标签均值的自训练半监督支持向量机用于EEG分类

研究半监督学习方法在EEG分类中的应用.结合标签均值和自训练思想提出两种新的半监督支持向量机方法.首先通过未标记样本的预测值估计标签均值,然后对未标记样本的标签进行优化.在此基础上提出了两种半监督支持向量机方法,一种是基于多核学习的标签均值自训练半监督支持向量机(Means4vm_mkl);一种是基于迭代优化的标签均值自训练半监督支持向量机(Means4vm_iter).对BCI Competition Dataset中的3组数据进行仿真实验,讨论分类正确率和运算效率两个指标.结果表明,两种方法均有较高的分类正确率,尤其在BCI Ⅰ数据集中,Means4vm_mkl方法达到了竞赛第一名的水平96％;而且运算效率较高,最快的只需29.5s,为在线BCI系统的设计奠定了基础.     

基于描峰聚类的动态脑功能网络状态划分

目的近年来脑功能网络的动态属性分析已经成为脑功能研究的热点,脑功能网络状态划分则是脑功能网络动态属性分析的重要方面,目前国际上广泛采用的脑功能网络状态划分策略是k均值聚类算法,而k均值聚类算法存在两个缺陷。而描峰聚类(density peak clustering)算法能直观展现合理的类别数,从而有效解决k均值聚类中k值难以确定的问题。本文拟基于动态功能连接(dynamic functional connectivity,DFC)的脑功能网络状态划分,为脑功能网络划分探索新的模型。方法基于61位成年人静息态功能磁共振成像(resting state functional magnetic resonance image,rs-f MRI)数据,采用滑动窗口计算方法构建功能连接矩阵。基于多种距离度量使用多维尺度分析算法对其进行有效降维,通过描峰聚类算法进行脑功能网络状态划分,使用脑功能网络划分常用的状态模式图和聚类决策图进行结果的校验。结果基于余弦距离、相关系数以及Spearman等描述相似性的距离度量进行降维,得到的结果生理意义较为明确,且有效功能网络状态数为3～5。另外,脑区之间松散联系的网络状态比其他网络状态更频繁地发生。结论描峰聚类算法足以对个体脑功能连接随时间的动态波动进行状态划分,这可为脑功能网络划分研究提供新的思路。     

主成分分析在基因芯片聚类分析中的适用性评估

目的探讨在基因芯片聚类分析前对数据进行主成分分析是否有助于提高聚类的准确性。方法选取3组包含大量被生物学家人为分类基因的芯片数据集Budding yeast、Saccharomyces cerevisiae、Central nervous system作为实验数据,分别计算对原数据直接聚类和提取主成分后聚类的结果,并以信息变化量为指标衡量这些结果与人为分类的匹配度。采用启发式算法搜寻最优主成分组合,比较欧几里德距离和相似系数2种距离度量方法以及层次聚类和K-重心聚类2种聚类算法的结果。结果在3组数据集中,层次聚类算法相比K-重心聚类算法效果均略好,且以主成分代替原数据进行聚类分析都没有显著提高聚类的准确性,有些情况下甚至不如后者。仅在Saccharomyces cerevisiae数据集中,当主成分个数足以覆盖原数据中90％-95％方差时,特定的主成分组合才展现出一定优势,但这种组合与主成分大小顺序并无规律可循。结论在基因芯片数据模型不清时,应避免盲目地使用数据中提取的主成分作为聚类分析的输入。     

基于案例推理在艾滋病患者个性化治疗方案推荐中的应用

目的探讨艾滋病患者相似性与抗病毒治疗方案之间的关系,为制定艾滋病患者个性化治疗方案提供依据。方法收集首次接受抗病毒治疗且治疗后免疫重建良好的648例艾滋病患者临床资料,计算基于欧氏距离的患者相似性,以最相似的前10%患者治疗方案作为推荐方案,实现基于案例推理的治疗方案推荐,并通过数据可视化工具呈现基于案例推理和聚类分析的结果。结果基于患者相似性推荐的治疗方案与实际初始治疗方案的一致率达到83.3%。结论根据患者相似性推荐的治疗方案与实际的治疗方案之间具有较高的一致性,证实了基于案例推理和聚类分析在艾滋病患者个性化治疗方案推荐中的可行性和有效性,为艾滋病领域的精准医疗研究提供了参考。     

基于信号相似性度量的胸外按压训练质量评价技术的研究

心肺复苏是抢救心脏骤停患者的唯一有效途径,其中胸外按压是关键环节。为了对学习胸外按压学员的操作质量进行总体评估,提出了一种基于信号相似性度量的评价方法。基于训练者胸外按压操作全过程的按压深度波形信号,通过特征提取将胸外按压操作转化为一组由时域特征构成的多元时间序列,并利用相似性度量算法进行不同按压信号之间的相似性比较。最后,设计了实验,计算了按压技能不同水平群体的胸外按压信号之间的相似度,实验结果验证了该方法的有效性。     

中药指纹图谱分析及其FPGA实现

目的:研究用于中药色谱指纹图谱相似性分析的算法及其在FPGA上实现硬化.方法:液相色谱指纹图谱的原始数据存在很多种漂移和数据干扰,在进行相似度分析之前必须去除这些干扰因素,我们使用带阻滤波消除原始信号中的噪声,使用遗传算法实现图谱间指纹峰的匹配,并采用相关系、夹角余玄和相关系数作为相似度判别的标准.上述算法均可移植到FPGA上,借助FPGA内部计算与操作全过程可完全并行化的能力,实现该算法的高速运算操作.结果:经相关领域专家检验,认为夹角余弦与相关系数的评价结果比较接近,欧氏距离测度则具有较好的综合评价能力.结论:用3种相似性测度计算不同批次丹参粉针注射液指纹图谱相似性的结果表明,夹角余弦测度更适于分析评价不同批次间药品质量的稳定性.整套算法能够无缝移植到FPGA硬件架构上,实现中药指纹图谱的现场分析,在中药炮制过程中实时分析炮制情况,指导中药炮制达到最优控制.     

基于Skip-gram词嵌入算法的结构化患者特征表示方法研究

目的基于表示学习中的Skip-gram词嵌入算法,寻找能够克服电子病历中结构化特征的高维性并在语义层次上表示特征的方法。方法本文的数据来源于北京市某三甲医院的电子病历系统,从中提取患者的结构化特征,包括疾病、药物和实验室指标,其中实验室指标通过正常值范围离散化;利用Skip-gram算法,将电子病历中离散型患者特征(疾病和药物)和离散后的连续型患者特征(实验室指标)嵌入到同一个低维实数向量空间中。通过t-SNE降维可视化方法显示低维实数空间中特征向量的关系,并与特征向量间的余弦距离计算结果相互印证,从而评价特征表示的有效性和揭示特征向量间的潜在联系。结果患者特征的低维实数向量既降低了患者特征的维度,又很好地表征了特征间的潜在联系,临床含义相关的特征表示成的低维实数向量也很相近。结论基于Skip-gram算法将患者结构化特征表示成低维实数向量取得了较好的效果,为解决EMR数据表示的高维性以及结构化特征间潜在关系分析提供一种思路。     

基于ARMA模型的心电聚类算法

对心电信号(ECG)这种高维的时间序列进行聚类,最重要的方面之一即进行特征提取。本研究提出利用自回归和移动平均(ARMA)模型拟合ECG信号,以拟合系数的欧氏距离为结构不相似测度征进行聚类。但此方法没有考虑样本数据的各维特征对聚类的不同贡献率,所以本文提出可以把首次聚类每维特征在聚类中的贡献率作为其权值,对每维数据加权后重新进行聚类。以MIT-BIH标准数据库中的正常窦性心率(NSR)和心室早期收缩(PVC)样本数据进行聚类分析,结果表明利用改进后的方法进行聚类的准确度达到93.10%,从而证明了所提方法的有效性。     

基于深度学习的舌象自监督聚类

目的：解决人工智能舌诊领域数据标注成本较高且带有较强主观性的问题。方法：基于深度学习中的对比学习技术,对舌象进行自监督聚类。该方法首先利用卷积神经网络将不同数据增强模式下的舌象映射到潜在空间,并在学习同类实例之间共同特征的同时尽可能区分非同类实例;随后利用高斯混合模型对网络提取的特征向量进行聚类。结果：在无需引入先验知识的情况下,利用300张舌象仪采集的无标签图像取得了52.54%的聚类纯度。结论：该方法一定程度上将医疗工作者从费事费力的数据标注工作中解放出来。除应用于自动化舌象分类外,该方法还可进一步针对不同病症的特殊舌象症候群进行聚类分析,其提取的舌象特征也可为舌体分割、舌色分类、苔质分区等下游任务提供预训练的参考。     

脑功能网络的动态相似度计算与度量EI北大核心CSCD

大脑的功能网络会随脑发育、病变、衰老等时间过程改变。现有针对个体间脑功能网络变化的差异(或相似)度量大都是用于评估网络的静态特性的,不适用于评估脑功能网络沿时间轴发生的大跨度、大规模的演变而形成的动态特性。本文提出了一种用于度量脑网络动态相似性的动态网络相似度(DNS)指标。该指标通过结合动态网络的演化和结构特征进行相似度度量。通过四组具有不同演化和结构特征(变化幅度、变化趋势、连接强度分布、连接强度跨度)的模拟动态网络验证了DNS指标的性能。此外,还使用了一组采用经颅直流电刺激(tDCS)治疗的13名中风患者之间脑功能网络的真实数据对DNS指标进行了检验,并与传统静态网络相似度方法作了比较。结果表明DNS指标与模拟动态网络的变化幅度、变化趋势、连接强度分布、连接强度跨度均显著相关。使用DNS指标,可以发现中风患者在tDCS治疗前后运动网络的动态演变具有较强相似性;而利用传统静态网络相似度则不能反映这一动态特性,所得到的患者子组间的相似度结果在治疗前与治疗后差异较大。实验结果表明,DNS指标能够较准确地反映动态网络的演化及结构特性,具有较强的鲁棒性。这一新指标克服了传统静态网络相似度度量方法缺乏总体评估时序脑功能数据能力的缺点。     

一种基于元学习的小样本核磁共振图像分割方法

将深度学习算法应用于核磁共振（MR）图像分割时，必需以大量经标注后图像作为训练集的数据支撑。然而，MR图像的特殊性导致采集大量的图像数据较困难，制作大量的标注数据成本高。为降低MR图像分割对大量标注数据的依赖，本文提出了一种用于小样本MR图像分割的元U型网络(Meta-UNet)，能够利用少量的图像标注数据完成MR图像分割任务，并获得良好的分割结果。其具体操作为：通过引入空洞卷积对U型网络（U-Net）进行改进，增加网络模型感受野从而提高模型对不同尺度目标的灵敏度；通过引入注意力机制提高模型对不同尺度目标的适应性；通过引入元学习机制，并采用复合损失函数对模型训练进行良好的监督和有效的引导。本文利用提出的Meta-UNet模型，在不同分割任务上进行训练，然后用训练好的模型在全新的分割任务上进行评估，实现了目标图像的高精度分割。新的分割方法比起常用的无监督医学图像配准分割方法——体素变形网络（VoxelMorph）、数据增强医学图像分割方法——转换学习数据增强模型（DataAug）和基于标签转移的医学图像分割方法——标签转移网络（LT-Net）三种模型平均戴斯相似性系数（DSC）有一定提高...     

基于电子病历的患者相似性分析综述

预测患者未来的健康状态具有重要社会意义和科学价值。医疗大数据的积累为通过数据挖掘和分析来获得预测模型,或建立预测方法提供新的基础。患者相似性分析基于普适的患者间距离评估,从大量临床实践数据中获取疾病发展的普遍规律,从而为使用通用的计算机辅助临床决策支持框架、达到个性化诊疗提供了可能。目前该技术已在癌症、内分泌疾病、心脏疾病等大量领域得到初步的验证,并成为医学人工智能技术向临床转化最重要的一个方向。首先综述患者相似性分析的理论基础和研究进展,详细阐述患者相似性分析的一般性计算框架,讨论其中所涉及的大量关键技术,如数据预处理、降维、计算概念间距离和构建相似组等,以期为国内同行提供关于该领域研究的最新进展。同时指出目前患者相似性的研究还存在问题和挑战,为国内开展相关研究提供参考。     

基因芯片数据分析方法及其在医学中的应用

<正>基因芯片技术带来了大规模、高通量的信息,同时也对数据的探索性分析及信息提取提出新的挑战。伴随出现的诸多方法,如基因芯片数据的标准化,样本(或基因)间距离的度量,以及样本(或基因)的监督和非监督分类等分析方法,力图将无机的信息数据和有机的生命活动结合起来,阐释生命特征及基因功能,已成为生物信息学的研究课题[1]。     

2D-3D医学图像配准临床数据集标定结果的分析与评价

目的 构建采自临床的2D-3D医学图像配准数据集,是实现各种学习算法应用于实际医疗的重要环节。然而临床数据的获取过程中存在多种不确定因素,致使数据集的标定结果需要分析和评价。本文对采自胸主动脉腔内修复术的一组X线和CT图像的几组标定数据进行分析和评价,并确定正确标定结果。方法 分别采用相似性度量法和投影距离误差法对标定结果进行分析和评价。选用相似性准则,计算CT图像生成的二维数字放射重建图像和X线图像的相似性,相似程度越高,对应的标定值越接近真实值。读取X线图像中的标记物影像位置作为参考位置;将计算得到的CT图像中标记物位置在X线图像上投影,得到投影位置;计算参考位置和投影位置的距离,距离值越小,对应的标定值越接近真实值。结果 提供的几组标定数据,在比较数字放射重建图像和X线图像相似性方面,相似度接近,没有明显指向性;而投影距离误差法的分析结果指向性明显,能够定量描述标定结果的优劣。主要原因在于各组标定值之间差别不突出;生成的数字放射重建图像和X线图像之间模态差异较大等。结论 投影距离误差法是评价2D-3D医学图像配准数据集标定结果的有效手段。另外,若提供的标定结果计算数据差异明显,或...     

协同训练算法在无创血糖检测中的应用

目的:在无创血糖检测方法的研究中,因无创生理参数相比血糖真值更易于获取,病理数据库中未用血糖真值标记样本的数量远大于有标记的样本,若能将未标记样本应用于传统有监督血糖预测模型的训练中,将有效扩充训练样本集并提高模型的泛化能力。 方法:在基于能量代谢守恒法的理论基础上,利用无创生理参数天然的多视图特性,将半监督学习算法应用于无创血糖的预测中,提出一种基于多视图协同训练与支持向量机技术的血糖预测算法。结果:经实验分析,在一定标记率下,基于协同训练的学习算法相比传统的有监督学习算法预测误差更小。说明未标记样本能够有效提升原始模型的泛化能力。 结论:协同训练的引入,充分利用了规模较大的未标记样本,提高了模型泛化能力,并减少了血糖样本采集中标记样本的工作量,为今后无创血糖算法的研究提供了新思路。     

基于度量学习的多分支舌象识别网络

为提升舌象识别效率与精准度,通过度量学习研究辅助医生识别舌象表征的方法。首先,收集舌诊图像111例,数据按照7:3的比例随机分为训练集和测试集。然后,设计一种基于度量学习的多分支舌象识别网络。深度学习网络被分为两个部分,前半部分为共享权重层,采用基于度量学习的舌象特征编码损失函数,以获得精准的特征;后半部分针对中医舌象的分类分为4个舌象识别辅助分支,降低舌象识别难度,提升准确率。此外,构建多标签残差映射,增加类间距,减小类内距,提升最终识别的准确度。本文方法在舌象数据集的测试集上进行测试时获得84.8%的识别精度,表明多分支网络架构可以很好地降低舌象识别难度,特别是特征类别较多的舌形和苔质。同时,舌象特征编码损失函数可以有效地提取舌象特征;舌象多标签残差映射可以减少各类别之间的干扰,从而提升识别准确度。     

基于多实例学习及阈值伪标签提取的CT影像颅内出血分割

颅内出血由颅内血管破裂引起,出血体积对治疗决策和预后分析具有重要的临床意义,而基于CT影像的血肿分割是体积测量的基础。全监督方法依赖于人工勾画的标签,十分耗时和繁琐,现有弱监督分割方法的鲁棒性差,容易受伪影干扰。为此,本研究提出了基于多实例学习的弱监督颅内出血分割网络MIL-ICH,由双分支结构组成。首先,由多实例学习解码器生成热图定位出血区域;然后,在热图基础上使用CT值阈值和像素自适应优化模块提取并优化伪标签,训练分割解码器;最后,两个分支同时训练,提高训练效率并且利用多分支协同作用进一步提升分割性能。在来自RSNA颅内出血数据集的200例CT扫描上的测试结果表明,MIL-ICH网络的Dice相似性系数和体积相似度分别达到了0.822和0.896,本网络测量的出血量与实际出血量的相关性优于临床常用的多田公式估测法。所提出的方法能够提高颅内出血弱监督分割性能,有助于为临床提供出血体积测量和预后评价的依据。     

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...     

基于模糊C均值聚类的儿科机械通气撤机时机研究

研究呼吸机撤机时机,提高撤机成功率。收集本院PICU在过去两年中发生机械通气撤机的病例1 061例,在完成数据标准化后,分为训练集样本和测试集样本,各样本集中撤机成功的定义为正常样本,反之为异常样本。应用模糊C均值聚类算法,对撤机时样本临床相关参数聚类分析,将所有的病例进行分类,以确定撤机失败病例所属的类别。训练集的样本总数为785,从聚类结果来看,第1类撤机失败病例数为0,第5类撤机失败病例比率为1065%,是样本平均值的两倍。测试集的样本总数为276例,聚类结果和训练集类似,第1类撤机失败病例数为0,第5类撤机失败病例的比率高达1579%,大于平均值的两倍。虽然正常样本和异常样本之间不易发现明显的界限区别,但大部分异常样本之间存在较为紧密的联系,个别类别撤机失败率远高于整体的平均水平。实验结果说明,异常样本之间存在一定的相似度,可以通过聚类分析获得其范围,从而为临床医生提供有效的撤机决策支持。     

基于DNA微阵列数据的基因聚类方法

聚类分析并不是一个新的统计问题,但是微阵列实验产生的大量复杂多元数据集对聚类的计算方法提出了新的挑战.本文对微阵列基因表达数据分析的多种聚类方法及其优缺点作了详细的介绍,包括监督聚类、非监督聚类以及基于模型的聚类.由于各种方法的有效性和适用场合不同,探索开发更为适用、聚类效果更为理想的专用于微阵列表达谱数据的聚类新方法显得尤其重要.