公共文化服务平台

共 4 条记录，以下是 1-4

全选清除导出

排序方式：

机器学习在乳腺肿瘤分类检测中的应用研究被引量：7: 2016年; 机器学习算法在医学检测与诊断,尤其是乳腺肿瘤分类检测与诊断中扮演愈发重要的角色。分析比较了几种经典机器学习分类器在乳腺肿瘤分类检测中的性能,并从准确率、灵敏度、特异性及执行效率等方面对各分类器的性能进行了评估比较,根据在不同数据库上的实验结果,总结了各机器学习分类器在乳腺肿瘤分类中的性能特点:线性判别分析和极限学习机两种分类器性能优良且训练效率很高;支持向量机性能较为平均且非常稳定,但训练耗时较长;而人工神经网络分类器虽然可以给出良好的特异性指标,但灵敏度指标不够理想。; 李喆吕卫闵行褚晶辉; 关键词：乳腺肿瘤性能比较

循环谱分析在心律失常分类中的应用研究被引量：4: 2017年; 心电信号心律失常分类性能主要取决于有效的特征提取和分类器设计。针对传统心律失常分类研究中,多数研究直接利用时域或者频域特征实现心律失常分类,对于多类别的分类性能仍有待提高。鉴于此,选用循环谱分析方法实现心律失常多分类任务。假设信号处于非平稳状态,建立更符合心电信号实际状态的模型去捕捉心电信号中的隐含周期实现心律失常分类。在提取形态特征和时频域小波系数特征之外,利用循环谱技术提取了谱相关系数特征用于后续多分类任务。除此之外,比较了人工神经网络、传统支持向量机和超限学习机分类器在该实验环境下的分类性能,通过多组对比实验,结果表明,利用循环谱技术结合超限学习机分类器进行心律失常分类,可以区分10类心律失常并在MIT-BIH心律失常数据库上实现了98.13%的平均分类准确率。; 褚晶辉卢莉莉吕卫李喆; 关键词：循环谱

彩色眼底图像糖网渗出物的自动检测被引量：6: 2016年; 糖尿病视网膜病变(简称"糖网")渗出物的自动检测对于糖网的早期诊断具有重要意义。针对以往利用数学形态学检测糖网渗出物方法中存在的图像增强效果不佳造成的渗出物细节易漏检以及干扰区域去除不完全造成的正常区域易误检的问题,提出了一种改进的基于数学形态学的糖网渗出物的自动检测方法,主要对眼底图像的预处理和视盘等干扰区域的检测进行了优化。首先预处理阶段在HSV颜色空间对图像进行亮度校正后引入了多尺度顶帽变换方法进行图像增强,接着采用了一种综合图像边缘信息和亮度信息的新方法定位视盘中心并利用Chan-Vese水平集模型分割出视盘,又依次提取出干扰渗出物检测的边界和光学器件的反射亮斑,最后用背景估计结合形态学重建的方法检测出渗出物的精确轮廓。经最新公开的e-ophtha EX数据库测试,得到病灶水平灵敏度91.7%,阳性预测值94.6%;图像水平灵敏度100%,特异性88.6%,准确率95.1%。; 吕卫翟庆伟褚晶辉李喆; 关键词：预处理数学形态学

采用S变换特征选择方法的心律失常分类被引量：5: 2018年; 针对短时傅里叶变换与小波变换对心电图(Electrocardiogram,ECG)信号特征提取不足以及心律失常识别困难的问题,提出了一种基于S变换特征选择的心律失常分类算法。首先对ECG信号进行S变换,并从幅值和相位两个角度提取ECG信号的时频特征,与形态特征和RR间隔组成原始特征向量。然后将遗传算法与支持向量机(Support vector machine,SVM)结合组成Wrapper式特征选择方法,并在其中融入ReliefF算法,即采用ReliefF算法计算特征权重,并根据特征权重大小来指导遗传算法种群初始化,遗传算法以SVM的分类性能作为适应度函数来搜索特征子集。最后使用"一对多"(One against all,OAA)SVM对MIT-BIH心律失常数据库8种类型心拍进行分类。实验结果表明,该算法达到了较好的分类效果,灵敏度、特异性和准确率分别为96.14%,99.75%和99.81%。; 吕卫邓为贤褚晶辉李喆; 关键词：心律失常 S变换遗传算法

全选清除导出

共1页<1>

李喆