基于小波阈值变换的心电图去噪研究

目的运用小波阈值变换对心电图进行去噪。方法应用matlab进行仿真实验,计算信噪比与均方根误差,并对去噪效果进行评估。结果与结论在软阈值量化规则下,选择无偏似然估计阈值效果最佳,硬阈值条件下则固定阈值比较好,阈值随噪声方差调整的方法要优于阈值固定的方法。     

基于小波变换的ECG去噪法及仿真

为去除心电信号中的各种噪声,本文以小波变换的多分辨率分析为理论基础,利用自适应阈值调整小波变换系数,用调整后的系数进行心电信号重建.采用MIT-BIH数据库中的心电信号进行仿真、验证,有效地去除了噪声信号.与传统滤波器具去噪相比有明显的优越性.     

小波函数在内源光信号去噪中的应用

目的内源光信号(Intrinsic Optical Signals,IOSs)探测技术因受到低信噪比的影响,阻碍其对视网膜功能的非侵入性检查的实际应用。本文利用小波函数对IOSs进行去噪。方法除了稳定的探测系统外,另一个重要的方法是利用去噪算法对信号进行处理来提高信噪比。本文对比多组数据叠加取平均、小波去噪以及平滑去噪的结果最终选取了Symlets小波函数对IOSs进行去噪处理。结果实验结果表明,采用Symlets小波函数对IOSs去噪,在两组实验数据平均的情况下,信噪比得到了有效提高,较5组数据(每组实验数据采集时间为8 s,连续采集5组)平均的信噪比最高可提高3.56倍。Symlets小波函数对信号进行处理时所需要采集数据的时间,较5组数据平均所需的时间缩短24 s,信号处理所需时间平均缩短75 s左右。结论利用小波函数处理信号,在数据采集过程中可以有效降低重复采样组数,有利于IOSs的实际应用。本文结果对于视网膜IOSs的分析研究具有一定的意义。     

基于蚁群聚类算法的模糊神经网络

提出了一种基于蚁群聚类的模糊神经网络算法，神经网络采用RBF网络结点结构，聚类采用二级结构蚁群聚类算法作为一级聚类而模糊C-均值聚类(FCM)用于二级聚类。将上述聚类方法用于模糊神经网络构建中，仿真结果表明具有并行实时性、聚类能力强的特点。     

基于实验均方误差F值的基因表达数据最佳聚类评判方法研究

目的 近年来产生了一些用于分析基因表达数据的聚类算法，却很少有关于评价聚类算法方法的研究。本研究的目的是尝试建立一个定量的评价基因表达数据聚类结果的方法。方法 本研究提供了一个系统的评价聚类结果的方法，利用我们提出的实验均方误差F值对几个常见的聚类算法进行比较。结果 利用F值对类质量的评价和利用已有的生物学知识对类进行分析的结果一致。结论 实验均方误差F值可以定量地评判用于基因表达数据的聚类算法。     

颅脑MRI图像模糊聚类分割算法中模糊聚类数的讨论

目的探讨颅脑MRI图像模糊聚类分割算法中最佳模糊聚类数。方法利用VC 编程读取DICOM格式的MRI图像,然后运用模糊聚类分割技术对50幅图像在不同的模糊聚类数参数下进行处理,进行对比分析。结果当模糊聚类数为5～6时,模糊聚类有效性函数最小,图像处理的效果达到最佳水平。结论进行颅脑MRI图像模糊聚类分割时,模糊聚类数应取5或者6。     

一种基于分水岭和模糊聚类的多级图像分割算法

分水岭算法是一种广泛应用的图像分割工具,它能够自动生成单像素宽度的封闭轮廓。分水岭算法的不足在于它的过分割结果,即生成大量小的封闭区域,使目标物体淹没其中。本文提出一种对分水岭算法过分割结果的模糊聚类方案,首先为每个分水岭区域定义特征量,然后根据这些特征量以及相邻区域之间的分水岭显著性计算两个相邻区域之间的近似程度,进而计算所有分水岭区域的模糊等价矩形,最终形成图像的多级分割结果。本文对多种类型的图像进行了实验。     

一种基于分水岭和模糊聚类的多级图像分割算法

分水岭算法是一种广泛应用的图像分割工具，它能够自动生成单像素宽度的封闭轮廓。分水岭算法的不足在于它的过分割结果，即生成大量小的封闭区域，使目标物体淹没其中。本文提出一种对分水岭算法过分割结果的模糊聚类方案，首先为每个分水岭区域定义特征量，然后根据这些特征量以及相邻区域之间的分水岭显著性计算两个相邻区域之间的近似程度，进而计算所有分水岭区域的模糊等价矩形，最终形成图像的多级分割结果。本文对多种类型的图像进行了实验．     

基于模糊核聚类的MR图像分割新算法

在传统的模糊聚类算法中引入了核函数,同时引入了控制邻域作用的约束项,提出了改进的基于模糊核聚类的MR图像分割新算法.通过对模拟图和仿真的脑部MR图像的分割实验,证明本算法可以有效地分割含有噪声的图像.     

基于混合遗传算法的K-Means最优聚类算法

针对遗传算法的K-Means聚类算法在遗传过程中容易受到适应度最大染色体的影响,存在过早收敛于局部最优值和遗传算法的局部搜索性能较差的问题,提出了结合混沌优化方法形成的混合遗传算法。仿真实验表明:该方法有效地克服了遗传算法的早熟问题,从而得到最优的聚类中心。     

A data structure and function classification based method to evaluate clustering models for gene expression data

Objective: To establish a systematic framework for selecting the best clustering algorithm and provide an evaluation method for clustering analyses of gene expression data. Metlaods: Based on data struc-ture (internal information) and function classification (external information), the evaluation of gene expres-sion data analyses were carried out by using 2 approaches. Firstly, to assess the predictive power of cluster-ing algorithms, Entropy was introduced to measure the consistency between the clustering results from differ-ent algorithms and the known and validated functional classifications. Secondly, a modified method of figureof merit (adjust_FOM) was used as internal assessment method. In this method, one clustering algorithm was used to analyze all data but one experimental condition, the remaining condition was used to assess the predictive power of the resulting clusters. This method was applied on 3 gene expression data sets (2 from the Lyer‘‘s Serum Data Sets, and 1 from the Ferea‘‘s Saccharomyces Cerevisiae Data Set). Results: A method based on entropy and figure of merit (FOM) was proposed to explore the results of the 3 data sets obtained by 6 different algorithms, SOM and Fuzzy clustering methods were confirmed to possess the highest ability to cluster. Conclusion: A method based on entropy is firstly brought forward to evaluate clustering analyses. Different results are attained in evaluating same data set due to different function classification. According to the curves of adjust-FOM and Entropy-FOM, SOM and Fuzzy clustering methods show the highest ability to cluster on the 3 data sets.     

基因表达聚类结果的信息熵评价方法

目的探讨基因表达数据聚类结果信息熵评价方法,为合理地选择聚类方法提供一种定量评价依据.方法采用entropy信息熵方法,考察常用的六种聚类方法所得到的分类结果与部分已知功能基因分类之间的符合程度,并将该指标作为一种评价依据.结果将该方法应用于Lyer的血清刺激表达数据集聚类结果的评价,给出了六种聚类方法的entropy图.结论本研究首次提出用熵理论评价聚类结果,并观察到同一数据集由于功能聚类信息的不同而引起的评价结果的差异.并且结果显示SOM和模糊聚类算法对分析处理Lyer的血清刺激的基因表达数据更为合理.     

Evaluation of clustering algorithms for gene expression data using gene ontology annotations

Background  Clustering is a useful exploratory technique for interpreting gene expression data to reveal groups of genes sharing common functional attributes. Biologists frequently face the problem of choosing an appropriate algorithm. We aimed to provide a standalone, easily accessible and biologically oriented criterion for expression data clustering evaluation.

Methods  An external criterion utilizing annotation based similarities between genes is proposed in this work. Gene ontology information is employed as the annotation source. Comparisons among six widely used clustering algorithms over various types of gene expression data sets were carried out based on the criterion proposed.

Results  The rank of these algorithms given by the criterion coincides with our common knowledge. Single-linkage has significantly poorer performance, even worse than the random algorithm. Ward’s method archives the best performance in most cases.

Conclusions  The criterion proposed has a strong ability to distinguish among different clustering algorithms with different distance measurements. It is also demonstrated that analyzing main contributors of the criterion may offer some guidelines in finding local compact clusters. As an addition, we suggest using Ward’s algorithm for gene expression data analysis.

     

小波-神经网络方法在基因表达数据分析中的应用研究

目的针对基因表达数据,探索新的有效特征提取和分类方法。方法采用小波多分辨率分析(MRA)方法提取基因表达的特征和前馈式神经网络(BP神经网络)方法进行特征分类。结果基因表达具有明显的多尺度特征,最大平均分类率为94.72%。结论采用多尺度理论对基因表达数据进行分析是一种新的有效的生物信息学方法,值得进一步探索与研究。     

基于小波多尺度的人类胚胎期大脑皮层基因表达分析

目的 去除人类胚胎期大脑皮层基因表达信号噪声.方法 将10 080个基因原始表达数据预处理后采用小波多尺度去除噪声.选用常用小波函数db1(sym1,Haar)、db2(sym2)、db3(sym3)、db4、db5、db6、db7、db8、dbd9、db10、bior1.3、bior2.4、sym4、sym5作多尺度分析,并按照频率分解为5层.结果 分为5个尺度时小波函数db3去噪效果最好. 结论多尺度分析用于大脑皮层基因表达去除噪声,能尽可能多地保留基因表达有用信息.     

小波变换在中医诊断图像中去噪处理的应用

为提高中医诊断图像的质量,应用改进的基于小波变换尺度间相关性的去噪方法,对诊断图像进行去噪处理。结果显示,该去噪方法能有效去除中医诊断图像中的噪声。     

基于时间序列表达数据基因调控网络模型的研究进展

基因间的调控是随时间、环境变化的动态事件,基因调控网络是一个连续而复杂的动态系统,基于时间序列的基因组DNA微阵列为研究者提供了构建动态调控网络的工具.本文介绍几种基于时间序列基因表达数据调控网络模型(时序布尔网络、微分方程、动态贝叶斯等),分析几种模型的优缺点,并展望未来的研究趋势.