模糊聚类支持向量机在步态分类中的应用

背景：对于患有神经系统或骨骼肌肉系统疾病的患者,分析步态数据可以评定康复程度,制定治疗方案。如何有效地分类小样本步态数据成为重要的研究课题。 目的：用改进的支持向量机算法对小样本步态数据进行分类,准确诊断疾病。 方法：建立加入模糊C均值聚类的支持向量机算法,选用Gait Dynamics in Neuro-Degenerative Disease Data Base 40~59岁年龄段的6组数据,共720个样本数据,采用左摆间隔和左支撑间隔两维参数对步态数据建模。数据归一化后,通过模糊C均值聚类对数据进行预处理;然后用支持向量机对数据进行分类。采用不同核函数的支持向量机算法验证分类能力。 结果与结论：实验结果表明,利用改进的支持向量机算法,可以有效地对信号进行分类,有助于疾病的诊断和治疗方案的制定。     

基于机器学习方法的肝癌X射线相衬CT图像分类研究

肝癌是我国恶性肿瘤发病率和死亡率较高的癌症之一,传统医学影像设备因成像机制导致成像分辨率不足,对肝癌的检查和诊断具有较大的影响。基于同步辐射的X射线相衬显微CT成像具有极高的灵敏度和分辨率,结合机器学习方法建立肝癌分类模型,为肝癌辅助诊断提供参考。收集弥漫型和溃疡型肝肿瘤X射线相衬图像各500幅,归一化和中值滤波后提取灰度直方图、灰度共生矩阵、灰度-梯度共生矩阵和灰度差分统计等灰度及纹理特征,并组合成融合特征,采用十折交叉验证法进行机器学习方法的训练和分类。使用支持向量机、随机森林和神经网络等3种分类算法对肝癌图像进行分类,灰度共生矩阵特征和神经网络分类算法下分类准确率最高,达到99.5%,取得较好的分类效果,有望帮助医生准确完成肝肿瘤类型的鉴别。     

呼气信号三分类癌症检测模型的设计及评价

目的?电子鼻呼气检测技术是一种极具潜力的无创癌症检测技术。然而,现有的检测模型研究大多围绕将某一类疾病患者与健康人的区分展开。为了通过电子鼻呼气检测实现对多种癌症的鉴别,该文基于 KNN 构建 了一种三分类癌症 检测模型。方法?首先通过电子鼻采集 210 名志愿者的呼气号样本,其中160 名肺癌或肝癌患者均为医院的确诊患者,50 名健康对照者则为医院的职工或学生。对呼气样本进行预处理得到大小为210×180的原始特征数据集。然后通过卡方检验完成数据特征初筛,并利用 LDA 优化方法得到训练特征集。接着利用 K 值选择学习曲线,训练并得到最优 KNN 三分类癌症检测模型。最后对模型进行多维度评价。结果?优化后的 KNN 三分类癌症检测模型可有效区分健康人、肺癌患者和肝癌患者,性能优于其他模型,平均准确度可达到92.5%。可见,机器学习算法可助力电子鼻呼气检测在癌症检测中的推广应用。     

基于模糊支持向量机的膜蛋白分类研究

以氨基酸组成为特征对膜蛋白的分类,忽略了序列残基之间的相关性信息,而采用传统支持向量机算法作为分类算法,在解决多类问题时会出现分类盲区问题。针对这两种情况,计算蛋白质序列的氨基酸组成、二肽组成以及6种氨基酸相关系数,将三类特征结合,作为膜蛋白序列的特征向量;同时采用模糊支持向量机作为分类器,解决了传统支持向量机在多类数据识别中的盲区问题。测试结果表明,在相同特征输入下,模糊支持向量机分类性能优于传统支持向量机;在相同分类器的情况下,氨基酸组成、二肽组成和相关系数组合的特征选择方法的分类性能优于只使用其中一类或两类特征的方法;而采取组合特征和模糊支持向量机相结合的分类策略,在独立性数据集测试中的整体预测精度达到97%,优于现有的多种分类策略,是目前最有效的膜蛋白分类方法之一。     

基于布谷鸟算法优化支持向量机应用于胸痛三联征的分类诊断研究

胸痛三联征在临床上有相似的胸痛症状,误诊率居高,其确切病因尚不十分明确。针对经典支持向量机不适用于胸痛三联征此类非平衡数据集分类的缺点,本研究结合径向基核函数、布谷鸟算法以及支持向量机,提出一种基于布谷鸟算法优化支持向量机的分类识别模型,用于胸痛三联征的分类诊断。在收集到的735例有效样本数据集上,采用Java程序抽取平衡数据集。实验结果显示,基于平衡数据集,该模型的平均正确率为80.667%;基于非平衡数据集,其平均正确率为97.767%,相比经典支持向量机、粒子群算法-支持向量机、遗传算法-支持向量机均有不同程度的提高。因此,本研究模型对胸痛三联征的分类诊断具有一定的参考价值。     

基于点袋理论的肝脏CT图像分析

当前医学CT图像的病理识别过多地依靠医生经验,为了将机器辅助诊断引入病理识别中,本文采用点袋理论对肝癌和正常肝脏的CT图像进行分析研究.从100张CT图像中挑选出40张具有特征的CT图像,预处理后,先利用尺度不变特征变换（scale invariant feature,SIFT）描述CT图像特征点,再经过k均值（k-means）聚类,最后使用支持向量机（support vector machine,SVM）机器学习算法实现CT图像的识别和分类.实验结果表明,当采用Gaussian 径向基（RBF）核运算时识别可取得85%的正确率.该研究说明点袋法有较好的分类效果和较好的发展空间.     

机器学习与脑电信号分析相结合的眩晕状态分类

背景：脑电图是临床上检测及分析眩晕的一种常用手段,目前多采用单极或多级导联描记并分析脑电频率是否异常。但眩晕的脑电活动过程是异常复杂的,仅采用频率快慢分析的方法,很难对眩晕状态进行准确的分类和检测。目的：将机器学习与脑电信号分析相结合对眩晕状态进行分类,这对眩晕的诊断具有一定的研究意义和临床应用价值。方法：采用无创的前庭功能调节技术前庭电刺激制造可逆的眩晕状态,刺激电流强度为1,2,4倍皮肤感知阈值,被试在不同强度电流刺激后需填写眩晕残障量表,根据眩晕障碍量表评估结果将眩晕症状分为不同的等级,以此作为脑电分类有监督学习的数据标签。采集刺激后的脑电信号,通过小波变换提取脑电信号的小波能量以及小波熵的样本特征,利用多种机器学习分类模型对有无眩晕以及不同等级眩晕的样本特征进行分类。结果与结论：（1）通过对多种分类模型分类结果的对比发现：基于脑电信号小波变换特征的有监督学习分类可以实现是否眩晕和眩晕等级的二分类和多分类;（2）随机森林分类模型较逻辑回归模型、支持向量机模型、反向传播神经网络模型在眩晕检测的二分类以及多分类问题上表现出较高的准确率,其中二分类准确率最高可达82.5%,操作特性曲线...     

基于遗传算法与支持向量机的基因微阵列分析

遗传算法和支持向量机是近年来发展迅速的机器学习算法,对样本量较小而变量数较大的基因微阵列数据支持向量机具有很好的分类效果。而遗传算法通过初始种群的不断进化（交叉,变异和选择）,从而收敛到最优解,达到降维的目的。本文将二者结合,采用遗传算法并以支持向量机的分类准确率作为适应度函数,提高分类准确度。结果显示这种方法对分类更加有效。本文同时也对特征基因在代谢通路上的分布和功能作了一定的研究。     

基于多模态典型相关特征表达的阿尔兹海默病诊断

对阿尔兹海默(AD)疾病进程的建模研究,有利于在其早期阶段--轻度认知障碍(MCI)进行更准确的诊断。不仅利用多模态影像数据,还分析模态间特征关系,用于增强与AD/MCI相关的特征表达能力。首先,基于典型相关分析融合不同模态间多个感兴趣区域并生成多模态关系特征表达;其次,基于稀疏最小二乘回归损失函数,以此获得稳定且有识别力的相关性表达特征;最后,使用交叉验证方法将随机选择的训练样本用于支持向量机分类模型,再对测试集受试者进行疾病阶段诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库的805位受试者,包括AD,MCI和正常受试者(NC)。此方法对于AD vs NC,MCI vs NC和p-MCI(进行性轻度认知障碍)vs s-MCI(稳定性轻度认知障碍)等3种不同类型数据,诊断结果分别为92.01%,74.83%和70.27%。与其他算法相比,分类准确率都有明显提高。表明所提出的方法能够有效应用于多模态数据对阿尔兹海默病的诊断分析研究。     

表面肌电的支持向量机分类

支持向量机(SVM)是一种新的机器学习机制.研究了基于支持向量机的控制假手表面肌电识别方法和性能,并与反向传播(BP)神经网络分类器进行了比较.分类的六种手腕部动作分别是腕内旋、腕外旋、展拳、握拳、肘部外旋、肘部内旋.利用"一对一"的分类策略和二叉树构造多类SVM分类器.核函数分别采用多项式和径向基函数.实验结果表明SVM可以有效地对表面动作肌电进行分类,SVM分类准确率普遍优于传统的BP神经网络,且具有良好的泛化推广能力.不同的核函数对分类准确率影响较小.     

Support vector machine for optical diagnosis of cancer

We report the application of a support vector machine (SVM) for the development of diagnostic algorithms for optical diagnosis of cancer. Both linear and nonlinear SVMs have been investigated for this purpose. We develop a methodology that makes use of SVM for both feature extraction and classification jointly by integrating the newly developed recursive feature elimination (RFE) in the framework of SVM. This leads to significantly improved classification results compared to those obtained when an independent feature extractor such as principal component analysis (PCA) is used. The integrated SVM-RFE approach is also found to outperform the classification results yielded by traditional Fisher's linear discriminant (FLD)-based algorithms. All the algorithms are developed using spectral data acquired in a clinical in vivo laser-induced fluorescence (LIF) spectroscopic study conducted on patients being screened for cancer of the oral cavity and normal volunteers. The best sensitivity and specificity values provided by the nonlinear SVM-RFE algorithm over the data sets investigated are 95 and 96% toward cancer for the training set data based on leave-one-out cross validation and 93 and 97% toward cancer for the independent validation set data. When tested on the spectral data of the uninvolved oral cavity sites from the patients it yielded a specificity of 85%.     

基于OpenBCI与OpenViBE的脑机接口设计

以OpenBCI为脑电信号采集平台,OpenViBE为脑电信号分析平台,并以源自大脑感觉运动皮层的μ节律和β节律为基础,采用共空间模式算法作为特征提取方法,结合高斯核支持向量机,研制用于机械臂控制的运动想象脑机接口,并通过实验对信号特征提取方法以及分类算法的效果进行评估。初步实验结果表明,采用共空间模式算法处理后的分类准确率高于表面拉普拉斯空间滤波器,且支持向量机的分类性能优于线性判别分析。本系统的控制准确率达95%以上,可实现机械臂的有效控制。未来的研究将探索如何通过自定义插件来提高OpenViBE的硬件控制功能。 【关键词】脑机接口;脑电信号;OpenBCI;OpenViBE;运动想像     

基于人体血液常/微量元素含量的SVM癌症辅助诊断

支持向量机（Support vector machine,SVM）分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力,已被广泛地应用于许多研究领域。我们以癌症病人血液中6种元素（Ba,Ca,Cu,Mg,Se,Zn）的含量为研究对象,将SVM、最近邻法、决策树C4.5及人工神经网络等方法用于癌症病人和正常人的分类研究。研究表明：除C4.5的分类准确率保持不变之外,对数据的归一化处理能够提高SVM、KNN、ANN的分类效果。当使用线性核函数时,SVM通过5次交叉验证的最优平均分类准确率达到了95.95%,优于KNN（93.24%）、C4.5（79.93%）及ANN（94.59%）等分类器,表明该方法有望成为一种实用的癌症临床辅助诊断手段。     

基于随机森林算法的阿尔茨海默症医学影像分类

为实现阿尔茨海默症(AD)的医学影像分类,辅助医生对患者的病情进行准确判断,本研究对采集的34名AD患者、35名轻度认知障碍患者和35名正常对照组成员的功能磁共振影像进行特征提取和分类,具体思路包括:首先利用皮尔逊相关系数计算脑区之间的功能连接,然后采用随机森林算法对被试不同脑区之间的功能连接进行重要性度量及特征选择,最后使用支持向量机分类器进行分类,利用十倍交叉验证估算分类准确率。实验结果显示,随机森林算法可以对功能连接特征进行有效分析,同时得到AD发病过程的异常脑区,基于随机森林和SVM建立的分类模型对AD、轻度认知障碍的识别具有较好的效果,分类准确率可达90.68%,相关结论可以为AD的早期临床诊断提供客观参照。 【关键词】阿尔茨海默症;功能磁共振成像;随机森林;特征选择     

Optimal algorithm for automatic detection of microaneurysms based on receiver operating characteristic curve

Microaneurysms (MAs) are the first manifestations of the diabetic retinopathy (DR) as well as an indicator for its progression. Their automatic detection plays a key role for both mass screening and monitoring and is therefore in the core of any system for computer-assisted diagnosis of DR. The algorithm basically comprises the following stages: candidate detection aiming at extracting the patterns possibly corresponding to MAs based on mathematical morphological black top hat, feature extraction to characterize these candidates, and classification based on support vector machine (SVM), to validate MAs. Feature vector and kernel function of SVM selection is very important to the algorithm. We use the receiver operating characteristic (ROC) curve to evaluate the distinguishing performance of different feature vectors and different kernel functions of SVM. The ROC analysis indicates the quadratic polynomial SVM with a combination of features as the input shows the best discriminating performance.     

基于数字胸片小波纹理特征的尘肺病早期诊断方法研究

目的探讨利用基于小波变换的熵纹理特征进行尘肺病诊断的方法,并研究相关的分类技术。方法对70名健康体检者和40名尘肺病患者的数字x射线摄影（digitalradiography,DR）图像进行纹理分析,提取小波熵纹理特征,并利用决策树进行特征选择。选取不同核函数的支持向量机（supportvectormachines,SVM）对DR胸片进行分类,通过5折交叉验证估计诊断分类的性能并进行评价。结果对DR图像做8次小波分解后提取8个小波熵纹理特征（特征全集）,其中6个经过特征选择组成特征子集。应用SVM进行分类时,基于特征子集的分类结果均好于基于特征全集的分类结果。线性核函数SVM的分类效果好于其他核函数SVM的分类效果,准确率达84．6％,ROC曲线下面积为0．88±0．04。结论利用SVM以DR图像的小波熵为特征进行尘肺病诊断有较高水平,有助于尘肺病的早期诊断。     

Multiclass cancer classification by using fuzzy support vector machine and binary decision tree with gene selection

We investigate the problems of multiclass cancer classification with gene selection from gene expression data. Two different constructed multiclass classifiers with gene selection are proposed, which are fuzzy support vector machine (FSVM) with gene selection and binary classification tree based on SVM with gene selection. Using F test and recursive feature elimination based on SVM as gene selection methods, binary classification tree based on SVM with F test, binary classification tree based on SVM with recursive feature elimination based on SVM, and FSVM with recursive feature elimination based on SVM are tested in our experiments. To accelerate computation, preselecting the strongest genes is also used. The proposed techniques are applied to analyze breast cancer data, small round blue-cell tumors, and acute leukemia data. Compared to existing multiclass cancer classifiers and binary classification tree based on SVM with F test or binary classification tree based on SVM with recursive feature elimination based on SVM mentioned in this paper, FSVM based on recursive feature elimination based on SVM can find most important genes that affect certain types of cancer with high recognition accuracy.     

基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取

目的乳腺癌的早期发现对患者意义重大。为帮助医生进行乳腺癌的早期检查和诊断,本文提出利用小波分析与图像纹理特征提取相结合的方法来提取乳腺X线图像微钙化点区域,在提高检查准确性的同时避免漏检误检。方法首先利用灰度共生矩阵所提取的能量、熵、对比度、相关性以及小波分解后得到的各层高频系数的方差、能量作为图像的特征向量,然后利用支持向量机进行训练建立最优分类模型。最后利用建立的最优分类模型实现乳腺X线图像微钙化点区域的提取并利用检出率和误检率对结果进行评估。结果使用临床数据进行验证,结果表明利用小波分析与图像纹理特征提取相结合的方法能有效提取乳腺图像中的微钙化点区域。结论基于小波分析和灰度纹理特征的乳腺X线图像微钙化点区域的提取方法比单一的图像纹理特征提取或小波分析等方法,提取的效果更好。另外,该方法设计简单,更易于实现乳腺癌的自动化诊断。     

基于RoughSet的特征集融合PET/CT肺部肿瘤CAD模型

针对肺部肿瘤PET/CT感兴趣区域(ROI)在高维特征表示下存在着特征相关和维数灾难问题,提出了一种基于粗糙集特征集融合的PET/CT肺部肿瘤CAD模型。首先提取肺部肿瘤ROI的8维形状特征、7维灰度特征、3维Tamura纹理特征、56维GLCM特征和24维频域特征,得到98维特征矢量;然后基于遗传算法的知识约简方法和基于属性重要度的启发式算法对提取的特征集合分别进行特征级融合得到特征子集G1、G2、G3,A1、A2、A3,降低特征矢量的维数;再次利用网格寻优算法优化核函数的SVM作为分类器分别进行融合前和融合后的分类识别比较,基于遗传算法的特征集融合和基于属性重要度的特征集融合的分类识别比较2组实验;最后以2 000幅肺部肿瘤的PET/CT图像为原始数据,采用基于粗糙集特征集融合的肺部肿瘤PET/CT计算机辅助诊断模型对肺部肿瘤进行辅助诊断。实验结果表明,经过粗糙集特征集融合的肺部肿瘤诊断识别方法能有效提高肺部肿瘤的诊断正确率,一定程度上降低了特征之间的相关性。