利用神经网络集成预测MHC-Ⅰ类分子结合肽

目的：利用神经网络集成（NNE）预测MHC-Ⅰ类分子结合肽。 方法： 基于HLA-A*0201编码的MHC-Ⅰ类分子结合肽数据库（含有628个9聚物）及其结合能力分类，利用NNE分别对具有无、低、中和高4类亲合性的结合肽进行分类预测；同时还进一步利用T细胞真实表位集（含50个表位）评估了NNE的预测性能。 结果： 集成数为12的NNE对上述分类的平均预测命中率可达0.8,而且NNE对潜在T细胞表位的预测能力也较高，约84%的真实表位归于高和中等亲合性的潜在抗原肽一类。 结论： 可以利用神经网络集成预测MHC-Ⅰ类分子结合肽，并进而预测相应的T细胞表位。经适当修改，NNE预测工具可扩展为能涵盖任意长度的Ⅰ类分子结合肽甚至可扩展到Ⅱ类分子结合肽的预测。     

混合神经网络模型用于煤焦气化过程的模拟

以煤焦气化反应模型为基础,结合BP神经网络参数估计器,建立了用于模拟煤焦气化过程的混合神经网络模型。结果表明该混合神经网络模型能很好地描述煤焦的气化过程,可以得到在实验过程中无法测得的2个参数,即：在煤焦中具有活性的碳与总碳的比值A和具有活性碳的单位质量反应速率Rr。     

人工神经网络在医学统计与信息处理方中的应用综述

神经网络作为一种新型的统计计算和信息处理方法有其独特的优越性,这里举出近年来我国和国际医学工作者在使用神经网络进行医学统计和信息处理的几个案例。由此说明神经网络将是很有前途的统计和信息处理方法,并对其未来做展望。     

基于遗传算法优化BP神经网络在心电图身份识别中的应用

背景:近年来的医学研究表明心电图具有稳定性和惟一性,且易于采集,不能仿造和复制,符合用于身份识别的生物特征所具备的条件.心电图身份识别技术具有重要的现实意义和广泛的应用前景.目的:观察基于遗传算法优化的BP神经网络在心电图身份识别中的应用效果.方法;将基于遗传算法优化的BP神经网络用于心电图身份识别.首先,采用小波技术消除噪声干扰并提取II导联P波、QRS波、T波特征点;其次,选择包含个体身份信息的幅值、间期特征作为输入向量,设计BP神经网络分类器;然后,采用遗传算法对BP网络的权值和阈值进行优化,实现身份识别;最后采用临床数据榆验该方法的有效性.结果与结论:以30个人为实验样本,平均识别准确率达到96.3%.提示基于遗传算法优化的BP神经网络身份识别算法识别准确率高,可以有效应用于心电图身份识别.     

血清学指标在慢性乙型肝炎肝纤维化诊断中的应用评价及神经网络纤维化诊断模型的建立

目的对17项肝纤维化血清学指标诊断肝纤维化的价值进行评价,并筛选出有意义的指标用于构建肝纤维化神经网络诊断模型。方法留取254例本院经病理诊断明确为肝纤维化的慢性乙型肝炎患者的血清,并对17项与肝纤维化相关的血清学指标进行检测及统计学分析。利用多因素Logistic回归分析筛选出6项诊断价值较高的血清学指标作为诊断模型的输入指标,建立神经网络诊断模型。结果共13项指标与纤维化程度具有相关性（P〈0．05）,但单项指标的诊断价值均不理想[受试者工作特征曲线下面积（alea under receiver characteristic curve,AUROC）〈0．75]。将年龄、γ-谷氨酰转移酶、PLT、PT金、属蛋白酶组织抑制因子-1和DBIL这6项指标组合为诊断模型,其诊断价值优于任何单项指标（AUROC--0．834）,以此建立的神经网络模型诊断正确率、灵敏度和特异度分别为77．9％、82．7％和75．4％。结论通过本实验筛选的6项指标组合具有较高的诊断效率,同时以此为基础建立的神经网络模型也具有很好的临床诊断灵敏性和特异性,具有较好的临床应用前景。     

基于卷积神经网络和Transformer的肝脏CT图像分割方法

针对现有的卷积神经网络在肝脏图像分割上精度较低的问题,提出了一种以U-Net网络模型为基础的分割算法。将多头自注意力机制引入到U-Net网络的跳跃连接中,在编码器部分使用空洞卷积,采用混合损失函数从而提高分割精度。在LITS数据集上通过实验结果表明,利用本文方法进行肝脏分割与传统U-Net方法相比Dice系数提升3.3%,平均交并比提升了2.4%,平均像素准确率提升了3.66%。     

深度学习算法在脑电信号解码中的应用

近年来深度学习算法得到飞速发展,在生物医学工程领域的应用也越来越广泛。其中,利用深度学习算法从脑电信号(EEG)中解码生理、心理或病理状态也受到越来越多的关注。综述近年来深度学习算法在EEG解码中的应用,介绍常用算法、典型应用场景、重要进展和现存的问题。首先,论述常用于EEG解码的几类深度学习算法的基本原理,包括卷积神经网络、深度信念网络、自编码器和循环神经网络等。然后,讨论深度学习算法的几个典型EEG解码应用场景,包括脑机接口、情绪与认知识别、疾病辅助诊断。结合应用实例,归纳深度学习算法在EEG解码中的常见问题、解决方案、主要进展和研究趋势。最后,总结深度学习应用于EEG信号解码中仍待解决的一些关键问题,如参数复杂度、训练时间以及泛化能力等。     

基于多分辨率分析的心室晚电位神经网络检测

采用多分辨率分析和人工神经网络相结合的方法实现对心室晚电位的检测。首先利用多分辨率分解技术提取高分辨率心电信号不同频带的能量构成一组特征值 ,再利用这些特征值训练BP神经网络 ,并完成对心室晚电位的识别。经过对 2 8例 3导高分辨率心电图实验数据的处理 ,取得了较高的识别准确率     

放射治疗计划的神经网络优化算法

本文针对常用的治疗计划线性规划法 ,首次提出了一种基于神经网络的优化算法。与传统方法相比 ,神经网络优化算法可以克服传统算法求解时出现的问题 ,具有很强的鲁棒性和非线性动态系统的特征 ,可以减小问题的规模 (待求的自由变量个数 )。文中的实验结果表明这种神经网络模型的正确性     

结合二维灰度直方图与PCNN的医学图像多类分割

针对医学图像中对组织器官多类分割的要求,提出一种结合二维灰度直方图的脉冲耦合神经网络（pulse coupled neural networks,PCNN）图像多类分割算法.首先根据PCNN模型的局部连接作用和阈值衰减特性对图像进行多类分割,然后利用基于类内最小离散度的二维直方图算法计算出PCNN网络迭代时的最佳门限值,从而实现医学图像的多类分割.通过对仿真的正常颅脑和非正常的颅脑核磁共振图像进行测试,结果显示本PCNN图像多类分割算法能够有效地分割出核磁共振颅脑图像中不同脑组织.因此,本文算法具有应用于医学图像的多类分割的可行性,并提高计算机辅助分割医学图像的准确性.