人工特征人工神经网络分类器

以人工神经网络为手段，以提取脉象信息为目的，由临床采样数据形成了网络训练输入特征向量库，不以单一脉本身为分类对象，而考虑它是否是某些可识别特征的组合，建立了浮沉，弦滑，迟数等一组脉象特征网络，证实了人工神经网络用于生的脉象特征的识别和分类是可行的，带智能处理的特色。其分辨准确率可达９０％，。     

脉象人工神经网络分析系统模型

提出一种以人工神经网络为手段的脉象智能分析系统模型。由于脉象模糊性处理的要求，作者建立了其人工神经网络辨识系统。并且不以单一脉本身为处理对象，而考虑它是否是某些足以将其区分的特征的组合，设计了与此相适应的网络系统结构；通过对采样数据的实际处理，按照各特征网络训练的要求，形成了样本数据库；探讨了神经网络用于脉象分析的特点，系统分析结果证实了人工神经网络用于脉象分析的可行性和优势     

径向基人工神经网络在宫颈细胞图像识别中的应用

目的：探讨径向基（RBF）人工神经网络在宫颈细胞图像识别中的应用。方法：提取宫颈细胞和细胞核的15个形态学特征参数及12个色度学特征参数，对700个宫颈细胞按正常、低度鳞状上皮内病变（LSIL）、高度鳞状上皮内病变（HSIL）、宫颈癌进行分类识别。利用软件STATISTICA7．0建立网络模型并训练，用VC＋＋．NET语言调用网络。结果：RBF网络对训练集的拟合度为97．3％，对测试集的分类准确率为95．4％。在测试集中，正常细胞的识别率为96％，LSIL细胞识别率为94％，HSIL细胞识别率为100％，癌细胞识别率为88％。RBF网络输入参数的敏感度排序与细胞病理学特征基本一致。结论：RBF人工神经网络可以很好的对宫颈细胞特别是HSIL细胞进行分类识别。     

基于BP神经网络的常见中兽药中5种违禁药物显微图像识别

目的 以人工神经网络和模式识别技术为基础,对动物饲料中常添加的违禁西药进行了自动识别与分类.方法 对违禁药物的显微图像进行预处理、图像分割,并提取纹理特征.根据提取的特征应用BP人工神经网络完成对5种违禁药品（呋喃妥因、呋喃唑酮、呋喃它酮、氯霉素、扑热息痛）的识别分类.结果 该算法不仅能快速识别出上述5种违禁药品,且准确度比较高.结论 该方法对于以上5种违禁药品能得到满意的识别结果.     

人工神经网络用于中药材雷公藤和昆明山海棠的分类识别研究

人工神经网络用于中药材雷公藤和昆明山海棠的分类识别研究张亮，蓝要武，韩英等，药学学报，１９９５，３０（２）：１２７应用误差反向传播学习算法（ＢＰ算法）对中药材雷公藤和昆明山海棠浸出物的红外光谱进行分类识别。网络为３层结构，输入节点为９个，隐层节点为２...     

中医脉象振动觉临床识别

１振动觉有关脉象的组成结构振动觉脉象成分是由基础脉象形态和脉象振动觉两部分组成。基础脉象形态主要由脉象大、小、长、短、浮、沉、迟、数、弦、滑、紧、细等一般形态组成。该部分构成了脉象识别的基本框架。脉象振动觉以脉搏的谐波分量为感觉主体,通过谐波振动特征...     

模式识别在白芍质量控制中的应用

目的旨在通过通用性强的中药色谱数据特征的抽取和神经网络识别,建立白芍的质量评价模式。方法首先通过实验获取同一品种不同质量29个白芍样本的高效液相色谱数据,然后依照非线性的核主成分分析(KP-CA)进行数学特征提取,将取得的压缩数据,输入BP神经网络进行学习,运用训练后的网络识别白芍的质量分类。并探讨了模式识别中人工神经网络的数据预处理、网络隐含层数、隐节点数、激励函数和过拟合现象等。结果通过改良后网络训练,已成功地识别白芍药材质量类别(识别率100%)。结论非线性特征提取KPCA法与人工神经网络结合适用于白芍整体质量分析。     

用连续量输入的人工神经网络评定心脏收缩功能

作者应用人工神经网络技术，实现心脏收缩功能的计算机自动评定，以探讨人工神经网络技术在生物医学评定、分类和诊断等问题中的应用方法，该研究采用心脏收缩时间间期的７项指标，应用反向传播神经网络，以连续量作为网络输入，对２０２位受试者的心脏收缩功能进行评定，人工神经网络的评定结果与专家评定结果相比较，符合率可达９５．５４％．结果表明，连续量输入方式在逼近实际分类边界，减小网络规模，加快网络学习方面优于数字量输入方式．     

用连续量输入的人工平定心脏收缩功能

作应用人工神经网络技术，实现心脏收缩功能的计算机自动评定，以探讨人工神经网络技术在生物医学评定、分类和诊断等问题中的应用方法。该研究采用心脏收缩时间间期的７项指标，应用反向传播神经网络，以连续量作为网络输入，对２０２位受试的心脏收缩功能进行主定，人工神经网络的评定结果与专家主定相比较，符合率可达９５．５４％。结果表明，连续量输入方式在逼近实验分类边界，减小网络规模，加快网络学习方面优于数字量输     

基于血液动力学原理的中医脉搏波特征提取与识别

作者根据血液动力学原理,分析脉搏波形成的原因,认为中医不同脉象波形的形成与脉搏波的传播和反射特性有关,提出以表征脉搏波传播特性的波速和表征脉搏波反射特性的反射系数作为中医脉象的特征参数,利用支撑向量机对其进行分类识别。对正常人群常见脉象（平脉、弦脉和滑脉）的脉搏波波速和反射系数所作的分析,以及采用径向基核函数的支撑向量机对其所进行的分类,进一步证明血液动力学参数波速和反射系数作为具有生理病理意义的特征参数,能有效区分平、弦、滑脉。这为脉图的识别提供了一个新的思路。     

Artificial Neural Network Based Epileptic Detection Using Time-Domain and Frequency-Domain Features

Electroencephalogram (EEG) signal plays an important role in the diagnosis of epilepsy. The long-term EEG recordings of an epileptic patient obtained from the ambulatory recording systems contain a large volume of EEG data. Detection of the epileptic activity requires a time consuming analysis of the entire length of the EEG data by an expert. The traditional methods of analysis being tedious, many automated diagnostic systems for epilepsy have emerged in recent years. This paper discusses an automated diagnostic method for epileptic detection using a special type of recurrent neural network known as Elman network. The experiments are carried out by using time-domain as well as frequency-domain features of the EEG signal. Experimental results show that Elman network yields epileptic detection accuracy rates as high as 99.6% with a single input feature which is better than the results obtained by using other types of neural networks with two and more input features.     

基于BP神经网络的左右手击键动作的意识任务识别

目的研究基于神经网络的左右手运动的意识任务识别方法,探讨神经网络在脑机接口中的作用。方法在特征提取的基础上,设计3层BP神经网络。选用对数Sigmoid函数,实现输入到输出的非线性映射;采用梯度最速下降算法训练神经网络。结果应用BP神经网络和线性分类器分别对测试样本进行意识任务识别。以脑电信号两个频段的功率谱以及击键前-100￣-50ms和-50￣0ms均值组成特征向量。应用线性分类器,对测试样本的识别正确率为71%,采用本文设计的BP神经网络,识别正确率为84%。结论BP神经网络是意识任务识别的有效方法,在基于脑电信号的脑机接口中有良好的应用前景。     

基于多维度特征融合的深度学习骨龄评估模型

目的 通过基于特征提取的深度卷积神经网络,结合关键区域特征和人口学信息,评估儿童骨龄。方法 自动识别左手X线图像数据,对图像进行预处理,使用基于深度神经网络的X线图像分析方法,实现左手关节骨龄17个关键区域特征的自动提取,再将骨龄影像特征与临床大数据（人口统计、性别）融合训练骨龄评估模型,测试模型的评估效能。结果 使用基于深度学习的特征区域提取方法比传统图像分析方法可以更好地提取特征信息,结合临床信息从另一维度补充了骨龄发育信息。基于多维度数据特征融合的骨龄评估模型检测得到的骨龄平均绝对误差为0.455,优于传统方法和仅端到端的深度学习方法。结论 相较传统的机器学习特征提取方法,基于特征提取的深度卷积神经网络在骨龄回归模型上有更好的表现,结合人口和性别信息可进一步提升基于图像的骨龄预测准确率。     

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。     

A New QRS Detection Method Using Wavelets and Artificial Neural Networks

We present a new method for detection and classification of QRS complexes in ECG signals using continuous wavelets and neural networks. Our wavelet method consists of four wavelet basis functions that are suitable in detection of QRS complexes within different QRS morphologies in the signal and thresholding technique for denoising and feature extraction. The results demonstrate that the proposed method is not only efficient for normal ECG signal analysis but also for various types of arrhythmic cardiac signals embedded in noise. For the classification stage, a feedforward neural network was trained with standard backpropagation algorithm. The classifier input features consisted of compact wavelet coefficients of QRS complexes that resulted in higher classification rates. We demonstrate the efficiency of our method with the average accuracy 97.2% in classification of normal and abnormal QRS complexes.     

Combining Neural Network Models for Automated Diagnostic Systems

This paper illustrates the use of combined neural network (CNN) models to guide model selection for diagnosis of internal carotid arterial (ICA) disorders. The ICA Doppler signals were decomposed into time-frequency representations using discrete wavelet transform and statistical features were calculated to depict their distribution. The first level networks were implemented for the diagnosis of ICA disorders using the statistical features as inputs. To improve diagnostic accuracy, the second level network was trained using the outputs of the first level networks as input data. The CNN models achieved accuracy rates which were higher than that of the stand-alone neural network models.     

基于多尺度小波残差网络的稀疏角度CT图像恢复

目的 稀疏角度CT具有加速数据采集和减少辐射剂量的优点。然而,由于采集信息的减少,使用传统滤波反投影算法（FBP）进行重建得到的图像中伴有严重的条形伪影和噪声。针对这一问题,本文提出基于多尺度小波残差网络（MWResNet）对稀疏角度CT图像进行恢复。方法 本网络中将小波网络与残差块相结合,用以增强网络对图像特征的提取能力和加快网络训练效率。实验中使用真实的螺旋几何CT图像数据“Low-dose CT Grand Challenge”数据集训练网络。通过观察图像表征和计算定量参数的方法对结果进行评估,并与其他现有网络进行比较,包括图像恢复迭代残差卷积网络（IRLNet）,残差编码解码卷积神经网络（REDCNN）和FBP卷积神经网络（FBPConvNet）。结果 实验结果表明,本文提出的多尺度小波残差网络优于其余对比方法。结论 本文提出的MWResNet网络能够在保持稀疏角度CT图像边缘细节信息的同时有效抑制噪声和伪影。     

应用智能医疗诊断系统诊断高血压的研究

目的：利用人工神经网络和专家系统相结合的方法，建立高血压诊断的智能医疗诊断系统模型。方法：提取100例高血压病例的特征，建立原发性高血压和继发性高血压的神经网络诊断模型；利用原发性高血压的分级和危险程度分层的规则建立专家系统模型。另选取100例怀疑高血压的病例对智能诊断系统进行检验。结果：该模型具有较好的诊断性能，取得初步诊断结果。结论：基于人工神经网络和专家系统的智能医疗诊断方法用于高血压的诊断具有较高的准确性。