基于小波分解的多尺度医学图像融合技术

给出了一种基于小波分解的多尺度图像融合新方法。其基本思想是 ,先对源图像进行小波多尺度分解 ;其次 ,采用了基于区域特性量测选择的加权算子的融合规则进行小波系数融合 ;最后通过小波逆变换重构融合图像。实验结果表明 ,该融合方法十分有效 ,融合图像完好地显示了源图像各自的信息。     

基于F-score特征选择和支持向量机的P300识别算法

如何从脑电信号中快速准确地识别出P300成分是脑-机接口研究中的一个热点问题.针对P300的识别问题,我们提出了一种将F-score特征选择与支持向量机相结合的判别方法,该方法采用F-score特征选择减少输入特征的维数,以克服支持向量机算法判别速度慢的缺点;然后借助支持向量机算法良好的分类性能实现P300的识别.本文在BCI Competition 2003的P300实验数据集上对该方法进行了验证,结果表明,在5次重复实验中该方法的识别准确率达到了100%,且判别速度与未经特征选择的传统支持向量机算法相比提高了近2倍.     

基于经验模式分解的心电特征提取算法

本研究应用基于经验模式分解的心电特征提取方法,利用第一本征模函数(intrinsic mode function,IMF)分量对QRS波进行定位,并通过减少分解层数、筛选次数、处理区域等策略实现了快速算法。利用MIT-BIT心律失常数据库的数据进行算法测试,取得较高的检测率,检测速度也有明显提高。实验结果表明,经验模式分解算法在QRS波定位中具有相当的优越性,临床应用中取得了良好的检测效果。     

基于敏感性定理的EIT重构算法仿真研究

为了研究性能更好的EIT图像重构算法，我们对基于敏感性定理的EIT图像重构算法进行了计算机仿真研究，并与几种常用图像重构算法进行比较，提出对基于敏感性定理的EIT图像重构算法的改进措施。     

基于主成分分析-神经网络的非编码RNA预测

预测非编码RNA对认识其调控功能具有重要意义。选择单核苷酸和二核苷酸出现频率作为神经网络分类特征,运用主成分分析方法降低输入数据的维数,去除数据间的相关性,采用Levenberg-Marquardt算法改善网络训练速度。对数据集的测试结果表明,此方法对细菌混合ncRNA的预测精度达到81.3%,对原核生物tRNA的预测精度达到93.3%,表明该方法能有效预测原核生物ncRNA。预测结果还发现两种古细菌的ORF序列在序列特征上与其它细菌和古细菌存在差别。     

基于球形标记的多模态医学体配准

本文提出在医学多模态数据集 (尤其是 MRI和 CT)中基于球形人造标记的体配准过程。此过程或是半自动或是全自动完成的。半自动方法要求数据集中标出球形标记的近似点位置 ,再自动进行配准。全自动方法不需要用户的任何交互操作 ,即所有配准子任务 (球体的分割、寻找两组球体的对应关系、最后把第一套球体映射成第二套球体的几何变换的计算 )能由计算机自动执行。在全自动配准中 ,积聚器算法和迭代最近点算法的结合证明是一种有效的和鲁棒性好的点匹配方法     

模拟退火算法在图像配准中的应用

近年来 ,脑功能成像技术发展迅速 ,已在脑科学研究中占有重要地位。研究中通常需要将同一被试的多种模式成像结果或同一模式的时间序列结果结合起来分析 ,首先要解决的问题就是几幅图像的严格对齐问题 ,即所谓的图像配准。在模拟退火算法和其它工作的基础之上 ,较好的解决了图像配准中的连续变量全局优化问题 ,通过基于点的配准方法 ,实现了时间序列脑功能图像的高精度配准。     

基于 Shapiro 模型推理算法的智能知识获取在中医知识库中的实现

本文应用现代计算机技术,将Shapiro模型推理算法运用于中医知识库中,使该知识库系统具有智能知识获取的能力.     

基于集合可视化分析系统探索针灸治疗产后压力性尿失禁的选穴规律

目的：基于集合可视化分析系统与Apriori算法探索针灸治疗产后压力性尿失禁(PSUI)的选穴规律。方法：筛选符合纳入标准的针灸治疗PSUI相关文献,建立针灸处方数据库,利用R3.6.1进行集合可视化分析与Apriori算法分析针灸治疗PSUI的选穴规律。结果：本研究最终纳入文献22篇,针灸处方22个,涉及腧穴24个,腧穴出现总频次116次。其中,应用频次较高的腧穴为气海、关元、中极、足三里与三阴交;腧穴归属以任脉为主;分布以腹部、下肢及骶部为主。集合可视化分析、腧穴关联规则分析以及腧穴组合网络分析结果表明气海、关元、中极、足三里与三阴交是针灸治疗PSUI的核心腧穴。结论：针灸治疗PSUI腧穴处方以温阳化气利水为主,重点应用特定穴,选穴以病变脏腑膀胱近部(腹部及骶尾部)任脉、膀胱经腧穴为主,佐以下肢脾胃经腧穴,契合本病的病机及女子生理特点,运用集合可视化分析系统有助于总结PSUI针灸处方选穴规律。     

基于SMOTE算法的化疗肿瘤患者下呼吸道感染预警模型构建

 目的 构建基于少数类样本合成过抽样技术（synthetic minority over-sampling technique,SMOTE）算法的化学治疗（化疗）肿瘤患者下呼吸道感染预警模型。方法 共纳入西宁市4所三级医院2019年1月-2021年6月收治的2 384例接受化疗的肿瘤患者为研究对象,将所收集病例按照7：3的比例随机分为建模组1 668例和验证组716例,建模组数据用来建立模型,验证组数据对所建立的模型进行验证,利用单因素比较和logistic回归分析筛选下呼吸道感染影响因素,基于SMOTE算法建立化疗肿瘤患者下呼吸道感染预警模型。结果 logistic回归分析可得,年龄（x₁）、身体质量指数（BMI）值是否正常（x₂）、恶性肿瘤分期（x₃）、吸烟史（x₄）、合并糖尿病（x₅）、合并肺部疾病（x₆）均是化疗肿瘤患者下呼吸道感染的危险因素（均P<0.01）,获得原始数据预警模型：Logit（P）=0.055x₁+0.967x₂-0.195x₃+1.383x₄+0.968x₅+0.939x₆-14.073和基于SMOTE算法的预警模型：Logit（P）=0.090x₁+1.092x₂-0.249x₃+1.724x₄+1.136x₅+1.344x₆-14.859。基于SMOTE算法预警模型AUC为0.949（95%CI：0.937~0.961）,高于原始数据预警模型AUC 0.780（95%CI：0.734~0.846）。结论 基于SMOTE算法所构建的预警模型能更准确预警化疗肿瘤患者下呼吸道感染,有效解决感染与非感染患者样本数据不平衡所导致的预测误差,基于预测模型可选择相应的对策进行应对。