基于融合规则的注意相关脑电分类算法研究

提出一种新的基于支持向量机(supervectormachine,SVM)学习机制和数据融合理论的脑电分类算法,并设计了注意分级实验进行验证。首先,对脑电信号进行3级小波分解,由主分量分析(principlecomponentanalysis,PCA)方法提取其中的主特征分量;然后由支持向量机对特征分量进行分类;最后依据数据融合理论,对多导分类结果进行综合判断。结果表明,该方法具有良好的鲁棒性,对多导注意相关EEG的分类准确率可达89%左右,并高于单导最优准确率,对注意力缺陷反馈治疗、注意力机制研究等有较高的实用价值。     

基于定量影像组学的乳腺肿瘤良恶性诊断

乳腺癌是女性致死率最高的恶性肿瘤之一。为提高诊断效率,提供给医生更加客观和准确的诊断结果。借助影像组学的方法,利用公开数据集BreaKHis中82例患者的乳腺肿瘤病理图像,提取乳腺肿瘤病理图像的灰度特征、Haralick纹理特征、局部二值模式(LBP)特征和Gabor特征共139维影像组学特征,并用主成分分析(PCA)对影像组学特征进行降维,然后利用随机森林(RF)、极限学习机(ELM)、支持向量机(SVM)、k最近邻(kNN)等4种不同的分类器构建乳腺肿瘤良恶性的诊断模型,并对上述不同的特征集进行评估。结果表明,基于支持向量机的影像组学特征的分类效果最好,准确率能达到88.2%,灵敏性达到86.62%,特异性达到89.82%。影像组学方法可为乳腺肿瘤良恶性预测提供一种新型的检测手段,使乳腺肿瘤良恶性临床诊断的准确率得到很大提升。     

新型冠状病毒肺炎的影像组学研究

【摘要】为了识别新型冠状病毒肺炎（COVID-19）和非COVID-19肺炎（其他肺炎）的患者,提出一种基于胸部CT图像影像组学特征的分类方法。分别收集COVID-19患者和其他肺炎患者各90例的胸部CT图像,并手动勾勒肺炎病变区域;然后,利用影像组学方法提取病变区域的纹理特征和直方图特征,获得每个样本对应的一阶影像组学特征向量;最后,使用纹理特征和直方图特征作为输入,构建线性支持向量机（linear SVM）模型,对COVID-19患者和其他肺炎患者进行分类。该模型使用20次10折交叉验证进行训练和测试。对于COVID-19患者,还进行了相关分析（多次比较校正-Bonferroni校正,p<0.05/7）,以确定纹理和直方图特征是否与血液的实验室测试指标相关。结果表明本研究提出的方法具有良好的分类性能,分类准确度高达87.56％,敏感度为82.78％,特异性为92.33％,受试者工作特性曲线下面积为0.939,这也证明了两组人群的影像组学特征是高度可区分的,此模型可以有效地识别和诊断COVID-19患者和其他肺炎患者。相关分析结果显示某些纹理特征与白细胞、中性粒细胞和C反应蛋白正相关,而也有某些纹理特征与血氧和中性粒细胞负相关。     

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。     

基于影像组学的肺癌分型预测

目的 基于影像组学特征对肺癌中的两大亚型分类（小细胞肺癌与非小细胞肺癌）进行分型预测。 方法 在131名小细胞肺癌与非小细胞肺癌患者中(其中训练集包含119人,测试集中包含12人),从手动分割的病灶区域提取107维组学特征,使用R统计学软件中的FSelector包对影像组学特征进行关键特征筛选,构建支持向量机模型和k折交叉验证模型对肺癌患者的病理进行表型分类和验证,通过绘制受试者工作特征曲线（ROC曲线）图和计算曲线下面积（AUC）数值来对训练集和测试集中的肺癌分型预测效果进行评估。 结果 挑选出20个主要的影像组学特征用于小细胞肺癌与非小细胞肺癌的分型鉴别,这些特征对于训练集和测试集中的小细胞肺癌与非小细胞肺癌均有较好的区分能力。在测试集中,预肺癌亚型分类的准确率为75%,组学特征的AUC结果为0.69。 结论 通过构建独特的影像组学特征,以用作区分小细胞肺癌与非小细胞肺癌的诊断因素。这对实现非侵入性的肺癌病理有效分型预测,指导肺癌患者后续治疗方案的选择具有重要指导意义。     

远程健康监护系统监护信息预报方法

目的 针对远程健康监护系统中系统预报未来的监护信息数值问题,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的监护信息预报方法.方法 采用PSO算法确定预报模型参数,应用最小二乘支持向量机(least square support vector machine,LS-SVM)对未来监护信息数值进行预报.文中构建了监护信息的LS-SVM预报模型,给出了模型参数确定方法.最后,选择PhysioNet标准数据库中的数据,应用该方法进行了实验.结果 实验结果表明该监护信息预报方法是有效的.结论 基于PSO算法的远程健康监护系统可较好地预测未来的监护信息值,并能较准确地预报监护对象的健康状态.     

改进鲸鱼算法寻优支持向量机的眼动数据分类研究

支持向量机在进行不同眼动模式分类任务时受参数影响较大,针对这一问题,本文提出一种基于改进鲸鱼算法优化支持向量机的算法以提升眼动数据分类性能。根据眼动数据特点,本研究先提取注视、眼跳相关的57个特征,再利用近邻相关（ReliefF）算法进行特征筛选。针对鲸鱼算法收敛精度低,易陷入局部最小值等问题,本文引入惯性权重平衡局部搜索和全局搜索,加快算法收敛速度,同时利用差分变异策略增加个体多样性,跳出局部最优。本文对8个测试函数进行实验,结果表明改进鲸鱼算法具有最佳的收敛精度和收敛速度。最后,本文将改进鲸鱼算法优化支持向量机模型应用于自闭症眼动数据分类任务,公开数据集实验结果表明,相较于传统的支持向量机方法,本文方法的眼动数据分类准确率有着较大提升,相较于标准鲸鱼算法和其他优化算法,本文方法优化后的模型具有更高的分类精度,为眼动模式识别提供了新思路与方法。未来或可利用眼动仪获取的眼动数据,结合本文方法辅助医疗诊断。     

一种多特征融合的Web医学信息语义关系抽取方法

目的为给用户提供更为相关、整体和结构化的Web医学信息,提出一种多特征融合的语义关系抽取方法,以解决中文Web医学信息中两两医学实体之间语义关系的抽取。方法首先在混合句法分析算法的基础上构造包含词项、语义、词性、交互词、实体对距离、实体类别以及最短依赖关系特征的特征向量并结合支持向量机实现。对Web医学信息中师徒关系、擅长关系及从属关系抽取实验,比较在不同句法分析下、不同特征作用及不同机器学习算法下的语义关系抽取效果。结果从F估计和算法运行时间来看,混合句法分析下效果最佳。随着特征的加入,抽取效果不断提升,最后,对三类语义关系抽取最终获得81.16%、95.94%和86.16%的F估计值。结论基于多特征融合的语义关系抽取方法对于Web医学信息语义关系的抽取具有很好的效果。     

一种运动想象脑电分类算法的研究

为了解决脑机接口(BCI)中不同意识任务下脑电信号分类问题,针对运动想象脑电(EEG)的事件相关去同步/同步(ERD/ERS)现象,提出一种基于支持向量机(SVM)的实用分类算法。该算法首先对脑电信号进行滤波,获得对运动想象比较敏感的频段,对滤波后的脑电信号,通过去均值减小由于均值不同所造成的误差,然后,再提取基于ERD/ERS的脑电能量场强特征,对提取的特征,运用支持向量机(SVM)进行分类,得到了满意的效果。结果表明,此方法可为脑机接口技术的应用提供有效的手段。     

基于融合多网络深层卷积特征和稀疏双关系正则化方法的乳腺癌图像分类研究

乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以提高乳腺癌诊断准确性,同时减少医生的工作量。开发一个基于多网络特征融合和稀疏双关系正则化学习的分类模型:首先,通过子图像裁剪和颜色增强进行乳腺癌图像预处理;其次,使用深度学习模型中典型的3种深度卷积神经网络(InceptionV3、ResNet-50和VGG-16),提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合;最后,通过利用两种关系(“样本-样本”和“特征-特征”关系)和l_F正则化,提出一种有监督的双关系正则化学习方法进行特征降维,并使用支持向量机将乳腺癌病理图像区分为4类—正常、良性、原位癌和浸润性癌。实验中,通过使用ICIAR2018公共数据集中的400张乳腺癌病理图像进行验证,获得93%的分类准确性。融合多网络深层卷积特征可以有效地捕捉丰富的图像信息,而稀疏双关系正则化学习可以有效降低特征冗余并减少噪声干扰,有效地提高模型的分类性能。     

相关向量机在肿瘤表达谱分类问题中的应用

基因芯片技术能够检测大量基因的表达水平,在肿瘤研究中得到日益广泛的应用。基于基因芯片表达谱的肿瘤分类诊断是肿瘤表达谱研究的一个热点,肿瘤表达谱分类是一个典型的高维度小样本分类问题,描述一个两步策略的分类方法。在测试的基因表达谱中存在大量的非差异表达冗余基因,通过一个有效的基因预选择策略得到一个较小的候选基因子集,然后建立基于相关向量机的分类预测模型。在4个真实的肿瘤表达谱数据上,与几种不同的方法进行比较,结果显示该方法可以得到更好的分类精度,同时表现出很好的稳定性。     

糖尿病视网膜病变筛查中的眼底图像质量控制

目的糖尿病性视网膜病变(diabetic retinopathy,DR,以下简称糖网病)筛查中,有相当比例的图像因聚焦不清或曝光不佳不可用于临床诊断,浪费了医疗资源,因而,有必要对眼底图像进行质量监控。本文提出一种基于小波变换和最小二乘支持向量机(least square support vector machine,LS-SVM)的眼底图像质量控制算法。方法首先,对眼底图像进行2层静态小波变换,计算8个子图像的能量值作为特征向量,再利用LS-SVM对眼底图像进行质量评判。本文将中国人民解放军火箭军特色医学中心眼科提供的146幅图像,分为训练集和测试集,LS-SVM使用训练集进行学习后,对测试集的97幅图像进行分类测试。结果训练后的LS-SVM能够对测试集很好地分类,鉴别出模糊的眼底图像。以线性函数为核的LS-SVM分类正确率为100%,以高斯径向基函数为核的LS-SVM的分类正确率为97. 9%。结论以2层静态小波分解子图像的能量值为输入特征向量的LS-SVM能够很好地鉴别出本文使用的眼底图像是否模糊。     

人脑MRI和PET图像的融合方法

目的：研究MRI和PET医学图像融合的方法并且应用在人脑神经解剖中。方法：以Chamfer matching为基本配准方法和以模糊数学为理论基础的融合方法。结果：使得融合后图像有很强的抗配准偏差能力,并且能极大程度地保留原来解剖性信息图像和功能性图像的信息。能根据融合算子的不同组合,得到倾向于不同检查仪器结果的图像。结论：通过本文方法得出的融合后图像,能在人脑解剖结构上显示出该区域的功能状态,对于了解该结构的存在、变异、病变提供了很大的便利。对人脑神经解剖学研究和临床应用都有很大的理论和实践意义。     

Hansa: an automated method for discriminating disease and neutral human nsSNPs

Variations are mostly due to nonsynonymous single nucleotide polymorphisms (nsSNPs), some of which are associated with certain diseases. Phenotypic effects of a large number of nsSNPs have not been characterized. Although several methods have been developed to predict the effects of nsSNPs as "disease" or "neutral," there is still a need for development of methods with improved prediction accuracies. We, therefore, developed a support vector machine (SVM) based method named Hansa which uses a novel set of discriminatory features to classify nsSNPs into disease (pathogenic) and benign (neutral) types. Validation studies on a benchmark dataset and further on an independent dataset of well-characterized known disease and neutral mutations show that Hansa outperforms the other known methods. For example, fivefold cross-validation studies using the benchmark HumVar dataset reveal that at the false positive rate (FPR) of 20% Hansa yields a true positive rate (TPR) of 82% that is about 10% higher than the best-known method. Hansa is available in the form of a web server at http://hansa.cdfd.org.in:8080.     

New online method for removing ocular artefacts from EEG signals

A method for online removal of ocular artefacts from the human electroencephalogram (EEG) is described. It uses numerically stable algorithms based on the efficient recursive least-squares algorithm. The method is shown to give similar results to its offline equivalents from which it has been developed. Compared with the present online methods our approach is superior, requiring no subjective manual adjustment and processing all signals digitally. An automatic online microcomputer-based ocular artefact remover has been built and successfully tested.     

Development of a signal measurement technique for application in multi‐analyte liposome immunomigration assays

The potential for development of a multi‐analyte liposome immunomigration solid‐phase competition (LIM‐SPC) assay based on multivariate calibration of spectral reflectance measurements was investigated. A simulation of a multi‐analyte LIM‐SPC assay was carried out using a mixture of three analyte‐tagged liposome preparations, each containing a different colored dye. The liposome preparations were combined according to a statistical experiment design and allowed to migrate up nitrocellulose test strips to a binding zone. After the liposomes were captured at this zone, the reflectance spectrum of the zone was measured. Partial least squares regression was used to develop multivariate calibrations. For the liposome‐encapsulated dyes, the coefficients of determination obtained for car‐boxyfluorescein, sulforhodamine B and isosulfan blue were 0.902, 0.990 and 0.977, respectively. It was concluded that the approach used was suitable for a multi‐analyte LIM‐SPC.     

穿戴式心电信号质量的三分类评估方法

研究一种穿戴式心电信号质量的三分类评估方法。心电信号质量三分类源于临床诊断需求,具体分为如下3类:一是临床有用,信号质量好;二是临床有用,信号质量差;三是临床无用。该方法首先提取心电信号时域、频域、非线性域中共计12个特征,然后构建特征矩阵,通过融合径向基核函数的支持向量机(SVM)分类器,实现穿戴式心电信号质量的三分类。实际结果表明,所提出的方法在375例经临床专家标注的独立测试集上信号质量三分类F测度结果分别为0.909、0.827和0.973,整体分类准确度为92.3%,相比于基于CNN的模型和传统SVM模型,准确度分别升高2.2%和6.4%。研究证明,新的信号质量三分类模型在穿戴式动态心电信号质量分类中有一定的应用价值。     

基于改进的模糊C-均值聚类算法及支持向量机的眼底图像中硬性渗出检测方法

目的提出一种基于改进的模糊C-均值(improved fuzzy C-means,IFCM)聚类算法及支持向量机(support vector machine,SVM)的检测算法,以实现对眼底图像中硬性渗出的自动识别。方法首先利用改进的FCM算法对由江苏省中医院眼科提供的120幅彩色眼底图像进行粗分割以获取硬性渗出候选区域;其次,利用Logistic回归对候选区域提取出的特征进行选择,并利用候选区域的优化特征集及相应判定结果建立SVM分类器,实现眼底图像中硬性渗出的自动检测;最后利用该方法对65幅眼底图像进行硬性渗出自动检测。结果硬性渗出自动检测得到的病灶区域水平灵敏度96.47%,阳性预测值90.13%;图像水平灵敏度100%,特异性95.00%,准确率98.46%;平均一幅图像处理时间4.56 s。结论利用改进的FCM算法与识别率较高的SVM分类器相结合的方法能够高效自动地识别出眼底图像中的硬性渗出。