detection are performed during the process of feature point detection, and the proposed algorithm classifies the STs into reference ST shapes. To improve the performance of ST shape classification, the rules for the trend of previous beats and the shape type of previous beats are used. The results from the proposed algorithm can provide information on the change in the ST shape. In our evaluation for classification of STs by their morphology using the test ECG data, the global correct rate was 83.14%. The best accuracy of existing ST level detection algorithms are 90% and over. However, considering that ST level detection algorithms cannot show the change of ST morphology; and that there are no studies about the classification of STs by their morphology using a reference ST set, the proposed algorithm is worthy of note.     

基于变尺度符号化补偿传递熵的EEG压力情感分析

基于脑电信号的情感识别,对于相关情感疾病的诊断与治疗有着重要的临床和科研意义。如何有效地提取特征,提高识别率,减少计算时间是研究的重点。从研究脑通道间定向信息交互的角度出发,结合对瞬时因果效应的补偿算法,提出以变尺度符号化补偿传递熵(VSSCTE)为特征的情感分析方法,并以此构建情感因效性脑网络,使用网络测度与ReliefF特征优化选择算法进行通道选择。结果显示,在使用DAEP数据集中处理后的127个压力状态和125个平静状态的数据时,较传统的二元传递熵方法,VSSCTE的特征提取方法在压力和平静情感二分类上的准确率提升约15%,达到96.74%;进行脑电通道优化后,当通道数由32个降至15个时,分类准确率仅下降约2%(分类准确率为94.36%),计算时间从51.27 s降至23.84 s。所提出的VSSCTE脑电特征提取方法可以有效分析情感变化时脑区之间的信息交互,为情感分析和计算提供新的思路。     

一种疲劳驾驶检测中的脑电信号通道选择方法

针对传统的基于全通道脑电信号(EEG)的疲劳驾驶检测方法中存在数据冗余和硬件设施复杂的问题,提出一种基于阈值筛选的通道选择方法。首先对多个特征计算标准差等指标分别筛选出每个特征各自的理想通道;其次使用多层感知超限学习机(H-ELM)和使用粒子群优化算法(PSO)优化后的多层感知超限学习机(PSO-H-ELM)分别对理想通道的数据进行二分类, 并且与全通道数据的分类结果进行对比。分别采用了2组实验数据(一组数据通过实验室的模拟驾驶设备采集,受试6人;一组数据来自于公开数据集,受试12人;两者采集设备不同)对提出的方法进行了验证。实验结果表明,对于18名受试者,使用集合经验模态分解(EEMD)所获得的有限个本征模函数(IMF)的功率谱(PSD)特征普遍能够得到较多理想通道,并且对于同一设备,理想通道的分布大致相同并且通道数较少(分别为8个和11个通道)。同时,此通道选择方法还极大提高了疲劳驾驶检测的分类准确率(18 名被试在使用理想通道数据下的平均准确率达到了99.75 %,比使用全通道数据的准确率提高19.36 %)。此外,样本熵的理想通道与功率谱的理想通道几乎不重合,说明两种特征具有很好的互补性,两者特征结合提高了本方法的实用性,在疲劳驾驶检测的应用上具有一定参考价值。     

一种基于二维云模型理论心电信号ST段的检测方法

背景：目前对于异常ST段的形态特征的评价体系,尚无精确数学化模型分类及识别标准,这阻碍了对某些心血管疾病进行计算机自动识别程序算法的进展。 目的：找到一种符合医学诊断逻辑思维的心电信号ST段分析方法,为心电图ST段变化的实时分析提供新的思路。 方法：针对采集的心电数据模糊性和随机性较大的特点,提出了一种基于两维云模型的心电信号ST段的检测方法,其对二维正态云发生器隶属度进行判断,并进行心电信号ST段的形态判定。 结果与结论：利用Matlab对本算法进行仿真,并通过标准心电数据库(欧共体CSE数据库)中数据进行算法准确性验证,统计结果表明该算法ST段的识别率较高,对于大数据量的心电信号处理快捷有效,为ST段的准确分析提供了新的方法。     

基于极限梯度提升和深度神经网络共同决策的心音分类方法

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。