基于极限学习机的左束支传导阻滞辅助诊断研究

左束支传导阻滞(LBBB)作为临床常见的一种心律失常,是左心室收缩功能减低、患者死亡率增加的标志;利用机器学习算法对其进行辅助诊断,将对LBBB早发现、早治疗起到积极的推动作用。然而,由于目前常用的支持向量机(SVM)等传统的机器学习算法容易产生局部最优解,准确度有待提高,因此提出一种基于极限学习机(ELM)的LBBB辅助诊断算法。首先,利用小波进行心电信号预处理,包括基线漂移、肌电噪声及工频干扰的去除;接着,确定QRS波群与T波位置;然后,根据临床上LBBB患者比正常人的QRS波群持续时间延长等特点,建立融合时域、形态与能量3类特征的特征模型;最后,利用该模型提取的特征集合,提出基于ELM的LBBB辅助诊断算法。此外,在MIT_BIH数据库中的5 000份ECG数据上进行实验验证,结果表明所提出的预处理与波形提取算法能有效去除噪声并提取QRS-T特征波;在LBBB的判别上,相比SVM算法、ELM算法的训练时间缩短了88.5%;同时,在准确率、灵敏度、特异度、LBBB检出率和正常人检出率的指标上,分别提升2.4%、5.4%、1.2%、3.6%和2%。因此,基于ELM的LBBB辅助诊断算法具有明显优势。     

基于多模态典型相关特征表达的阿尔兹海默病诊断

对阿尔兹海默(AD)疾病进程的建模研究,有利于在其早期阶段--轻度认知障碍(MCI)进行更准确的诊断。不仅利用多模态影像数据,还分析模态间特征关系,用于增强与AD/MCI相关的特征表达能力。首先,基于典型相关分析融合不同模态间多个感兴趣区域并生成多模态关系特征表达;其次,基于稀疏最小二乘回归损失函数,以此获得稳定且有识别力的相关性表达特征;最后,使用交叉验证方法将随机选择的训练样本用于支持向量机分类模型,再对测试集受试者进行疾病阶段诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库的805位受试者,包括AD,MCI和正常受试者(NC)。此方法对于AD vs NC,MCI vs NC和p-MCI(进行性轻度认知障碍)vs s-MCI(稳定性轻度认知障碍)等3种不同类型数据,诊断结果分别为92.01%,74.83%和70.27%。与其他算法相比,分类准确率都有明显提高。表明所提出的方法能够有效应用于多模态数据对阿尔兹海默病的诊断分析研究。     

阿尔兹海默病动物模型的研究进展

<正>阿尔兹海默病(Alzheimer’s disease,AD),是一种由神经系统变性引发的进行性痴呆,老年者发病率较高,亦称老年痴呆。临床表现以记忆障碍、认知功能障碍、精神症状以及人格、行为方面的异常为主。典型的三大病理特征为:神经原纤维缠结、老年斑以及神经元的广泛缺失[1]。AD的动物模型按产生原因大致分为两大类:一是自发性动物模型,即     

基于极限学习机的室性早搏判别算法的实现

室性早搏是常见的心律异常疾病,给人的生命带来威胁,准确的心律异常诊断对于帮助人们预防心血管疾病起到重要的作用。以MIT-BIH心律异常数据库中的数据作为分析对象,提出一种基于极限学习机算法的诊断方法,主要包括信号预处理、特征提取和分类,实现心电信号室性早搏异常的判别。采用小波变换结合形态学算法,对信号进行预处理,去除干扰,得到纯净的心电信号。通过K-means聚类算法提取QRS波群等特征参数,根据这些参数建立正常窦性心律和室性早搏的正样本和预测样本,再结合极限学习机分类器进行样本训练匹配和分类识别。选取1 260个周期信号进行实验,结果表明,该算法能准确诊断出室性早搏异常,最终阳性平均检测率达到95%,平均灵敏度达到96%。该算法相比其他算法,在识别精度相当的情况下,可极大提高算法的实时性,具有很高的研究价值,同时在移动医疗和临床医疗方面也具有一定的实用价值。     

基于极限学习机的跌倒检测分类识别研究

由于年龄和身体条件的限制,在老年人群中跌倒是非常普遍的现象。因此,根据老年人跌倒的运动特征,远程监测他们在各个时间段的状态,以便在其摔倒或突发状况时及时采取措施显得尤为重要。针对人体运动状态进行监测,分析人体运动学特征,提出基于极限学习机的跌倒检测算法。运用三维加速度传感器采集人体的三维加速度值,建立跌倒检测特征模型。在此基础上,建立基于极限学习机的跌倒检测分类器,完成对老年人的计算机辅助跌倒检测。实验数据共540例样本,选用了不同数量的训练集和测试集,其中440例作为训练数据,其余100例为测试数据。测试结果表明,准确率为93%,敏感度为87.5%,特异性为91.7%,具有良好的分类性能。在对分类训练的运行时间方面,基于极限学习机的跌倒检测方法与传统的机器学习方法相比具有明显优势。     

黄芩的化学成分及治疗阿尔兹海默病的研究进展

阿尔茨海默病是一种神经系统退行性疾病,中医称之为“痴呆”,其发病机制复杂,普遍认为主要有β-淀粉样蛋白（Aβ）过度沉积、神经炎症反应、Tau蛋白过度磷酸化等,目前临床还没有找到有效的治疗药物。黄芩的化学成分复杂,作用广泛,研究发现其主要有效成分黄酮类化合物黄芩苷、黄芩素等可改善神经退行性疾病,具有潜在的治疗阿尔兹海默病的发展前景。本文对黄芩的化学成分及治疗阿尔兹海默病的机制作一综述。     

基于统计学纹理特征的阿尔兹海默病MR图像研究

阿尔兹海默病（Alzheimer’s disease,AD）是一种老年神经系统退行性疾病。流行病学研究显示,在过去的50年里,AD的发病率增加了4倍,是目前威胁老年健康的重要疾病。对AD的影像学研究目前主要采用对图像上特征线、面积、体积测量的方法,还没有发现对AD具有特异性的影像学指标。本文尝试采用基于统计学理论的灰度共生矩阵、游程长矩阵的纹理分析方法提取AD患者MR图像上感兴趣区的纹理特征参数,通过筛选得到的参数,对AD患者和健康对照组进行分类识别,并对采用不同分类方法得到的识别结果进行比较。研究结果显示对统计学纹理特征参数使用非线性判别分析的分类方法得到的识别率最高达到90．12％。可以预见,此项研究对AD的早期诊断具有积极作用。     

基于核函数极限学习机和小波包变换的EEG分类方法

目的为实现运动功能障碍患者的运动意愿,基于脑-机接口(brain-computer interface,BCI)的康复训练技术是近年来的研究热点。脑-机接口的关键技术是快速准确地识别出与运动想象相关的脑电模式。针对脑电信号非平稳及个性化差异等特点,利用小波包理论和核函数极限学习机(extreme learning machine,ELM)方法,提出一种自适应的特征分类方法来提高脑电信号的分类识别率。方法由于小波包存在着频带交错的现象,所以首先利用距离准则将自适应提取的最优小波包的平均能量作为特征向量,并采用核函数ELM方法进行分类。最后利用BCI竞赛数据进行了脑电信号特征分类的仿真研究,并对不同算法的分类识别率进行仿真分析。结果自适应特征分类方法对用于实验的脑电数据的平均分类识别率达到97.6%,对比ELM、神经网络(back propagation,BP)和支持向量机(support vector machine,SVM)分类方法,核函数ELM方法在分类时间和识别精度上效果最佳。结论本文提出的脑电信号分类方法取得了较高的分类识别率,适用于脑电信号的分类应用。     

阿尔兹海默病的免疫学机制及其治疗进展

近年来研究表明阿尔兹海默病(Alzheimer’s disease,AD)患者脑内存在着局部炎症反应,提示免疫反应可能是该病的发生、发展机制之一。作者分别从小胶质细胞和星形细胞的活化、补体系统的激活和细胞因子的作用三个角度对AD的发生、发展恶化进行了阐述,并综述了疫苗的接种、抗炎疗法等免疫学相关治疗措施。     

基于医学影像计算机辅助诊断的分割方法

本文在综合介绍目前基于医学影像的计算机辅助诊断(MICAD)研究工作的基础上，重点分析了MICAD主要使用的图像分析和处理技术。作为例子重点介绍了MICAD对图像分割的要求，介绍了目前我们正在开展的最小近邻算法(KNN)和模糊最小紧邻算法(FKNN)进行图像分割的工作，并提出了如何用相邻像素的信息，进一步提高分割的准确性的思路，为后面的计算机自动识别提供依据。而计算机自动识别是基于医学影像的计算机辅助诊断过程自动化的基础。     

阿尔兹海默病症的检测方法现状

阿尔兹海默病症 (Alzheimer's Disease,AD)是一种常见的、由于脑内神经结构发生病变而引起的老年性痴呆症 ,自190 6年报道首例 AD病例以来 ,医学界一直致力于对 AD的诊断和治疗方法的研究。本文较全面地介绍了近年来常用的AD检测方法 ,其中着重介绍了基于神经电生理学的 AD检测方法     

功能性磁共振成像在轻度认知障碍检测诊断的研究综述

现代社会中,阿尔茨海默病已经成为严重影响和限制个人日常生活甚至危及患者生命安全的一种疾病.轻度认知障碍作为阿尔茨海默病的前一个阶段,对其精确诊断有助于干预或降低患者转化为阿尔茨海默病的几率.目前,功能磁共振成像技术已经广泛应用于轻度认知障碍的检测诊断研究中.从特征提取、特征选择、数据降维和分类识别等方面,对fMRI在M...     

老年痴呆症诊断临床决策支持系统设计与评估

老年痴呆症是老年医学亟待解决的问题之一,而现有的手段对于老年痴呆症的诊断灵敏度低、特异性差.临床决策支持系统作为提高医疗诊断和效率的一种手段,在近几年得到了较大的发展.本研究针对老年痴呆症的诊断,设计了一个老年痴呆症临床决策支持系统,用于辅助医生对老年痴呆症诊断.最后,对该老年痴呆症临床决策支持系统在临床科室中进行了评估.评估结果表明,系统对老年痴呆症的诊断有一定的决策辅助作用,有助于提高整体医疗水平,减少医疗差错,促进医疗服务质量的提高.     

Serum MCP-1 levels are increased in mild cognitive impairment and mild Alzheimer's disease

Upregulation of a number of chemokines, including monocyte chemotactic protein-1 (MCP-1), is associated with Alzheimer's disease (AD) pathological changes. Emerging evidence suggests that inflammatory events precede the clinical development of AD, as cytokine disregulation has been observed also in patients with mild cognitive impairment (MCI).

MCP-1 levels were evaluated in serum samples from 48 subjects with MCI, 94 AD patients and 24 age-matched controls. Significantly increased MCP-1 levels were found in MCI and mild AD, but not in severe AD patients as compared with controls. mRNA levels in peripheral blood mononuclear cells (PBMC), evaluated by quantitative RT-PCR analysis, paralleled serum MCP-1 levels. Moreover, a progressive MCP-1 decrease was observed over a 1-year follow up in a subgroup of MCI subjects converted to AD. MCP-1 upregulation is likely to be a very early event in AD pathogenesis, by far preceding the clinical onset of the disease. Nevertheless, as MCP-1 is likely to play a role in several pathologies with an inflammatory component, a possible usfulness as an early AD biomarker would be possible only in combination with other molecules.     

基于磁共振图像的帕金森病计算机辅助诊断研究进展

近年来,由于帕金森病(PD)的临床复杂性与多模态磁共振(MR)图像的高维性,如何有效挖掘图像中特异性标记PD的影像生物标志物、建立高效的PD计算机辅助诊断(CAD)模型是研究中极具挑战性的问题。综述目前国内外研究进展,进一步分析MR多模态特征提取、特征选择、分类器模型等传统机器学习方法建立CAD模型的关键技术,并简要概述基于深度学习方法在早期PD分类诊断中的应用。指出基于多模态MR图像,采用机器学习或深度学习方法构建CAD模型,能够客观、准确地识别PD患者,对提高早期PD诊断的准确性具有很大价值和应用前景。今后研究应更深入挖掘多模态MR图像中的潜在标记PD的影像生物指标,开发更高阶的CAD模型,以辅助早期PD的临床智能诊断。     

Structural MRI changes detectable up to ten years before clinical Alzheimer's disease

Structural brain changes have been described in both mild cognitive impairment (MCI) and Alzheimer's disease (AD). However, less is known about whether structural changes are detectable earlier, in the asymptomatic phase. Using voxel-based morphometry (VBM) and shape analyses of magnetic resonance imaging (MRI) data, we investigated structural brain differences between groups of healthy subjects, stratified by subsequent diagnoses of MCI or AD during a 10-year follow-up. Images taken at baseline, at least 4 years before any cognitive symptoms, showed that subjects with future cognitive impairment (preclinical AD and MCI) had reduced brain volume in medial temporal lobes, posterior cingulate/precuneus, and orbitofrontal cortex, compared with matched subjects who remained cognitively healthy for 10 years (HC). For only those subjects later diagnosed as AD, significantly greater atrophy at baseline was detected in the right medial temporal lobe, which was also confirmed by shape analysis of the right hippocampus in these subjects. Our results demonstrate that structural brain changes occur years before clinical cognitive decline in AD and are localized to regions affected by AD neuropathology.     

基于概率判决极端学习机的癫痫发作预报研究

平均预报敏感度和误报率是癫痫发作预报中最为重要的两个指标,针对在提高平均预报敏感度的同时误报率往往也会增高的问题,提出一种基于概率判决极端学习机的癫痫发作预报方法。该方法在利用平均相位相干指数对脑电信号进行特征提取的基础上,采用概率判决极端学习机进行分类,得到定量的分类信息之后,通过确定分类阈值来维持平均预报敏感度与误报率之间的平衡,最后经平滑过滤得到发作预报结果。对21例难治性癫痫病患者的仿真实验表明,本方法的平均预报敏感度可达到80.4%,平均误报率可低至0.10 h-1,具有较好的预报性能;而且训练时间短,为临床的在线应用提供了有价值的参考。     

基于大脑结构网络特征的遗忘型轻度认知障碍诊断模型

选取与认知表现分数相关性高的结构网络拓扑特征,利用这些特征建立分类模型,实现对正常老化者及遗忘型轻度认知障碍(aMCI)患者的分类.本研究包含两组扩散张量影像(DTI)数据,一组为52例正常老化受试者,一组为39例aMCI患者.分别对两组数据进行结构网络构建,采用图论分析法提取结构网络的特征,将所有特征与简单智能状态检查量表(MMSE)分数进行相关性分析,选取与认知表现分数高度相关的特征,基于这些特征建立5种分类模型,并对模型的分类效果进行评估.对于正常老化数据,选出18个与认知能力显著相关的结构网络特征,集中于解剖自动贴标(AAL)图谱中的9个脑区;对于aMCI数据,也选出18个与认知能力显著相关的结构网络特征,集中于AAL图谱中的9个脑区;二者选出的特征及分布的脑区是不同的.通过对分类模型的评估,得出支持向量机序列最小优化算法建立的模型分类效果最佳,特异性达到88.46％,敏感性达到83.05％,准确性达到85.71％.所提取的与认知表现相关性高的结构网络特征,可以作为生物标记指针,来建立分类模型,对正常老化者及aMCI患者进行分类,也可提供相应脑区间连接变化的信息.