基于炎性细胞因子构建的Fisher判别函数对抑郁障碍诊断的辅助作用

背景目前,基于症状学的抑郁障碍诊断方式受临床医生经验的主观因素影响较大。寻找更加准确可靠的定量诊断方法是当前亟待解决的问题。目的探讨基于炎性细胞因子构建的Fisher判别函数在抑郁障碍诊断中的价值,为抑郁障碍的诊断提供参考。方法选取2020年4月—11月在河北省精神卫生中心住院治疗的、符合《精神障碍诊断与统计手册(第5版)》(DSM-5)抑郁障碍诊断标准的136例患者为研究组,同期招募与研究组年龄和性别相匹配的67例健康被试为对照组。使用酶联免疫吸附试验(ELISA)检测受试者血清炎性细胞因子水平。采用Fisher判别模型对研究组与对照组存在统计学差异的炎性细胞因子建立判别函数并进行验证。结果研究组促炎细胞因子白细胞介素1β(IL-1β)、白细胞介素6(IL-6)、干扰素γ(INF-γ)、肿瘤坏死因子α(TNF-α)水平均高于对照组,差异均有统计学意义(U=9.115、5.239、4.431、5.428,P均<0.01);研究组抗炎细胞因子白细胞介素4(IL-4)、白细胞介素10(IL-10)、白细胞介素13(IL-13)水平均低于对照组,差异均有统计学意义(U=7.398、7.331、7.614,P均<0.01)。Fisher判别函数回代性检验正确判别率为89.66%,交叉验证正确判别率为88.67%。结论本文构建的Fisher判别函数对抑郁障碍的诊断可能具有较好的辅助作用。

N次幂下S-凸函数和其性质研究

以凸函数、S-凸函数、平方凸函数、平方S-凸函数的定义和性质为研究基础,根据从平方凸函数到平方S-凸函数的演变推进过程,采用了凸函数概念的代数不等式形式,给出了N次幂下S-凸函数的概念,并对其判别定理和性质进行了讨论,定义并证明了N次幂下S-凸函数的Jensen型不等式。研究表明,N次幂下S-凸函数包含了凸函数、平方凸函数、平方S-凸函数的性质,是凸函数的一种广义凸函数的推广,开辟了全新的推广途径。

DISCRIMINATIVE ANALYSIS OF FUNCTIONAL NEAR-INFRARED SPECTROSCOPY SIGNALS FOR DEVELOPMENT OF NEUROIMAGING BIOMARKERS OF ELDERLY DEPRESSION

Functional near-infrared spectroscopy(fNIRS)is a neuroimaging technology which is suitable for psychiatric patients.Several fNIRS studies have found abnormal brain activations during cognitive tasks in elderly depression.In this paper,we proposed a discriminative model of multivariate pattern classification based on fNIRS signals to distinguish elderly depressed patients from healthy controls.This model used the brain activation patterns during a verbal fluency task as features of classification.Then Pseudo-Fisher Linear Discriminant Analysis was performed on the feature space to generate discriminative model.Using leave-one-out(LOO)cross-validation,our results showed a correct classification rate of 88%.The discriminative model showed its ability to identify people with elderly depression and suggested that fNIRS may be an efficient clinical tool for diagnosis of depression.This study may provide the first step for the development of neuroimaging biomarkers based on fNIRS in psychiatric disorders.

煤层底板突水危险性的Fisher判别分析模型

为准确评价底板突水危险性,考虑到不同影响因素对于评价方法的作用与影响不同,运用逐步判别法剔除了判别效果不显著的指标,选取了含水层富水性、水压、隔水层厚度、断层导水性、构造发育程度5项主要影响因素作为判别指标。根据以往突水数据建立了底板突水危险性的Fisher判别分析模型,并绘制了判别空间中样本数据散点图。该模型通过了显著性检验,分类效果显著。对15组训练样本进行回代判别,误判率为0,通过距离判别法准确预测了测试样本的突水危险性,表明该模型在煤层底板突水危险性评价上具有较高的可信度和良好的实用性。

基于Fisher判别法岩溶塌陷倾向性等级分类预测

为准确预测岩溶塌陷倾向性的等级分类,通过分析大量观测实例,选取岩性系数、岩体结构系数、地下水系数、覆盖层系数、地形地貌系数和环境条件系数作为模型判别因素。对12个实际观测样本进行训练,建立了基于Fisher判别分析法(FDA)的岩溶塌陷倾向性等级分类预测模型。借助SPSS软件工具,得到判别模型的4个判别函数。根据判别函数对训练样本进行回判,并对2个待判样本进行预测。结果显示:第一、第二判别函数的综合判别效率达到100%,大于规定的85%,满足工程实际应用需求;对训练样本进行回判时,误判率为零,同时对待判样本的分类预测准确率为100%。

常用Fisher判别函数的判别矩阵研究

在线性判别分析(Linear discriminant analysis,LDA)中,比迹函数、比值函数和迹比函数是三种常用的Fisher判别函数,每一个判别函数都可得到一个正交判别(Orthogonal discriminant,OD)矩阵和一个不相关判别(Uncorrelated discriminant,UD)矩阵.本文的主要目的是对这6种判别矩阵的获取方法及其性质进行系统分析,拟期更清楚地认识它们的联系与区别.当类内协方差阵非奇异时,比迹、比值函数的判别矩阵和迹比函数的OD矩阵的获取方法及性质已有研究,本文对迹比函数的UD矩阵的获取方法及性质进行了补充研究,得到了迹比函数的UD矩阵与比迹、比值函数的UD矩阵是同一矩阵以及迹比函数的UD矩阵的判别函数值不超过它的OD矩阵的结论.当类内协方差阵奇异时,6种判别矩阵的获取方法遇到了困难,为克服这一困难,本文首先用极限的思想重新定义了这三种判别函数,然后采用求极限的方法得到了6种判别矩阵的获取方法.从所得的获取方法可以看出,当所需的判别向量均在类内协方差阵的零空间中时,6个判别矩阵是同一矩阵.

基于核Fisher判别分析的高光谱遥感影像分类

高光谱遥感技术,将反映目标辐射特性的光谱信息与反映目标空间位置关系的图像信息有机地结合在一起。高光谱影像具有丰富的光谱信息,较全色、多光谱影像能够更好的进行地面目标的分类识别。在介绍核Fisher判别分析算法的基础上,选用径向基核函数,使用一对一或一对余构造多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类核Fisher判别分析分类器。通过OMIS和AVIRIS影像的分类实验,表明了核Fisher判别分析与支持向量机的分类精度相当,但是所需的训练时间较短。

基于核Fisher判别分析的目标识别

核Fisher判别分析是基于Fisher线性判别提出的一种非线性分类方法,其主要思想是首先把样本映射到某一特征空间,然后在此特征空间进行Fisher线性判别,这样就隐含地实现了原输入空间的非线性判别.分析了核Fisher判别方法的分类机理,然后基于此方法对三类实际的船舶目标噪声谱进行了识别,并与神经网络、支撑矢量机等其他分类方法做了比较.实验结果表明,核Fisher判别分析(加上一线性支撑矢量机做阈值估计)的识别效果优于其他分类算法.

基于Softplus激活函数和改进Fisher判别的ELM算法

在极限学习机(extreme learning machine,ELM)网络中,对可加型隐单元的激活函数通常选择的是Sigmoid函数.因此,首先提出一种新型修正线性函数的近似平滑函数Softplus来替代它.Softplus激活函数因为更接近生物学的激活模型且具有一定的稀疏能力,可进一步优化网络性能.其次,为了使ELM算法训练的网络具有更好的分类性能,考虑了类内距和类间距的约束,提出了基于改进Fisher判别约束的ELM算法,从而使解析求得的输出权值更加利于分类,进一步改进了识别性能.最后,在手写数字库和人脸库上的实验证明了改进ELM算法的可行性和优越性.

应用核Fisher判别技术预测油气储集层

核机器学习算法是近几年发展起来的一类新的非线性技术,核Fisher判别分析是其中之一。核Fisher判别分析是经典Fisher线性判别基于核函数的非线性推广,并在实际资料的分类中取得明显效果。本文简化了核Fisher判别分析的计算过程,并将其用于油气储集层横向预测。两个实际资料的计算结果表明,在油气储集层横向预测中,核Fisher判别技术的性能优于Fisher线性判别、模糊模式识别和反向传播人工神经网络。

基于Fisher判别分析法的泥石流预报模型研究

针对泥石流形成原因复杂,形成机理认识不足,预测预报困难等特点。根据泥石流形成的直接成因降雨因素,运用判别分析理论,提出了泥石流预报的Fisher判别分析模型。该模型基本思想是将一系列与泥石流发生相关的因子数据投影到某一个方向,使得投影后数据尽可能地分组,借助组内方差尽量小,组间方差尽量大的一元方差分析思想确定判别函数,依据判别准则,判定新样本的归属类别。该方法具有操作简单易懂及计算速度快的特点,可及时对泥石流状况进行判别。实例研究结果表明,提出的Fisher判别分析泥石流预报模型能够有效提高预报精度。

基于PCA和核Fisher判别的说话人确认

针对核Fisher判别技术在说话人确认中实时性较差的问题,提出了一种基于PCA和核Fisher判别的说话人确认方法。利用PCA进行特征向量的降维、去冗余,以减少后续计算的复杂度,提高说话人确认的速度,使用基于核函数的Fisher判别技术对说话人进行确认,从而在整体上提高系统的实时性。并通过实验验证了该方法的有效性。

一种核Fisher判别分析的快速算法

针对训练样本多时核Fisher判别分析(KFDA)的计算代价大,特征提取速度慢问题,本文提出一种KFDA的快速算法。该算法首先基于线性相关性理论,设计出一种优化方法,快速寻找训练样本在特征空间所张成的子空间的一组基;然后用这组基线性表示最佳投影方向,结合特征空间中的Fisher准则函数,推导出求解最佳投影方向的新公式,其求解过程只需对一个阶数等于基的个数的矩阵特征值分解,同时提取某样本特征时只需计算该样本与这组基之间的核函数。基于多个数据集的实验验证了该算法的有效性。

基于非线性映射的Fisher判别分析

提出一种非线性分类方法——基于非线性映射的Fisher判别分析(NM-FDA).首先提取基向量;然后采用Nystrm方法,以基向量为训练样本,将形式未知的非线性映射近似表达为已知形式的非线性映射,这种近似的非线性映射将变量由非线性的输入空间转换到线性的特征子空间;最后对映射数据进行线性Fisher判别分析.实验采用7组标准数据集,结果显示NM-FDA具有较强的分类能力.

阿尔茨海默病和轻度认知损伤诊断的逐步Fisher判别模型

目的建立正确率较高的阿尔茨海默病和轻度认知损伤的诊断模型。方法通过对391例包括正常人、阿尔茨海默病患者以及轻度认知损伤患者的33项临床指标的研究,运用逐步Fisher判别进行诊断模拟,选出正确率最高的判别函数。结果筛选出6项指标建立了阿尔茨海默病以及轻度认知损伤诊断模型。经过100次随机抽样诊断模拟,对于正常人、轻度认知损伤以及阿尔茨海默病患者诊断的平均正确率达到75.50%,最高正确率达到80.63%。结论逐步Fisher判别诊断模型能提高阿尔茨海默病以及轻度认知损伤的诊断正确率,为科研和临床诊断提供了一种新途径。

核Fisher判别分析方法在项目评估中的应用

针对多总体非线性分类问题,对基于核函数和线性F isher判别分析方法构建的核F isher判别分析方法进行了理论分析。通过核F isher判别分析方法在科研项目评估中的应用说明,核F isher判别分析方法的效果令人满意。

小波核局部Fisher判别分析的高光谱遥感影像特征提取

为了提高高光谱遥感影像的分类精度,充分利用影像的光谱和局部信息,文中提出小波核局部Fisher判别分析的高光谱遥感影像特征提取方法.通过小波核函数将数据集从低维原始空间映射至高维特征空间,考虑到数据的局部信息,利用加权矩阵计算散度矩阵,对局部Fisher判别准则函数求解最优特征矩阵,使不同类别的样本在高维特征空间中的可分离性更佳.在2个公开高光谱数据集上的实验表明,文中方法的总体分类精度和Kappa系数都有所提高.

核函数FISHER鉴别在性别鉴别中的应用

该文在线性FISHER鉴别的基础上,探讨了核函数FISHER鉴别原理;然后将核函数FISHER鉴别用于性别鉴别中,并提出了相应算法;对ORL人脸图像数据库进行实验;详细分析了算法在不同样本分布和不同参数条件下的识别结果;表明了在两类模式识别中核函数FISHER鉴别理论具有良好的识别效果及极佳的推广能力。

基于核Fisher的舰船效费分析

目前在海军舰船设计过程中,不论是按性能设计还是按费用设计,都需要进行大量的费用估算工作,而由于影响费用的许多因素是不确定的或模糊的,使得费用估算工作十分困难。因此,提出了在方案探索阶段采用核F isher判别分析方法进行效费分析,筛选方案,建立了基于费用的舰船效费分析模型和基于性能的舰船效费分析模型。实例模型具有较好的适用性和有效性,大大提高了工作效率。

基于核Fisher判决分析的高性能多类分类算法

探讨了核Fisher判决分析算法(KernelFisherDiscriminantAnalysis,KFDA),并提出了一种基于KFDA的高性能多类分类算法。在进行多类分类时,首先通过一个非线性映射将训练样本映射到一个高维的核空间中,建立一个KFDA子空间,在该高维空间中,不同类别的样本之间的差异增大,同类样本聚集在一起,因此,在这个高维核空间中,就可以利用简单的最近邻法进行多类分类。实验结果表明,该算法在保证分类精度的条件下提高了分类器的训练和分类的速度。