基于支持向量机的颈动脉超声图像内中膜厚度测量

为解决人工标定的繁琐、非客观等问题,本文提出一种基于支持向量机的全自动分割算法。该算法采用K-means对图像像素进行聚类,根据聚类结果和聚类中心对图像进行标准化处理,并进行图像分割提取感兴趣区域。根据训练样本训练支持向量得出分类模型,将感兴趣区域的像素分为边界点和非边界点。然后将边界点再次分类为管腔-内膜边界点和中膜-外膜边界点。最后采用启发式搜索对分类结果进行甄别,去除错分类的像素点。本文采用80幅颈动脉超声图像进行实验,比较实验结果与金标准,内中膜厚度平均绝对误差为(46.08±23.50)μm,平均每幅图像处理时间为0.88 s。实验结果表明全自动分割算法具有快速、全自动等特点,测量结果与金标准具有较高的一致性,能满足临床应用的实际要求。     

支持向量机后验概率方法在多任务脑机接口中的应用

基于运动想象的脑机接口是把使用者的运动意图转变成控制外部设备的信号,它包括脑电数据采集,特征提取和模式分类等几个基本环节.本研究发展了用支持向量机后验概率输出进行分类,并用分类结果中具有大概率的测试样本扩充训练集的模式分类与特征更新方法,并把此方法应用于4类任务运动想象脑机接口实验.使用BCI Competition Ⅲ的数据Ⅲa,运用一对一共空间模式扩展方法进行特征提取,用支持向量机后验概率方法进行分类和训练样本扩充.结果表明:概率信息能提高BCI的性能;应用概率信息选取样本扩充训练集能增加分类器的稳健性.     

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。     

基于高斯过程分步分类的阿尔茨海默病辅助诊断

脑影像数据维数高且有效训练样本少是影响阿尔茨海默病计算机辅助诊断性能的重要因素。对此小样本分类问题,以高斯过程为基础设计了一种分步的分类方法:先对测试样本利用高斯过程进行初步分类;依据后验概率筛选类别归属确定性强的样本作为补充参与训练,再对其余错分可能性相对较高的样本重新进行分类。利用ADNI数据库磁共振影像的分类实验表明,二次分类倾向于增大样本归属于真实类别的后验概率、提高类别判定的确定性,分类性能优于常规的高斯过程分类方法和支持向量机。     

基于支持向量机的肝纤维化CT图像分类

基于统计学习理论中结构风险最小化原则的支持向量机是易于小样本的机器学习方法.本文使用支持向量机和二叉树的方法对肝纤维化CT图像进行分类,并与k近邻法和BP神经网络等其它算法进行比较,结果显示对于肝纤维化图像,支持向量机的分类效果和鲁棒性要高于其他两种算法.     

标签均值的自训练半监督支持向量机用于EEG分类

研究半监督学习方法在EEG分类中的应用.结合标签均值和自训练思想提出两种新的半监督支持向量机方法.首先通过未标记样本的预测值估计标签均值,然后对未标记样本的标签进行优化.在此基础上提出了两种半监督支持向量机方法,一种是基于多核学习的标签均值自训练半监督支持向量机(Means4vm_mkl);一种是基于迭代优化的标签均值自训练半监督支持向量机(Means4vm_iter).对BCI Competition Dataset中的3组数据进行仿真实验,讨论分类正确率和运算效率两个指标.结果表明,两种方法均有较高的分类正确率,尤其在BCI Ⅰ数据集中,Means4vm_mkl方法达到了竞赛第一名的水平96％;而且运算效率较高,最快的只需29.5s,为在线BCI系统的设计奠定了基础.     

基于四类运动想象任务的脑电信号识别

背景：脑-机接口是在大脑与外部设备之间建立的直接的交流通路,基于运动想象的脑-机接口研究已经从两类运动想象任务的识别发展到多类任务的识别。 目的：探寻准确有效的对多任务运动想象脑电信号进行特征提取及模式识别的方法。 方法：首先采用公共平均参考法减小多通道中各导联间的相关性,提高脑电信号的信噪比。并对公共空间模式算法进行扩展,采用“一对多”的策略,对4类任务的脑电信号进行特征提取,在模式识别过程中,采用基于决策树法的支持向量机进行分类。对于实验对象样本不充足,结合支持向量机和贝叶斯分类器,将分类结果中具有大概率的测试样本扩充到训练集,最后再次运用支持向量机进行分类。 结果与结论：最佳正确率达到92.78%,“一对多”的公共空间模式和基于决策树的支持向量机可以有效地进行多任务脑电信号识别,扩充样本可以提高分类正确率。     

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.     

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.     

基于颜色与纹理的痤疮痧象证型自动分类初探

目的 走罐是中医治疗系统中一种非药物治疗手段.痧象是走罐后在背部显现的图像,含有很多疾病的信息,患者的证型就是其中一种.本文主要完成3种痤疮痧象证型的自动分类.方法 首先分析中医走罐后,背部痤疮痧象图像的特点,然后对7个穴位模块提取Tamura纹理特征,同时针对背部整体痧象图像提取Tamura纹理特征和颜色特征,再通过支持向量机分类方法进行分类.结果 提取的痧象特征可以较好地完成湿热、心火炽盛、脾气虚三种痧象证型的自动分类.结论 痤疮痧象自动分类具有可行性,为中医客观诊断和验证打下初步基础.     

基于大脑形态学和SVM的孤独症自动识别

目的：孤独症是目前儿童青少年时期常见的精神障碍类疾病,发病率高,临床诊断方法主观性强,也没有较好的治愈办法,本文基于大脑的形态学指标和支持向量机,提出了一种自动区分孤独症患者和正常人的方法。方法：选取对31名孤独症患者48名作为对照组的正常人进行分析。首先对磁共振的结构图像做去头皮、偏场校正等预处理。对三维大脑图像进行分割,得到68个脑区和5类大脑皮层特征,共340个形态学特征。然后对所有的形态学特征进行统计分析和序列前向选择,提取优化形态学特征集合,最后使用支持向量机对得到的特征进行训练和分类。结果：对孤独症患者和正常人进行分类,支持向量机对结合t检验和序列前向选择法提取得到的数据集的平均测试准确率可达到93.67%。结论：通过对模式分类结果的分析,可以了解孤独症与正常人的大脑在结构上和功能上都存在着差异,并且这些差异可以作为明显的特征对患者与正常人进行识别,同时可以得到很好的分类结果。     

一种2型糖尿病中医证型的舌图像识别方法

舌诊是2型糖尿病辨证方法之一,为降低因外界光线、医生经验等因素造成的临床2型糖尿病舌象诊断误差,提出一种2型糖尿病中医证型的舌图像识别方法。首先,通过色差校正,获得校正后舌象图像;其次,基于不同颜色空间特性,运用快速K均值聚类方法分离图像背景区域与舌体区域,再对舌体区域图像运用Ohta色度阈值法分离出舌质区域和舌苔区域;然后,根据2型糖尿病3种证型的舌象特征,提取舌体、舌苔及舌质区域的颜色、裂纹和胖大特征值;最后,使用随机森林作为分类器训练识别数据,并与支持向量机的方案进行对比。通过对218例数据训练识别,得出随机森林方法平均识别准确率为90.37%,比支持向量机方法提高了10.74%。结果表明,在2型糖尿病中医证型分类识别方面,随机森林方法更准确,且提出的舌图像识别方法可以实现2型糖尿病的中医证型识别。     

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。     

Computer-assisted lip diagnosis on traditional Chinese medicine using multi-class support vector machines

ABSTRACT: BACKGROUND: In Traditional Chinese Medicine (TCM), the lip diagnosis is an important diagnostic method which has a long history and is applied widely. The lip color of a person is considered as a symptom to reflect the physical conditions of organs in the body. However, the traditional diagnostic approach is mainly based on observation by doctor's nude eyes, which is non-quantitative and subjective. The non-quantitative approach largely depends on the doctor's experience and influences accurate the diagnosis and treatment in TCM. Developing new quantification methods to identify the exact syndrome based on the lip diagnosis of TCM becomes urgent and important. In this paper, we design a computer-assisted classification model to provide an automatic and quantitative approach for the diagnosis of TCM based on the lip images. METHODS: A computer-assisted classification method is designed and applied for syndrome diagnosis based on the lip images. Our purpose is to classify the lip images into four groups: deep-red, red, purple and pale. The proposed scheme consists of four steps including the lip image preprocessing, image feature extraction, feature selection and classification. The extracted 84 features contain the lip color space component, texture and moment features. Feature subset selection is performed by using SVM-RFE (Support Vector Machine with recursive feature elimination), mRMR (minimum Redundancy Maximum Relevance) and IG (information gain). Classification model is constructed based on the collected lip image features using multi-class SVM and Weighted multi-class SVM (WSVM). In addition, we compare SVM with k-nearest neighbor (kNN) algorithm, Multiple Asymmetric Partial Least Squares Classifier (MAPLSC) and Naive Bayes for the diagnosis performance comparison. All displayed faces image have obtained consent from the participants. RESULTS: A total of 257 lip images are collected for the modeling of lip diagnosis in TCM. The feature selection method SVM-RFE selects 9 important features which are composed of 5 color component features, 3 texture features and 1 moment feature. SVM, MAPLSC, Naive Bayes, kNN showed better classification results based on the 9 selected features than the results obtained from all the 84 features. The total classification accuracy of the five methods is 84%, 81%, 79% and 81%, 77%, respectively. So SVM achieves the best classification accuracy. The classification accuracy of SVM is 81%, 71%, 89% and 86% on Deep-red, Pale Purple, Red and lip image models, respectively. While with the feature selection algorithm mRMR and IG, the total classification accuracy of WSVM achieves the best classification accuracy. Therefore, the results show that the system can achieve best classification accuracy combined with SVM classifiers and SVM-REF feature selection algorithm. CONCLUSIONS: A diagnostic system is proposed, which firstly segments the lip from the original facial image based on the Chan-Vese level set model and Otsu method, then extracts three kinds of features (color space features, Haralick co-occurrence features and Zernike moment features) on the lip image. Meanwhile, SVM-REF is adopted to select the optimal features. Finally, SVM is applied to classify the four classes. Besides, we also compare different feature selection algorithms and classifiers to verify our system. So the developed automatic and quantitative diagnosis system of TCM is effective to distinguish four lip image classes: Deep-red, Purple, Red and Pale. This study puts forward a new method and idea for the quantitative examination on lip diagnosis of TCM, as well as provides a template for objective diagnosis in TCM.     

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。     

基于希尔伯特-黄变换的白细胞信号分

白细胞信号(WBS)具有脉冲形状多样和时频特性各异的特点,目前临床上用细胞信号脉冲计数的方法来分析WBS通常难以反映其所携带的丰富的生理和病理信息,并直接影响到细胞分类问题。针对这一问题,探索能自适应地分解非线性非平稳信号的希尔伯特 黄变换算法在WBC时频分析和分类中的应用效果。通过对血细胞中的WBC进行HHT变换,获取WBC的本征模态函数（IMF）分量、分量的Hilbert边际谱以及信号Hilbert谱;利用瞬时频率、瞬时幅值等进行计算提取健康人与患者的WBS平均强度、谱质心以及能量贡献率等特征作对比分析,根据其时频特征分布规律构建用于分类实验的特征向量;采用支持向量机（SVM）分类器,对58名健康人和60名患者的白细胞实验样本进行分类实验。结果表明,该方法提取的健康人和患者的WBS分量谱质心分布、平均强度值以及能量贡献率具有较好的区分度,分类正确率到达了94.83%。HHT方法能有效提取WBS特征,可辅助临床WBS的处理和分析。     

基于波形特征和SVM的心电信号自动分类方法研究

目的:提出一种新的基于波形特征和SVM的心电信号自动分类实现方法。方法:定义并提取了基于时域特征、小波域特征和高阶统计量特征等三大类心电特征参数,将一次性直接求解多类模式的SVM方法应用于心电信号分类。结果:通过对心电数据库典型心律失常信号的分类测试,验证了所提出心电信号分类方法的有效性。结论:本方法的实现可以有效提高了分类识别精度和速度。     

基于次生特征提取方法预测蛋白质同源寡聚体

寡聚蛋白质相对于单体蛋白质具有许多优势,广泛地参与多种生命活动。本文提出次生特征提取方法,使用支持向量机作为分类器,采用"一对一"的多类分类策略,基于蛋白质一级序列提取特征方法,对四类同源寡聚体进行分类研究。结果表明,在Jackknife检验下,基于次生特征和氨基酸组成成分特征构成的特征集,加权情况下,其总分类精度最高达到了78.41%,比氨基酸组成成分特征提高13.09%,比参考文献最好特征集BG提高了6.86%,比最好原生特征集CM1提高了5.53%。此结果说明次生特征提取方法对于蛋白质同源寡聚体分类是一种非常有效的特征提取方法。     

基于点袋理论的肝脏CT图像分析

当前医学CT图像的病理识别过多地依靠医生经验,为了将机器辅助诊断引入病理识别中,本文采用点袋理论对肝癌和正常肝脏的CT图像进行分析研究.从100张CT图像中挑选出40张具有特征的CT图像,预处理后,先利用尺度不变特征变换（scale invariant feature,SIFT）描述CT图像特征点,再经过k均值（k-means）聚类,最后使用支持向量机（support vector machine,SVM）机器学习算法实现CT图像的识别和分类.实验结果表明,当采用Gaussian 径向基（RBF）核运算时识别可取得85%的正确率.该研究说明点袋法有较好的分类效果和较好的发展空间.