基于自回归模型和关联向量机的癫痫脑电信号自动分类

癫痫脑电信号自动分类方法的研究具有重要意义.基于自回归模型和关联向量机,实现癫痫脑电信号的自动分类.采用自回归模型,进行脑电信号特征提取;通过引入主成分分析和线性判别分析两种特征变换方法,降低特征空间维数;采用关联向量机作为分类器,提高模型稀疏性并可以得到概率式输出.在对波恩大学癫痫研究中心脑电信号的分类中,所提出的方法最高准确率可以达到99.875％;在将特征空间维数降至原始维数的1/15时,分类准确率仍可达到99.500％;采用关联向量机作为分类器,模型稀疏性大幅提高,与支持向量机相比,同等条件下关联向量数仅为支持向量数的几十分之一.所提方法可以很好地应用于癫痫脑电信号的自动分类.     

基于AR模型和支持向量机的急性低血压预测

ICU中,急性低血压的发生严重威胁着患者的生命安全,临床上对其预测性判断主要依靠医生经验。为实现急性低血压预测,利用PhsioNet的MIMIC II数据库ICU监护中的患者临床记录,对发生与未发生急性低血压两者间的平均动脉压信号进行AR模型的功率谱估计,运用医学信息学理论,选取功率谱幅度的中位数、平均值、最大值、标准偏差和极差用于支持向量机分类预测器的学习和训练,建立分类预测模型。预测模型对测试集进行分类预测,得到预测正确率为87.5%,表明相对于直接提取患者平均动脉压信号的统计特征参数作为预测特征,本方法具有更好的预测效果,有利于实现急性低血压提前预测。     

基于支持向量机的乳腺癌预后状态预测和疗效评估

乳腺癌是危害妇女健康的主要恶性肿瘤.目前基因与疾病关系的研究取得了一系列的成果,使得利用乳腺癌患者的基因信息来预测预后状态和评估治疗效果成为了可能.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,已被广泛地应用于诸多研究领域.本文采用支持向量机SVM、K-近邻法(K-nearest neighbor,K-NN)、概率神经网络(probabilistic neural network,PNN)、决策树(decision tree,DT)分类器,结合乳腺癌患者基因数据来预测患者的预后状态和评估治疗效果.结果表明:当使用高斯径向基核函数时,SVM通过5次交叉验证的最佳平均分类准确率达到了88.44%,优于K-NN(81.69%)、PNN(80.68%)和DT(71.19%)等分类器,表明该方法有望成为一种有效、实用的乳腺癌预后状态预测和治疗效果客观评价的工具.     

基于支持向量机的二维人眼位置信息提取

眼电图(electrooculogram,EOG)是一种最常用的眼球运动记录技术,但一直缺乏从EOG扫视信号中提取二维人眼位置信息的有效方法.本文提出了利用支持向量机对二维人眼位置信息进行提取的新方法,建立了相应的模型.研究结果表明,基于支持向量机的提取方法是准确、有效的,构筑EOG-SVR系统是可行的.     

基于支持向量机的足月胎儿体重预测新方法

支持向量机回归估计的性能往往依赖于核函数及其参数、不敏感系数和惩罚因子的确定。支持向量机中参数的确定是一个较为困难的问题 ,以往通常采用交叉验证的方法确定参数。本研究提出了自适应参数调整支持向量回归估计方法 (A -SVM) ,给出了自适应参数调整算法。并已成功地应用于足月胎儿体重的建模 ,且经与径向基网 -偏最小二乘回归方法 (RBFN -PLSR)建立的模型比较 ,A -SVM方法拟合精度和预测能力均比RBFN-PLSR方法好。     

基于多通道自适应自回归模型脑-机接口系统特征的提取

背景：由于脑电图信号的非平稳特性,脑-机接口系统至今仍然没有走出实验室,制约脑-机接口实用的主要原因之一是由于被试生理或心理状态的干扰下,脑电特征信号动态变化,难以得到稳定可靠的分类特征。 目的：观察动态提取基于左手、右手和脚3种运动想象时的脑电信号分类特征,提高在线脑-机接口系统分类准确率和反应速度。 方法：共有3位自愿受试者参加了实验,按照屏幕上的提示分别想象左手、右手和脚3种运动,对采集到的脑电图信号,首先通过带通及拉普拉斯滤波,去除眼电等干扰;其次提取改进的多变量自适应自回归模型模型参数作为分类特征;最后与传统的自适应自回归模型和自回归模型方法进行了比较。 结果与结论：结果表明改进的多通道自适应自回归模型算法能够比较稳定的提取出对应左手、右手和脚的分类特征,有利于进一步改进在线脑-机接口数据分析算法的自适应能力,促进脑-机接口系统的实际应用。     

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.     

基于支持向量回归方法的蛋白残基可溶性预测

介绍了一种从蛋白质序列预测残基相对可溶性的新方法。该方法基于支持向量回归，并将序列局部信息作为输入。不同于先前的大部分预测方法仅对特定的蛋白残基相对可溶性进行状态分类，该方法预测了相对可溶性的连续值，从而比状态分类保留了蛋白质三维结构的更多信息。本研究对RS-126，Manesh-215和CB-513三个数据集进行了测试。通过比较不同的参数及窗宽模型来获得最佳结果，采用平均绝对误差、相关系数等参数来衡量预测效果，同时与多层反馈神经网络方法（RVP-Net）的实验结果比较，在3-fold情况下三个数据集预测结果的平均绝对误差均有降低，相关系数均有提高。另外，该算法采用了多序列比对作为输入，效果比单序列有所提高。采用该方法，对CB-513数据集平均绝对误差可以达到16．8％、相关系数为0．562，而用RVP-Net方法分别为18．8％和0．480。这些结论表明支持向量回归方法是蛋白质序列分析的一种有效工具。     

基于改进支持向量机方法的蛋白质相互作用预测

蛋白质与蛋白质相互作用研究是蛋白质组学的重要研究内容之一.本研究采用支持向量机学习方法,将氨基酸物理化学特性和序列信息方法相结合构建支持向量,选取DIP数据库中的酵母表达蛋白序列进行蛋白质相互作用预测.在34 000对酵母表达蛋白实验数据中,预测准确率达到83.72%,而单独运用基于氨基酸物理化学特性的方法和基于序列信息的方法预测准确率分别为75.86%和79.63%.在提高预测准确率的同时通过引入离散信息度量函数(FDOD)减少支持向量的维数,使支持向量学习时间缩短,提高相互作用预测的速度.     

基于迁移学习和支持向量机的乳腺癌分子分型预测

乳腺癌分子分型对乳腺癌的治疗具有决定性的参考作用,传统的分型方法有创且可能存在假阳性问题,而已有的基于影像学的分型方法准确率较低。本文提出一种利用迁移学习提取特征并结合支持向量机的分型预测方法,对乳腺癌PET/CT标记图像进行融合和归一化,再使用Xception迁移学习网络进行特征提取,最后使用支持向量机进行分类实现分型。对样本测试集进行性能评估表明,Xception+SVM模型的准确率达到0.687,AUC为0.787,优于现有基于影像学的方法,验证了本文方法的有效性。     

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。     

基于二叉树支持向量机的蛋白质结构类预测

提出了一种基于二叉树支持向量机(BT-SVM)的蛋白质结构类多类预测新方法.采用26维的向量来表示蛋白质序列的特征.BT-SVM多类分类方法能消除SVM在多分类问题中存在的不可分数据问题.采用两个经典数据集作为测试数据,通过自身一致性和n折叠交叉验证方法测试了新方法的性能.预测结果表明新方法具有良好的预测能力,与使用同一数据集的已有结果相比较,新方法的Jackknife结果和目前最好的方法取得的结果相当,可作为蛋白质结构类预测的一个工具.     

基于支持向量机的ICU中急性低血压预测模型研究

在重症监护室(ICU)的监护中,急性低血压(AHE)的发生严重威胁着患者的生命安全,临床上主要依靠医生的经验处置。本文运用医学信息学的理论,研究一种ICU中AHE发生的预测模型。利用ICU监护中血压变化的连续记录数据,分析发生与未发生AHE两者间平均动脉压(MAP)信号的变化趋势与特点,基于统计学习理论的支持向量机(SVM)方法,选取中位数、平均值等统计特征参数用于学习和训练,建立分类预测模型。在此基础上,对不同核函数构成的分类器和预测算法进行了比较分析。实验验证,本方法能够达到比较好的分类预测效果,有利于AHE发生的提前预测。     

基于局部支持向量机的蛋白质相互作用的预测方法

针对蛋白质相互作用的预测问题,我们提出了一种基于局部支持向量机的预测方法。该方法充分考虑了蛋白质相互作用数据的局部相似性特征,提出在待测样本附近构建支持向量机模型。对两个真实的蛋白质相互作用数据集H.pylori和Human的测试表明,基于局部支持向量机的预测方法能够有效剔除无用样本对待测样本的负面影响有效地提高了蛋白质相互作用预测的性能与其它方法相比具有一定的优势。     

基于熵和支持向量机的病态嗓音识别

为了更好地分析实际短数据带噪的病态嗓音信号,利用近年来提出的样本熵、多尺度熵、模糊熵和分层熵的方法来提取嗓音的熵特征参数,并借鉴分层分解方法,提出分层多尺度熵和分层模糊熵,分别对测试集39例正常嗓音和36例病态嗓音进行支持向量机（SVM）识别。实验结果表明：三层分层熵、分层多尺度熵、分层模糊熵的识别率和稳定性均较分层前有提高。在耗时较短的情况下,提取2 000点病理嗓音数据的6种熵特征都能达到较好且较稳定的识别率。提取2 000点病理嗓音数据的三层分层模糊熵特征,能得到较好且较稳定的SVM识别率97.33%,较分层前的模糊熵特征识别率提高约4.00%。熵分析方法可推进病态嗓音研究向临床的应用,为临床分析诊断实时、短数据的带噪病理嗓音提供一定的参考。     

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。     

构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态

研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需最具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.