基于小波分解和支持向量机的P300识别算法

针对支持向量机方法在P300识别中训练和识别速度相对较慢的不足,本研究提出了一种将小波分解与支持向量机相结合的P300识别方法。该方法通过小波分解实现脑电信号的特征提取,同时利用Span估计方法实现支持向量机最优参数的快速选择;然后借助支持向量机良好的分类性能实现P300的识别。本研究在BCICompetition 2003的P300实验数据集上对该方法进行了验证,结果表明,与传统支持向量机算法相比,本算法具有更高的训练和识别速度,并且在5次重复实验时达到了100%的识别准确率。     

疲劳驾驶识别中的脑电信号特征选择算法和支持向量机模型研究

针对疲劳驾驶识别中脑电特征选择和分类模型,提出采用粗糙集理论的离散化算法对通道和脑电信号特征量进行选择,选用支持向量机作为疲劳驾驶识别模型,并将疲劳误判风险作为支持向量机模型参数进行模型优化。针对5名受试者的实验结果表明,与主分量方法相比,粗糙集离散化算法选取的特征量较少,以0.8为相容度阈值,在208个候选特征中选择的特征数为2～4个,不同被试者选取的特征不同且对建立支持向量机识别模型有影响;疲劳误判风险控制参数可以达到调节支持向量机识别模型误判风险。     

基于支持向量机的BCI导联选择算法

脑-机接口(BCI)中导联选择的目的是在所有记录脑电信号的导联中,选择出与特定心理任务分类最相关的导联,对于简化BCI系统,提高系统传输速率具有重要影响.本研究提出一种基于支持向量机(SVM)的导联选择算法,所采用的实验数据来自德国组织的第三届国际BCI数据竞赛数据集IVa中两个受试者(al,aw).结果表明,该算法对al数据集导联可从118减少到22,同时系统识别的精度从92%提高到98%;对aw数据集导联可从118减少到35,同时系统识别的精度从89%提高到93%.可简化BCI系统的设计,改善系统性能.     

一种新特征评价方法在红斑鳞状皮肤病诊断中的应用

针对改进F-score特征评价准则没有考虑特征测量量纲对特征重要性的影响,提出一种新的特征重要性评价准则D-score,避免不同特征测量量纲的影响,衡量样本特征在两类或多类之间的辨别能力。将D-score分别与前向顺序搜索、前向顺序浮动搜索两种搜索策略结合,以支持向量机的分类准确率评估所选特征子集的有效性,结合Filter和Wrapper特征选择方法的优势进行特征选择,得到两种混合特征选择方法。将该方法应用于红斑鳞状皮肤病诊断研究,并与基于改进F-score的混合特征选择方法进行了实验对比。十折交叉验证实验结果显示:在红斑鳞状皮肤病诊断研究中,D-score特征评价准则优于改进的F-score准则,基于D-score和前向顺序搜索策略的诊断准确率提高1.11%;D-score结合前向顺序浮动搜索策略的最低诊断准确率提高约3个百分点,平均诊断准确率提高约0.3个百分点,最高诊断准确率达到100%。前向顺序浮动搜索中,D-score准则选择的共有特征是改进F-score准则所选择共有特征的子集。所提出的D-score特征重要性评价准则是一种有效的特征区分能力度量准则,在红斑鳞状皮肤病的诊断中选择出了更有分类意义的特征,提高了诊断准确性。     

决策树特征基因选择方法对SVM有效性的研究

基因芯片新兴生物技术为从分子水平上研究疾病的发病机理和临床疾病诊断提供了强有力的手段。其中特征基因选择是疾病模式识别诊断最重要的一个环节 ,但不同的特征基因选择方法往往影响疾病模式分类方法的效能。本研究针对这一问题 ,结合结肠癌基因表达谱数据分析 ,研究了递归决策树特征基因选择集成方法EFST ,对支持向量机 (SVM )模式分类器能力的影响。主要从特征基因选择前后分类器的性能、支持向量的吻合度、错分样本标识的吻合度、对样本均匀翻倍模式分类器的稳定性的影响等四个方面研究EFST特征选择算法对支持向量机模式分类方法的影响 ,同时考察了支持向量机模式分类器的泛化能力。结果表明 :基于决策树特征基因选择算法EFST明显地提高了支持向量机模式分类的效能 ,且支持向量机模式分类器具有很强的泛化能力。     

基于共空间模式算法和支持向量机二重分类的癫痫发病预测

目前癫痫患者的发病预测手段十分耗时且易受主观因素干扰,因此文中提出了一种基于共空间模式算法(CSP)和支持向量机(SVM)二重分类的癫痫发病自动预测方法。此方法将提取空域特征的共空间模式算法应用到癫痫脑电信号检测中,但是该算法未考虑信号的非线性动力学特征且忽略了其时频信息,所以在特征提取阶段选取了标准差、熵和小波包能量这几种互补特征来进行组合。分类过程采取一种基于支持向量机的全新二重分类模式,即将癫痫患者正常期、发作间期和发作期三个阶段分成正常期和准发病期(包括发作间期和发作期)两类进行支持向量机识别,然后对属于准发病期的样本进行发作间期和发作期的分类,最终实现三个时期的分类识别。实验数据来自德国波恩大学的癫痫研究数据库。实验结果显示,第一重分类平均识别率为98.73%,第二重分类平均识别率可达99.90%。结果表明,引入空域特征和二重分类模式能够有效解决众多文献中发作间期和发作期识别率不高的问题,提升各个时期的识别效率,为癫痫患者的发病预测提供有效的检测手段。     

支持向量机在医学图像分割中的应用

脑组织图像分割在医学图像分析中具有重要的意义.支持向量机是近些年机器学习领域发展起来的新的研究热点,在小样本、高维情况下,具有较好的泛化性能.本文采用支持向量机方法对磁共振脑组织图像进行分割研究.实验结果表明:适当选择核函数及模型参数对支持向量机的分割性能有较大的影响,本文提出的支持向量机方法在脑图像分割应用是有效的.     

基于P300电位的脑机接口系统中参数优化问题的研究

基于P300电位的脑机接口是脑机接口系统研究中的重要范式之一.本研究探讨双极导联选择、滤波器设计和特征窗长度这三者中,参数选择对分类正确率的影响.使用的数据为6名受试者进行12选择Oddball范式的实验数据,数据分类采用支持向量机.结果表明,通过导联优选,对不同的受试者进行定制,可以有效提高分类正确率.滤波器频带对分类正确率有一定影响,但是滤波器阶次对结果影响不大.随着特征窗长度的增加,分类正确率也会提高,因此使用较长特征窗有助于提高分类正确率.本研究结果推荐的数据处理过程为:通过导联优选为每位受试者定制最优的双极导联;滤波过程使用0.5～16 Hz,阶次为20的FIR滤波器,然后把数据降采样为32 Hz;特征窗提取时可选择刺激后0～600 ms的数据.     

基于四类运动想象任务的脑电信号识别

背景：脑-机接口是在大脑与外部设备之间建立的直接的交流通路,基于运动想象的脑-机接口研究已经从两类运动想象任务的识别发展到多类任务的识别。 目的：探寻准确有效的对多任务运动想象脑电信号进行特征提取及模式识别的方法。 方法：首先采用公共平均参考法减小多通道中各导联间的相关性,提高脑电信号的信噪比。并对公共空间模式算法进行扩展,采用“一对多”的策略,对4类任务的脑电信号进行特征提取,在模式识别过程中,采用基于决策树法的支持向量机进行分类。对于实验对象样本不充足,结合支持向量机和贝叶斯分类器,将分类结果中具有大概率的测试样本扩充到训练集,最后再次运用支持向量机进行分类。 结果与结论：最佳正确率达到92.78%,“一对多”的公共空间模式和基于决策树的支持向量机可以有效地进行多任务脑电信号识别,扩充样本可以提高分类正确率。     

基于二次互信息特征选择的人脸表情识别研究

针对主动表观模型(AAM)在表情识别中特征点定位不够精确以及特征数据存在冗余性的问题,本文通过对AAM拟合时初始模型的自动调整,提高了定位准确度,使获取的特征更能有效的反映表情的变化;用二次互信息解决特征矢量选择问题,减少了特征维数,再构造支持向量机(SVM)分类器进行表情识别.实验于CAS-PEAL人脸表情库的结果显示本文采用的方法能有效地提高人脸表情识别性能,最高识别率为83.33%.     

Predicting the Cognitive States of the Subjects in Functional Magnetic Resonance Imaging Signals Using the Combination of Feature Selection Strategies

The functional magnetic resonance imaging (fMRI) provides very useful information about the activities from different brain areas during a task. This information can be used to train a classifier and predict the sensory and motor functions and also different mental states of the subject’s brain in a particular task. Using a high resolution fMRI, normally the activities from many voxels are obtained with respect to time and not all of these voxels involve actively in a particular task. Here we propose a combination of feature selection strategies using an evolutionary computation algorithm and the support vector machines to find out those feature dimensions that are actively involved in representing the brain activities in a particular task. We show that using this lower dimensional space we can predict the cognitive state of the subjects in a particular task more accurately.     

模糊聚类支持向量机在步态分类中的应用

背景：对于患有神经系统或骨骼肌肉系统疾病的患者,分析步态数据可以评定康复程度,制定治疗方案。如何有效地分类小样本步态数据成为重要的研究课题。 目的：用改进的支持向量机算法对小样本步态数据进行分类,准确诊断疾病。 方法：建立加入模糊C均值聚类的支持向量机算法,选用Gait Dynamics in Neuro-Degenerative Disease Data Base 40~59岁年龄段的6组数据,共720个样本数据,采用左摆间隔和左支撑间隔两维参数对步态数据建模。数据归一化后,通过模糊C均值聚类对数据进行预处理;然后用支持向量机对数据进行分类。采用不同核函数的支持向量机算法验证分类能力。 结果与结论：实验结果表明,利用改进的支持向量机算法,可以有效地对信号进行分类,有助于疾病的诊断和治疗方案的制定。     

Automatic detection of EEG artefacts arising from head movements using EEG and gyroscope signals

Contamination of EEG signals by artefacts arising from head movements has been a serious obstacle in the deployment of automatic neurological event detection systems in ambulatory EEG. In this paper, we present work on categorizing these head-movement artefacts as one distinct class and on using support vector machines to automatically detect their presence. The use of additional physical signals in detecting head-movement artefacts is also investigated by means of support vector machines classifiers implemented with gyroscope waveforms. Finally, the combination of features extracted from EEG and gyroscope signals is explored in order to design an algorithm which incorporates both physical and physiological signals in accurately detecting artefacts arising from head-movements.     

Optimal algorithm for automatic detection of microaneurysms based on receiver operating characteristic curve

Microaneurysms (MAs) are the first manifestations of the diabetic retinopathy (DR) as well as an indicator for its progression. Their automatic detection plays a key role for both mass screening and monitoring and is therefore in the core of any system for computer-assisted diagnosis of DR. The algorithm basically comprises the following stages: candidate detection aiming at extracting the patterns possibly corresponding to MAs based on mathematical morphological black top hat, feature extraction to characterize these candidates, and classification based on support vector machine (SVM), to validate MAs. Feature vector and kernel function of SVM selection is very important to the algorithm. We use the receiver operating characteristic (ROC) curve to evaluate the distinguishing performance of different feature vectors and different kernel functions of SVM. The ROC analysis indicates the quadratic polynomial SVM with a combination of features as the input shows the best discriminating performance.     

基于改进人工蜂群优化支持向量机的睡眠分期

本研究提出通过改进人工蜂群算法优化支持向量机（IMABC-SVM）进行睡眠分期。对提取的离散小波变换分解数据分量、时域特征、非线性特征、微状态特征,使用ReliefF算法进行特征筛选,提取出最优特征矩阵,并由IMABC-SVM分类器对特征矩阵进行训练。为验证特征筛选与优化分类器效果,进行相关消融实验。结果表明IMABC-SVM方法精度可达89.97%。IMABC-SVM方法可为睡眠相关疾病的检测、预防和治疗提供有效的依据。     

基于机器学习的肝癌无创检测

目的根据肝癌临床诊断的需求,建立肝癌诊断预测模型,以达到无创检测肝癌的目的。方法利用德国企业产ILD3000型电子鼻设备采集正常受试者和肝癌患者的呼气数据,对呼气所得时间序列数据进行特征提取,包括序列数据的最大值、最小值、均值、标准差、序列数据总和等统计学特征。结合特征降维算法和机器学习分类模型对呼气特征数据进行正常受试者和原发性肝癌患者的二分类实验。结果通过模型选择和参数调整,在线性核函数支持向量机上对呼气数据取得92.3%的最优二分类结果。结论以正常受试者和肝癌患者的呼气数据为样本,利用机器学习建模的方法可以对肝癌做出诊断预测,且在此数据上,线性核函数支持向量机算法具有最好的分类效果。     

Cancer gene search with data-mining and genetic algorithms

Cancer leads to approximately 25% of all mortalities, making it the second leading cause of death in the United States. Early and accurate detection of cancer is critical to the well being of patients. Analysis of gene expression data leads to cancer identification and classification, which will facilitate proper treatment selection and drug development. Gene expression data sets for ovarian, prostate, and lung cancer were analyzed in this research. An integrated gene-search algorithm for genetic expression data analysis was proposed. This integrated algorithm involves a genetic algorithm and correlation-based heuristics for data preprocessing (on partitioned data sets) and data mining (decision tree and support vector machines algorithms) for making predictions. Knowledge derived by the proposed algorithm has high classification accuracy with the ability to identify the most significant genes. Bagging and stacking algorithms were applied to further enhance the classification accuracy. The results were compared with that reported in the literature. Mapping of genotype information to the phenotype parameters will ultimately reduce the cost and complexity of cancer detection and classification.     

Myocardial border detection from ventriculograms using support vector machines and real-coded genetic algorithms

In this research a two step method for left ventricle segmentation based on landmark detection and evolutionary snakes is reported. The proposed approach is applied to human heart angiograms. Several anatomical landmarks located on the left ventricle are obtained using support vector machines. The training stage is performed based on a set of windows of size 31×31 including landmarks and non-landmarks pixel patterns. The support vector machines use a radial basis function kernel and the structural risk minimization principle as the inference rule. During the training stage, no false positives are obtained and during the detection stage a 97.94% of recognition is attained. The estimated landmark location is used for constructing an approximate myocardial border. This contour is a deformable model that is optimized using a real-coded genetic algorithm. A validation is performed by comparing the estimated contours with respect to contours manually traced by two cardiologists. From this validation stage the maximum of the average contour error considering 6 angiographic sequences (a total of 178 images) is 4.93%.