孕早期糖脂代谢与妊娠期糖尿病相关性分析

目的探讨孕早期糖脂代谢特点及其与妊娠期糖尿病的相关性。方法回顾性分析2017年12月至2020年12月进行常规产前检查的1073例单胎孕妇的临床资料,根据孕24~28周的口服葡萄糖耐量试验(OGTT)结果分为妊娠期糖尿病(GDM)组和正常糖耐量(NGT)组。比较2组间一般资料及糖脂代谢各项指标的差异;血脂检测包括血清总胆固醇(TC)、三酰甘油(TG)、高密度脂蛋白胆固醇(HDL-C)、低密度脂蛋白胆固醇(LDL-C)。结果GDM组孕早期TG和LDL-C水平、OGTT的0 h、1 h、2 h血糖、HbA1c、空腹胰岛素、稳态模型评估胰岛素抵抗指数(HOMA-IR)明显高于NGT组,胰岛β细胞分泌指数(HOMA-β)低于NGT组,差异有统计学意义(P<0.05),HDL-C和TC差异无统计学意义(P>0.05);TG与OGTT各点血糖及HOMA-IR呈正相关(P<0.05),TC、LDL-C与HOMA-IR呈正相关(P<0.05),HDL-C与HOMA-IR呈负相关(P<0.05)。结论GDM孕妇孕早期TG和LDL-C高于NGT组,孕早期TG与GDM和胰岛素抵抗相关性更好。

基于物理化学性质的葡萄酒质量的可视化评价研究

提出了一种可视化的方法评价葡萄酒质量。葡萄酒数据来自于认证阶段的物理化学分析测试,其中输入变量是11个,输出变量是葡萄酒质量,共得到1599个的红葡萄酒样本和4898个的白葡萄酒样本。结果表明该方法的效果优于传统的神经网络和支持向量机方法,并且具有可视化的优点。这对于改进酿酒品酒评价和葡萄酒生产都有重要意义,并且对根据消费者口味细分目标市场也很有帮助。

二次映射和遗传算法用于鉴别可视化特征提取

多元数据图表示是高维数据可视化最简单的一种处理方法.从多元数据的雷达图中提出了一种图形特征—可视化重心特征.由于雷达图与数据的特征排序有关,导致可视化特征深受特征排序影响,提出了利用二次映射计算出所有特征排序下的可视化特征,基于遗传算法再从中选择出具有鉴别能力的可视化特征.葡萄酒、乳腺癌和糖尿病等UCI真实数据集的实验结果证实了我们的想法,最佳分类错误率分别达到了0%、1.61%和20.7%,优于报道的常用的分类性能,优于传统的鉴别特征提取方法。

一种K-均值脸谱图聚类新算法

Chernoff脸谱图简单,类似卡通画,能图形化地表示多元数据。但脸谱图聚类算法具有主观性的巨大的对比工作量,脸谱特征分配困难。因此,本文提出一种新的脸谱图聚类算法,它合并了K均值聚类或模糊G均值聚类算法。IRIS和蔬菜油数据集的实验结果表明新算法优于传统的聚类算法。

基于MEG的脑机接口特征提取方法研究

脑磁信号作为一种新的脑机接口(BCI)输入信号,含有手运动方向的模式信息。在研究了适用于非平稳性的自适应自回归模型和适用于非高斯性的高阶谱自回归模型的基础上,本文针对脑磁信号的非平稳非高斯性,提出了一种新的特征提取算法,即基于经验模态分解的自回归模型。实验结果表明该算法适合于分析非高斯、非平稳的脑磁信号,结果优于上述的两种算法,并且超过了脑机接口竞赛四优胜者的识别率。

基于稀疏组lasso的脑机接口通道和特征选择研究

脑电信号(EEG)特征提取和分类是脑机接口(BCI)系统的核心问题之一。由于BCI系统中EEG信号多通道采样和特征向量的高维性,有效的特征选择算法已经成为研究中不可分割的一部分。针对EEG特征选择问题采用一种新方法:基于封装式稀疏组lasso的EEG融合特征的同时通道和特征选择方法。实验中将该方法与现有的通道选择和特征选择方法进行比较,结果表明,该方法更适用于高维融合特征的最优特征子集选择问题,且该算法稳定、时间成本低。此外,在保证错误率相当或较低的情况下,该方法能够同时实现通道和特征选择。国际BCI竞赛IV的两类运动想象信号的测试错误率为15.28%。

基于传感器数据的人类活动识别研究

给出了活动识别的定义,阐述了活动识别对智能健康监护和老年人护理的重要意义,并给出了基于传感器的活动识别系统的构成,详细描述了系统的传感器数据采集、数据预处理及机器学习等技术的研究进展,介绍了人类活动识别实验取得的结果。最后指出,老年人活动识别、多人活动识别以及实时活动识别是未来活动识别的发展方向;活动识别研究已成为普适计算一个重要和富有挑战性的研究课题,构建用于处理复杂的现实情况和环境的可靠的活动识别系统仍然是一个挑战,需要多学科交叉研究。

雷达图图形特征提取中的特征排序

基于多元数据的雷达图图表示,提出了雷达图重心图形特征。针对同样的多元数据不同的特征排序会导致不同的雷达图图表示,进而产生不同的重心特征,而这些重心特征会最终影响分类器的性能,因此提出一种新的问题,即雷达图图形特征提取中的特征排序问题。基于这个新的问题,设计了一种新的解决方法,即提出了基于改进的遗传算法的特征排序。同时也研究并改进了传统的基于排序的特征选择方法。基于一些机器学习数据库的分类实验结果表明:一方面,数据的原始特征排序下的重心特征和传统的特征提取方法相比,并不总是最优,但是在遗传算法下特征排序的重心特征优于传统的特征提取方法;另一方面,在遗传算法下特征排序的重心特征优于传统的基于排序的特征选择方法下的重心特征。尤其对于高维小样本的肺癌数据达到了12.5%的留一法交叉验证错误率,效果非常好。乳腺癌数据和糖尿病数据等的分类结果优于目前国际上的报道。

基于注意力胶囊网络的家庭活动识别

本文提出了一种注意力胶囊网络的新框架利用录音识别家庭活动.胶囊网络可以通过动态路由算法来选择基于每个声音事件的代表性频带.为了进一步提高其能力,我们在胶囊网络中加入注意力机制,它通过加权来增加对重要时间帧的关注.为了评估我们的方法,我们在声学场景和事件的检测和分类(Detection and Classification of Acoustic Scenes and Events, DCASE)2018挑战任务5数据集上进行测试.结果表明, F1平均得分可达92.1%,优于几个基线方法的F1得分.

基于深度卷积神经网络的帕金森步态识别

步态冻结(FOG)是晚期帕金森病患者最常见的症状,FOG的突然发作会造成患者的行走障碍。为患者佩戴FOG检测可穿戴设备助手是一种有效可行的治疗途径,当检测到FOG发作时,可穿戴设备助手为患者提供一段有节奏的听觉信号刺激患者恢复行走。针对FOG检测,提出一种系统式的特征学习方法。该方法采用一个基于深度学习的卷积神经网络,对原始输入信号自动地进行特征学习。采用监督式学习方法利用标签信息,使学习到的特征更具识别能力。在整个网络模型中,特征学习和分类互相加强使整个网络更加稳定,更具智能化。通过DAPHNet数据集进行验证,结果表明,该方法可以自动地进行特征学习并识别出步态冻结。与以往的阈值法实验结果相比,平均正确率提高到91.43%,灵敏性提高到85.58%,特异性提高到了93.63%。该方法可以在一定程度上代替人工干预,在处理频繁出现FOG症状的帕金森患者的治疗中具有重要意义。

分层向量自回归的多通道脑电信号的特征提取研究

有效的特征提取方法能提高脑机接口(Brain-computer interface,BCI)系统对脑电(Electroencephalogram,EEG)信号的识别率.因脑电信号都是多通道的,本文将分层向量自回归(Hierarchical vector autoregression,HVAR)模型用于脑电信号的特征提取,并结合传统的线性支持向量机(Support vector machine,SVM)用于脑电信号识别.该模型不仅克服了自回归(Autoregression,AR)模型只能用来提取单通道特征的局限性,而且不再采用传统VAR(Vector autoregression)模型所有通道共用一个时滞的处理方法.创新之处在于在传统的VAR模型基础上添加正则化思想,有效地压缩参数空间,实现合理的分层结构.本文首次将HVAR模型用于由Keirn等采集并整理的脑电数据中.实验结果证明HVAR模型在阶数较小的情况下(2阶)与阶数较大(6阶)的AR模型效果相当,可见低阶的HVAR能很好地刻画脑电信号的时空关联关系,这说明HVAR可能是刻画EEG信号的一种新颖的方法,这对其他多通道时间序列分析都有借鉴意义.

基于序lasso的时间序列分析方法

传统的lasso法因其解的稀疏性、变量选择的稳定性被广泛应用在高维、复杂、多变的大数据的降维及分类中,但在处理时序大数据时,lasso法因不考虑变量的时序关系而受限制。鉴于这一缺点,本文在处理时序数据时采用序lasso方法。序lasso将不同特征的不同时间点的数据作为输入变量,能够有效地估计出每个特征最合适的时滞间隔,它的优点是在恢复真实系数上消除了尾部的波动性。基于实际的时序数据上的实验结果证明了本文的模型和算法。

大数据下的深度学习研究

给出了大数据和机器学习的子领域——深度学习的概念,阐述了深度学习对获取大数据中的有价值信息的重要作用。描述了大数据下利用图像处理单元(GPU)进行并行运算的深度学习框架,对其中的大规模卷积神经网络(CNN)、大规模深度置信网络(DBN)和大规模递归神经网络(RNN)进行了重点论述。分析了大数据的容量、多样性、速率特征,介绍了大规模数据、多样性数据、高速率数据下的深度学习方法。展望了大数据背景下深度学习的发展前景,指出在不远的将来,大数据与深度学习融合的技术将会在计算机视觉、机器智能等多个领域获得突破性进展。

标签均值的自训练半监督支持向量机用于EEG分类

研究半监督学习方法在EEG分类中的应用。结合标签均值和自训练思想提出两种新的半监督支持向量机方法。首先通过未标记样本的预测值估计标签均值,然后对未标记样本的标签进行优化。在此基础上提出了两种半监督支持向量机方法,一种是基于多核学习的标签均值自训练半监督支持向量机(Means4vm_mkl);一种是基于迭代优化的标签均值自训练半监督支持向量机(Means4vm_iter)。对BCI Competition Dataset中的3组数据进行仿真实验,讨论分类正确率和运算效率两个指标。结果表明,两种方法均有较高的分类正确率,尤其在BCIⅠ数据集中,Means4vm_mkl方法达到了竞赛第一名的水平96%;而且运算效率较高,最快的只需29.5 s,为在线BCI系统的设计奠定了基础。

着装脸谱图的分类新算法

基于多元统计图表示的脸谱图方法和最小均值分类器的思想,提出了最近脸谱图分类器新方法。针对脸谱图不能有效表达数据样本维数的特点,提出了着装脸谱图,并给出了新的图形特征:面积特征和重心特征。针对脸谱图分类器的主观性,提出了利用最近均值分类器实现脸谱图图形特征的自动分类。8种真实数据集的实验结果证明了该方法的有效性。

辅助训练的半监督线性支持向量机用于EEG分类

研究了基于辅助训练思想的半监督线性支持向量机方法在脑机接口EEG分类中的应用。首先采用高斯混合模型、Parzen窗、KN-近邻估计三种方法估计概率密度,得到未标记样本的密度信息,选择部分概率较高样本,使用比较置零法避免错分。其次采用线性支持向量机作为判别分类器得到已选样本的边界信息,通过距离判别条件选出高置信度的样本,使用方向判别条件避免错分。结合密度和边界信息完成高置信度未标记样本选择的方法称为辅助训练半监督支持向量机。本文的实验数据包括g50c、BCIⅠ、BCIⅡ_Ⅳ、USPS,分类正确率分别为91.6%,97%,84%,90.4%,运算速度最慢的仅需约3.5 s。在分类正确率和运算效率两个方面,均优于自训练半监督SVM、监督SVM两种方法。

基于异方差的PNN训练算法的研究

给出了一种基于高斯核函数有不同协方差的混合模型的异方差 PNN的实现。传统的 ML 估计方法和 EM算法在训练异方差 PNN存在数学上的困难甚至导致算法失败。从协方差的根源出发提出了协方差限制的简单 EM改进算法 ,又基于杰克刀技术提出了鲁棒性的 EM改进算法。此外又从信息论出发提出了基于最小相对熵的训练新算法。闭集文本自由说话人辨认试验证明了提出的模型及其算法的正确性。

脑机接口的广义核线性判别分析方法研究

针对脑机接口中脑电信号处理,提出了一种基于核方法和广义奇异值分解(GSVD)的广义核线性判别分析(GKLDA)方法,对两类脑电信号进行特征提取。首先在非线性核函数映射的核空间对样本做线性判别分析,针对"小样本采样问题",采用GSVD求解一种非线性空域滤波器。算法验证中,采用BCI竞赛一数据集、竞赛二数据集Ⅳ和竞赛三数据集ⅢB中S4b等3组公开数据,以及一组自行采集的想象左右手运动的数据,同时分别与核共空间模式(KCSP)、核线性判别分析(KDA)、广义判别分析(GDA)进行对比。分类器采用Fisher线性判别分析分类器。所提出的方法针对3组公开数据,正确率分别为93%、77%、80%,自行数据正确率为97%,且优于其他几种核方法。实验结果表明,GKLDA方法是脑机接口中一种新的有效的特征提取方法。

基于CSSD-DE通道选择算法的ECoG分类研究

在脑机接口(BCI)的研究中,通道在提取脑电信息的过程中起着十分关键的作用。本研究提出基于共空域子空间分解-微分进化算法(CSSD-DE)的脑机接口通道选择方法,并且使用逻辑线性分类器进行分类。在对皮层脑电信号(ECoG)进行通道选择的过程中取得了使用少数通道就可以达到令人满意的分类效果。当最优通道个数为6,识别正确率达到93%,优于2005年脑机接口竞赛III数据集I的第一名的正确率(91%)。并提出将最大相关最小冗余度(mRMR)和支持向量机回归特征消去(SVM-RFE)算法应用于通道选择进行对比,mRMR算法得出最优通道个数为7,识别正确率为87%,SVM-RFE算法得出的最优通道个数为6,识别正确率为81%。

在线自适应LASSO罚向量自回归模型的风电功率预测

针对许多领域中普遍存在的非平稳多元时间序列的建模处理问题,提出了LASSO向量自回归模型的递推在线拟合方法,利用遗忘指数来实现模型的动态变化,并用循环坐标下降算法在线的对向量自回归模型进行系数估计。为证明模型的有效性,将其应用于风电场风电功率的预测,并以传统的向量自回归模型和分层向量自回归模型作为比较基准。根据实验结果表明,在线自适应LASSO向量自回归模型的预测精度高于传统的批量模型,通过系数矩阵图也可以看出,预测风电场临近的风电场对预测点存在一定程度的影响,但自身影响是最大的。将递归在线估计与LASSO向量自回归模型的结合应用于风电功率的预测,对于提高风电功率的预测精度以及改善风电系统工作效率有重要意义。