病态噪声识别特征参数的优化选择

为提高病态嗓声识别效率,本研究首次采用主分量分析方法对目前常用的27个嗓声特征参数进行了优化分析,考察了仅用少数主分量参数的识别效果及其分量数对结果的影响;同时根据参数对病态嗓声信息敏感程度,使用正交试验法优选出9个较优特征参数,其识别率即可达到原27个参数的识别结果。经两种方法对参数进行优选后识别率分别达到97.23%和98.10%,显著高于未经优选、使用全部27个参数的92.10%识别率。研究结果表明:原27个参数中,2/3的参数不能很好地反映嗓声的病态变化特征,使用优选的含有大量病态嗓声信息的少量特征参数即可大幅提高病态嗓声识别效率。     

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。     

基于非线性动力学和高斯混合模型/支持向量机的病态嗓音识别与研究

传统的病态嗓音的识别研究中,通常采用线性分析技术分析嗓音的特性,将嗓音产生过程用一个经典的线性模型来近似,然而,这样却忽略了嗓音产生过程中的非线性特性。本文基于非线性动力学的分析方法,定量分析并提取了嗓音的7维非线性特征——Hurst参数、时间延迟、第二阶Rényi熵、香农熵、关联维、Kolmogorov熵(K熵)、最大Lyapunov指数。实验结果表明,非线性动力学的方法能够弥补传统分析方法的不足,较好分析正常与病态嗓音;应用高斯混合模型(GMM)和支持向量机(SVM)的模式识别方法,分别对测试集39例正常嗓音和36例病态嗓音进行识别,均得到较好的识别率,分别为97.22%和97.30%。     

一种基于特征优化算法的磁共振脑组织分割方法

结合独立分量分析与支持向量机,提出一种基于特征优化算法的磁共振脑组织分割方法。首先,从图像中提取出灰度和纹理特征构成原始特征集;然后,利用独立分量分析技术对所提取的原始图像特征进行优化处理,提取其中的独立分量构成特征子集;最后,把训练样本与待分类样本都映射到特征子集所张成的独立空间中,利用特征子集对支持向量机分类器进行训练并对脑组织进行分类。实验结果表明,采用本研究的分割方法可以获得比其他相关方法更好的脑组织分割结果。     

基于PCA及SVM的运动想象脑电信号识别研究

为了解决脑机接口(BCI)中不同意识任务下运动想象脑电信号的分类问题,提出了一种基于PCA及SVM的识别方法。针对Hilbert-Huang变换和AR模型提取的脑电信号特征,首先采用主成分分析PCA对高维特征向量进行降维处理,然后用支持向量机进行分类。最后将本方法分类结果和Fisher线性分类、概率神经网络分类结果进行比较。实验结果表明,该方法分类正确率较高,复杂度低,具有一定的有效性,可用于脑机接口中。     

大腿截肢患者的残肢肌电运动识别

目的研究利用大腿残肢肌电信号进行下肢运动模式识别的方法,探讨肌电信号控制下肢假肢的可能性。方法采集15名大腿截肢者残肢侧股直肌、股外侧肌、阔筋膜张肌、股二头肌、半腱肌、臀大肌6块肌肉的表面肌电信号,提取肌电信号的6种时域、频域特征,利用支持向量机对平地行走、上楼梯、下楼梯、坐下、起立5种下肢运动模式进行识别。结果利用残肢肌电信号可以实现5种下肢运动模式的在线识别,对同一受试者同次测试数据识别率为94%,同一受试者的多次混合数据识别率为85%,对不同受试者混合数据识别率为74%。通过特征优化,仅利用3块肌肉的2个特征,对同一受试者的同次测试数据识别率仍可达92%。对平地行走、上楼梯、下楼梯3种动作的识别,同一受试者同次测试数据识别率为100%,同一受试者的多次混合数据识别率为98.33%,对不同受试者混合数据识别率为93.33%。结论仅仅利用残肢肌电信号能够实现运动意图的在线识别,通过对同一患者使用前的多次数据训练,有望达到较高的识别率。研究结果为肌电运动识别用于下肢假肢控制奠定了基础。     

基于主成份分析和支持向量机的MRI图像多目标分割

在MRI图像中,颅内各组织的边界极其复杂且不规则,这对传统的分割算法提出严峻的挑战.主成份分析（PCA）可达到降维和消除冗余信息的目的,为使支持向量机（SVM）准备的样本空间更为紧凑、合理.本研究采用PCA将图像的57维特征向量处理后,研究多分类SVM对MRI图像进行多目标分割,成功提取颅内各组织不规则边界.理论和实验表明,基于PCA和SVM相结合的分割性能优于仅采用SVM的分割性能.     

基于心率变异性的情绪识别研究

为探究不同情绪下的自主神经系统的特征变化,本研究基于心率变异性的特征信息研究了不同情绪的分类识别。采集了恬静、气愤、悲伤、恐惧、厌恶、平静、惊奇、搞笑等八种情绪的心电信号,采用小波变换去除噪声干扰,提取了心率变异性的时域、频域等特征参数,并利用支持向量机算法实现了情绪分类。结果表明,本研究方法对于情绪识别具有较高准确性,通过优化支持向量机的参数,对于不同情绪的识别精度可达到60%～75%。基于心率变异性的特征信息进行多种情绪的分类识别方法在影片的测评、培训效果评价等方面具有重要意义。     

脑机接口中一种多类运动想象任务识别新方法

目的针对脑机接口中三类运动想象任务,提出一种最小二乘法自适应滤波结合独立成分分析以及样本熵(RLS-ICA-Samp En)、多类共同空间模式(CSP)、增量式支持向量机(ISVM)相结合的脑电识别新方法,以解决脑机接口中多类运动想象正确率低的问题。方法首先采用ICA将EEG分离,然后利用样本熵自动识别分离后的噪声,再采用RLS对识别出来的噪声进行滤波,最后进行信号重构,得到去除噪声的脑电信号。多类CSP采用"一对一"CSP与多频段滤波相结合,对去噪后的脑电信号进行特征提取。通过"一对多"方式的ISVM对三类运动想象脑电信号获取的特征向量进行分类。为检验新方法的有效性,将本文方法与多类CSP+ISVM(方法 1)及RLS-ICA+多类CSP+ISVM(方法 2)进行比较。结果对三类想象任务而言,本文方法识别正确率与方法 1和2相比均高8%左右。结论与方法1和2比较,RLS-ICA-Samp En、多类CSP、ISVM相结合的脑电识别新方法能更好地适用于多类运动想象任务识别。     

决策树特征基因选择方法对SVM有效性的研究

基因芯片新兴生物技术为从分子水平上研究疾病的发病机理和临床疾病诊断提供了强有力的手段。其中特征基因选择是疾病模式识别诊断最重要的一个环节 ,但不同的特征基因选择方法往往影响疾病模式分类方法的效能。本研究针对这一问题 ,结合结肠癌基因表达谱数据分析 ,研究了递归决策树特征基因选择集成方法EFST ,对支持向量机 (SVM )模式分类器能力的影响。主要从特征基因选择前后分类器的性能、支持向量的吻合度、错分样本标识的吻合度、对样本均匀翻倍模式分类器的稳定性的影响等四个方面研究EFST特征选择算法对支持向量机模式分类方法的影响 ,同时考察了支持向量机模式分类器的泛化能力。结果表明 :基于决策树特征基因选择算法EFST明显地提高了支持向量机模式分类的效能 ,且支持向量机模式分类器具有很强的泛化能力。     

特征优化在表面肌电模式识别中的作用

肌电信号是与神经肌肉活动有关的生物电的体现,其应用已逐步深入到生物医学的各个领域,肌电信号模式识别肌电应用的基础,本文在表面肌电模式识别中引入了特征优化环节,并讨论了其作用,通过对7个志愿者的实验研究表明,采用特征优化情况下,动作平均辨识可提搞近12％,结论表明,在没有增加原始信息的情况下,通过合适的特征优化处理可提高特征的可分性,从而提高动作模式的辨识率,这说明了特征优化在肌电信号模式分类中有重要作用,对其在康复控制等实验应用场合产生积极影响。     

Thyroid Nodule Recognition Based on Feature Selection and Pixel Classification Methods

Statistical approach is a valuable way to describe texture primitives. The aim of this study is to design and implement a classifier framework to automatically identify the thyroid nodules from ultrasound images. Using rigorous mathematical foundations, this article focuses on developing a discriminative texture analysis method based on texture variations corresponding to four biological areas (normal thyroid, thyroid nodule, subcutaneous tissues, and trachea). Our research follows three steps: automatic extraction of the most discriminative first-order statistical texture features, building a classifier that automatically optimizes and selects the valuable features, and correlating significant texture parameters with the four biological areas of interest based on pixel classification and location characteristics. Twenty ultrasound images of normal thyroid and 20 that present thyroid nodules were used. The analysis involves both the whole thyroid ultrasound images and the region of interests (ROIs). The proposed system and the classification results are validated using the receiver operating characteristics which give a better overall view of the classification performance of methods. It is found that the proposed approach is capable of identifying thyroid nodules with a correct classification rate of 83 % when whole image is analyzed and with a percent of 91 % when the ROIs are analyzed.     

基于二次互信息特征选择的人脸表情识别研究

针对主动表观模型(AAM)在表情识别中特征点定位不够精确以及特征数据存在冗余性的问题,本文通过对AAM拟合时初始模型的自动调整,提高了定位准确度,使获取的特征更能有效的反映表情的变化;用二次互信息解决特征矢量选择问题,减少了特征维数,再构造支持向量机(SVM)分类器进行表情识别.实验于CAS-PEAL人脸表情库的结果显示本文采用的方法能有效地提高人脸表情识别性能,最高识别率为83.33%.     

基因位点预测的一种特征选择优化算法

目的剪接位点是真核细胞生物基因序列中外显子和内含子的相邻区域,如果能准确预测基因序列中的剪接位点,就能将基因中的表达区域和非表达区域分开.方法从机器学习的角度出发,提出了一种有效的特征选择算法用于剪接位点的建模和预测.该算法首先将初始链模型中每一对父子节点作为特征量提取,然后通过遗传算法和最大后验分类器进行特征选择.结果及结论对剪接位点数据的预测结果显示,这种新算法能够有效地优化链模型的结构,提高对剪接位点的预测能力.同时,经过优化的模型也有助于了解真核细胞中基因转录和表达的过程.     

致癌物分子结构识别中的一种特征提取方法

本文论述基于拓扑参数的致癌物分子结构识别中的一种特征参数－－特征片段的提取方法；对一组活性已知的分子训练集，将其分子结构用ＫＬＮ编码法进行编码并输入计算机，在三个约束条件下用深度第一法对各分子进行结构分解，生成片段文件，并汇总成片段总库，然后用统计检验和聚类分析提取和优化特征片段，从而为识别模型提供合理有效的特征参数。     

利用基因表达谱提取乳腺癌细胞分化相关特征基因

目的利用基因芯片数据挖掘识别与乳腺癌组织学分级相关的特征基因,对乳腺癌的临床诊断和生物医学研究起到借鉴和参考作用。方法从公共基因芯片数据库GEO（gene expression omnibus）获得乳腺癌芯片表达数据,利用支持向量机提取获得不同组织学分级的肿瘤样本的特征基因,并对这些基因进行生物学功能分析。结果获得了64个特征基因,分类正确率达到100％,这些基因与癌症有较大的相关性,主要集中在转录调控、离子运输、器官发生发育等多个生物学途径中。结论通过对基因芯片数据的挖掘,可以从全局上了解肿瘤的表达情况,加深对乳腺癌细胞分化分子机制的认识。     

一种基于特征选择的医学图像检索方法

提出了一种基于特征选择的医学图像检索方法。考虑到医学图像的多类别特性，将分类与检索结合，采用AdaBoost方法对样本进行多次抽样，并将分类精度作为判据对特征进行选择，选取少量有利于分类的特征，同时将单特征弱分类器增强为强分类器。在检索阶段，本方法在选择后的特征子集以及类别子空间中进行检索。实验结果表明，与传统方法相比，本方法能达到较高的查准率，计算量也明显降低。     

一种光电容积脉搏波的特征点自动识别算法

目的为弥补现有光电容积脉搏波特征点识别算法存在的需要人为设定阈值筛选门限和对复杂波形适应能力较差的缺陷,提出一种基于脉搏波上升支单调增加几何特性的特征点自动识别算法。方法通过两次Hilbert变换后过零点检测在每个脉搏周期内确定一个基准点,在基准点前后搜索距离其最近的凹拐点即为波谷点、凸拐点即为主波峰点。结果利用MIT-BIH标准数据库中18组数据进行检测验证,平均值达到99.94%灵敏度、99.72%查准率和99.68%检测准确率。对比已有的4种算法,在查准率上有明显的提升,应对复杂的波形依然能准确识别特征点。结论提出的算法在搜索确定脉搏波波谷点和主波峰值点位置过程中取得较高的检测准确率,同时展现出对波形变化更强的适应力。研究结果为临床上通过脉搏波特征提取进行生理病理分析提供良好基础。     

脑电信号的小波特征提取及半监督识别方法的研究

特征提取和特征分类是脑机接口中模式识别过程中两个关键的环节。首先,针对脑电信号的非平稳特性,提出基于小波变换系数、系数均值及小波熵相结合的特征提取方法,该方法在特征中加入了脑电信号的能量信息。实验证明,通过该方法获取的P300信号特征量能够更好地表达脑电信号中的瞬变成分,进一步提高了识别率;其次,在模式识别方面,改进了基于自训练半监督的支持向量机算法和基于自训练半监督的K均值聚类算法。在BCI2003竞赛数据集上的实验表明,相比于传统的BP神经网络,两种改进的分类算法在获得了更高的识别率的同时,能够将特征量维数降低一个数量级,明显提高了训练收敛速度,有效增加了基于脑电信号的实时BCI系统的可实现性。