表面肌电的支持向量机分类

支持向量机(SVM)是一种新的机器学习机制.研究了基于支持向量机的控制假手表面肌电识别方法和性能,并与反向传播(BP)神经网络分类器进行了比较.分类的六种手腕部动作分别是腕内旋、腕外旋、展拳、握拳、肘部外旋、肘部内旋.利用"一对一"的分类策略和二叉树构造多类SVM分类器.核函数分别采用多项式和径向基函数.实验结果表明SVM可以有效地对表面动作肌电进行分类,SVM分类准确率普遍优于传统的BP神经网络,且具有良好的泛化推广能力.不同的核函数对分类准确率影响较小.     

An Artificial Immune System-Based Support Vector Machine Approach for Classifying Ultrasound Breast Tumor Images

A rapid and highly accurate diagnostic tool for distinguishing benign tumors from malignant ones is required owing to the high incidence of breast cancer. Although various computer-aided diagnosis (CAD) systems have been developed to interpret ultrasound images of breast tumors, feature selection and the setting of parameters are still essential to classification accuracy and the minimization of computational complexity. This work develops a highly accurate CAD system that is based on a support vector machine (SVM) and the artificial immune system (AIS) algorithm for evaluating breast tumors. Experiments demonstrate that the accuracy of the proposed CAD system for classifying breast tumors is 96.67 %. The sensitivity, specificity, PPV, and NPV of the proposed CAD system are 96.67, 96.67, 95.60, and 97.48 %, respectively. The receiver operator characteristic (ROC) area index A_z is 0.9827. Hence, the proposed CAD system can reduce the number of biopsies and yield useful results that assist physicians in diagnosing breast tumors.     

基于异方差混合转移分布模型和支持向量机的脑电分类研究

为解决线性分析和单一非线性动力学指标方法无法准确描述脑电信号的问题,本研究提出基于异方差混合转移分布模型脑电特征提取方法。首先对采集到的脑电信号依据条件期望最大化(ECM)算法建立异方差混合转移分布模型,求得模型条件方差序列的均值及方差作为脑电信号的特征,将得到的脑电信号特征采用支持向量机进行分类。通过对6个人的正常脑电信号和带有眼电伪迹脑电信号进行分类仿真实验,其结果表明该方法能很好地拟合出脑电信号,且分类精确度能达到99.166 7%,说明此方法可有效提取脑电特征并准确识别出眼电伪迹。     

基于连续小波变换和支持向量机的手动想象脑电分类

对左右手运动想象脑电信号进行准确分类是脑-机接口（BCI）研究领域的重要问题。本文利用连续小波变换（CWT）提取脑电信号中相应的手动想象特征信号，并通过支持向量机（SVM）对特征信号进行分类，取得了较好的分类效果，然后经过分析SVM的学习算法，讨论了对于SVM的分类有着关键影响的时间成分，反映出传统的ERD／ERS计算方法可能出现的问题。     

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.     

近似熵与SVM在自动分类癫痫脑电信号中的应用

采用近似熵(ApEn)与支持向量机(SVM)相结合的方法对癫痫发作间歇期EEG和发作期EEG进行自动识别分类,通过分类结果来检验非线性动力学指标是否可有效运用于脑电癫痫波的自动实时探测中并验证由非线性动力学指标训练的分类器的泛化能力。研究使用参考患者的脑电数据构建SVM分类器,在此分类器的基础上,对其他患者的脑电数据进行分类得到结果。结果表明利用非线性动力学指标训练的分类器具有良好的泛化能力,对不同患者的脑电数据的平均分类准确率达到较高水平。     

基于非线性动力学和高斯混合模型/支持向量机的病态嗓音识别与研究

传统的病态嗓音的识别研究中,通常采用线性分析技术分析嗓音的特性,将嗓音产生过程用一个经典的线性模型来近似,然而,这样却忽略了嗓音产生过程中的非线性特性。本文基于非线性动力学的分析方法,定量分析并提取了嗓音的7维非线性特征——Hurst参数、时间延迟、第二阶Rényi熵、香农熵、关联维、Kolmogorov熵(K熵)、最大Lyapunov指数。实验结果表明,非线性动力学的方法能够弥补传统分析方法的不足,较好分析正常与病态嗓音;应用高斯混合模型(GMM)和支持向量机(SVM)的模式识别方法,分别对测试集39例正常嗓音和36例病态嗓音进行识别,均得到较好的识别率,分别为97.22%和97.30%。     

支持向量机在早期癌症检测中的应用

支持向量机是在统计学习理论基础上发展而来的一种新的通用学习方法,较好地解决了有限样本的学习分类问题.在早期癌症诊断中,由于存在癌细胞缺乏、病人个体的特异性和数据本身的噪声等因素的影响,要进行非常准确的诊断是困难的.用支持向量机的分类算法,选取不同的核函数,构造了支持向量机的不同分类器,并将其应用于早期癌症诊断.非线性的支持向量机取得了较高的准确率,表明支持向量机在早期癌症的诊断中有很大的应用潜力.     

基于小波变换和矢量量化的二维ECG数据压缩算法

本研究针对心电数据的压缩问题,提出了一种新的基于小波变换的二维心电（ECG）数据压缩算法。该算法首先将一维原始ECG信号转化为二维序列信号,从而使ECG数据的两种相关性可得到充分地利用;然后对二维ECG序列进行小波变换,并对变换后的系数应用了一种改进的矢量量化（VQ）方法。在改进的VQ方法中,根据小波变换后系数的特点,构造了一种新的树矢量（TV）。利用本算法与已有基于小波变换的压缩算法和其他二维ECG信号的压缩算法,对MIT/BIH数据库中的心律不齐数据进行了对比压缩实验。结果表明：本算法适用于各种波形特征的ECG信号,并且在保证压缩质量的前提下,可以获得较大的压缩比,具有一定的应用价值。     

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。     

基于支撑向量机的中医舌色苔色识别算法研究

本文针对舌色苔色的分类与识别,提出了一种DAG和决策树结合的方法。在训练SVM分类器的过程中,根据舌象样本中部分类别线性可分,而另一部分类别线性不可分的特点,采用了不同的核函数及其参数。实验结果表明,本文提出的算法在识别率和识别速度上都有一定提高。     

基于主成份分析和支持向量机的MRI图像多目标分割

在MRI图像中,颅内各组织的边界极其复杂且不规则,这对传统的分割算法提出严峻的挑战.主成份分析（PCA）可达到降维和消除冗余信息的目的,为使支持向量机（SVM）准备的样本空间更为紧凑、合理.本研究采用PCA将图像的57维特征向量处理后,研究多分类SVM对MRI图像进行多目标分割,成功提取颅内各组织不规则边界.理论和实验表明,基于PCA和SVM相结合的分割性能优于仅采用SVM的分割性能.     

中医舌色苔色识别中多分类支撑向量机算法比较

为了了解在不同样本数量情况下具有何种特点的算法比较适合舌色苔色的分类与识别,本文采用一对一SVM和它的改进算法IMP-BSVM、DAG-BSVM,以及M-ary分类SVM算法对舌色、苔色分类进行了比较。结果表明,当训练样本数较少时,DAG-BSVM能有较高的正确率和较快的训练和识别速度,因此选用DAG-BSVM;当训练样本数较大时,IMP-BSVM能得到最少的支撑向量和较高的正确率以及较快的识别速度,此时则选用IMP-BSVM。     

基于分数阶Hilbert变换二维纹理特征的罗音检测算法

为了自动化地检测肺音中间断性异常呼吸音——罗音,基于新兴的分数阶Hilbert变换信号分析手段,提出一种新的检测算法.在不同阶数下,将分数阶Hilbert变换作用于肺音信号,由此可生成一个与该信号对应的二维纹理图像,纹理图像中呈现的明暗相间条纹组合的特征与罗音信号特征相对应,据此可实现罗音检测.分别进行两组检测实验,一组采用仿真的罗音叠加于实际肺音上进行罗音检测,100％的罗音被检测出,另一组采用美国胸科学会教学数据库包含真实罗音的肺音信号进行检测,敏感性指标达到97％,从而验证基于分数阶Hilbert变换的方法检测罗音的有效性.     

基于自回归模型和关联向量机的癫痫脑电信号自动分类

癫痫脑电信号自动分类方法的研究具有重要意义.基于自回归模型和关联向量机,实现癫痫脑电信号的自动分类.采用自回归模型,进行脑电信号特征提取;通过引入主成分分析和线性判别分析两种特征变换方法,降低特征空间维数;采用关联向量机作为分类器,提高模型稀疏性并可以得到概率式输出.在对波恩大学癫痫研究中心脑电信号的分类中,所提出的方法最高准确率可以达到99.875％;在将特征空间维数降至原始维数的1/15时,分类准确率仍可达到99.500％;采用关联向量机作为分类器,模型稀疏性大幅提高,与支持向量机相比,同等条件下关联向量数仅为支持向量数的几十分之一.所提方法可以很好地应用于癫痫脑电信号的自动分类.     

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。     

基于小波变换的颜色视觉诱发电位检测去噪研究

为了提高检测的效率，将基于小波变换的信号分析方法引入到颜色视觉诱发电位（Visual evoked potential，VEP）的检测中，提出了基于多尺度条件下小波变换模极大值分布图的重建VEP信号的方法。该方法对初始采集信号采用Mallat快速算法进行离散小波变换得到模极大值分布图。根据信号噪声的Lipschitz指数特性进行去噪。最后按照POCS（Projections onto convex sets）方法进行信号的重建。仿真实验结果表明该方法对VEP信号的去噪效果比较理想。同时该方法极大地降低了测试次数。因此该方法与现有临床的叠加方法相比有明显的优披件．     

基于小波变换的乳腺X线影像微钙化点感兴趣区域提取新技术

为乳腺癌早期诊断和乳腺X线影像微钙化点计算机辅助检测作前期预处理,提出了一种基于小波变换的微钙化点感兴趣区提取新技术。其具体思路是:(1)将乳腺区域图像提取成等大的子图像;(2 )对每一幅子图像进行小波变换,根据特征参数ρ讨论最优小波变化参数和阈值T;(3)根据阈值T判别子图像是否属于感兴趣区。对临床实际病例(2 0幅乳腺X线影像)的试验结果表明,该方法具有较高的检出率(89.7% ) ,和较为满意的假阳性率(2 .1% )。     

A decision support system based on support vector machines for diagnosis of the heart valve diseases

In this paper, a decision support system that classifies the Doppler signals of the heart valve to two classes (normal and abnormal) is presented to support the cardiologist. The paper uses our previous paper where ANN is used as a classifier, as feature extractor from measured Doppler signal. To make this, it uses wavelet transforms and short time Fourier transform methods. Before it classifies these features, it applies Wavelet entropy to them. In this paper, our aim is to develop our previous work by using least-squares support vector machine (LS-SVM) classifier instead of ANN. We use LS-SVM and backpropagation artificial neural network (BP-ANN) to classify the extracted features. In addition, we use receiver operator characteristic (ROC) curves to compare sensitivities and specificities of these classifiers and compute the area under the curves. Finally, we evaluate two classifiers in all aspects.