CT图像特征的自动获取与检索新方法

目的 自动获取CT图像特征，提出实现基于内容的CT图像数据库检索新方法。方法 本研究针对CT医学图像，提出应用最大期望分割算法来获取其区域特征．并组合感兴趣区域的累积直方图特征、纹理和形状信息构成检索的特征向量，从而把图像表征为特征空间中的一个向量集合。结果 当向数据库提交查询图像时，经过特征匹配，最终按相似度由大到小的顺序返回目标图像。结论 实验结果表明，本研究提出的基于内容的CT图像检索方案在满足临床需求的同时．获得了较高的查询精度和效率。     

基于混合判别受限波兹曼机的音乐自动标注算法

对于音乐自动标注任务,在很多情况下,未标注的歌曲量远远超过已标注的歌曲数据,从而导致训练结果不理想。生成模型能够在某种程度上适应少量数据集的情况,得出较为满意的结果,然而,在有充分数据集的情况下生成模型的效果却劣于判别模型。本文提出了一种结合生成模型与判别模型两者优势的面向音乐自动标注的混合判别波兹曼机模型,该模型可明显提升音乐自动标注的准确率。实验结果表明,混合波兹曼机的效果不仅好于传统的机器学习模型,同时,模型在拥有足够训练数据量的情况下与判别模型效果相当,且在训练集较少的情况下效果也好于判别模型。另外,为了防止模型过拟合,还引入了Dropout规则化方法以进一步加强模型的性能。     

基于词典与CRF算法的中文生物医学实体自动标注平台建设

目的：构建中文生物医学实体及关系的自动识别标注平台,为中文生物医学语料标注和精准医学语料积累及知识服务等提供参考。方法：基于词典和CRF算法实现中文生物医学文本的自动实体识别,利用Python、JavaScript、CSS等编程语言和Query框架等相关工具构建中文生物医学实体自动标注平台。结果：构建了一个可以自动识别中文实体且具备上传、标注、审核文本并最终存储文本等功能的中文自动标注平台。该平台能高效、准确地识别文本内容,实现自动标注。结论：该平台具备了人工导入文献、标注、管理员审核结算的功能,可以为生物医学领域的研究者进行信息的数据挖掘、中文语料库的构建提供支持。     

电子病历文本症状自动识别方法

基于症状体系识别的难点,提出一种创新的基于症状构成模式的非监督学习方法来实现电子病历症状实体的自动抽取,介绍其总体过程并与基于CRF序列标注的监督学习方法进行比较,试验证明本文所提出的方法具有良好的识别效果和可扩展性。     

CT图像特征的自动获取与检索新方法

目的自动获取CT图像特征,提出实现基于内容的CT图像数据库检索新方法。方法本研究针对CT医学图像,提出应用最大期望分割算法来获取其区域特征,并组合感兴趣区域的累积直方图特征、纹理和形状信息构成检索的特征向量,从而把图像表征为特征空间中的一个向量集合。结果当向数据库提交查询图像时,经过特征匹配,最终按相似度由大到小的顺序返回目标图像。结论实验结果表明,本研究提出的基于内容的CT图像检索方案在满足临床需求的同时,获得了较高的查询精度和效率。     

基于禁忌搜索的混合算法在驾驶压力识别中的应用

驾驶员在压力状态下行车会对驾驶安全产生很大影响,严重时甚至会造成交通事故。为准确检测驾驶员的压力状态,提取了驾驶员生理信号的多模态特征并提出了一种基于多种过滤式算法（Multi-filter,MF）与禁忌搜索算法（Tabu Search,TS）相结合的混合算法来选择有效特征向量。该算法首先采用多种过滤式算法的综合评分对原始特征集进行排序和过滤,有效降低特征维度;然后利用禁忌搜索算法进一步选出最优特征组合;最后采用支持向量机对3种不同驾驶压力水平进行分类。实验结果表明,本文提出的混合算法不仅有效地消除了高维特征向量中的冗余信息,还提升了分类准确率。     

基于深度学习和手工设计特征融合的翻唱歌曲识别模型

在翻唱歌曲识别中,手工设计的特征虽然具有高可定制性,但其采用的浅层线性结构难以表现音乐的非线性长效结构,而采用基于深度学习的特征提取算法分析音乐的非线性动力学特性可以弥补这一缺陷。本文在研究两者互补性的基础上,提出了一种融合手工特征和深度特征的翻唱歌曲识别算法。该算法分别采用深度学习模型和手工设计算法提取歌曲的音级轮廓特征和旋律特征,然后将基于这两种特征的相似度组合成相似度向量输入到改进的SVM模型中,并将输入歌曲属于翻唱组合的概率作为融合相似度。为了验证算法性能,以两个公开的数据库（covers80,covers1212）作为测试对象进行测试,实验结果表明该算法比基于单个特征的算法和基于相似度融合的算法取得了更高的识别率和分类准确率。     

基于降维的填充函数方法

提出了一个基于降维技术的填充函数方法,用以求解箱约束非线性全局优化问题。首先利用降维变换将n维问题转化为一维问题,其次对一维问题运用填充函数方法求解,证明了降维填充函数的理论性质,并给出了算法和数值实验结果。     

基于多特征条件随机场的《金匮要略》症状药物信息抽取研究

目的结合自然语言处理方法,研究可以有效抽取中医古籍中所含症状和药物文本实体信息的方法。方法以《金匮要略》为例,采用条件随机场(CRF)算法,先将文本进行分词处理,然后以词性、基于键值对的中医诊断标记集作为辅助特征,通过症状-药物BIO标签为训练特征来训练出模型,然后利用该模型对测试集文本进行自动标签标注。结果基于多特征CRF自动标注的结果准确率达到84.5%,召回率达到70.9%,F测度值达到77.1%。结论运用CRF方法加入词性、中医诊断标记集特征集进行训练得出的多特征模型,能有效提高CRF算法对中医古籍的实体抽取能力,生成的模型可用来自动化抽取中医古籍文本的症状药物实体信息。     

脑电图自动诊断研究

目的：本文介绍一种新的脑电图自动诊断系统。方法：它基于一种能识别脑电图波形特征、波幅分布、脑波周期特性和脑波节律特征的分析算法实行脑电特征抽取，再应用一种非线性几何分类识别算法（Ｋ 近邻法）进行脑电图的定量诊断。结果：对３０９例成年人脑电图随机划分为训练组和考核组，应用该脑电图自动诊断系统和脑电图医师人工诊断对照分析，在正常脑电图和轻度异常脑电图之间的正确判别率在训练组是９５．５％，考核组是６４．７％；在考核组的正常脑电图和轻度异常脑电图之间，正常脑电权重指数的判别效果的Ｚ分数是１．４９，轻度异常脑电权重指数的判别效果的Ｚ分数是１．４３（这意味着正确诊断率大于９０％）。结论：以上结果说明该方法已达到临床实用的价值。该系统也能够应用于辨别其它类型脑电图，还具有简便的在线自学能力。     

Brain MR Image Segmentation with Spatial Constrained K-mean Algorithm and Dual-Tree Complex Wavelet Transform

In brain MR images, the noise and low-contrast significantly deteriorate the segmentation results. In this paper, we propose an automatic unsupervised segmentation method integrating dual-tree complex wavelet transform (DT-CWT) with K-mean algorithm for brain MR image. Firstly, a multi-dimensional feature vector is constructed based on the intensity, the low-frequency subband of DT-CWT and spatial position information. Then, a spatial constrained K-mean algorithm is presented as the segmentation system. The proposed method is validated by extensive experiments using both simulated and real T1-weighted MR images, and compared with the state-of-the-art algorithms.     

应用自组织神经网络的盾构选型

介绍了自组织神经网络的原理算法及其在盾构选型中的应用.侧重讨论了自组织神经网络的竞争特性、自学习能力与ISODATA聚类分析法.试验表明,只要样本空间映射合理,这种自组织无监督的神经网络具有很好的自学习功能,在工程中具有广泛的应用前景.     

基于增强CT影像组学预测非肌层浸润性膀胱癌的病理分级

目的 探讨基于增强CT影像组学建立的非肌层浸润性膀胱癌（non-muscle-invasive bladder cancer，NMIBC）病理分级预测模型的诊断价值。方法 回顾性分析2015年1月至2018年12月嘉兴市第二医院病理确诊的81例NMIBC患者的临床资料，患者术前接受增强CT检查，收集其皮髓期和实质期影像资料，对膀胱肿瘤轮廓进行勾勒，提取一阶变量、纹理变量、形状特征、小波变换变量，总计1980个特征变量。采用最大相关最小冗余（max-relevance and min-redundancy，mRMR）算法与最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）算法进行特征选择，最后利用多种机器学习算法结合有意义的特征变量建立预测模型，用于比较其预测NMIBC病理分级的敏感度、特异性和准确率。结果 运用mRMR联合LASSO筛选出19个特征变量，使用K近邻分类（K-nearest neighbor，KNN）、神经网络（neural networks，NNET）、随机森林（random forest，RF）、支持向量机（support vector machines，SVM）4种机器学习算法建立模型并验证。4种模型建立成功且结果相对一致，其中RF模型表现相对稳定，在验证集中准确率为91.4%。在测试集中准确率为70.0%。结论 通过术前增强CT影像组学结合机器学习算法可精准预测NMIBC病理分级，对推动膀胱癌个性化治疗具有科学意义。     

基于支持向量机的Windows主机入侵检测系统

提出了一种基于支持向量机的W indow s主机入侵检测方法。讨论了以W indow s注册表作为数据源的入侵检测系统的结构及特征向量的提取方法。给出了基于支持向量机的入侵分类算法,通过建立支持向量描述模型进行预测。实验表明:该方法对已知样本有很高的检测率,对未知样本也有一定检测能力。     

Computer Aided Diagnosis System for Breast Cancer Based on Color Doppler Flow Imaging

Color Doppler flow imaging takes a great value in diagnosing and classifying benign and malignant breast lesions. However, scanning of color Doppler sonography is operator-dependent and ineffective. In this paper, a novel breast classification system based on B-Mode ultrasound and color Doppler flow imaging is proposed. First, different feature extraction methods were used to obtain the texture and geometric features from B-Mode ultrasound images. In color Doppler feature extraction stage, several spectrum features are extracted by applying blood flow velocity analysis to Doppler signals. Moreover, a velocity coherent vector method is proposed based on color coherence vector, which is helpful for designing to the optimize detection of flow indices from different blood flow velocity fields automatically. Finally, a support vector machine classifier with selected feature vectors is used to classify breast tumors into benign and malignant. The experimental results demonstrate that the proposed computer-aided diagnosis system is useful for reducing the unnecessary biopsy and death rate.     

面向翻唱歌曲识别的相似度融合算法

提出了一种面向翻唱歌曲识别的相似度融合算法。该算法将基于乐理特征的相似度和基于人耳感知特性的相似度融合,通过把基于节拍跟踪和瞬时频率音级轮廓（IF-PCP）的最大互相关相似度、基于和声音级轮廓（HPCP）的Q_max相似度、基于耳蜗音级轮廓（CPCP）的Q_max相似度映射到同一个多维空间,并计算其几何距离来进行相似度融合。该算法使得IF-PCP特征的节拍速度不变性、HPCP特征的和声优势、CPCP特征的人耳感知特性有效融合。为了验证算法的有效性,采用包含212首不同歌曲共502个版本的数据库作为测试对象,以平均正确率均值和TOP-N作为测试指标对算法性能进行测试。测试结果表明,与基于单一相似度算法相比,该融合算法可提高翻唱歌曲识别准确率。     

癫痫发作预测模型：斯托克韦尔变换的生成对抗与长短时记忆网络半监督方法

目的 提出一种半监督癫痫发作预测模型（ST-WGAN-GP-Bi-LSTM预测模型）,从脑电（EEG）信号的时频分析、无监督特征模型稳定性以及后端分类器设计三个方面提升发作预测性能。方法 对癫痫EEG信号进行斯托克韦尔变换（ST变换）得到时频输入,通过自适应调节分辨率和保留绝对相位,定位癫痫EEG信号的时频成分;当生成数据分布和真实EEG数据分布无重叠时,为了避免JS散度均为常数而导致特征学习失效的问题,采用Wasserstein生成对抗网络作为特征学习模型,以EM距离结合梯度惩罚策略（WGAN-GP）引导的代价函数,约束模型的无监督训练过程,进而生成高阶特征提取器;构建基于双向长短时记忆网络（Bi-LSTM）的时序预测模型,在获取高阶EEG时频特征间时序相关性基础上提升癫痫分类（预测）性能。利用公开数据集CHB-MIT头皮脑电数据集对本文提出的ST-WGAN-GP-Bi-LSTM预测模型进行评估。结果 本文的ST-WGAN-GP-Bi-LSTM预测模型在AUC、灵敏度和特异性指标上分别达到90.40%,83.62%和86.69%。与现有半监督方法相比,将原有的性能指标分别提升17.77%,15.41%和53.66%,并与基于CNN的有监督预测模型性能持平。结论 本方法有效地改善半监督深度学习模型预测性能,在癫痫发作预测中发挥无监督特征提取的优化作用。     

Automated Screening of Arrhythmia Using Wavelet Based Machine Learning Techniques

Arrhythmia is one of the preventive cardiac problems frequently occurs all over the globe. In order to screen such disease at early stage, this work attempts to develop a system approach based on registration, feature extraction using discrete wavelet transform (DWT), feature validation and classification of electrocardiogram (ECG). This diagnostic issue is set as a two-class pattern classification problem (normal sinus rhythm versus arrhythmia) where MIT-BIH database is considered for training, testing and clinical validation. Here DWT is applied to extract multi-resolution coefficients followed by registration using Pan Tompkins algorithm based R point detection. Moreover, feature space is compressed using sub-band principal component analysis (PCA) and statistically validated using independent sample t-test. Thereafter, the machine learning algorithms viz., Gaussian mixture model (GMM), error back propagation neural network (EBPNN) and support vector machine (SVM) are employed for pattern classification. Results are studied and compared. It is observed that both supervised classifiers EBPNN and SVM lead to higher (93.41% and 95.60% respectively) accuracy in comparison with GMM (87.36%) for arrhythmia screening.