轻度认知障碍患者EEG动力学特征提取与分类方法研究进展

脑电图可用于对轻度认知障碍的病理性变化进行评估。近年来,脑电领域的特征提取和分类方法广泛地应用到对轻度认知障碍疾病的诊断中。首先从局部耦合与全局同步两个方面,深入分析轻度认知障碍患者脑电信号特征提取方法的应用情况及其优势和不足,而后对当前轻度认知障碍患者脑电信号特征进行分类的多种方法进行详细总结与分析,如支持向量机、k均值以及近年来应用广泛的卷积神经网络等,最后对该领域脑电动力学特征提取与分类方法的未来发展趋势进行展望。     

基于特征融合的肝包虫病CT图像识别

目的探讨特征融合方法在肝包虫病CT图像分类识别中的应用,旨在提高肝包虫病的诊断准确率。方法选取正常肝脏和单囊型肝包虫病CT图像各150张,对每幅图像采取空域与频域滤波算法、数学形态学算法和点处理,分别得到10幅特征子图像并对它们进行特征融合。对融合后的图像提取灰度和纹理特征,通过统计学分析筛选关键特征。结果对提取的10维特征进行统计学分析,得到正常肝脏和单囊型肝包虫CT融合图像之间完全没有交集的4个灰度和1个纹理特征取值范围,以此来区分肝包虫病与正常肝脏CT图像。结论从原始图像中提取特征子图像并进行融合,再对融合后图像提取特征的方法能够很好地区分识别正常肝脏和单囊型肝包虫病CT图像,为肝包虫病的早期诊断提供依据。     

基于锁相值和图论的脑功能网络特征提取方法

目的为了研究大脑运动想象时脑功能网络的状态变化,并区分运动想象任务,本文提出一种基于锁相值和图论的脑功能网络特征提取方法。方法首先获取Mu节律和Beta节律的运动想象脑电信号(motor imagery electroencephalography,MI-EEG),计算任意两导相同节律MI-EEG之间的锁相值;然后分别构建两个节律的脑功能网络,并提取6种全局网络特征参数,对其归一化处理后进行串行融合获得特征向量;最后以支持向量机(support vector machine,SVM)作为分类器,采用10折交叉验证法,在BCI Competition III Data Sets IIIa数据集上对两种运动想象任务进行分类。结果相比于其他脑网络特征提取方法,本文方法获得了较高的识别率,最高识别率和平均识别率分别达到100. 00%和83. 33%。结论从脑功能网络的角度,通过构建Mu节律和Beta节律两个运动节律MI-EEG的脑功能网络,提取多个反映大脑网络整体信息的特征,相对于构建单一运动节律MI-EEG的脑功能网络,提取单个网络特征参数,能够有效改善运动想象任务的识别效果,为MI-EEG信号的特征提取方法提供了一种新的思路。     

基于人工智能和临床诊断的上肢康复评估方法研究进展

脑卒中导致患者肢体运动功能障碍或缺失,严重影响了患者的生活质量。在上肢康复治疗中,医生需要对患者的上肢进行主观康复评估,但这种方法误差大、成本高。因此,人们将人工智能技术应用到医疗康复领域。本文总结了基于s EMG信号特征、运动轨迹误差特征、关节运动角度特征、关节角速度特征的客观评估方法,以及Brunnstrom等级评价法、上田敏评价法、Fugl-Meyer量表评价法、Wolf运动功能测试评价方法等主观评估方法。最后,本文认为现有的客观评估方法普遍受到训练资料过少、特征单一等因素影响。主观评估方法普遍受到评估时间过长、易受主观影响等因素影响。未来的客观评估算法还应在算法准确性、训练资料规模、多特征融合等方面继续改进。     

一种基于SVM的胶囊内窥镜出血智能识别方法

由于Wireless Capsule Endoscopy(WCE)在消化道中采集到的巨大数量的图像均需要医务人员靠肉眼来排查,给医生带来巨大的负担。该文提供了一种基于支持向量机(Support Vector Machine,SVM)分类器的胶囊内窥镜出血智能识别方法,创立一种新的特征参数,并对SVM参数的选择进行实验优化,最终达到94%的特异度与83%的灵敏度。     

用谐波小波包变换法提取GIS局部放电信号多尺度特征参数

超高频(UHF)法在GIS局部放电(PD)检测中已得到了广泛应用，UHF PD信号的特征提取对准确识别GIS内部绝缘缺陷类型和指导检修工作具有重要意义，但目前仍然缺乏有效的特征提取方法。为此，本文利用谐波小波具有严格盒形频谱的优点，提出一种提取UHF PD特征信息的谐波小波包变换(HWPT)方法，对实验室获取的4种典型放电模型产生的UHF PD信号，采用HWPT进行多尺度分解，以克服实小波包分解子带间存在频谱混叠和能量泄漏的缺陷，利用UHF PD信号在不同尺度能量和复杂度的差异，提取多尺度能量和多尺度样本熵参数作为模式识别的特征量，更加精确地描述了UHF PD信号的时频域信息。最后利用支持向量机分类识别的结果表明，该方法可以取得比实小波包更好的识别效果，多尺度能量和多尺度样本熵特征参数均能有效识别4种绝缘缺陷。     

运动想象脑电多视角深度森林解码算法

针对运动想象脑电信号特征提取操作繁琐及解码精度低等问题,提出一种基于多视角深度森林的运动想象脑电解码算法。首先,通过子频带滤波及时间窗口划分对原始信号进行细粒度分析,生成空时频能量特征。然后,对上述空时频能量特征分别进行稀疏选择和时序扫描得到重要的浅层能量特征及多示例先验类别特征。继而,将上述两类特征进行融合构建运动想象脑电多视角特征集。最后,利用级联森林的逐层特征变换挖掘深层次的抽象特征进行脑电解码。根据脑机接口竞赛数据和自行采集的数据进行算法测试,并与单视角特征模型、传统共空间模式方法以及深度神经网络算法进行对比。在2个脑机接口竞赛数据集和1个真实数据集上分别取得了91.4%、75.2%和70.7%的最高平均分类准确率,结果表明该文所提多视角深度森林算法具有更优的分类识别准确率。     

基于卷积神经网络的智能医疗护理研究

为了提高智能医疗护理水平,减少护理工作量,节约医院成本。提出一种基于卷积神经网络的病人体态行为特征提取算法,该算法采用双网络模型设计,包括病人检测网络模型和病人体态行为特征提取模型,应用该算法到病人体态行为检测系统中,从而实现对病人的识别监控,提高智能医疗护理水平。最后,通过开源框架平台,对病人行为检测系统进行测试,实验结果表明,测试数据集合越大,病人体态行为特征提取精度越高,对病人体态行为类别的平均识别率97.6%,从而验证了系统的有效性和正确性。     

基于眼电的阅读状态检测研究

目的阅读是一种重要的认知过程,可通过眼动检测实现观测。基于眼电的阅读检测算法可应用于不同的阅读行为和注意力水平的自动检测。方法通过提取阅读时水平眼电信号的特征以有效识别阅读活动。首先使用数学形态学对原始水平眼电信号进行平滑处理,去除眨眼和肌电等干扰。平滑后的眼电信号进行差分处理,然后提取出阅读时的水平眼电信号的特征,进行识别分类,从而判断出受试的阅读情况,并与实际的阅读状态进行比较。结果对阅读状态和非阅读状态时间段的分析结果显示,数学形态学和阈值法相结合的方法对眨眼和肌电等噪声的抗干扰能力较强,可有效识别出阅读活动,平均检测率为75％。结论数学形态学和特征提取相结合的方法能较好地提取出眼球的活动信息,应用于日常的阅读活动识别中。     

计算机辅助系统在诊断乳腺良恶性肿瘤中的应用

目的:探讨计算机辅助诊断系统在良恶性肿瘤检测与特征提取基础上的分类对于乳腺肿瘤的诊断价值。方法:回顾性分析乳腺超声检查发现肿瘤且经过病理学证实的617例患者影像资料,采用手工提取的方式得到乳腺超声图像的感兴趣区域及病灶轮廓,再利用方向梯度直方图（HOG）、局部二值模式（LBP）和灰度共生矩阵（GLCM）3个特征进行乳腺肿瘤的良恶性病变真假阳性检测;最后用受试者操作特征曲线（ROC）分别分析每个特征对于两类病变判别的诊断性能和应用所有特征集合的分类诊断性能。结果:多特征融合方法的各项诊断效能及ROC曲线下面积（AUC）值均优于单特征LBP、HOG、GLCM（P值均<0.05）。与人工诊断相比,多特征融合的敏感性无显著差异,但特异度显著升高达98.57%（Z值=2.25, P<0.05）,同时AUC值为0.985,显著优于人工诊断的0.910（Z值=1.99, P<0.05）。结论:计算机辅助系统乳腺超声肿瘤良恶性检测的算法是有效的,能够对乳腺癌鉴别诊断提供有益的参考。