期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于LDA和SVM的肺结节CT图像自动检测与诊断
被引量:
9
1
作者
曹蕾
黎维娟
冯前进
《南方医科大学学报》
CAS
CSCD
北大核心
2011年第2期324-328,共5页
在已实现疑似肺结节图像分割的基础上,提取肺结节图像多维特征,应用LDA和SVM统计分类器,通过对大量样本的训练,实现对肺结节CT图像的自动检测和诊断。实验结果表明该检测和诊断方法达到了较好的分类效果,是适用于CAD系统的实用方法。
关键词
CAD
线性判别式分类器
支持向量机
CT图像
肺结节检测
肺结节诊断
下载PDF
职称材料
基于TrAdaBoost的跨脑辨识P300电位研究
被引量:
3
2
作者
徐桂芝
林放
+2 位作者
宫铭鸿
李梦凡
于洪丽
《生物医学工程学杂志》
EI
CAS
CSCD
北大核心
2019年第4期531-540,共10页
P300电位的个体差异导致基于该电位的脑-机交互系统需要每位被试的大量训练数据来构建模式识别模型,引起被试的训练疲劳,并可能由此导致系统性能降低。TrAdaBoost是一种把源领域的知识迁移到目标领域,进而使目标领域能获得更好的学习效...
P300电位的个体差异导致基于该电位的脑-机交互系统需要每位被试的大量训练数据来构建模式识别模型,引起被试的训练疲劳,并可能由此导致系统性能降低。TrAdaBoost是一种把源领域的知识迁移到目标领域,进而使目标领域能获得更好的学习效果的迁移学习方法。本研究针对P300电位的跨脑辨识问题,提出基于TrAdaBoost的线性判别分类算法和支持向量机,将同被试的少量数据训练的分类器与不同被试的大量数据训练的分类器按权重组成融合分类器。与只采用少量同被试数据或者混合不同被试数据来直接进行训练的传统学习方式相比,本文算法在少量样本情况下将准确率分别提高了19.56%和22.25%,信息传输率分别提高了14.69 bits/min和15.76 bits/min,有望提高脑-机交互系统对被试个体差异的泛化能力。
展开更多
关键词
脑-机接口
P300
迁移学习
TrAdaBoost
线性判别式分类器
支持向量机
原文传递
题名
基于LDA和SVM的肺结节CT图像自动检测与诊断
被引量:
9
1
作者
曹蕾
黎维娟
冯前进
机构
南方医科大学生物医学工程学院
出处
《南方医科大学学报》
CAS
CSCD
北大核心
2011年第2期324-328,共5页
基金
广东省产学研项目(cgzhzd0714)
广东省科技计划项目(2007B010400058)
文摘
在已实现疑似肺结节图像分割的基础上,提取肺结节图像多维特征,应用LDA和SVM统计分类器,通过对大量样本的训练,实现对肺结节CT图像的自动检测和诊断。实验结果表明该检测和诊断方法达到了较好的分类效果,是适用于CAD系统的实用方法。
关键词
CAD
线性判别式分类器
支持向量机
CT图像
肺结节检测
肺结节诊断
Keywords
computer-aided diagnosis
linear discriminant analysis
support vector machines
CT images
lung nodule detection
lung nodule diagnosis
分类号
R319 [医药卫生—基础医学]
R816.4 [医药卫生—放射医学]
下载PDF
职称材料
题名
基于TrAdaBoost的跨脑辨识P300电位研究
被引量:
3
2
作者
徐桂芝
林放
宫铭鸿
李梦凡
于洪丽
机构
河北工业大学电气工程学院省部共建电工装备可靠性与智能化国家重点实验室
河北工业大学电气工程学院河北省电磁场与电器可靠性重点实验室
出处
《生物医学工程学杂志》
EI
CAS
CSCD
北大核心
2019年第4期531-540,共10页
基金
国家自然科学基金(51737003,51677053,61806070,51877068)
河北省自然科学基金(F2018202088)
文摘
P300电位的个体差异导致基于该电位的脑-机交互系统需要每位被试的大量训练数据来构建模式识别模型,引起被试的训练疲劳,并可能由此导致系统性能降低。TrAdaBoost是一种把源领域的知识迁移到目标领域,进而使目标领域能获得更好的学习效果的迁移学习方法。本研究针对P300电位的跨脑辨识问题,提出基于TrAdaBoost的线性判别分类算法和支持向量机,将同被试的少量数据训练的分类器与不同被试的大量数据训练的分类器按权重组成融合分类器。与只采用少量同被试数据或者混合不同被试数据来直接进行训练的传统学习方式相比,本文算法在少量样本情况下将准确率分别提高了19.56%和22.25%,信息传输率分别提高了14.69 bits/min和15.76 bits/min,有望提高脑-机交互系统对被试个体差异的泛化能力。
关键词
脑-机接口
P300
迁移学习
TrAdaBoost
线性判别式分类器
支持向量机
Keywords
brain-computer interface
P300
transfer learning
TrAdaBoost
linear discriminant analysis classifier
support vector machine
分类号
R318 [医药卫生—生物医学工程]
TP181 [自动化与计算机技术—控制理论与控制工程]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于LDA和SVM的肺结节CT图像自动检测与诊断
曹蕾
黎维娟
冯前进
《南方医科大学学报》
CAS
CSCD
北大核心
2011
9
下载PDF
职称材料
2
基于TrAdaBoost的跨脑辨识P300电位研究
徐桂芝
林放
宫铭鸿
李梦凡
于洪丽
《生物医学工程学杂志》
EI
CAS
CSCD
北大核心
2019
3
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部