基于GMDH型神经网络的EEG分类研究

为了提高对不同认知状态下脑电信号(EEG)的分类正确率，提出一种GMDH型神经网络及改进的训练算法。此网络结构在演化中生成，分类规则由简单多项式表示，训练算法可防止出现过拟合。此网络用于区分算术运算和休息状态下的脑电信号，正确率达到84．5％，与标准前向型神经网络(FNN)比较，显示了较好的分类效果。     

急性白血病的基因表达谱分析与亚型分类特征的鉴别

本研究基于生物信息学理论，运用模式识别方法和计算技术，对急性白血病的基因表达谱数据进行分析，研究急性白血病的亚型识别与分类信息基因选取问题。首先去除无关基因，然后利用浮动顺序搜索算法搜索特征空间生成候选特征子集，最后以支持向量机作为分类器进行急性白血病的亚型识别，并以误识率为依据鉴别出了5个包含完整分类信息的基因。实验结果表明，本研究鉴别出的5个信息基因能以100％的正确率准确识别急性白血病亚型。     

基于BP网络灵敏度分析的肿瘤亚型分类特征基因选取

基于肿瘤基因表达谱,提出了单隐层BP网络灵敏度分析法以有效选取肿瘤亚型分类特征基因。首先以Bhattacharyya距离为尺度滤除分类无关基因;然后从“功能基因组合”的角度出发,依据输入特征对BP网络输出的灵敏度生成候选特征基因子集;最后以BP网络作为样本分类器考察候选特征基因子集对肿瘤样本的亚型识别能力,得到具有最佳分类能力的基因子集作为肿瘤亚型分类特征基因。以小圆蓝细胞瘤基因表达谱数据集为例进行实验,结果表明了该方法的可行性和有效性。     

稳态视觉诱发脑机接口特征提取方法的研究

目的为有效提取稳态视觉诱发脑机接口(SSVEP-based brain-computer interface)中的脑电特征,提出一种基于独立成分分析(independent component analysis,ICA)与希尔伯特黄变换(HilbertHuang transform,HHT)的特征提取方法。方法对采集得到的脑电信号进行带通滤波,得到预处理的脑电信号,将滤波后的脑电信号作为ICA的输入,经过ICA实现独立成分的快速获取。引入HHT对独立成分进行经验模态分解(EMD),分解获取固有模态函数(intrinsic mode function,IMF),通过对IMF的频域分析,即可提取出特征。将ICA和HHT法同WT法、ICA法以及HHT法等常用的特征提取方法在频域、功率谱估计、在时间消耗等多方面进行比对分析。结果频域分析和功率谱估计中,本文提出的方法明显优于WT法和ICA法,略优于HHT法。时间消耗方面,本文提出的方法略优于HHT法。结论基于ICA和HHT的特征提取方法在稳态视觉诱发脑机接口的特征提取中是可行的,并有效去除了脑电信号中的噪声。     

基于机器学习方法的胃癌分型标志基因提取

基于机器学习方法寻找和发现新的胃癌亚型分类的相关基因,可以为探讨胃癌发生的分子机制及其基因水平的诊断和治疗提供标志和依据.试验选用33例中国人的胃癌Oligo基因芯片数据,数据包括13例弥漫型胃癌样本、20例肠型胃癌样本,基因向量为21 378个.采用基因表达差异显著性分析方法(SAM)、偏最小二乘VIP系数法(PLS)和基于巴氏距离的顺序前向搜索方法(BD-SFS)结合的多步骤降维方法,提取到20个能将弥漫型样本和肠型样本有效分开的特征基因.这些特征基因基于支持向量机(SVM),分类准确率可达到89.43%;基于分层聚类分析,准确率可达到93.94%.同时,基因生物学意义的分析结果显示,所选的大部分标志基因对于人类恶性肿瘤的诊断和分型有很重要的意义.     

空间模型对单次运动相关脑电的分析

本研究提出一种从单次试验的多导EEG信号中提取运动相关去同步化和同步化电位特征的空间模型，区分左右手想象运动，作为一种新的通讯手段对外界设备进行控制。此模型根据各电极对分类的重要性自动获得其权值，并将EEG信号沿最适合分类的几个方向投影，沿投影方向计算一连续时间段内的方差，作为线性分类器的特征输入。对8名被试者左右手想象运动时59导EEG进行分类，正确率均在70％以上，与用多通道AR模型提取特征、神经网络做分类器的方法相比，效果好、速度快。     

基于遗传算法和模拟退火算法的DNA多序列比对算法研究

提出了一种基于遗传算法和模拟退火算法的DNA多序列比对算法。针对多序列比对的具体特点 ,指出交叉操作是导致比对计算复杂度提高的原因之一 ,因而在本研究所提出的多序列比对算法中 ,取消了遗传算法中通常采用的交叉操作算子 ,设计了适合多序列比对特点的插入删除算子和合并分离算子 ,同时在多序列比对的总对数评分规则的基础上提出了完全比对块的概念 ,采用了完全比对块加权的个体适应度值评价函数以引导遗传算法寻优局部比对。本研究还引入了基于模拟退火算法的遗传操作算子调用机制 ,以便在避免完全比对块过多的被遗传操作所破坏的同时防止遗传算法陷入局部极小 ,达到兼顾算法寻优质量和效率的目的。最后通过一个DNA多序列比对的算例验证了算法的可行性。     

基于自组织映射网络的多骨髓瘤预测模型的研究

本研究基于自组织映射网络（SOM），分析多骨髓瘤基因表达数据，建立预测多骨髓瘤的自组织预测模型（SOPM）。该模型使用相关分析法，分析原始数据集中的7129个基因对致病的影响程度，运用自组织映射网络通过自学习的过程，挖掘出25个重要基因，并依据25个重要基因的表达数据分类和预测样本。本研究表明，自组织预测模型能够学习基因调控的复杂规则，发现对致病有重要影响的基因，并能依据105个样本的基因表达数据中蕴含的知识获得近98％的预测准确率。     

麻醉过程中血压的自组织模糊神经元控制

本文主要研究手术麻醉过程中病人血压的自组织模糊神经元控制问题。作者提出了一种具有监督学习功能的模糊神经元网络，并将常规模糊逻辑控制映射成模糊神经元网络，模糊控制规则作为神经元的联结权被分布存放在模糊神经元网络中，使系统具有对模糊控制规则进行自组织和自学习的能力。本文对麻醉过程中病人血压的模糊神经元控制进行了计算机仿真研究，获得了良好的结果。     

模拟脑肿瘤生长动态的细胞自动机研究

文中构造了一种模拟GBM肿瘤生长动态的三维细胞自动机(简称CASTG)。基于扩展Moore邻域。CASTG统一了肿瘤细胞中增殖细胞、非增殖细胞和坏死细胞的演化规则。CASTG的细胞及其邻域和演化规则完全遵循标准细胞自动机的设计原则，因而。易于在细胞自动机统一的理论框架下对其模拟肿瘤生长动态的能力或性能进行虚拟试验和分析。计算机仿真实验表明，CASTG模拟GBM肿瘤生长动态的结果与临床数据具有良好的一致性。