基于支持向量机算法的ECG分类策略

心电信号(ECG)对医生诊断心脏疾病极为重要.现存许多ECG分类技术存在实现困难,处理时间长和只能对2～3类的ECG进行分类的不足.我们提出了一类基于SVM的ECG分类的崭新的方法,阐明了SVM对ECG分类的基本思想.与传统的神经网络分类相比,在理论上该方法优于神经网络,因为支持向量机考虑的是测试样本的最小化而不是训练样本的最小化.     

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。     

基于支持向量机的中医望诊颧色分类研究

目的在中医望诊理论中,人面部各区域颜色能反映人体健康状况。针对传统的颧色判别方法主要依靠医生目视判断,本文提出一种基于支持向量机的颧色自动分类方法。方法首先根据中医专家经验分别选取训练集中颧红和颧非红图像中的8×8像素块作为训练样本,将测试图像划分成8×8像素块作为测试样本,然后提取每块(包括训练样本和测试样本)中64个像素的R、G、B值作为特征,使用训练后的支持向量机分类器将测试样本中的块分类为红块和非红块。最后根据每幅两颧图像中被判为红色的块所占的比例来对该图像进行分类,若两颧区域中所占的红块的比例超过预设的阈值,则将其判为两颧红,否则判为两颧非红。结果在专家鉴别的图像库上进行了测试,该算法对颧色分类的准确率接近83%。结论基于支持向量机的颧色分类方法能取得较好的分类效果。     

基于支持向量机的BCI导联选择算法

脑-机接口(BCI)中导联选择的目的是在所有记录脑电信号的导联中,选择出与特定心理任务分类最相关的导联,对于简化BCI系统,提高系统传输速率具有重要影响.本研究提出一种基于支持向量机(SVM)的导联选择算法,所采用的实验数据来自德国组织的第三届国际BCI数据竞赛数据集IVa中两个受试者(al,aw).结果表明,该算法对al数据集导联可从118减少到22,同时系统识别的精度从92%提高到98%;对aw数据集导联可从118减少到35,同时系统识别的精度从89%提高到93%.可简化BCI系统的设计,改善系统性能.     

改进鲸鱼算法寻优支持向量机的眼动数据分类研究

支持向量机在进行不同眼动模式分类任务时受参数影响较大,针对这一问题,本文提出一种基于改进鲸鱼算法优化支持向量机的算法以提升眼动数据分类性能。根据眼动数据特点,本研究先提取注视、眼跳相关的57个特征,再利用近邻相关（ReliefF）算法进行特征筛选。针对鲸鱼算法收敛精度低,易陷入局部最小值等问题,本文引入惯性权重平衡局部搜索和全局搜索,加快算法收敛速度,同时利用差分变异策略增加个体多样性,跳出局部最优。本文对8个测试函数进行实验,结果表明改进鲸鱼算法具有最佳的收敛精度和收敛速度。最后,本文将改进鲸鱼算法优化支持向量机模型应用于自闭症眼动数据分类任务,公开数据集实验结果表明,相较于传统的支持向量机方法,本文方法的眼动数据分类准确率有着较大提升,相较于标准鲸鱼算法和其他优化算法,本文方法优化后的模型具有更高的分类精度,为眼动模式识别提供了新思路与方法。未来或可利用眼动仪获取的眼动数据,结合本文方法辅助医疗诊断。     

基于支持向量机的肝纤维化CT图像分类

基于统计学习理论中结构风险最小化原则的支持向量机是易于小样本的机器学习方法.本文使用支持向量机和二叉树的方法对肝纤维化CT图像进行分类,并与k近邻法和BP神经网络等其它算法进行比较,结果显示对于肝纤维化图像,支持向量机的分类效果和鲁棒性要高于其他两种算法.     

基于共空间模式和支持向量机算法的食物偏好脑电分类研究

研究不同食物偏好图片刺激所引起的脑电信号差异,提出一套用于分类识别的方法。18名受试者对5类食物进行评分后,参与oddball事件相关电位(ERP)实验。根据受试者评分决定其喜爱程度高和喜爱程度低的食物,并用相应图片刺激,采集受试者面对两类刺激时所诱发的ERP信号,分析两类信号在ERP成分上是否存在显著差异。利用共空间模式算法(CSP)进行特征提取,随后使用支持向量机(SVM)进行单试次脑电分类识别,并使用留一法进行交叉验证。结果表明,喜爱程度高和低食物图片刺激诱发的P3幅值在统计学上存在显著差异(P<0.05),振幅分别为(16.74±5.85)μV和(14.67±4.37)μV,相关分析结果表明食物评分与脑电P3幅值存在正相关。分类识别上,在使用4次单试次ERP信号下,CSP+SVM分类正确率可达93.16%±8.93%,取得了较好的分类识别结果。实验结果表明,脑电信号可作为一种新的食物偏好分析工具,CSP+SVM可对食物偏好脑电进行较好地识别,可为食物评价和厌食症辅助治疗等提供新的解决思路。     

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.     

支持向量机在血细胞分类中的应用

支持向量机是根据统计理论提出的一种新的学习算法。该算法通常可用于解决二分类问题。本文将其推广到多分类问题。利用多级支持向量机分类器对骨髓中不同成熟阶段的血细胞进行了分类。文中首先提出了利用逐步分解的分级聚类算法进行多级支持向量机的构建。然后通过一定准则在各级中确定支持向量机相应的最优控制参数。为了进一步了解分类性能和较好的估计分类错误率，使用3次交叉验证法将其与传统的分类方法作了比较。实验表明，支持向量机分类器巧妙避开了维数灾难问题。具有较好的推广能力。可提高血细胞分类的正确率。     

基于共空间模式算法和支持向量机二重分类的癫痫发病预测

目前癫痫患者的发病预测手段十分耗时且易受主观因素干扰,因此文中提出了一种基于共空间模式算法(CSP)和支持向量机(SVM)二重分类的癫痫发病自动预测方法。此方法将提取空域特征的共空间模式算法应用到癫痫脑电信号检测中,但是该算法未考虑信号的非线性动力学特征且忽略了其时频信息,所以在特征提取阶段选取了标准差、熵和小波包能量这几种互补特征来进行组合。分类过程采取一种基于支持向量机的全新二重分类模式,即将癫痫患者正常期、发作间期和发作期三个阶段分成正常期和准发病期(包括发作间期和发作期)两类进行支持向量机识别,然后对属于准发病期的样本进行发作间期和发作期的分类,最终实现三个时期的分类识别。实验数据来自德国波恩大学的癫痫研究数据库。实验结果显示,第一重分类平均识别率为98.73%,第二重分类平均识别率可达99.90%。结果表明,引入空域特征和二重分类模式能够有效解决众多文献中发作间期和发作期识别率不高的问题,提升各个时期的识别效率,为癫痫患者的发病预测提供有效的检测手段。     

基于改进支持向量机算法的超声图像分割技术

超声图像的边缘分割受到噪声影响,基于传统支持向量机(support vector machine,SVM)超声图像分割过程存在较大缺陷。提出一种基于改进SVM算法超声图像分割算法。采用分区域特征匹配方法,进行二维超声图像的分块融合性检测和特征块匹配,根据超声纹理的规则性特征分量进行病理边缘特征提取,利用提取的精度作为约束条件,优化SVM分割过程,进行超声图像分割过程的自适应分类,实现对超声图像的快速分割。仿真结果表明,采用该方法进行超声图像分割的精度较高,对超声图像的病理特征识别能力较好,结构相似度信息较强,提高了超声图像检测和诊断分析能力。     

基于特征向量法和支持向量机的抑郁症脑电信号分类

目的:从抑郁症患者EEG信号中提取与疾病相关的信息以实现对抑郁症患者与健康人的自动分类.方法:用特征向量法对抑郁症患者与健康人脑电进行特征提取,得到脑电信号功率谱幅度的最大值、最小值、平均值和标准偏差等特征参数,然后用支持向量机分类器进行训练和分类,并进行测试验证.结果:相对于用小波变换提取的频率相关参数作为分类特征,采用本文特征向量法功率谱估计提取的特征参数为分类特征的分类器具有更好的分类效果,其抑郁症患者和健康人脑电信号的分类准确率可以达到95.6%.结论:该研究成果为抑郁症疾病的物理诊断提供了一种新的途径.     

基于支持向量机的痤疮患者舌色苔色识别算法研究

目的针对中医痤疮患者的舌象特征,基于支持向量机(support vector machine,SVM)对舌色苔色的识别准确率及识别速度进行研究,以提高中医舌诊客观化研究的准确度及速度。方法针对专家标定的1500个典型舌样本,在苔质识别阶段将亮斑、舌苔、舌质同层识别,以避免亮斑被误识别为白苔。使用交叉验证核函数、一对一(one against one,OAO)和投票法训练多类SVM分类器,网格法、遗传法、粒子群法结合交叉验证法对RBF核函数参数寻优,得到最佳分类结果。最后与阈值法、聚类法及DAG方法进行了识别准确率及识别速度的比较。结果与其他方法比较,本文方法在舌色苔色识别准确率及识别速度上均有提高,本文识别准确率为8473%,高于DAG方法(8104%);识别速度为05599s,优于DAG方法(16394s)。结论本文方法对舌色苔色的分类准确率和识别速度都有一定的提高,对辅助医生临床诊疗及临床研究具有现实意义。     

基于改进人工蜂群优化支持向量机的睡眠分期

本研究提出通过改进人工蜂群算法优化支持向量机（IMABC-SVM）进行睡眠分期。对提取的离散小波变换分解数据分量、时域特征、非线性特征、微状态特征,使用ReliefF算法进行特征筛选,提取出最优特征矩阵,并由IMABC-SVM分类器对特征矩阵进行训练。为验证特征筛选与优化分类器效果,进行相关消融实验。结果表明IMABC-SVM方法精度可达89.97%。IMABC-SVM方法可为睡眠相关疾病的检测、预防和治疗提供有效的依据。     

基于支持向量机的轻度认知功能障碍诊断方法

轻度认知功能障碍（MCI）是正常老化向痴呆转变的过渡阶段，目前被认为是老年痴呆症（AD）的一种先期征兆，其相关研究对于AD的早期诊断与干预具有重要意义。MCI的诊断一般通过认知和记忆的测查进行，各项指标均为正常或MCI状态时可直接确诊，如果不一致则需医生依据经验进一步判断。本研究从已确诊的被试中训练得出支持向量机分类模型，然后对需要医生诊断的被试做预测，实验表明，以医生的诊断为准，预测的符合率最高可达85．7％，有助于MCI的计算机辅助诊断。     

基于支持向量机的室性早搏检测

心电信号分类是自动心电监护设备的基础。支持向量机 (SVM)在分类和模式识别方面展现出卓越的性能。本研究将支持向量机应用于心电信号室性早搏 (PVC)的检测。根据室性早搏的特点 ,从 ML II导联中提取心率、形态心及小波域能量 3大类共 9个特征。并使用 MIT- BIH的 Arrhythmia数据库的数据 ,根据 AAMI建议要求 ,对采用不同核函数的支持向量机的性能作了比较。     

基于小波分解和支持向量机的P300识别算法

针对支持向量机方法在P300识别中训练和识别速度相对较慢的不足,本研究提出了一种将小波分解与支持向量机相结合的P300识别方法。该方法通过小波分解实现脑电信号的特征提取,同时利用Span估计方法实现支持向量机最优参数的快速选择;然后借助支持向量机良好的分类性能实现P300的识别。本研究在BCICompetition 2003的P300实验数据集上对该方法进行了验证,结果表明,与传统支持向量机算法相比,本算法具有更高的训练和识别速度,并且在5次重复实验时达到了100%的识别准确率。     

基于多项式参数拟合和支持向量机的心肌梗死识别算法

心电图的复杂性和个人差异导致心肌梗死诊断标准的难以遵循,本文提出了一种基于多项式参数拟合和支持向量机的心肌梗死识别算法。原始信号经过滤波、去噪等预处理之后,使用多项式拟合的方法得到曲线拟合效果最佳的拟合系数,并把预处理中的参数作为特征值,支持向量机作为分类器,实现心电信号的自动分类。该方法实现了心肌梗死信号和正常心电信号的分类,最终识别率为82.017 9%。该方法可行性高、识别率高,具有可扩展性。     

嵌入欠采样技术的支持向量机集成分类算法的MicroRNA靶标预测

针对MicroRNA(miRNA)靶基因样本数据不平衡导致阳性样本预测准确率低和整体分类效果不佳的问题,提出一种基于欠采样技术的集成学习算法——支持向量机(SVM)-嵌入下采样和权重平滑(IUSW)集成学习算法。算法采用SVM作为基学习算法,以AdaBoost为集成框架,迭代过程中嵌入基于聚类的欠采样以降低阴阳样本数据分布不平衡程度,同时在自适应样本权重调整过程中,以样本权重平滑机制剔除阴性样本中的异常点以避免过学习,最终以带权重的投票机制组合多个弱分类器预测结果作为miRNA集成分类器的预测结果。实验表明,在不平衡数据集上SVM-IUSW算法和其他算法相比,不但有效提高了阳性靶标的预测准确率和整体分类效果,还增强了miRNA靶标分类器的泛化能力。     

基于支持向量机预测蛋白质转导域的研究

目的 蛋白转导域（PTD）是一类能携带分子穿越细胞膜的短肽,利用支持向量机对多肽片段PTD进行预测.方法 对来源于SwissProt数据库的多肽序列用68个特征值描述其整体和局部的理化特性以及空间结构特征,利用支持向量机（SVM）和直推式支持向量机（TSVM）并结合聚类的方法进行PTD的预测.结果 5次交叉验证的结果显示,TSVM的预测准确率达到（94±4）%,SVM预测准确率达到（94±5）%.2种预测方法共同预测了1210个可能的PTD片段.结论 TSVM和SVM均显示了很好的预测性能,预测的PTD为实验方法有目的 地发现、确认PT提供了基础.