基于小波变换的听觉脑机接口技术研究

基于听觉的脑机接口系统为视力减退或者无法控制眼球运动的闭锁综合症患者提供了一种新的交流通道,使其可以与外界环境进行简单的交流.为了实现在线二分类听觉脑机接口系统,采用包含两种靶刺激、一种非靶刺激的三音oddball范式作为听觉刺激,通过一维离散小波变换对所得脑电数据进行单次样本特征提取,选取低频的特征向量,并采用支持向量机(SVM)进行目标与非目标的识别.结果表明,利用小波变换可以有效地单次提取特征向量P300,相当于20次靶刺激响应的叠加结果,最终目标识别正确率可高达80％以上,达到与视觉诱发的BCI模式可比的效果,可以用于二分类的脑机接口系统.     

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。     

基于连续小波变换和支持向量机的手动想象脑电分类

对左右手运动想象脑电信号进行准确分类是脑-机接口（BCI）研究领域的重要问题。本文利用连续小波变换（CWT）提取脑电信号中相应的手动想象特征信号，并通过支持向量机（SVM）对特征信号进行分类，取得了较好的分类效果，然后经过分析SVM的学习算法，讨论了对于SVM的分类有着关键影响的时间成分，反映出传统的ERD／ERS计算方法可能出现的问题。     

基于小波变换的心音包络提取算法及应用

背景：心音信号包含了大量心脏瓣膜活动的生理信息,心音分析对诊断心脏疾病具有重要的临床意义。 目的：旨在通过心音的包络提取,分析心音信号的各种特征,进而判断心音中是否包含杂音,以改善传统听诊技术高度依赖医生经验、听诊范围受限的缺点。 方法：提出了一种采用小波变换来提取心音包络的方法,通过与采用希尔伯特-黄变换、数学形态学、平均香农能量等心音包络求解方法进行对比,证明这种方法具有算法简便、曲线光滑、特征点突出等优点。 结果与结论：将该方法用于临床真实心音的包络提取,利用支持向量机来训练所提取心音包络的面积和小波能量两个特征参数,判别心音信号是否明显包含杂音。选用35例心音数据对算法进行验证,结果表明该算法的准确率达到95%,具有很强的实用性。     

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。     

一种新特征评价方法在红斑鳞状皮肤病诊断中的应用

针对改进F-score特征评价准则没有考虑特征测量量纲对特征重要性的影响,提出一种新的特征重要性评价准则D-score,避免不同特征测量量纲的影响,衡量样本特征在两类或多类之间的辨别能力。将D-score分别与前向顺序搜索、前向顺序浮动搜索两种搜索策略结合,以支持向量机的分类准确率评估所选特征子集的有效性,结合Filter和Wrapper特征选择方法的优势进行特征选择,得到两种混合特征选择方法。将该方法应用于红斑鳞状皮肤病诊断研究,并与基于改进F-score的混合特征选择方法进行了实验对比。十折交叉验证实验结果显示:在红斑鳞状皮肤病诊断研究中,D-score特征评价准则优于改进的F-score准则,基于D-score和前向顺序搜索策略的诊断准确率提高1.11%;D-score结合前向顺序浮动搜索策略的最低诊断准确率提高约3个百分点,平均诊断准确率提高约0.3个百分点,最高诊断准确率达到100%。前向顺序浮动搜索中,D-score准则选择的共有特征是改进F-score准则所选择共有特征的子集。所提出的D-score特征重要性评价准则是一种有效的特征区分能力度量准则,在红斑鳞状皮肤病的诊断中选择出了更有分类意义的特征,提高了诊断准确性。     

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。     

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.     

基于SVM-RFE-SFS的基因选择方法

基因微阵列数据通常包含大量与肿瘤分类无关的数据,会严重降低肿瘤诊断的准确率;基因微阵列数据还存在小样本、高维度的问题,也增加了肿瘤诊断的难度,所以必须对其进行基因选择。提出一种新的基于支持向量机(SVM)、联合递归特征去除(RFE)和序列前向选择(SFS)的基因选择方法。首先利用SVM计算每个基因的排序准则分数,再利用排序准则分数的一阶差分把基因划分为若干小组;对排序准则分数值最小的基因小组进行递归特征去除,消去噪声基因,同时对排序准则分数值最大的基因小组进行序列前向选择,选取有效信息基因。对白血病、结肠癌、乳腺癌基因微阵列数据的实验结果表明,所提出的方法运行效率高、分类性能好。     

基于PET/CT图像纹理参数的肺结节诊断模型

目的基于PET/CT融合图像纹理参数建立肺结节良恶性诊断模型,提高肺癌的识别率。方法选取宣武医院核医学科经PET/CT检查的52例肺结节患者,收集其PET/CT影像图像及人口学、影像学信息。以Contourlet变换和灰度共生矩阵相结合的方式,对PET/CT图像的感兴趣区域提取纹理参数。基于所提取的纹理参数建立支持向量机模型,得到每个肺结节良恶性判别结果。为了提高模型的诊断效果,将结节边缘、最大摄取值、有晕征等影像学信息也纳入模型,重新建立支持向量机模型。通过灵敏度、特异度、正确率等指标对模型诊断效果进行评价。结果纹理参数肺结节诊断模型的灵敏度、特异度分别为90.7%、93.5%,纹理参数结合影像学信息的肺结节诊断模型的灵敏度、特异度分别为95.7%、100.0%。结论基于PET/CT图像纹理参数建立的支持向量机模型对良恶性肺结节具有较好的鉴别诊断效果。     

Complexity analysis and dynamic characteristics of EEG using MODWT based entropies for identification of seizure onset

In this paper, complexity analysis and dynamic characteristics of electroencephalogram (EEG) signal based on maximal overlap discrete wavelet transform (MODWT) has been exploited for the identification of seizure onset. Since wavelet-based studies were well suited for classification of normal and epileptic seizure EEG, we have applied MODWT which is an improved version of discrete wavelet transform (DWT). The selection of optimal wavelet sub-band and features plays a crucial role to understand the brain dynamics in epileptic patients. Therefore, we have investigated MODWT using four different wavelets, namely Haar, Coif4, Dmey, and Sym4 sub-bands until seven levels. Further, we have explored the potentials of six entropies, namely sigmoid, Shannon, wavelet, Renyi, Tsallis, and Steins unbiased risk estimator (SURE) entropies in each sub-band. The sigmoid entropy extracted from Haar wavelet in sub-band D4 showed the highest accuracy of 98.44% using support vector machine classifier for the EEG collected from Ramaiah Medical College and Hospitals (RMCH). Further, the highest accuracy of 100% and 94.51% was achieved for the University of Bonn (UBonn) and CHB-MIT databases respectively. The findings of the study showed that Haar and Dmey wavelets were found to be computationally economical and expensive respectively. Besides, in terms of dynamic characteristics, MODWT results revealed that the highest energy present in sub-bands D2, D3, and D4 and entropies in those respective sub-bands outperformed other entropies in terms of classification results for RMCH database. Similarly, using all the entropies, sub-bands D5 and D6 outperformed other sub-bands for UBonn and CHB-MIT databases respectively. In conclusion, the comparison results of MODWT outperformed DWT.     

融合可解释性特征的糖尿病视网膜病变自动诊断

糖尿病视网膜病变（DR）已成为全球4大主要致盲疾病之一,及早确诊可以有效降低患者视力受损的风险。通过融合深度学习可解释性特征,提出一种DR自动诊断方法,首先利用导向梯度加权类激活映射图和显著图两种可解释性方法生成不同标记的病灶图像,再通过卷积神经网络提取原图像和两种生成图像的特征向量,最后融合3种特征向量并输入到支持向量机中以实现DR的自动诊断。在1 443张彩色眼底图像构成的数据集上,相对于基础ResNet50模型,该方法诊断准确率提高3.6%,特异性提高2.4%,灵敏度提高5.8%,精度提高4.6%,Kappa系数提高7.9%,实验结果表明该方法能有效降低误诊的风险。     

基于特征选择的阿尔茨海默症辅助诊断

阿尔茨海默症（AD）是一种在老年人中多发的脑部神经疾病,致病原因迄今未明,在疾病发展早期难以诊断。随着 计算机和人工智能技术的大力发展,利用磁共振成像（MRI）技术和机器学习方法辅助医生对AD进行辅助诊断不断取得 新的成果。本研究提出一种基于支持向量机递归特征消除（SVM-RFE）和线性判别分析（LDA）的AD辅助诊断方法。首 先对MRI图像进行预处理,获得90个大脑脑区的灰质体积;然后使用SVM-RFE和LDA相结合的方法,对90个大脑脑区 灰质体积进行特征选择;最后通过SVM进行分类。通过对来自于ADNI数据库中的34名AD、26名主观记忆衰退（SMC） 患者和50名正常被试（NC）的MRI图像分析,得到AD/NC、AD/SMC和NC/SMC的平均分类准确率分别为94.0%、100.0% 和93.6%。实验结果证明,本研究提出的方法可有效提取样本特征,辅助医生诊断AD。     

基于多尺度功能脑网络融合特征的抑郁症分类算法

【摘要】提出一种多尺度功能脑网络融合特征的抑郁症分类方法,具体思想包括:首先通过精细化脑区,建立4种不同尺度的脑网络;然后对每种尺度的脑网络分别提取局部特征和全局特征,并将多种尺度脑网络的特征进行有效融合并降维;最后使用支持向量机对患者脑部功能磁共振影像进行分类。试验结果表明,分别提取局部特征和全局特征,并进行有效融合,可以提升识别效果;空间尺度减小会得到更多有效特征,进而能够有效提升分类结果;多尺度特征融合也可以在很大程度上对分类结果起到积极作用。与传统单一大尺度脑网络方法相比,本研究提出的方法获得了更加优秀的试验结果,识别率可达88.67%,充分验证了本研究提出方法的有效性和可行性,并为抑郁症患者的临床诊断与治疗提供生物学依据。     

EEG epileptic seizure detection and classification based on dual-tree complex wavelet transform and machine learning algorithms

The visual analysis of common neurological disorders such as epileptic seizures in electroencephalography (EEG) is an oversensitive operation and prone to errors, which has motivated the researchers to develop effective automated seizure detection methods. This paper proposes a robust automatic seizure detection method that can establish a veritable diagnosis of these diseases. The proposed method consists of three steps: (i) remove artifact from EEG data using Savitzky-Golay filter and multi-scale principal component analysis (MSPCA), (ii) extract features from EEG signals using signal decomposition representations based on empirical mode decomposition (EMD), discrete wavelet transform (DWT), and dual-tree complex wavelet transform (DTCWT) allowing to overcome the non-linearity and non-stationary of EEG signals, and (iii) allocate the feature vector to the relevant class (i.e., seizure class "ictal" or free seizure class "interictal") using machine learning techniques such as support vector machine (SVM), k-nearest neighbor (k-NN), and linear discriminant analysis (LDA). The experimental results were based on two EEG datasets generated from the CHB-MIT database with and without overlapping process. The results obtained have shown the effectiveness of the proposed method that allows achieving a higher classification accuracy rate up to 100% and also outperforms similar state-of-the-art methods.     

A case study on Discrete Wavelet Transform based Hurst exponent for epilepsy detection

Epileptic seizures are manifestations of epilepsy. Careful analysis of EEG records can provide valuable insight and improved understanding of the mechanism causing epileptic disorders. The detection of epileptic form discharges in EEG is an important component in the diagnosis of epilepsy. As EEG signals are non-stationary, the conventional frequency and time domain analysis does not provide better accuracy. So, in this work an attempt has been made to provide an overview of the determination of epilepsy by implementation of Hurst exponent (HE)-based discrete wavelet transform techniques for feature extraction from EEG data sets obtained during ictal and pre ictal stages of affected person and finally classifying EEG signals using SVM and KNN Classifiers. The The highest accuracy of 99% is obtained using SVM.     

Continuous time wavelet entropy of auditory evoked potentials

In this paper, the continuous time wavelet entropy (CTWE) of auditory evoked potentials (AEP) has been characterized by evaluating the relative wavelet energies (RWE) in specified EEG frequency bands. Thus, the rapid variations of CTWE due to the auditory stimulation could be detected in post-stimulus time interval. This approach removes the probability of missing the information hidden in short time intervals. The discrete time and continuous time wavelet based wavelet entropy variations were compared on non-target and target AEP data. It was observed that CTWE can also be an alternative method to analyze entropy as a function of time.