华西医学期刊出版社
关键词
  • 标题
  • 作者
  • 关键词
  • 摘要
高级搜索
高级搜索

搜索

找到 关键词 包含"特征提取" 12条结果
  • 运动意图的偏最小二乘解码研究

    由于大脑信息编码的稀疏特性, 微电极阵列记录的神经元集群信号中包含大量的噪声和冗余信息, 这降低了运动意图解码的稳定性和精确度。针对这一问题, 本文将偏最小二乘(PLS)特征提取应用于神经元集群解码中, 首先采用PLS提取神经元集群锋电位发放特征, 然后用支持向量机(SVM)对提取的特征进行分类, 解码得到运动意图。采集三组鸽子十字迷宫转向实验中的大脑神经元集群信号进行解码, 结果表明, PLS结合分类模型的解码方法克服了PLS回归易受噪声累积影响的缺点, 稳定性和解码正确率均更高, 相比传统的降维方法, PLS提取特征个数更少, 包含有用信息更多, 三组实测数据的解码正确率分别为93.59%、84.00%和83.59%。

    发表时间:2016-10-02 04:55 导出 下载 收藏 扫码
  • 基于机器视觉下的皮肤老化分级研究

    皮肤老化是人体衰老进程中最明显的标志,对其进行定性或定量评价具有重要意义,并可广泛应用于人体衰老程度研究以及抗衰老措施功效评价等领域。针对传统人为皮肤老化分级的主观性,本文探索用自组织映射(SOM)神经网络实现对皮肤老化程度的自动分级。首先,采用便携式数码显微镜获取人体前臂腹侧皮肤图像,经图像处理分析,提取皮肤纹理参数:皮沟平均宽度和交点个数,用于表征皮肤纹理老化的变化情况;其次,将纹理参数值输入 SOM 神经网络,用于网络训练学习及分级。结果显示,本文所设计的基于机器视觉下的皮肤老化评价方法,与人工方法相比较,分类一致率达 80.8%,可实现较为客观且快速的皮肤老化分级。

    发表时间:2017-06-19 03:24 导出 下载 收藏 扫码
  • 计算机辅助定量分析多发性大动脉炎颈动脉病变的超声造影图像

    多发性大动脉炎(TA)是一种常发生在主动脉及其主要分支的慢性非特异性炎症疾病。患者往往起病隐匿,导致误诊率高,待确诊时已发生受累动脉狭窄或闭塞,并引发动脉管腔缺血、缺氧症状,重症者将危及生命。超声造影(CEUS)是分析 TA 的新兴方法,分析手段主要依赖医生的经验进行人工定性分析,因此诊断结果常有失精准。基于此,本文提出一种 TA 颈动脉病变 CEUS 的计算机辅助定量分析方法:首先在颈动脉壁上勾勒 TA 病灶的轮廓,在颈动脉管腔中选取匀质的矩形和多边形各一个作为参考区域;然后分别求出病灶区域与参考区域的时域特征和空域特征,并计算病灶与参考区域间特征的差值和比值,作为新的特征;最后分析所有特征与炎症指标血沉(ESR)和 C 反应蛋白(CRP)间的相关性。本文选取中山医院就诊的 34 例 TA 患者的共 37 个接受 CEUS 检查的颈动脉受累病灶,其中 2 例患者各有治疗前后两个病灶,1 例患者有左右双侧病灶;这些患者中有 13 例为未经治疗的初发患者,共 14 个病灶,其中 1 例有左右双侧病灶。结果表明,全体患者的病灶内部 1/3 区域中新生血管面积比(ARi1/3)与 CRP 的相关系数 r 值达 0.56(P=0.001),初发患者的病灶内部 1/2 区域中新生血管面积比(ARi1/2)与 CRP 的 r 值达 0.76(P=0.001)。本文研究说明,所提出的计算机辅助方法能从 CEUS 图像中客观、半自动地提取 TA 病变的定量特征,减轻医生主观经验对诊断的影响,今后有望用于临床上 TA 颈动脉病变的诊断判别与严重程度评估。

    发表时间:2017-10-23 02:15 导出 下载 收藏 扫码
  • 基于改进锁相位算法的脑区功能同步性研究

    锁相位算法是分析脑区同步特性的有效方法。基于传统锁相位算法只针对脑电信号的相位分量进行分析,而不能有效地分析脑电信号的其他特征分量的问题,本文提出了一种改进锁相位算法。该算法首先基于经验模态分解获得固有模态函数,以此作为希尔伯特变换的输入求出所需瞬时幅值,计算锁幅值。基于此算法,不仅可以度量脑电信号采集位点之间的变化情况,而且可以度量各个位点自身的脑电信号瞬时振幅的变化情况,从而达到提取脑电信号同步特征的效果。本文采集了 14 名受试者在不同难度认知任务下的脑电信号,并基于改进锁相位算法,分析大脑在完成认知任务过程中各脑区之间的同步性。结果表明,大脑幅值同步程度与认知活动之间呈负相关,且大脑中央区和顶叶最为敏感。基于改进锁相位算法进行的同步性量化,能够真实地反映数据之间的生物信息,为大脑同步性研究提供了一种新的方法,为更好地探索脑区的相关性与同步性提供新思路。

    发表时间:2018-08-23 03:47 导出 下载 收藏 扫码
  • 基于监督局部线性嵌入方法的阿尔茨海默病磁共振成像分类研究

    针对阿尔茨海默病(AD)早期阶段分类这一研究难题,传统的线性特征提取算法很难从其高维特征中挖掘出鉴别能力较强的信息来有效地表示样本特征。因此,本文采用监督局部线性嵌入(SLLE)特征提取算法,对 412 例受试者的大脑皮质厚度(CTH)和脑感兴趣区域体积(VOI)特征进行提取,减少其冗余特征以提高识别精度。受试者来源于阿尔茨海默病神经影像学(ADNI)数据集,包含 93 例稳定型轻度认知障碍(sMCI)、96 例遗忘型轻度认知障碍(aMCI)、86 例 AD 患者和 137 例认知正常对照老年人(CN)样本。本文采用的 SLLE 算法是通过添加距离修正项来计算每个样本点的近邻点,并用近邻点线性表示样本,得到局部重建权值矩阵,进而求出高维数据的低维映射。为验证该算法在分类识别中的有效性,本文将主成分分析(PCA)、近邻最小最大投影(NMMP)、局部线性映射(LLE)及 SLLE 等特征提取算法分别与支持向量机(SVM)分类器组合,对 CN 与 sMCI、CN 与 aMCI、CN 与 AD、sMCI 与 aMCI、sMCI 与 AD 和 aMCI 与 AD 六组实验数据进行分类识别。结果显示,以 VOI 为特征,利用 SLLE 和 SVM 的复合算法对 sMCI 和 aMCI 的分类准确度、灵敏度、特异性分别为 65.16%、63.33%、67.62%,基于 LLE 和 SVM 的复合算法分类结果分别为 64.08%、66.14%、62.77%,而基于传统 SVM 则分别为 57.25%、56.28%、58.08%。经比较,发现 SLLE 和 SVM 组合算法的识别精度较 LLE 和 SVM 的组合算法提高了 1.08%,较 SVM 提高了 7.91%。因此,利用 SLLE 和 SVM 这一复合算法进行分类识别更有利于 AD 的早期诊断。

    发表时间:2018-08-23 05:06 导出 下载 收藏 扫码
  • 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤图像鉴别

    临床上原发性脑部淋巴瘤(PCNSL)和胶质母细胞瘤(GBM)的治疗方案存在很大差异,因此治疗前对二者的精确鉴别具有重要临床价值。本文提出一套基于稀疏表示体系的肿瘤自动鉴别方法,利用 PCNSL 和 GBM T1 加权磁共振成像(MRI)图像纹理细节信息的差异鉴别这两种肿瘤。首先,基于影像组学的思想,设计一种基于字典学习和稀疏表示的肿瘤纹理特征提取方法,将不同体积、不同形状的肿瘤区域转化为 968 维纹理特征;其次,针对提取特征存在的冗余问题,建立迭代稀疏表示方法选择少数高稳定性高分辨力的特征;最后,将选择的关键特征送入稀疏表示分类器(SRC)分类。利用十折法对数据集进行交叉验证,鉴别结果的准确率为 96.36%,敏感度为 96.30%,特异性为 96.43%。实验结果表明,本文方法不仅能够有效地鉴别 PCNSL 和 GBM,还避免了使用先进 MRI 鉴别肿瘤时存在的参数提取问题,在实际应用中具有较强的鲁棒性。

    发表时间:2018-10-19 03:21 导出 下载 收藏 扫码
  • 基于遗传算法和最小二乘支持向量机的胎儿状态智能评估

    胎心宫缩图是一种临床常用的评估胎儿健康状况的电子监护技术,具有易受主观因素影响导致诊断率较低的缺点。为降低误诊率,辅助医生做出准确的医疗决策,本文提出了一种基于胎心率信号分析胎儿状态的智能评估方法。首先,本文将来自捷克技术大学—布尔诺大学医院公开数据库的信号进行预处理后,对其中的胎心率信号进行多模态特征提取,然后利用设计的基于 k—最近邻遗传算法选择最优特征子集,最后采用最小二乘支持向量机法对其分类。实验结果显示,利用本文提出的方法对胎儿状态进行分类,其准确度可达 91%,灵敏度为 89%,特异度为 94%,质量指标为 92%,受试者工作特征曲线下面积为 92%,具有较好的分类性能,可辅助临床医生对胎儿状态做出有效评估。

    发表时间:2019-02-18 03:16 导出 下载 收藏 扫码
  • 基于判别式深度置信网络的心律失常自动分类方法

    现有的心律失常分类方法通常采用人为选取心电图(ECG)信号特征的方式,其特征选取具有主观性,且特征提取复杂,导致分类准确性容易受到影响等。基于以上问题,本文提出了一种基于判别式深度置信网络(DDBNs)的心律失常自动分类新方法。该方法所构建的生成受限玻尔兹曼机(GRBM)自动提取心拍信号形态特征,然后引入具有特征学习和分类能力的判别式受限玻尔兹曼机(DRBM),依据提取的形态特征和 RR 间期特征进行心律失常分类。为了进一步提高 DDBNs 的分类性能,本文将 DDBNs 转换为使用柔性最大值(Softmax)回归层进行监督分类的深度神经网络(DNN),通过反向传播对网络进行微调。最后,采用麻省理工学院与贝斯以色列医院心律失常数据库(MIT-BIH AR)进行实验验证,对于数据来源一致的训练集和测试集,该方法整体分类精度可达 99.84% ± 0.04%;对于数据来源非一致的训练集和测试集,通过主动学习(AL)方法扩充少量训练集,该方法整体分类精度可达 99.31% ± 0.23%。实验结果表明了该方法在心律失常自动特征提取和分类上的有效性,为深度学习自动提取 ECG 信号特征及分类提供了一种新的解决方法。

    发表时间:2019-06-17 04:41 导出 下载 收藏 扫码
  • 脑-机接口中脑电解码算法研究综述

    脑-机接口(BCI)作为一种可实现人脑与外界信息交流和控制的人机交互方式,已经受到脑科学、人工智能等研究领域的广泛关注。脑电特征解码是BCI系统的核心步骤。高效特征解码取决于“特征”和所使用的特征解码算法。本文首先介绍了脑电信号的主要特征描述方式,紧接着介绍BCI相关研究中使用的经典解码算法的基本原理、适用范围、存在问题以及改进方法,最后介绍了近年来提出的多种新算法及理论框架,并展望了未来脑电特征解码算法的新动向,希冀为研究开发高性能BCI提供新思路。

    发表时间:2019-12-17 10:44 导出 下载 收藏 扫码
  • 抑郁症和精神分裂症患者静息态脑电信号的分类研究

    精神分裂症和抑郁症患者的临床表现不仅有一定的相似性,而且会随着患者情绪的变化而变化,因此容易导致临床诊断出现误诊。脑电图 (EEG) 分析为准确区分和诊断精神分裂症与抑郁症患者提供了重要的参考和客观依据。为了解决精神分裂症与抑郁症患者之间误诊的问题,提高区分和诊断这两类疾病的准确率,本研究提取了 100 名抑郁症患者和 100 名精神分裂症患者的静息态 EEG 信号特征,包括:① 信息熵、样本熵、近似熵;② 统计学属性;③ 各节律相对功率谱密度(rPSD)。然后,利用这些特征组成特征向量,结合支持向量机(SVM)和朴素贝叶斯(NB)分类器对精神分裂症和抑郁症患者进行分类研究。实验结果表明:① 以各节律的 rPSD 组成的特征向量 P 的分类效果最好,平均准确率可达 84.2 %,最高达 86.3%;② SVM 的分类效果明显优于 NB;③ β 节律的可分性最好,准确率最高,可达 76%;④ 特征权重较大的电极主要集中在额叶和顶叶。本研究结果表明,SVM 结合各节律 rPSD 组成的特征向量 P 组成的分类模型,对精神分裂症和抑郁症患者的区分具有较好的效果,或可对相关的临床诊断起到一定的辅助作用。

    发表时间:2019-12-17 10:49 导出 下载 收藏 扫码
共2页 上一页 1 2 下一页

Format

Content