支持向量回归-紫外分光光度法用于测量小儿氨酚匹林咖啡因片含量的方法研究

目的建立同时测定小儿氨酚匹林咖啡因片中3种组分:阿司匹林、对乙酰氨基酚和咖啡因含量的紫外光谱的支持向量回归校正方法.方法对复方制剂的紫外光谱数据进行预处理和主成分分析后不经分离,采用支持向量回归(SVR)算法同时测定3组分的含量.结果测定正交设计标样中的阿司匹林、对乙酰氨基酚和咖啡因的平均回收率分别在98.2%～101.2%之间,RSD在0.47%～0.91%之间.将SVR法与偏最小二乘回归和径向基神经网络建模方法相比较,SVR所建模型的预测准确性优于后两者.结论本法可用于小儿氨酚匹林咖啡因片的紫外光谱的含量测定分析.     

基于BP神经网络和支持向量机的荨麻疹证候分类探讨

从知网、万方、维普等数据库中收集临床中医治疗荨麻疹有效的案例资料,基于BP神经网络和支持向量机模型探讨构建荨麻疹证候分类模型,并比较分析两种证候分类模型的精确度。结果显示,BP神经网络证候分类模型测试的准确率为83.13%,支持向量机证候分类模型测试准确率为92.3%,支持向量机证候分类模型的精确度高于BP神经网络证候分类模型。提示利用BP神经网络与支持向量机分类器进行荨麻疹证候分类均可取得较好的结果。但因本研究尚处在理论模型探讨阶段,故其准确度仍需更大的样本量及智能优化算法等以进一步提高。     

支持向量机算法预测腹部术后病人死亡风险模型的建立及验证

目的 通过支持向量机算法,建立预测腹部手术病人术后28 d的死亡风险模型。 方法收集2015年7月至2017年6月期间行腹部手术的病人的术前一般情况、术前访视情况、实验室检查等指标,基于支持向量机算法建立并验证预测腹部术后的死亡风险模型,并与传统logistic回归模型比较,评价支持向量机模型的工作性能。 结果共纳入手术病人1 512例,其中男911例(60.25%%),女601例(39.75%)。训练集和测试集中,死亡组的死亡预测概率高于存活组(P < 0.01)。训练集中,支持向量机模型的ROC曲线下面积高于logistic回归模型,但差异无统计学意义(0.97 vs 0.95, P>0.05)。验证集中,支持向量机的ROC曲线下面积高于logistic回归模型(0.98 vs 0.91, P < 0.05)。支持向量机模型的敏感性(训练集68.57% vs 62.86%,验证集79.78% vs 77.78%)和阳性预测值(训练集80.00% vs 65.75%,验证集83.33% vs 77.13%)优于传统logistic回归模型。 结论支持向量机模型能够准确预测腹部手术病人28 d死亡风险,其工作性能强于传统的logistic回归模型。     

基于文化差分进化算法的最小二乘支持向量机及QSAR建模

针对最小二乘支持向量机最佳算法参数难以确定的缺陷,提出了基于文化差分进化算法的最小二乘支持向量机(Cultural Differential evolution Algorithm Least Square Support Vector Machine,CDE-LSSVM)。该算法通过新型的文化差分进化算法优化确定最小二乘支持向量机核宽度参数和惩罚系数,建立具有良好预测性能的模型。同时,针对药物定量构效关系（Quantitative Structure-Activity Relationships,QSAR）模型具有高度非线性、变量之间存在相关性的特征,采用CDE-LSSVM建立HIV-1蛋白酶抑制剂的药物定量构效关系模型。模型具有很好的拟合精度与预测精度,且优于最小二乘支持向量机、BP神经网络和径向基神经网络。     

基于支持向量机与XGboost的成年人群肿瘤患病风险预测研究

背景　肿瘤风险预测对于提高人群健康水平、降低患者经济负担意义重大。但随着医疗大数据的产生,传统的统计预测方法逐渐无法满足需求,有必要尝试开展机器学习等新方法在肿瘤预测领域的应用。目的　探讨支持向量机与XGboost和逐步Logistic回归分析在成年人群肿瘤患病风险中的预测价值。方法　本研究时间为2011-2015年,数据来源于中国健康与营养调查（CHNS）,以我国12个地区（黑龙江、辽宁、湖南、山东、贵州、江苏、广西、湖北、河南、北京、上海和重庆）城乡成年（≥18岁）常住居民为对象,经过数据清理,最终纳入19 410人为本研究对象。将研究对象按2∶1分为训练集和测试集,基于逐步Logistic回归分析的变量筛选策略,在训练集上分别建立逐步Logistic回归分析、支持向量机、XGboost肿瘤患病风险预测模型,并在测试集上进行验证。通过比较各模型受试者工作特征曲线（ROC曲线）下面积（AUC）,分析各模型预测肿瘤患病风险的性能。结果　19 410例研究对象中,被诊断为肿瘤患者262例（1.35%）。训练集（n=12 919）中含有174例肿瘤患者,测试集（n=6 491）含有88例肿瘤患者。逐步Logistic回归分析、支持向量机、XGboost在测试集中预测成年人群患肿瘤的正确率分别为72.96%〔95%CI（71.86%,74.04%）〕、99.54%〔95%CI（99.34%,99.69%）〕、70.05%〔95%CI（68.92%,71.16%）〕,AUC分别为76.75%〔95%CI（72.35%,81.14%）〕、86.32%〔95%CI（81.64%,91.00%）〕、79.03%〔95%CI（74.96%,83.10%）〕。支持向量机、XGboost预测成年人群患肿瘤的AUC与Logistic回归模型比较,差异有统计学意义（Z值分别为-2.519、-2.138,P值分别为0.012、0.032）;XGboost预测成年人群患肿瘤的AUC低于支持向量机,差异有统计学意义（Z=2.081,P=0.037）。结论　支持向量机相较于逐步Logistic回归分析预测成年人群肿瘤患病风险的正确率、灵敏度、特异度、AUC等指标较好,而XGboost未见明显优势,但考虑到逐步Logistic回归分析操作的便捷性和可解释性优势,建议在肿瘤风险预测方面,采用支持向量机与逐步Logistic回归分析相结合的模式。     

支持向量机模型和Logistic回归模型在肝硬化食管静脉曲张中的预测价值

目的:比较支持向量机模型和Logistic回归模型在肝硬化食管静脉曲张中的预测价值。方法:收集在郑州大学第五附属医院住院治疗的肝硬化患者305例,以电子胃镜检查结果作为“金标准”,将食管静脉曲张分为无或轻度曲张150例,中重度曲张155例,构建支持向量机、Logistic回归模型进行肝硬化食管静脉曲张风险预测。结果:构建的支持向量机模型和Logistic回归模型的预测正确率分别为86.8%和83.5%,二者的AUC、敏感度、特异度、阳性预测值、阴性预测值分别为0.931、0.896,84.8%、82.6%,88.9%、84.4%,88.6%、84.4%,85.1%、82.6%。支持向量机输出预测变量重要性居前4位的依次为肝硬度值、门静脉直径、血红蛋白、血小板计数/脾脏厚度,与Logistic回归模型一致。结论:支持向量机构建的肝硬化食管静脉曲张预测模型有较好的应用价值,较传统的Logistic回归模型表现更佳。     

基于机器学习的食品安全风险预警研究现状与展望

介绍机器学习基本思想、分类与常用方法以及发展历史,阐述机器学习在食品安全风险预警方面应用现状,包括BP神经网络、贝叶斯网络、自回归求和移动平均模型及决策树方法、支持向量机模型等,分析当前发展中存在的问题并讨论未来发展方向。     

基于多模型模糊核聚类方法的污水处理过程软测量建模

针对污水处理过程高度非线性及强耦合性的特点,基于多个模型的组合可以提高模型精度和鲁棒性的思想,提出了一种基于 模糊核聚类的多最小二乘支持向量机的软测量建模方法。该方法根据不同工况使用模糊核聚类算法对输入数据进行聚类划分,针对 每个聚类子集用最小二乘支持向量机方法建立子模型,最终通过子模型切换策略得到系统输出。在污水处理过程仿真平台展开验证 工作,对生化需氧量BOD的软测量进行建模,获得了良好的实验结果。     

基于最小二乘支持向量机的网络流量预测

为了提高网络流量预测准确性,将最小二乘支持向量机应用于网络流量预测。介绍了最小二乘支持向量机的原理与方法,并将该模型应用于实际网络流量预测计算。结果表明,该方法能有效地进行流量预测,相对于BP神经网络和ARMA模型方法,该方法具有更好的预测精度。     

诊断推理中人工神经网络与基于案例推理的结合

对基于人工神经网的诊断方法与基于案例推理的方法(Case-Based Reasoning, CBR)的结合进行了研究,提出了两种结合方案.针对CBR系统建立案例库索引这一难点,方案一利用人工神经网诊断分类器的诊断结果对案例库进行索引;方案二用人工神经网为待诊断对象建立模型,对正常的状态作出预测,通过预测值与实际测量值的差异对案例库进行索引.在作出最后诊断之前两种方案都利用CBR的推理结果对神经网的诊断结果进行检验和修正,从而给出更为精确、便于解释的诊断结果.经过实验对比验证,人工神经网与CBR方法的结合有效的弥补了它们在诊断推理应用中通常存在的局限.从诊断准确率、诊断速度以及诊断系统的自学习性等方面,都取得了优于传统人工神经网方法和CBR方法的性能,较好的完成了诊断推理工作.     

叠加支持向量机及其在醋酸精馏软测量中的应用

为了提高粒子群算法搜索精度和避免陷入局部最优,提出了一种改进的粒子群优化算法。一方面引入平均最好位置调整速度,使粒子可以利用更多的信息决策自己的行为;另一方面对引入的平均最好位置进行小波变异,增加算法的种群多样性。仿真实验结果表明：改进的粒子群算法具有寻优能力强、搜索精度高、稳定性好等特点。     

Use of Support Vector Machines and Neural Network in Diagnosis of Neuromuscular Disorders

In this study the performance of support vector machine (SVM)and back-propagation neural network were applied to analyze the classification of the electromyogram (EMG) signals obtained from normal, neuropathy and myopathy subjects. By using autoregressive (AR) modeling, AR coefficients were obtained from EMG signals. Moreover, the support vector machine and artificial neural network (ANN) were used as base classifiers. The AR coefficients were benefited as inputs for SVM and ANN. Besides, these coefficients were tested both in ANN and SVM. The results show that SVM has high anticipation level in the diagnosis of neuromuscular disorders. It is proved that its test performance is high compared with ANN.     

人工神经网络在肾小球滤过率估算中的应用

目的 建立一个适用于中国慢性肾脏病人群的肾小球滤过率估算模型,基于人体体征及血清肌酐来估算肾小球滤过率.方法 采用人工神经网络方法中的广义回归神经网络(generalized regression neural network,GRNN)方法,基于562例训练样本集建立模型,在独立的269例验证样本集中验证模型性能,与...     

深度学习技术在乳腺癌诊断中的应用

目的 构建深度学习卷积神经网络模型,提高乳腺癌诊断的智能化和信息化水平.方法 通过对真实临床中公开的乳腺癌数据集进行统计分析,运用人工智能领域的卷积神经网络模型,为医疗人员诊断恶性乳腺癌患者提供可靠的理论基础.根据建立的神经网络模型,选取当前流行的乳腺癌数据集进行建模分析,得到相应的诊断结果.结果 实验结果显示,大数据...     

Neural Network Classifier for Automatic Detection of Invasive Versus Noninvasive Airway Management Technique Based on Respiratory Monitoring Parameters in a Pediatric Anesthesia

Children undergoing general anesthesia require airway monitoring by an anesthesia provider. The airway may be supported with noninvasive devices such as face mask or invasive devices such as a laryngeal mask airway or an endotracheal tube. The physiologic data stored provides an opportunity to apply machine learning algorithms distinguish between these modes based on pattern recognition. We retrieved three data sets from patients receiving general anesthesia in 2015 with either mask, laryngeal mask airway or endotracheal tube. Patients underwent myringotomy, tonsillectomy, adenoidectomy or inguinal hernia repair procedures. We retrieved measurements for end-tidal carbon dioxide, tidal volume, and peak inspiratory pressure and calculated statistical features for each data element per patient. We applied machine learning algorithms (decision tree, support vector machine, and neural network) to classify patients into noninvasive or invasive airway device support. We identified 300 patients per group (mask, laryngeal mask airway, and endotracheal tube) for a total of 900 patients. The neural network classifier performed better than the boosted trees and support vector machine classifiers based on the test data sets. The sensitivity, specificity, and accuracy for neural network classification are 97.5%, 96.3%, and 95.8%. In contrast, the sensitivity, specificity, and accuracy of support vector machine are 89.1%, 92.3%, and 88.3% and with the boosted tree classifier they are 93.8%, 92.1%, and 91.4%. We describe a method to automatically distinguish between noninvasive and invasive airway device support in a pediatric surgical setting based on respiratory monitoring parameters. The results show that the neural network classifier algorithm can accurately classify noninvasive and invasive airway device support.     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。