基于支持向量机的思维脑电信号特征分类研究

探索一种实用的基于想象运动思维脑电的脑-机接口(BCI)方式,为实现BCI应用奠定比较坚实的理论和实验基础。对6名受试者进行三种不同时段(箭头出现2s、1s和0s后提示按键)情况下想象左右手运动思维作业的信号采集实验,利用小波变换和支持向量机对实验数据进行离线处理。对三种情况下的延缓时间△t0、△t1和△t2分析发现:△t0与△t1和△t2之间都有显著性差别(p<0.05),而△t1与△t2之间没有显著差别(p>0.05);平均分类正确率分别达到68.00%、80.00%和56.67%(p<0.05);实际按键前0.5~1s左右,想象左右手运动的思维脑电特征信号都发生了明显改变。通过合理的实验设计获取的信号有助于识别正确率的提高,为BCI系统中思维任务的特征提取与识别分类提供了新思路和方法。     

脑卒中多分类预后预测的深度集成优化方法

诊疗前预测急性缺血性脑卒中（AIS）的预后分级,有利于揭示预后转归水平并指导治疗策略,提升方法的预测性能是实现精准医疗的重要指导。利用临床和影像组学的融合特征实施脑卒中的多分类预测,并提出了一种基于融合特征的深度集成优化方法（IABC-DEL）模型,其特征选择方法为Embedded嵌入法和卡方检验,数据不平衡处理方式为Borderline-SMOTE算法,利用Stacking构建深度集成优化模型,基学习器包括深度神经网络（DNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）,优化方法为改良人工蜂群算法（IABC）。研究结果表明,深度集成优化方法的预后预测性能优于经典方法和既往研究,Macro-F1 score为87.88%,Macro-AUC为96.27%,ACC为88.02%。因此,基于深度集成优化学习的急性缺血性脑卒中预后模型可对临床诊治和预后康复提供指导意义,并为研究预测提供新的建模思路。     

三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警

自2019年12月底中国武汉爆发新型冠状病毒性肺炎（Corona Virus Disease 2019,COVID-19）以来,我国经济社会遭受巨大危害,利用网络数据预警疫情发展趋势可以有效降低其社会危害。而采用机器学习算法构建预警模型时,参数选取是其中重要内容,与最终构建模型的精度密切相关,探讨多种新型智能优化算法在百度搜索指数COVID-19预警模型中的应用效果,可为新型智能优化算法的推广应用提供一定的理论依据和分析策略。对比多元宇宙算法（Multi-Verse Optimizer,MVO）、黏菌算法（Slime Mould Algorithm,SMA）及平衡算法（Equilibrium Optimizer,EO）三种新型智能优化算法,在最小二乘支持向量机（Least Squares Support Veotor Machine,LSSVM）百度搜索指数疫情预警模型中的应用效果。优化算法寻优过程,SMA算法收敛性较差,全局搜索能力弱于MVO和EO算法,而EO算法运算效率相对较低,MVO算法的运算效率高,收敛性也较强,最终构建预警模型优势明显（测试集的MSE为17.77,MAE为38.38,RMSE为129.35,R2为0.87）。三种智能优化算法皆可提升LSSVM预警模型的预测性能,而MVO优化算法的综合运算效能最好,最终构建的MVO-LSSVM预警模型可为后续疫情常态化防控阶段的防疫行为预判提供一定参考。     

多神经元活性的小波分形识别研究

本文基于小波分形技术，用于神经系统的细胞外多神经元活性的小波分形识别研究。首先，我们应用多尺度小波变换对原始信号进行分解，得到4个子信号，计算子信号的分形维数，然后用KNN分类器进行分类。经过加噪信号的实验研究，结果表明该算法具有很高的分类准确率，为临床应用提供了有力的工具。     

基因表达数据的多尺度特征提取与分类研究

基于微阵列表达数据,探索新的有效特征提取和分类方法。采用小波多分辩率分析方法提取基因表达的特征,利用支持向量机和BP神经网络方法进行分类。基因表达具有明显的多尺度特征,分类率最大达到98.61％,结果稳定。采用多尺度理论对基因表达数据进行分析是一种新的有效的生物信息学方法,值得进一步探索与研究。     

基于小波分析的肿瘤基因表达信号突变点检测

对某肿瘤组织细胞基因表达信号进行突变点检测,分析可疑突变基因,为医学诊断提供参考。先去除原始基因表达信号的高频部分,再对低频进行小波分析,结合模极大值原理检测出各试验细胞所对应的突变基因点。小波变换能方便而有效地检测出信号的突变成分,它在对肿瘤基因表达信号奇异点进行检测和分析方面是有效的,结论具有一定的医学参考意义。     

基于多尺度多模式图像的肺结节分类对比研究

基于深度卷积神经网络模型,讨论了不同尺度及不同模式肺结节图像对模型分类表现的影响,并提出了一种2D多视图融合的肺图像处理方法,该方法比传统的2D方式能获取更多的肺结节信息,同时又能比3D的方式引入更少的干扰组织。为了验证模型,对LIDC-IDRI和LUNA16数据集进行了预处理,得到了16、25、36三种尺度下2D、3D、2D全视图融合以及2D多视图融合四种不同模式的肺结节图像,然后构建了2D CNN、3D CNN、2D全视图融合卷积神经网络、2D多视图融合卷积神经网络四种模型。利用上述样本对模型进行训练和验证,最终结果表明,2D多视图融合模式下的肺结节图像相对于其他模式图像具有更佳的肺结节分类表现;对比多种尺度图像,小尺度下的分类表现相对更佳。