心脏磁共振影像组学对肥厚型心肌病的价值研究

目的初步探索基于心脏磁共振(cardiovascular magnetic resonance,CMR)影像组学揭示肥厚型心肌病(hypertrophic cardiomyopathy,HCM)患者心肌病变影像组学特征的临床应用价值。材料与方法回顾性分析宁夏医科大学总医院2018年1月1日至2022年12月31日确诊为HCM的患者142例及健康对照组72例的CMR影像及临床资料。选择CMR未增强亮血电影序列左心室长轴位两腔心、四腔心二尖瓣口水平切面,以舒张末期壁厚(end-diastolic wall thickness,EDWT)为基础,将HCM患者心肌分为肥厚区域(无HCM家族史,EDWT≥15 mm;有HCM家族史,EDWT≥13 mm)与非肥厚区域(无HCM家族史,EDWT<15 mm;有HCM家族史,EDWT<13 mm),和健康对照组在室间隔、心尖、左心室侧壁、左心室前壁及左心室下壁等相同解剖部位室壁分别进行感兴趣区(region of interest,ROI)勾画及影像组学特征提取,分组后行影像组学特征组间比较。采用Mann-Whitney U检验、递归特征消除法(recursive feature elimination,RFE)及最小绝对收缩与选择算法(least absolute shrinkage and selection operator,LASSO)进行影像组学特征筛选并使用支持向量机(supportvector machine,SVM)算法建立影像组学模型,最后计算准确度、敏感度、特异度、阳性预测值(positive predictive value,PPV)、阴性预测值(negative predictive value,NPV)受试者操作特征曲线下面积(area under the curve,AUC),分别评价各模型效能;并统计分析HCM患者及健康对照组临床资料。结果(1)HCM组的左心室收缩末期容积(left ventricular end systolic volume,LVESV)、LVESV指数(LVESV index,LVESVI)、左心室舒张末期室壁质量(left ventricular end diastolic wall mass,LVED wall mass)、左心室舒张末期室壁+乳头肌质量(left ventricular end diastolic wall+papillary mass,LVED wall+papillary mass)、左心室收缩末期室壁质量(left ventricular end systolic wall mass,LVES wall mass)、左心室收缩末期室壁+乳头肌质量(left ventricular end systolic wall+papillary mass,LVES wall+papillary mass)、舒张末期左室壁最大厚度(left ventricular maximum wall thickness,LVMWT)均高于健康对照组(P<0.05)。(2)HCM患者肥厚区域、非肥厚区域与健康对照组左心室相同解剖部位室壁影像组学鉴别模型鉴别效果良好;HCM非肥厚区域组(左心室前壁)与HCM肥厚区域组(左心室前壁)影像组学鉴别模型为本研究的最优模型,其AUC值、准确度、敏感度、特异度、PPV及NPV在训练集中为0.98、93%、94%、92%、89%、96%;在测试集中为0.97、94%、92%、96%、92%、96%。结论影像组学可通过深入全面的定量分析HCM患者不同病变状态心肌组织,为评估HCM患者心肌组织学改变提供客观敏感的新方法,有助于更准确地评估HCM患者病情、提高CMR检查效率及减少检查费用,有望为探寻方便快捷检测心肌组织学状态的人工智能技术开发及临床应用提供新思路。

基于灰色关联度和Shapley值的区间组合预测模型及其应用

在不确定环境下,区间数是复杂系统一种信息表达形式.论文在单项区间预测的基础上,提出单项预测方法与实际值序列之间的灰色关联度作为精度的度量准则,构建区间型组合预测模型.考虑模型求解的复杂性,从对策论的角度出发,把组合预测方法视为一个合作对策,单项预测方法视为合作对策的局中人,灰色关联度作为度量合作对策的收益函数,按照合作对策中Shapley值法在各单项预测模型中进行分配,从而给出组合预测权系数确定的新思路.为了验证模型的有效性,利用西德克萨斯中质原油现货价格,针对论文提出的组合模型进行比较分析,计算结果验证了论文提出的模型的可行性与有效性.

Support Vector的几何解释及其在联想记忆中的应用

利用闭凸集上的投影解释 support vector的几何意义 ,利用支持超平面讨论线性分类器的设计问题 .对线性可分情形 ,Support vector由一类数据集合闭凸包在另一类数据集合闭凸包上投影的非零系数向量组成 ,SVM所决定的超平面位于两投影点关于各自数据集合支持超平面的中间 .作为应用 ,文中给出一种设计理想联想记忆前馈神经网络的方法 ,它是 FP算法的一般化 .

基于高光谱的柑橘叶片磷含量估算模型实验

以117株园栽罗岗橙为实验对象,分别在壮果促梢期和采果期2个不同发育阶段采集234个数据样本,高光谱反射数据构成每个数据样本中的高维矢量描述,用化学方法测得磷含量值作为样本真实目标值,用偏最小二乘法(PLS)及支持矢量回归(SVR)2种多元回归分析算法,在对反射光谱进行各种形式预处理的基础上对柑橘叶片磷含量进行建模和磷含量预测。模型分别在校正集和测试集上进行评估,取得最佳模型决定系数分别为0.905和0.881,均方误差分别为0.005和0.004,平均相对误差分别为0.026 4和0.031 2。实验结果表明:基于高光谱反射数据进行磷含量预测是可行的。

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。

连续投影算法在油菜叶片氨基酸总量无损检测中的应用

应用近红外光谱技术结合连续投影算法(SPA)实现了油菜叶片氨基酸总量(TAA)的快速无损检测。对150个油菜样本进行光谱扫描,通过比较不同预处理,建立油菜叶片氨基酸总量预测的最优偏最小二乘法(PLS)模型。同时应用SPA提取有效波长,作为多元线性回归(MLR),PLS和最小二乘-支持向量机(LS-SVM)的输入变量,分别建立SPA-MLR,SPA-PLS和SPA-LS-SVM模型。以决定系数(R2)和均方根误差(RMSE)作为模型评价指标。结果表明,SPA-MLR和SPA-PLS均优于全波段的PLS模型,SPA-LS-SVM获得了最优的预测结果,其预测的R2和RMSEP分别为0.9830和0.3964,获得了满意的预测精度。说明应用光谱技术检测油菜叶片TAA是可行的,并能获得满意的预测精度,为进一步应用光谱技术进行油菜生长对逆境胁迫的反应及大田监测提供了新的方法。

基于高光谱成像的苹果品种快速鉴别

以"乔纳金"苹果,"红富士"苹果和"秦冠"苹果共90个试验样本为试材分别采集865~1 711 nm的近红外波段高光谱图像,选取苹果图像感兴趣区域(ROI),以分辨率2.8 nm提取其平均反射光谱数据,分别利用K近邻法(KNN)和径向基核函数支持向量机(RBF-SVM)进行品种判别,5折交叉检验。结果表明,3种苹果的近红外高光谱图像均在波长941~1 602 nm之间变得清晰,该区域200个波段下的平均反射光谱数据经KNN法中的10种距离算法评判,当K取值3和5时,切比雪夫距离、欧几里得距离和明可夫斯基距离3种距离算法的识别正确率均达到100%;SVM-RBF核函数模型中,γ取值为2-8~1的范围内识别正确率均在92%以上,当γ取值2-5,C取值为16和32时,识别正确率最高,为96.67%。故利用近红外高光谱图像技术结合KNN计算对苹果品种进行快速鉴别是优异和可靠的方案。

双谱特征提取在欺骗式干扰方式识别中的应用

为了识别出具体的欺骗干扰方式,从而使雷达有针对性地选择抗干扰方法,该文提出了基于双谱特征和模式识别技术的欺骗式干扰识别方法。该方法给出了欺骗式干扰的双谱分布和估计方法,在分析其分布特征和统计特性的基础上,定义两种特征因子;采用基于核聚类的支持向量机分类器,完成对不同欺骗干扰方式的识别;建立了完整的干扰模式识别模型。仿真实验表明,该方法对3种不同欺骗干扰方式的正确识别率高,而且基本不受干噪比影响。

一种PSO-SVM的光伏阵列故障检测与分类

提出一种粒子群优化支持向量机的光伏阵列故障检测与分类的方法.分析了光伏阵列输出特性和故障类型,选择合适的特征向量及归一化方式.选用径向基核函数优化模型结构,并利用PSO算法对参数进行寻优,提高模型精确度.结合实验平台获取光伏阵列正常工作和8种故障状态的实测数据,随机划分为训练集和测试集,并建立PSO-SVM故障检测与分类模型.实验表明,应用本模型进行故障检测准确率达99.89%,分类准确率达98.68%,优于BP神经网络以及决策树的检测和分类结果.

600MW燃煤机组最优氧量与配风方式的联合优化

氧量和配风方式是影响燃煤机组锅炉效率及NO_x排放的重要因素,针对某600MW机组燃烧优化调整,建立了基于聚类分区的关联规则挖掘模型,并引用密度参数,选择大密度区域内的点作为初始聚类中心,提高了聚类的稳定性;同时建立了基于交叉验证法(cross validation,CV)的支持向量机(support vector machine,SVM)氧量软测量模型,减小了氧量测量不准对数据挖掘结果的影响。对历史运行数据进行挖掘,得到了不同工况下兼顾锅炉效率和NO_x排放质量浓度的最优运行氧量值与二次风门配风方式,结果表明:寻优后的烟气含氧量低于实际运行值,周界风门和辅助风门呈束腰型分布,主要负荷段的选择性催化还原脱销装置(selective catalytic reduction,SCR)进口NO_x质量浓度由220~420mg/m^3降为220~320mg/m^3,且保证锅炉效率不低于92.7%。

肿瘤信息基因启发式宽度优先搜索算法研究

基于基因表达谱的肿瘤检测方法有望成为临床医学上一种快速而有效的肿瘤分子诊断方法,但由于基因表达谱数据存在维数过高、样本量很小以及噪音很大等特点,使得肿瘤信息基因选择成为一件有挑战性的工作.根据肿瘤基因表达谱样本集的特点,提出了一种以支持向量机分类性能为评估准则的寻找信息基因的启发式宽度优先搜索算法,其优点是能够同时搜索到基因数量尽可能少而分类能力尽可能强的多个信息基因子集.实验采用了3种肿瘤样本集以验证新算法的可行性和有效性,对于急性白血病、难以分类的结肠癌和多肿瘤亚型的小圆蓝细胞瘤样本集,分别只需2,4和4个信息基因就能获得100%的4-折交叉验证识别准确率.与其它优秀的肿瘤分类方法相比,实验结果在信息基因数量及其分类性能方面具有明显的优越性.为避免样本集的不同划分对分类性能的影响,提出了一种能够更加客观地反映信息基因子集分类性能的全折交叉验证评估方法.

基于EEMD的高速列车转向架故障诊断

高速列车的转向架机械故障会引起转向架和车体振动信号的变化，严重影响高速列车运行的安全性和舒适度。为此，提出一种基于聚合经验模态分解的高速列车转向架故障诊断方法。针对转向架空气弹簧失气、抗蛇形减振器失效、横向减振器失效和原车4种工况进行仿真实验，得到列车不同位置的振动信号。信号经聚合经验模态分解得到一系列固有模态函数，分别提取能量矩特征，反映不同尺度上能量随时间的分布规律。将第2阶～第6阶经验模态能量矩构成的5维特征矢量作为支持向量机分类器的输入，在列车行驶200km/h的速度下进行转向架故障识别，结果表明，该方法的识别正确率可达到95％以上。

基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测

智能电网的建设和大规模风电接入电网对短期风电功率预测精度提出了更高的要求。为了克服支持向量回归机(support vector regression machine,SVR)依赖人为经验选择学习参数的弊端,在量子粒子群优化(quantum-behaved particle swarm optimization,QPSO)算法中加入自适应早熟判定准则、混合扰动算子和动态扩张收缩系数,提出了自适应扰动量子粒子群优化算法(adaptive disturbance quantum-behaved particle swarm optimization,ADQPSO),并使用ADQPSO优化选择SVR的学习参数。实例研究表明,ADQPSO算法全局寻优能力强、鲁棒性好、计算耗时短,利用ADQPSO优化得到的SVR参数,可有效提高模型的预测精度;与反向传播神经网络(back propagation neural network,BPNN)和径向基神经网络(radial basis functionneural network,RBFNN)相比,提出的ADQPSO-SVR能够提高短期风电功率预测的准确性和稳定性。

基于GK模糊聚类和LS-SVC的GIS局部放电类型识别

局部放电可以反映气体绝缘组合电器(Gas Insulated Switchgear,GIS)内部的绝缘缺陷,对正确识别GIS的放电类型具有重要意义。在GIS重症监护系统研究平台上人工设置4种GIS的典型缺陷。基于4种缺陷不同电压等级下的局部放电样本数据,提取局部放电灰度图像的分析特性作为识别特征量。同时考虑到现场干扰对局部放电信号的影响,利用GK模糊聚类算法对分形特征量进一步处理,以提取隔离干扰后的分析特征量。最后设计了基于LS-SVC的局部放电模式识别器。试验结果表明所提方法能有效识别GIS放电类型,比人工神经网络方法具有识别率高、稳定性好的优点。

粒子群优化–最小二乘支持向量机算法在高压断路器机械故障诊断中的应用

提出了一种高压断路器机械故障诊断的智能算法,该算法采用最小二乘支持向量机(least squares support vector machine,LSSVM)算法,提取高压断路器振动信号的特征熵;为了提高故障诊断的精度,采用粒子群优化(particle swarm optimization,PSO)算法,优化LSSVM算法的参数。算例表明:PSO-LSSVM算法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统的支持向量机(support vector machine,SVM)算法,适用于高压断路器机械故障诊断。

采用核相关滤波器的长期目标跟踪

针对核相关滤波器(KCF)跟踪算法在目标跟踪中存在尺度变化、严重遮挡、相似目标干扰和出视野情况下跟踪失败等问题,提出了一种基于KCF的长期目标跟踪算法。该算法在分类器学习中加入空间正则化,利用基于样本区域空间位置信息的空间权重函数调节分类器系数,使分类器学习到更多负样本和未破坏的正样本,从而增强学习模型的判别力。然后,在检测区域利用Newton方法完成迭代处理,求取分类器最大响应位置及其目标尺度信息。最后,对最大响应位置的目标进行置信度比较,训练在线支持向量机(SVM)分类器,以便在跟踪失败的情况下,重新检测到目标而实现长期跟踪。采用OTB-2013评估基准50组视频序列验证了本文算法的有效性,并与30种其他跟踪方法进行了对比。结果表明:本文提出的算法跟踪精度为0.813,成功率为0.629,排名第一,相比传统KCF算法分别提高了9.86%和22.3%。在目标发生显著尺度变化、严重遮挡、相似目标干扰和出视野等复杂情况下,本文方法均具有较强的鲁棒性。

基于多类超球支持向量机的铣削颤振预测方法

为了预测薄壁件铣削过程颤振的发生,提出了一种应用小波系数特征和多类超球支持向量机进行铣削颤振预报的方法。首先基于连续小波变换分别提取高、低频段铣削振动信号的特征,然后利用多类超球支持向量机进行稳定铣削状态、铣削颤振孕育状态、铣削颤振状态识别。为了简化支持向量机进行多类分类时所带来的计算复杂性,该算法使每一类样本都获得一个超球支持向量机,在特征空间中以测试样本与超球中心距离、超球半径作为决策函数来进行识别。实验表明,在铣削颤振识别系统中多类双核超球支持向量机与连续小波系数特征向量相结合具有良好的识别效果,颤振孕育预报正确率达98.0%。

基于EMD与多重分形去趋势法的轴承智能诊断方法

引入经验模态分解(EMD)方法去除故障信号的趋势项,提出EMD-MFDFA(multifractal detrended fluctuation analysis)的多重分形分析方法,并通过仿真分析EMD方法去趋势效果的有效性。然后将采用EMD-MFDFA方法提取的电机滚动轴承振动信号的多重分形特征向量作为训练集,利用混合遗传算法搜索全局最优的能力优化支持向量机(SVM)模型参数,建立电机滚动轴承的智能诊断模型。最后,通过对电机滚动轴承不同状态的振动信号进行分析。研究结果表明:EMD-MFDFA方法能很好地揭示滚动轴承的振动信号多重分形特性,对滚动轴承正常状态、单一故障与多故障耦合等状态具有很强的辨识能力;所建立的智能诊断模型可以有效地诊断滚动轴承不同的故障状态,能够作为滚动轴承故障在线监测的有效工具。

基于振动信号识别的断路器故障诊断研究

文中搭建了真空断路器试验平台,实现了主轴卡涩等四类机械故障状态。通过将正常及故障状态下的实测振动信号进行经验模态分解,得到所需要的内禀模态函数(intrinsic made function,IMF),利用能量法求出包含主要故障特征信息的各内禀模态函数分量的能量总量。利用IMF分量能量总量作为特征向量,并以此作为支持向量机输入,分析对比了不同分类策略、核函数的分类时间和分类准确率,经实验分析选用"一对其他"分类策略并且核函数为径向基函数的分类效果最优,为研制完善的断路器故障诊断系统提供理论依据及实际的数据基础。

人体姿势状态判决的跌倒检测方法

提出了一种基于视频人体运动状态判决的的跌倒检测方法,该方法由运动目标检测、目标运动跟踪和目标运动行为识别三部分组成。在运动目标检测方面采用两次目标框选策略提高目标检测精度;利用目标运动轨迹的连续性,具体为利用上一帧运动物体的中心坐标信息来降低目标跟踪的计算复杂度。采用两级支持向量机(SVM)决策的方法实现目标运动行为的识别:第一级SVM分类器利用高宽比等运动物体特征将人体的直立姿态与非直立姿态进行区分;第二级SVM分类器利用Zernike矩特征等特征将人体的跌倒状态从非直立状态中区分出来。初步实验测试表明所提出的跌倒检测算法的性能与光照条件、跌倒方式、摄像头的架设方式均有密切关系,平均正确检测率为88.7%。