简介：本文介绍一种识别心向量的方法，本方法以空间速率法为基础，并用选出的心动周期形成典型心动周期，因此有较好的分辨率。

简介：在文献［１］的基础上，本文将平面体温场分成了九类

简介：以氨基酸组成为特征对膜蛋白的分类，忽略了序列残基之间的相关性信息，而采用传统支持向量机算法作为分类算法，在解决多类问题时会出现分类盲区问题。针对这两种情况，计算蛋白质序列的氨基酸组成、二肽组成以及6种氨基酸相关系数，将三类特征结合，作为膜蛋白序列的特征向量；同时采用模糊支持向量机作为分类器，解决了传统支持向量机在多类数据识别中的盲区问题。测试结果表明，在相同特征输入下，模糊支持向量机分类性能优于传统支持向量机；在相同分类器的情况下，氨基酸组成、二肽组成和相关系数组合的特征选择方法的分类性能优于只使用其中一类或两类特征的方法；而采取组合特征和模糊支持向量机相结合的分类策略，在独立性数据集测试中的整体预测精度达到97％，优于现有的多种分类策略，是目前最有效的膜蛋白分类方法之一。

简介：对肿瘤样本进行准确的分型识别是有效治疗肿瘤的前提。首先，利用方差滤波方法选择肿瘤表达谱中具有最大方差的部分基因作为识别特征集，然后，利用支持向量聚类对肿瘤表达谱进行分型识别。针对多类型样本情况和支持向量聚类中出现的孤立点聚类问题，分别提出了有效的解决办法。对两个肿瘤表达谱数据的测试结果显示，基于支持向量聚类的方法能够准确地对肿瘤样本进行分型识别，同时能够自动发现肿瘤样本真实的亚型数量。

简介：高频心电图（ＨＦＥＣＧ）的记录，是应用ＥＣＧ的ＷＩＬＳＯＮ导联系统描记。而心电向量图（ＶＣＧ）却是用类似ＷＩＬＳＯＮ导联的ＦＲＡＮＫ导联系统来记录心电活动，二者同以心电活动为描记对象，以图形来表达检查结果，是否它们之间具有一些内在关联和同一性呢？我们...

简介：针对计算机辅助诊断模型优化过程中稳定性差和早熟问题,提出基于集成VPRS-RUGGA-支持向量机的肺部肿瘤计算机辅助诊断模型。首先,引入变精度粗糙集构造属性依赖度,结合属性约简长度和惩罚函数的加权和构造适应度函数框架;其次,采用无回放余数随机选择法、均匀交叉和高斯变异算子进行遗传操作;然后,在CT、PET和PET/CT样本空间中提取肺部肿瘤ROI区域特征,构造不同的特征空间,运用VPRS-RUGGA-支持向量机模型约简和分类识别;最后,在不同的样本空间中构造支持向量机(SVM)个体分类器,采用相对多数投票法输出集成结论。实验结果表明,集成VPRS-RUGGA-SVM模型可以有效的提高泛化性能和稳定性,VPRS-RUGGA-SVM模型可有效改善早熟问题,提高模型的分类性能。

简介：目的探讨股骨粗隆间骨折使用亚洲型股骨近端防旋髓内钉（PFNAⅡ)，不同平面的髓腔与髓内钉直径的比值（匹配度）对于围手术期的隐性失血，显性失血以及总失血量的影响。方法回顾性分析我院2015年1月到2016年11月收治的因股骨粗隆间骨折行闭合复位PFNAII内固定的70位患者，统计其年龄，性别，身高，骨折类型，术前及术后的红细胞比积，术中显性失血量，根据CROSS方程计算出的总失血量和隐性失血量。根据术后X线片，分别测量正侧位的髓内钉漏斗起始部，漏斗终止部以及股骨干峡部三个平面的髓腔与髓内钉直径的比值，每个平面正侧位片比值的均值记为K对每个平面，按R值大小分为高匹配组（R小于中位数）和低匹配度组（R大于等于中位数)，两组间分别比较总失血量，隐性失血量和显性失血量。将隐性失血作为因变量，将年龄，性别，骨折类型，R值作为自变量进行多元线性回归分析。结果在三个平面中，高匹配度组的隐性失血量及总失血量均较低匹配度组少，差异有统计学意义（P<0.05)，而显性失血均无显著差异。多元线性回归分析表明，所有自变量中仅髓内钉漏斗起始部和漏斗终止部平面的R值与隐性失血量呈相关性(P<0.05)。结论亚洲型股骨近端防旋髓内钉的漏斗部的匹配度越高，隐性失血量及总失血量越少。

简介：胸痛三联征在临床上有相似的胸痛症状,误诊率居高,其确切病因尚不十分明确。针对经典支持向量机不适用于胸痛三联征此类非平衡数据集分类的缺点,本研究结合径向基核函数、布谷鸟算法以及支持向量机,提出一种基于布谷鸟算法优化支持向量机的分类识别模型,用于胸痛三联征的分类诊断。在收集到的735例有效样本数据集上,采用Java程序抽取平衡数据集。实验结果显示,基于平衡数据集,该模型的平均正确率为80.667%;基于非平衡数据集,其平均正确率为97.767%,相比经典支持向量机、粒子群算法-支持向量机、遗传算法-支持向量机均有不同程度的提高。因此,本研究模型对胸痛三联征的分类诊断具有一定的参考价值。

简介：针对儿童多生理参数检测及情绪分析的需要,我们设计了一种处理多维生理参数的嵌入式系统,所处理的数据主要为心电信号、皮肤电阻以及体表温度。本系统旨在通过对这三个前端数据的特征提取,为后端分类器判别情绪提供数据基础。