儿童癫痫综合征智能分析:综述与展望

儿童癫痫综合征智能分析是指通过统计分析、机器学习等数据驱动方法,挖掘临床有效生物标志物,构建相应的专家系统,以解决临床和预后管理问题的研究.文中首先简述儿童癫痫综合征的定义、发作类型和分类等临床基础知识.然后,回顾基于脑电信号的儿童癫痫综合征智能分析框架和各组成部分典型方法存在的优缺点,包括数据收集及预处理、特征提取、决策器系统和专家系统.其中,将专家系统分为特定波形检测系统、诊断分类系统、发作检测系统、发作预测系统和量化评估系统,并进行全面概括与理论解释.最后,结合儿童癫痫综合征智能分析领域现有研究的局限性和挑战,展望未来研究方向,以推动儿童癫痫综合征智能分析系统的研究进展,减轻该病带来的负面影响.

基于LMI方法的具有混和时滞动力系统的指数稳定性判据

利用等价系统的方法,通过构造适当的Lyapunov函数给出了对具有混和时滞动力系统的指数稳定性条件,该判据用线性矩阵不等式(LMI)的形式给出,并在稳定性证明的过程中,利用分解时滞项的系数矩阵的方法得到更低保守性的条件.通过求解一个线性矩阵不等式的可行性问题,求得与时滞相关的指数衰减率.最后给出的数值算例验证了结果的有效性.

正则化超限学习机的多分块松弛交替方向乘子法

针对超限学习机在大数据环境下计算负担过重的问题,文中提出正则化超限学习机的多分块松弛交替方向乘子法及N-等分和N/2-等分情形的标量化实现.模型分块使算法具有高度的并行结构,与松弛技术结合提高算法的收敛速度.通过分析,建立算法收敛的充要条件,给出最优收敛率及最优参数.在基准数据集上仿真计算收敛率随分块数的变化关系,对比不同算法的收敛速率和GPU加速比.实验表明,文中算法具有较低的计算复杂度和较高的并行性.

正则化超限学习机的最大分划广义交替方向乘子法

借助交替方向乘子法(Alternating Direction Method of Multipliers,ADMM),将多变量正则化最小二乘拟合问题,分解为多个可并行执行的标量优化问题,并引入可调步长因子加速算法,得到一个高度并行的最大分划广义ADMM算法,并应用于正则化超限学习机.建立了算法的收敛条件,分析了算法的计算复杂度,通过基准现实数据集实验与新近文献方法——最大分划松弛ADMM进行了收敛率比较.在GPU并行加速实验中,基于最大分划广义ADMM的正则化超限学习机获得的大GPU加速比,表明了该算法的高度并行性.