基于时频域组合特征的脑电信号情感分类算法

为了提高基于脑电信号(electroencephalogram,EEG)情感识别的准确率,提取了脑电信号的时域与频域特征,并且将其进行组合形成时频域组合特征,作为不同识别模型下的输入。采用集成决策树(bagging tree,BT)、贝叶斯线性分析(Bayesian linear discriminant analysis,BLDA)、线性判别分析(linear discriminant analysis,LDA)及支持向量机(support vector machine,SVM)四种浅层机器学习算法对EEG在效价与唤醒度上进行二分类情感识别。实验结果表明,DEAP数据集在效价上,基于时频域组合特征在BT分类器下的识别精度平均达到92.54%,在唤醒度维度上基于时频域组合特征在SVM下平均识别精度达到94.62%。

基于深度信念网络的乳腺肿瘤辅助诊断研究

针对传统的浅层机器学习算法对乳腺肿瘤识别精度不高的问题,论文构建了一种基于深度信念网络(DBN)的乳腺肿瘤识别模型。首先对原始的乳腺肿瘤特征数据进行预处理,然后构建深度信念网络模型对乳腺肿瘤特征数据进行训练和识别,最后将深度信念网络模型的识别精度和传统的浅层机器学习算法的结果进行了对比。仿真实验结果表明,论文构建的基于深度信念网络的模型对乳腺肿瘤具有很好的识别效果,平均识别精度达到了98.45%,识别精度高于BP神经网络、LVQ神经网络、决策树和支持向量机(SVM)等浅层机器学习算法。