基于近红外三波长检测葡萄糖水溶液浓度的两种预测模型比较

讨论了近红外三波长测定水溶液中葡萄糖浓度的建模方法,采用偏最小二乘回归建立预测模型,对预测集样品中的葡萄糖浓度进行预测,结果所得预测均方根误差(RMSEP)为17.08mg/dL,浓度预测值与参考值的相关系数为0.997,而采用吸光度差值比率法所得预测模型的RMSEP达到54.94mg/dL,相应的相关系数仅为0.949。结果表明偏最小二乘回归所建模型用于近红外三波长葡萄糖浓度的预测,所得预测误差较小,初步验证了系统的可行性。     

基于粒子群和人工神经网络的近红外光谱血糖建模方法研究

现有的近红外光谱无创血糖建模方法大多是基于多波长近红外光谱信号,不利于无创血糖仪在家庭中普及,并且这些建模方法没有考虑单个个体每天血糖变化规律的差异性。针对这些问题,本文以血糖吸收最强的1 550 nm近红外光吸光度为自变量、血糖浓度为因变量,结合粒子群(PSO)算法和人工神经网络(ANN)建立了一种无创血糖检测模型——PSO-2ANN模型。该模型以两个结构和参数确定的人工神经网络为基本的子模块,通过粒子群算法优化两个子模块的权重系数得到最终的模型。使用PSO-2ANN模型对10名志愿者的实验数据进行预测。结果表明,其中9名志愿者的预测相对误差率均小于20%;通过PSO-2ANN模型得到的血糖浓度预测值分布在克拉克误差网格A、B区域的比重为98.28%,证实了PSO-2ANN模型具有比传统人工神经网络模型更为理想的预测精度和稳健性。另外,单个个体由于外界环境、心情、精神状态等因素的影响,每天血糖的变化规律可能会出现一定程度的差异性,PSO-2ANN模型只需要调节一个参数便能修正这种差异性。本文提出的PSO-2ANN模型为克服血糖浓度预测的个体差异性提供了新的思路。     

基于BP神经网络的环孢素A用量预测研究

目的依据BP神经网络技术建立环孢素A用景的预测模型.方法收集服用环孢素A的肾移植病人16例.共65组样本.其中51组样本作为训练样本,14组样本作为测试样本,建立两层BP神经网络预测模型.结果 BP神经网络的仿真预测结果正确率为97.1%.结论 BP神经网络模型在环孢素A用量上能够取得良好的预测效果,具有一定的研究性.     

面向手过头任务的残差神经网络肌肉疲劳预测模型

目的 探讨手过头任务中上肢关节角度与肌肉疲劳之间的关系,并构建了一种基于残差神经网络（residual neural networks, ResNet）的肌肉疲劳预测模型。方法 通过模拟不同作业姿势和不同操作面下的钻孔试验,测量了肌肉最大自主收缩力、最大耐受时间、最大剩余肌力和主观疲劳评分。将测量后数据进行数据处理作为ResNet预测模型的输入,构建残差神经网络模型,以预测肌肉疲劳水平。结果 ResNet模型具有出色的预测精度,均方根误差（root mean square error,RMSE）为0.028,相较于传统的BP神经网络（RMSE=0.053）和MLP多层感知器神经网络（RMSE=0.059）,其误差更小,拟合更好。结论 提出的残差神经网络肌肉疲劳预测模型能够有效准确地预测肌肉疲劳,为提高工作效率、减少工作相关肌肉骨骼疾患风险提供了有力支持。     

基于微区域PM2.5浓度卡尔曼插值预测模型的研究

目前颗粒物(尤其是PM2.5)污染问题日趋严重,人们对其关注度越来越高。本文提出一种结合三次样条插值方法的卡尔曼预测模型并将其应用于微区域校园环境PM2.5浓度的预测,以及实现PM2.5浓度的插值模拟图,模拟PM2.5的空间分布。本文实验基于实验室已搭建的环境信息监测系统服务器数据,其PM2.5浓度数据预测值和实际值通过Wilcoxon带符号秩检验后,双侧渐进显著性概率为0.527,远大于显著性水平α=0.05。同时,与神经网络模型预测方法(BP预测)和支持向量机预测方法(SVM预测)对比,卡尔曼预测模型的结果更理想,其日均值PM2.5浓度数据预测值和监测值的平均绝对误差(MEA)为1.8μg/m3,平均相对误差(MER)为6%,相关系数R为0.87。实验结果表明:卡尔曼预测模型能有效地用于PM2.5浓度预测,结合样条插值方法可以较好地模拟PM2.5的空间分布及局部污染特征。     

1100～1700nm近红外光谱无创血糖测量的OGTT实验研究

在近红外无创血糖测量的研究中 ,保证校正集模型数据的可靠性和所需的数据量具有极其重要的意义。本研究采用蠕动泵取血的 OGTT(口服葡萄糖耐量试验 )实验方法为校正集模型获取足够多的可靠血糖浓度参考值 ,并在 110 0～ 170 0 nm近红外 AOTF(声光可调谐滤波器 )分光系统基础上构建了无创血糖检测系统。利用该系统和实验方法对 3例志愿者进行实验 ,结果表明 ,建立单次实验的 PL S(偏最小二乘 )校正集模型 ,其相关系数分别为 0 .986、0 .971、0 .985 ,完全交互验证下的 RMSEP(预测均方根误差 )分别为 0 .5 5 0、0 .4 5 6、0 .5 2 0 mm ol/ l。此外 ,随着有效数据量增加 ,所建立模型的预测误差减小。     

基于双谱分析—BP神经网络的ICU急性低血压发生预测模型研究

目的:ICU中,急性低血压的发生严重威胁着患者的生命安全,能够及时准确地对其预测具有重要临床意义。为了提高医生对患者发病提前判断的准确性,本文研究了一种基于双谱分析和BP神经网络的急性低血压发生的预测模型。方法:应用双谱分析提取动脉血压数据特征,构建特征向量,利用BP神经网络训练出分类预测模型,实现对急性低血压发生的提前预测。结果:经过不断的优化调整,本文最终构造了一个三层的BP神经网络预测模型,具有良好的自动预测能力。结论:实验表明,本方法能达到比较好的分类预测效果,可为ICU中急性低血压发生的提前预测和干预提供辅助参考。     

基于神经网络的环孢素血药浓度预测

通过研究肾移植病人环孢素A血药浓度的不同影响因子,分别采用广义神经网络、Elman网络、BP神经网络等模型,对环孢素A血药浓度进行预测.结果显示三种网络模型都达到了较好的预测结果,其中BP网络的预测结果最好,平均相对误差为19.94%,Elman网络的平均相对误差为21.39%,广义神经网络的平均相对误差为25.93%.说明将神经网络应用于预测CsA血药浓度是可行的,其结果可以作为临床CsA的个体化给药的参考.     

基于运动量的神经网络心率预测器的设计及对比研究

目的 利用神经网络建立有效的基于运动量的心率预测模型,分析运动量与心率变化之间的关系.方法 通过对运动量信号进行不同分析（预处理）,并采用不同的神经网络的结构及学习算法,单步或多步预测方式建立了6个预测模型,然后利用采集到的真实数据进行测试,并对各模型结构框架及预测结果进行了对比.结果 建立的模型平均预测误差均保持在一个很小的范围内.结论 利用神经网络建立心率预测模型可有效地反映运动量如何影响心率变化.对比结果表明,在单步预测中,利用神经网络拓扑增强技术（neuro-evolution of augmenting topologies,NEAT）建立的心率预测模型可达到最佳的预测效果,而多步预测利用Adams-Bashforth技术得到的预测结果是最好的.     

基于支持向量机和自回归积分滑动平均模型组合的血糖值预测

根据动态血糖监测系统采集糖尿病患者血糖值,有效预测血糖值是治疗糖尿病的前提。为了预测糖尿病患者未来一段时间内的血糖值,本文根据最小方差将支持向量机(SVM)和自回归积分滑动平均(ARIMA)进行组合得到新的预测模型。为了验证本文方法的有效性,采用多组临床实验数据进行实验,同时对比ARIMA模型、SVM模型、神经网络模型结果。实验结果表明本文方法预测血糖值精度明显提高,弥补单一预测模型方法的不足,发挥了两种模型各自优势。     

Prediction of glucose in whole blood by near-infrared spectroscopy: influence of wavelength region, preprocessing, and hemoglobin concentration

Measurement accuracy for predicting glucose in whole blood was studied based on near-infrared spectroscopy. Optimal wavelength regions, preprocessing, and the influence of hemoglobin were examined using partial least-squares regression. Spectra between 1100 and 2400 nm were measured from 98 whole blood samples. In order to study the influence of hemoglobin, which is the most dominant component in blood, 98 samples were arranged such that glucose and hemoglobin concentrations were distributed in their physiological ranges. Samples were grouped into three depending on hemoglobin level. The results showed that glucose prediction was influenced by hemoglobin concentrations in the calibration model. It was necessary for samples used in the calibration model to represent the entire range of hemoglobin level. The cross-validation errors were the smallest when the wavelength regions of 1390 to 1888 nm and 2044 to 2393 nm were used. However, prediction accuracy was not very dependent on preprocessing methods in this optimal region. The standard error of glucose prediction was 25.5 mgdL and the coefficient of variation in prediction was 11.2%.     

基于多模态信息融合的肘关节连续运动估计

目的 针对目前上肢康复训练设备多为被动式、训练方式单一、患者主动参与度较低等问题,提出一种基于多模态信息融合的上肢连续运动估计算法,实现对肘关节力矩的准确估计。方法 首先,在4种角速度下,采集受试者的表面肌电信号和姿态信号,提取信号的时域特征并利用主成分分析方法进行特征融合;其次,通过附加动量法和自适应学习率对反向传播神经网络(back propagation neural network, BPNN)进行改进,使用粒子群算法(particle swarm optimization, PSO)对神经网络进行优化,构建基于PSO-BPNN的连续运动估计模型;最后,以第2类拉格朗日方程计算的关节力矩作为准确值,对模型进行训练,并与传统BPNN模型进行性能对比。结果 传统BP神经网络模型均方根误差为558.9 mN·m,R²系数为77.19%,优化模型后的均方根误差和R²系数分别为113.6 N·m、99.12%,力矩估计准确度进一步提高。结论 本文提出的肘关节连续运动估计方法能够准确地识别运动意图,为上肢外骨骼康复机器人的主动控制提供切实可行的方...     

Neural Network Based on GA-BP Algorithm and its Application in the Protein Secondary Structure Prediction

INTRODUCTIONBioinformatics〔1〕about biology sequence research is mainly about the research of amino acid se-quence,because amino acid sequence determines space structure of protein and which determines the di-versity of physiological function of protein〔2〕.So there remains intimate relation among sequence,struc-ture and function,and the relation should be theoretically expressed by certain mathematical method.Through the research and analysis on lots of known space structures of protein…     

利用Stein-Weiss解析函数结合反向传播神经网络进行血管分割

针对传统反向传播（BP）神经网络对血管进行分割存在耗时长且识别率不高的问题,本研究提出一种新的基于Stein-Weiss解析函数的BP神经网络算法用于血管分割。首先为每个体素构建一个Stein-Weiss函数,然后根据Stein-Weiss解析函数的解析性,计算出相应体素的16个特征值,将这些特征值输入到BP神经网络的输入层,采用BP神经网络的自学习能力对这些数据进行分类学习,最后通过BP神经网络的泛化能力来获取血管边缘。对肝脏血管分割的实验结果表明,相对于传统的BP神经网络分割算法,该算法提取的函数血管边缘识别率高、细节丰富,分割效率也明显提高。     

协同训练算法在无创血糖检测中的应用

目的:在无创血糖检测方法的研究中,因无创生理参数相比血糖真值更易于获取,病理数据库中未用血糖真值标记样本的数量远大于有标记的样本,若能将未标记样本应用于传统有监督血糖预测模型的训练中,将有效扩充训练样本集并提高模型的泛化能力。 方法:在基于能量代谢守恒法的理论基础上,利用无创生理参数天然的多视图特性,将半监督学习算法应用于无创血糖的预测中,提出一种基于多视图协同训练与支持向量机技术的血糖预测算法。结果:经实验分析,在一定标记率下,基于协同训练的学习算法相比传统的有监督学习算法预测误差更小。说明未标记样本能够有效提升原始模型的泛化能力。 结论:协同训练的引入,充分利用了规模较大的未标记样本,提高了模型泛化能力,并减少了血糖样本采集中标记样本的工作量,为今后无创血糖算法的研究提供了新思路。     

基于优化后向传播神经网络的基础心音分类

针对后向传播（BP）神经网络高度依赖初始权值、收敛慢且易陷入局部极值,标准人工蜂群算法开发能力弱、局部 搜索能力差等问题,提出一种基于改进人工蜂群算法优化BP神经网络的分类方法。引入自适应和全局最优策略改进人 工蜂群算法中跟随蜂蜜源全局搜索、概率选择算法,使用当前迭代的最优解来提高其开发能力。此外,利用混沌系统产生 初始种群,以增强人工蜂群算法全局收敛性。最后,将本文算法应用到基础心音分类。结果表明本文算法较经典分类算 法分类准确率有较大的提升。梅尔频率倒谱特征参数下,本文算法的分类准确率达到94%以上。     

基于无创血糖的糖尿病评估

为了提高糖尿病前期的检出率，在糖耐量受损（IGT）常规诊断方法的基础上，增加糖化血红蛋白作为糖尿病筛查的因素，构建一个IGT检测模型。采集受试者的身高、体质量、腹围、血压、皮脂厚度、空腹血糖和糖化血红蛋白作为模型的特征输入，用K-近邻算法和神经网络对其分类，模型输出包括血糖值正常、IGT和糖尿病。结果显示增加糖化血红蛋白作为分类特征后，神经网络和K-近邻算法的分类准确率分别为88.89%和93.09%，明显高于传统方法的分类准确率（83.33%和78.38%）。本研究提出的IGT检测模型对糖尿病的临床诊断有重要意义。     

应用随机森林与神经网络算法的足底软组织 本构参数反演方法

目的 基于随机森林（random forest, RM）算法和反向传播（back propagation,BP）神经网络算法实现对足底软组织超弹性模型本构参数的预测,以提升本构参数获取方式的效率和准确性。方法 首先建立足底软组织球形压痕实验的有限元模型,并对球形压痕实验过程进行仿真,得到具有非线性关系的位移和压痕力的数据集。将数据集进行划分,得到训练集和测试集,分别对搭建好的RF和BP神经网络（BP neural network,BPNN）模型进行训练,通过实验数据对足底软组织本构参数进行预测。最后,引入均方误差（mean square error,MSE）和决定系数（R2）对模型的预测准确性进行评估,同时对比实验曲线验证模型的有效性。结果 利用RF和BPNN模型结合有限元仿真是确定足底软组织超弹性本构参数的有效、准确的方法。训练后的RF模型MSE达到1.370 2×10-3,R2为0.982 9;BPNN模型MSE达到4.858 1×10-5,R2为0.999 3。反求得到适用于仿真的足底软组织的超弹性本构参数,预测得到的两组本构参数的计算响应曲线与实验曲线吻合较好。结论 基于人工智能算法模型对足底软组织超弹性本构参数的预测精度很高,相关研究成果也可以应用于足底软组织其他力学特性的研究。同时,研究结果为足底软组织本构参数的获取提供新方法,有助于快速诊断足底软组织病变等临床问题。