活体肝细胞磷31磁共振波谱数据分类

基于活体肝细胞的31P磁共振波谱图(31Phosphorus Magnetic Resonance Spectroscopy,31P-MRS)对肝细胞数据进行诊断,分为3种类型:肝癌、肝硬化和正常肝。分别运用线性分类器和二次分类器对数据分类,并在分类前进行了特征抽取。线性分类器和二次分类器在"留一法"中对上述3种类型的分类准确率分别约为81.37%、77.75%、92.30%和95.27%、99.89%、99.70%。实验证明二次分类器相对于线性分类器,明显地提高了分类准确率。

基于小波低频系数基因芯片数据的特征提取

特征提取和分类是模式识别中的关键问题。结合小波分析理论和支持向量机理论,构造分类器模型,将前列腺癌基因芯片数据分成癌症和正常两种。提取小波低频系数表征原始数据并送入支持向量机分类器分类,实验证明:提取db1小波4层分解下的低频系数,送入分类器分类后正确分类率达到93.53%。Haar小波的正确率是92.94%。可见提取不同小波低频系数,得到的分类效果相差不大。

神经网络提高肝细胞癌磁共振波谱诊断正确率

通过评价31磷磁共振波谱(31Phosphorus Magnetic Resonance Spectroscopy,31P-MRS)来辨别三种诊断类型:肝细胞癌,正常肝和肝硬化。运用反向传输神经网络(BP)和径向基函数神经网络(RBF)分析31P-MRS数据,分别建立神经网络模型,进行肝细胞癌的诊断分类以期提高识别率。实验结果证明,应用神经网络模型后,31P-MR波谱对活体肝细胞癌的诊断正确率从89.47%提高到97.3%,且BP更优于RBF。

基于支持向量机的^(31)P磁共振波谱肝细胞癌诊断

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法,在模式识别领域有着广泛的应用。利用基于支持向量机模型的31P磁共振波谱数据对肝脏进行分类,区别肝细胞癌,肝硬化和正常的肝组织。通过对基于多项式核函数和径向基核函数的支持向量机分类器进行比较,并且得到三种肝脏分类的识别率。实验表明基于31P磁共振波谱数据的支持向量机分类模型能够对活体肝脏进行诊断性的预测。

基于CART算法的肺癌微阵列数据的分类

基因芯片技术是基因组学中的重要研究工具。而基因芯片数据( 微阵列数据) 往往是高维的,使得降维成为微阵列数据分析中的一个必要步骤。本文对美国哈佛医学院 G. J. Gordon 等人提供的肺癌微阵列数据进行分析。通过 t- test,Wilcoxon 秩和检测分别提取微阵列数据特征属性,后根据 CART( Classification and Regression Tree) 算法,以 Gini 差异性指标作为误差函数,用提取的特征属性广延的构造分类树; 再进行剪枝找到最优规模的树,目的是提高树的泛化性能使得能很好适应新的预测数据。实验证明: 该方法对肺癌微阵列数据分类识别率达到 96% 以上,且很稳定; 并可以得到人们容易理解的分类规则和分类关键基因。

基于小波高频系数基因芯片数据的特征提取

结合小波分析理论与支持向量机理论,构造分类器模型,将前列腺癌基因芯片数据分成癌症和正常两种。本文着重研究小波高频系数基因芯片数据的特征提取,并通过实验对比小波高频系数和低频系数特征提取对分类器性能的影响。其中haar小波3层分解提取高频系数,送入分类器分类后,得到的正确分类率为93.31%。db1小波4层分解提取低频系数,送入分类器分类后,得到的正确分类率为93.53%。小波低频系数特征提取分类效果总体上好于高频系数,分类器性能稳定。

基于模拟退火算法的高分辨率蛋白质质谱数据特征选择

蛋白质质谱技术是蛋白质组学的重要研究工具,它被出色地应用于癌症早期诊断等领域,但是蛋白质质谱数据带来的维灾难问题使得降维成为质谱分析的必需的步骤。本文首先将美国国家癌症研究所提供的高分辨率SELDI-TOF卵巢质谱数据进行预处理;然后将质谱数据的特征选择问题转化成基于模拟退火算法的组合优化模型,用基于线性判别式分析的分类错误率和样本后验概率构造待优化目标函数,用基于均匀分布和控制参数的方法构造新解产生器,在退火过程中添加记忆功能;然后用10-fold交叉验证法选择训练和测试样本,用线性判别式分析分类器评价降维后的质谱数据。实验证明,用模拟退火算法选择6个以上特征时,能够将高分辨率SELDI-TOF卵巢质谱数据全部正确分类,说明模拟退火算法可以很好地应用于蛋白质质谱数据的特征选择。

基于遗传算法特征选择的^(31)P磁共振波谱图数据分类

基于31P磁共振波谱图(31Phosphorus Magnetic Resonance Spectroscopy,31P-MRS)对肝脏数据进行诊断,共分为三种类型:肝癌,肝硬化和正常肝。本文在线性分类器分类前先用遗传算法进行特征选择,选择出最优特征子集。实验中,用线性分类器分别对经过遗传算法特征选择后的最优特征子集分类和对提取的全波谱数据进行分类。实验结果证明,前者方法不仅明显提高了分类的准确率,而且减少了分类器运行的时间,其中31P-MR波谱对活体肝细胞癌的诊断正确率从62.50%提高到89.35%。