基于能量特征和最小二乘支持向量机的自动睡眠分期方法

睡眠分期是研究睡眠及相关疾病的基础,是完成睡眠质量评估的前提。为实现有效睡眠自动分期,本文提出将能量特征和最小二乘支持向量机(LS-SVM)相结合的方法。先利用FIR带通滤波器提取Pz-Oz导睡眠脑电信号的特征波,获得能量特征,并与小波包变换方法相比较;然后用LS-SVM分类器进行模式识别,最终实现睡眠自动分期。实验表明,本文所提出的基于能量特征和LS-SVM的自动睡眠分期方法简单、有效,平均正确率达88.89%,具有很好的应用前景。     

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.     

基于遗传算法与支持向量机的基因微阵列分析

背景:微阵列数据的特点是样本含量小,而变量数(基因)多达上万个。此时,传统的统计方法往往因为高维而失效了。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,具有很好的分类效果与降维优势。目的:提出将遗传算法与支持向量机结合起来对样本进行分类,并与直接采用支持向量机、筛选差异表达基因后采用支持向量机的结果进行比较。方法:采用Bioconductor提供的数据集golub,它是白血病微阵列芯片实验所得的基因表达数据集,对全部基因采用支持向量机进行分类。采用SAM软件对芯片数据的显著性分析确定不同的差异表达基因并估计错误发现率FDR,以筛选出的76个差异表达基因作为特征基因子集,再采用支持向量机进行分类。将筛选出的76个差异表达基因作为初始的特征基因集合,采用遗传算法-支持向量机再次进行特征基因选择,提高分类准确度,并与全部基因直接采用支持向量机、筛选差异表达基因后采用支持向量机的结果进行比较。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。结果与结论:通过遗传算法降维可以提高支持向量机的分类准确率,特别是剔除了数据中的大量无关基因和噪声,使得经过特征选择后分类准确率提高。结果显示遗传算法与支持向量机结合方法对分类更加有效。此外,通路分析结果显示特征基因的主要功能体现在信号传导和氨基酸代谢上。     

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。     

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.     

基于稀疏偏最小二乘的麻醉意识状态功能连接研究

麻醉意识状态监测是神经科学基础研究及临床应用中的重要问题,受到广泛关注。本研究为寻找临床麻醉意识状态监测指标,共采集14位全麻手术患者在三种意识状态(清醒、中度麻醉、深度麻醉)下各5 min静息态脑电数据,对比采用稀疏偏最小二乘(SPLS)和传统的同步似然(SL)方法计算脑功能连接,通过连接特征来区分麻醉前后三种意识状态。通过全脑网络分析,本文SPLS方法与传统SL方法得到的不同意识状态下的网络参数变化趋势一致,并且采用SPLS方法所得结果的差异具有统计学意义(P0.05)。对SPLS方法得到的连接特征运用支持向量机进行分类,分类准确率为87.93%,较使用SL方法得到的连接特征分类准确率高出7.69%。本文研究结果显示,基于SPLS方法进行功能连接分析在区分三种意识状态方面有更好的性能,或可为临床麻醉监测提供一种新思路。     

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。     

基于超像素和支持向量机的阴道细菌自动检测

阴道受到细菌感染引发的阴道炎疾病可能导致异位妊娠、不孕、急慢性盆腔炎等严重疾病,目前形态学人工观察是临床诊断该类疾病的主要方法,但容易引起误诊和漏诊。本研究提出一种基于超像素和支持向量机(SVM)的阴道细菌自动检测方法,对革兰染色的阴道细菌图像,采用简单线性迭代聚类(SLIC)方法计算超像素;对超像素区域计算形状特征、颜色特征和方向梯度直方图(HOG)特征;最后用SVM对超像素区域进行识别。在专业医生的指导下挑选了40幅正常图像和60幅有细菌性阴道病(BV)的图像进行实验,其中10幅正常图像和20幅有细菌性阴道病(BV)的图像用于训练分类器,剩下的70幅用于测试算法。实验结果表明,所提出的自动检测算法获得了89.27%的细菌检出率,具有较大的临床应用价值。     

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。     

基于递归最小二乘法的回声状态网络算法用于心电信号降噪

远程医疗的复杂环境中,心电信号极易被噪声淹没,从而影响心血管疾病的智能诊断。基于此,本文提出了一种基于递归最小二乘法的回声状态网络心电信号降噪算法。该算法通过递归最小二乘法对该网络进行训练,可自动学习得到含噪心电数据中非线性的且具有区分度的深层次特征,并利用这些特征自动分离心电信号与噪声。实验中,采用信噪比和均方根误差为指标,将本文方法与基于子带自适应阈值的小波变换法和S变换法进行比较。实验结果表明,本方法降噪精度更优,同时信号的低频成分也得到了很好的保持。本文方法可做到消除心电信号中的复杂噪声并完整保留心电信号的形态,为心电图的特征检测和心血管疾病的智能诊断奠定了基础。     

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.     

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。     

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。