基于粒子群优化算法的白血病基因表达样本分类研究

目的基于分子生物学的微阵列基因表达数据和智能优化算法对白血病肿瘤样本进行分类研究。方法给出基于粒子群优化(PSO)算法用于分类模型的训练和测试,选取含7129个基因的72个白血病基因表达样本,从中选取包含50、100和200个特征基因的3组数据,在不同基因数条件下分别执行10次分类测试。建立基于K-均值算法的分类模型,在同等条件下验证PSO算法分类性能。使用准确率、精确率、召回率、F1值等机器学习指标及Boxplot和Heatmap图谱用于分析对比。结果PSO算法用于分类测试的数据分别含20例急性淋巴细胞白血病(ALL)和14例急性髓细胞白血病(AML)样本。10次分类结果的平均分类准确率均在90%左右;PSO算法的分类准确率并不稳定,10次分类测试中,准确率的平均值和最优值间存在明显差异;ALL亚型的召回率明显高于AML亚型,均接近100%,但AML亚型的精确率明显高于ALL亚型,均接近100%,F1值可比性不大。K-均值算法与PSO算法类似,分类性能随着基因数的增加而降低;K-均值算法在200基因数条件下分类结果较差,分类稳定性和准确率均出现大幅下降,且低于同等条件下PSO算法分类结果;100个基因数条件下,ALL亚型召回率为100%,高于AML亚型;AML亚型精确率为100%,高于ALL亚型;200个基因数条件下,平均值中ALL亚型召回率和F1值高于AML亚型,AML亚型精确率高于ALL亚型,其最优值的统计学指标差异不大。相同白血病肿瘤样本的不同特征基因数条件下,PSO算法可获得较高准确率的分类结果,但分类稳定性不足,整体上优于K-均值算法。结论PSO算法能够应用于白血病基因表达样本的分类研究。     

基于脉搏波的血压测量相关特征参数辨识

目的 :建立基于脉搏波特征参数的血压测量模型,并对模型参数进行辨识。方法 :采集家兔颈动脉脉搏波与对应的血压数据,提取脉搏波的特征值,建立相应的自回归(auto-regressive,AR)模型。利用最小二乘法的原理,通过MATLAB系统辨识工具箱对模型参数进行辨识,得到脉搏波与收缩压、舒张压、平均动脉压之间的关系。结果 :所建模型的脉搏波特征参数与收缩压、舒张压及平均动脉压具有良好的对应关系,其拟合度均大于95%。结论:根据所建的脉搏波与血压间关系模型可由脉搏波推算出血压值,有助于实现对血压的实时监测。     

便携式超声乳腺癌辅助筛查系统的设计与实现EI北大核心CSCD

早期筛查是降低乳腺癌死亡率的重要手段。为了解决偏远、贫困地区医疗资源有限导致乳腺癌筛查率较低的问题,本文设计了一种基于便携式超声Clarius的乳腺癌辅助筛查系统。该系统在移动终端上对B超图像的肿瘤区域进行自动分割,在云服务器上利用超声射频数据进行肿瘤的良、恶性自动分类。本文研究实验结果表明,该系统对乳腺肿瘤分割准确率达到98%,良、恶性分类准确率达到82%,系统准确可靠。该系统架设方便、操作简单,便于偏远、贫困地区的患者进行乳腺癌早期筛查,有利于客观地对病情做出判断,是国内乳腺癌辅助筛查系统在移动终端上的首次实现。