基于小样本功能磁共振数据的偏头痛时序特征分类研究

提取偏头痛患者等的神经影像特征并进行识别模型的设计对相关疾病的辅助诊断具有重要意义。相较于常用的影像特征,本研究直接采用时间序列信号表征偏头痛患者组和健康对照组的大脑功能状态,可有效利用时间信息并减小分类模型训练计算量。首先,本研究针对小样本群体运用组水平独立成分分析和字典学习划分不同脑区后,提取区域平均时间序列信号;其次,将提取的时间序列平均划分成多个子时间序列,以扩充模型输入样本;最后,使用双向长短期记忆网络对时间序列建模,学习每个时间序列内部的前后时序信息来刻画周期性大脑状态变化以提高偏头痛的诊断准确率。研究结果显示,偏头痛患者组与健康对照组的分类准确率为96.94%、曲线下面积为0.98,且计算时间相对较短。实验表明,本文方法具有较强的适用性,时序特征提取和双向长短期记忆网络模型结合能较好地用于偏头痛的分类诊断;这项工作为基于小样本的神经影像数据的轻量化诊断模型提供了新的思路,并有助于相关疾病神经鉴别机制的探索。     

基于注意力机制的生物医学文本分类模型

对生物医学文本进行准确分类，是促进医院信息化发展的一个重要途径。本研究提出一种基于注意力机制的双层次文本分类模型，用于对生物医学文本进行有效分类。该模型结合卷积神经网络与循环神经网络的优势，对用户输入的疾病文本进行特征提取。首先，在第一层次通过Bi-GRU通道与Bi-LSTM通道提取文本中的上下文关联信息，同时，为增强模型的特征提取能力，在该层次引入注意力机制。其次，将两个通道提取到的时序特征进行特征拼接，并将拼接后的结果传入第二层次，从而进一步提取文本的局部特征，最后利用分类器输出最终的分类结果。对生物医学文本进行分类性能评估，结果表明，与基线模型相比，该模型的分类准确率可达91.45%，具有显著的分类性能。     

基于小波变换和CNN-LSTM的肺音分类算法

目的：针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络（CNN）-长短期记忆网络（LSTM的混合深度学习肺音分类模型方法。方法：首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病。结果：CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950。结论：提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值。     

基于联合决策卷积神经网络的光学相干断层扫描图像自动分类

光学相干断层扫描(OCT)技术能实现视网膜的高分辨率三维层析成像,对视网膜疾病类型的诊断和发展阶段的分析具有至关重要的作用。临床基于 OCT 图像的视网膜疾病诊断主要依靠眼科医生对图像中病变结构的分析,这一人工分析过程不仅耗时而且易产生主观的误判。研究视网膜疾病的自动分析和诊断技术将极大减轻眼科医生的工作量,是实现高效诊疗的有效途径。针对视网膜OCT图像自动分类,构建一种联合决策的卷积神经网络分类模型。该模型利用卷积神经网络从原始输入OCT图像中自动地学习不同层级的特征,同时在网络多个卷积层上设计多个决策层,这些决策层能够根据网络中不同尺度的特征图分别对OCT图像分类,最后模型融合所有决策层的分类结果做出最终决策。在Duke数据集(3 231张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型对正常视网膜、视网膜年龄相关性黄斑变性和视网膜黄斑水肿的平均识别准确率达到94.5%,灵敏性达到90.5%,特异性达到95.8%。在HUCM数据集(4 322张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型的平均识别准确率达到89.6%,灵敏性达到88.8%,特异性达到90.8%。充分利用卷积神经网络中丰富的多层级特征,能够有效地对视网膜OCT图像实现准确的分类,为临床上视网膜疾病的辅助诊断提供技术支撑。     

基于国际新闻的疾病趋势预测算法

文本分类作为自然语言处理领域的核心内容,已经成为文本处理的重点研究问题。该文主要针对社会上出现的大规模常见疾病进行预测。该文通过获取全球各大新闻媒体报道的新闻文本,分别统计新闻文本中出现次数排名前十的疾病,分析原始数据分布的特征。该文将基于CNN和LSTM网络的文本模型与基于LSTM网络的疾病趋势模型进行融合,综合分析文本中新闻文本的文本信息和疾病的时间序列,并使用了一种特殊的疾病选择策略。实验结果表明,该策略在7种不同的新闻数据集上获得了70%以上的准确度。该文提出的融合策略和疾病选择策略对疾病的趋势预测具有一定的意义,有助于提高疾病趋势预测的准确性。     

基于文本挖掘的监护仪故障诊断研究

传统监护仪故障诊断多依赖人工经验,诊断效率较低且故障维修文本数据未得到有效利用。针对以上问题,本文提出一种基于多特征文本表示以及改进的双向门控循环神经元网络（BiGRU）和注意力机制的监护仪故障智能诊断方法。首先,对文本进行预处理,采用基于转换器（Transformer）的语言激励双向编码器表示生成含有多种语言学特征的词向量;然后,通过改进的BiGRU和注意力机制对双向故障特征分别进行提取并加权;最后,使用加权损失函数降低类别不平衡对模型的影响。为证实所提方法的有效性,本文使用监护仪故障数据集进行验证,总体宏F1值达到91.11%。该结果表明,本文所建模型可实现故障文本的自动分类,或可为今后监护仪故障智能诊断提供辅助决策支持。     

基于深度LSTM残差网络的帕金森症诊断方法

语音特征分类下的帕金森症诊断方法具有无创、高效、准确、远程与成本低等特点,本研究提出一种基于深度长短期记忆网络（LSTM）残差网络的帕金森症诊断方法。分析帕金森症语音信号特点和LSTM残差模型,基于深度LSTM残差网络的帕金森症诊断模型分成3个部分:语音信号预处理网络、深度LSTM残差语音诊断网络和GAP-ELM帕金森症分类网络。该模型能实现帕金森语音信号的深层特征提取,通过LSTM结构的遗忘门和记忆门得到帕金森语音信号随时间变化的状态,最后通过帕金森症元音集完成帕金森症诊断测试。结果表明本文方法在各类信噪比环境中的帕金森症识别准确度均较高,并可在较少的轮次中完成训练,达到较优的稳定性和较小的损失值。     

基于BiLSTM的表面肌电图手势识别算法

表面肌电图(sEMG)主要用于记录肌肉的电活动,现已被广泛应用于假手的控制.现在用于sEMG模式识别的深度学习算法主要是卷积神经网络(CNN),为了更有效地利用sMEG中的时间序列信息,该研究提出了一种基于sEMG的新型的双向长短期记忆(BiLSTM)神经网络的手势识别算法.该算法已经在NinaProDB1和CapgM...     

基于小波散射神经网络的血管硬化识别初探

血管硬化是心血管疾病的独立预测因子,柯氏音的特征与血管顺应性密切相关。本研究的目的是探究基于柯氏音信号的特征进行血管硬化检测的可行性。分别采集正常血管和硬化血管的柯氏音信号,并进行预处理,利用小波散射网络对柯氏音信号进行散射特征提取,搭建长短期记忆网络（LSTM）作为分类模型,对散射特征进行分类,评估LSTM分类模型的性能。本研究共有97例柯氏音信号数据,其中血管硬化组为50例,血管正常组为47例,按照8∶2的比例划分为训练集和测试集。最终分类模型的准确率为86.4%,敏感度为92.3%,特异性为77.8%。研究结果表明,柯氏音信号的特征受到血管顺应性的影响,利用柯氏音信号的特征进行血管硬化的检测是可行的,本研究为无创血管硬化检测提供了一种新的思路。     

基于深度学习方法的慢性阻塞性肺疾病危重度分类研究

本文提出了一种基于深度学习方法的慢性阻塞性肺疾病危重程度自动分类算法,并以大样本临床数据为输入特征,分析各特征在分类中所占的权重。研究通过特征选择、模型训练、参数优化、模型测试,建立了基于深信度网络架构的分类预测模型,通过对2007年、2011年两个版本的慢性阻塞性肺疾病全球倡议组织(GOLD)危重程度标准进行自动分类与测试,分类准确率均达到90%以上。同时,通过分析模型系数矩阵得出输入特征的贡献度排序,并通过该排序发现,贡献度较大的输入特征与临床诊断先验知识之间存在较好的吻合性,证明了深信度网络分类模型的有效性。通过本文研究,期望能为深度学习方法在疾病诊断辅助决策中的应用提供有效解决方案。     

基于多分支融合神经网络的心电图导联重构方法

设计一种新型的多分支信息融合神经网络结构,利用已知的I,Ⅱ,V2 3个导联心电信号来重构其它导联心电信号。基于卷积神经网络结构提取多个导联的特征然后进行线性相加融合,采用一种改进的双向长短期记忆网络结构来获得与时序相关的信息,从而实现心电图导联重构。使用Physikalisch Technische Bundesanstalt(PTB)数据库进行验证,导联重构方法具有0.944 4的相关系数和0.320 3的均方根误差,说明新型神经网络结构可以有效地实现心电图导联重构。     

基于特征融合神经网络的运动想象脑电分类算法

运动想象-脑机接口（MI-BCI）技术为运动障碍患者提供了一种新的与外界交流的能力。应用卷积神经网络（CNN）处理运动想象（MI）脑电分类问题时,多提取最后卷积层的特征,忽视了中间层大量可用信息,导致MI-BCI的分类性能较差。针对这一问题,提出模型内层融合（WMFF）和模型间层融合（CMFF）两种特征融合策略。WMFF策略提取CNN每一层特征进行融合;CMFF策略融合CNN和长短时记忆网络并提取每一层特征。本研究用BCI竞赛IV Datasets 2a数据集对所提方法进行验证,WMFF和CMFF MI脑电信号四分类平均正确率分别达到76.19%和80.46%。结果表明,所提方法可有效提高MI脑电信号分类正确率,为MI脑电信号分类提供了新的思路。     

基于卷积神经网络和长短时记忆网络的心肌梗死检测

为了进一步提升心肌梗死的诊断效果,提出一种基于卷积神经网络和长短时记忆网络的心肌梗死检测方法,用于准确地从心电图信号中检测心肌梗死。具体来讲,提出3种分别基于卷积神经网络、卷积神经网络结合长短时记忆网络以及它们的集成模型的检测方法,以期从心电信号中检测心肌梗死和正常搏动。此外,采用数据重采样方法,即合成少数类过采样方法和Tomek Link解决数据集不平衡问题。最终与其他方法的实验结果相比,经过数据重采样的集成卷积神经网络模型的结果取得了明显优势,证明提出方法的有效性。     

融合CNN和BiLSTM的心律失常心拍分类模型

为更加准确地从动态心电中提取异常心拍,设计一种融合卷积神经网络(CNN)和多层双边长短时记忆网络(BiLSTM)的心律失常心拍分类模型。心电信号首先被分割成0.75 s和4 s两种不同尺度大小的心拍信号,然后利用11层CNN网络和3层BiLSTM网络分别对小/大尺度心拍信号进行特征提取与合并,并使用3层全连接网络对合并特征进行降维,最后利用softmax函数实现分类。针对MIT心律失常数据库异常心拍类型分布不均衡的问题,采用添加随机运动噪声和基线漂移噪声的样本扩展方法,降低模型的过拟合。采用基于患者的5折交叉检验进行模型验证。MIT心律失常数据库116 000个心拍的分类结果表明:所建立的模型针对4类心拍(正常、房性早搏、室性早搏、未分类)的识别准确率为90.42%,比单独使用CNN(76.45%)和BiLSTM(83.28%)的模型分别提高13.97%和7.14%。所提出的融合CNN和BiLSTM的心律失常心拍分类模型,相比单一基于CNN模型或者BiLSTM模型的机器学习算法,有更好的异常心拍分类准确率。     

基于极限梯度提升和深度神经网络共同决策的心音分类方法

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。     

Position-aware deep multi-task learning for drug–drug interaction extraction

ObjectiveA drug–drug interaction (DDI) is a situation in which a drug affects the activity of another drug synergistically or antagonistically when being administered together. The information of DDIs is crucial for healthcare professionals to prevent adverse drug events. Although some known DDIs can be found in purposely-built databases such as DrugBank, most information is still buried in scientific publications. Therefore, automatically extracting DDIs from biomedical texts is sorely needed.Methods and materialIn this paper, we propose a novel position-aware deep multi-task learning approach for extracting DDIs from biomedical texts. In particular, sentences are represented as a sequence of word embeddings and position embeddings. An attention-based bidirectional long short-term memory (BiLSTM) network is used to encode each sentence. The relative position information of words with the target drugs in text is combined with the hidden states of BiLSTM to generate the position-aware attention weights. Moreover, the tasks of predicting whether or not two drugs interact with each other and further distinguishing the types of interactions are learned jointly in multi-task learning framework.ResultsThe proposed approach has been evaluated on the DDIExtraction challenge 2013 corpus and the results show that with the position-aware attention only, our proposed approach outperforms the state-of-the-art method by 0.99% for binary DDI classification, and with both position-aware attention and multi-task learning, our approach achieves a micro F-score of 72.99% on interaction type identification, outperforming the state-of-the-art approach by 1.51%, which demonstrates the effectiveness of the proposed approach.     

结合表型信息的阿尔兹海默症图卷积神经网络分类方法研究

阿尔兹海默症(AD)的早期检测与发现具有重要的临床和社会意义.由于AD患者的功能性脑网络拓扑性质存在异常变化,并且不同表型类型人群中阿尔兹海默症的患病率也存在着较大差异,因此将脑网络特征和表型信息结合构建训练特征,用于阿尔兹海默症不同阶段的分类.同时,图卷积神经网络(GCN)分类方法被证明是目前对图数据学习任务的最佳选...     

基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。