面向癫痫诊断的特征融合及协同决策方法
这是一篇关于癫痫,脑电图,特征融合,模糊系统,智能诊断的论文, 主要内容为癫痫是一种非传染性的慢性神经系统疾病,发作时的不可预测性给患者带来了生活的不便,且其并发症形式多样,严重时可能危及生命。基于脑电图(Electroencephalogram,EEG)进行癫痫诊断是该疾病最常用的临床诊断手段。但是,阅读脑电图主要依靠有经验的医生目视检查,费时费力。因此,研究辅助医生读图的癫痫自动诊断模型尤为重要。随着技术的发展,已经有许多癫痫诊断的模型出现,不过仍然存在着一些问题和挑战,一是原始EEG数据存在信息不完整和时空信息互相干扰的问题;二是癫痫发作的标记数据不足和样本不平衡问题;三是探究如何提取出全面性的有效特征;四是数据的异化性和分类设定的多样性问题。针对上述四个问题,本文提出了两种基于特征融合及协同决策的新方法,分别用于癫痫发作检测和癫痫发作亚型分类任务,并进一步开发了在线服务平台原型系统。本论文的主要工作包含如下三个方面:(1)针对原始数据的信息完整性及特征的鉴别力问题,本文提出了一个多尺度深度特征融合及多视角协同的癫痫检测算法。首先,从时域、频域、时频域提取三种浅层视角特征,并通过深度学习得到深度特征;然后,构建多尺度融合网络学习出多个全局融合视角特征,分别描述了一个一般化的全局融合视角和三个局部强化的全局融合视角;进一步地,在得到的三个深度视角和四个全局融合视角的基础上,训练了基于模糊规则的多视角TSK模糊系统。最终构建出具有高泛化性和可解释性的癫痫检测模型。将该模型应用于国际开源的波士顿儿童医院癫痫脑电数据集进行性能评估,在准确率、灵敏度和特异度三个测试性能上均表现优异。与其他的新颖方法相比,本文所提出的检测算法具有更好的整体性能。(2)针对特征的有效性、数据的异化性和分类设定的多样性问题,本文提出了一个自相关特征融合及模糊分类的亚型分类算法。该算法由深度特征处理、自相关融合和模糊分类三个部分构成。深度特征处理包括通道压缩、扩频等一系列操作。自相关融合的过程首先依靠多头注意力机制提取时域和频域信息的自相关性;然后,融合两种自相关特征构成时频自相关特征;最后,学习时频深度特征和时频自相关特征的多视角信息,得到时频融合特征。模糊分类由经典的TSK模糊系统作为基本模型实现。基于天普大学癫痫脑电数据集和华中科技大学儿童数据集,该分类算法在F1指标和准确率上均达到了不错的效果。同时给出了不同亚型划分的验证结果和解释。(3)基于上述两个算法,开发设计了一个智能癫痫诊断平台的原型系统。平台前端由Vue框架实现,后端基于Spring Boot和Flask框架,该平台服务于临床医生和患者,由管理员进行信息和权限监管。医生首先通过癫痫检测模型确认是否为癫痫发作并标记发作期,然后利用癫痫亚型自动分类模型明确患者的发作类别,便于医生更快更有效地掌握足够的病理信息并对症诊断。患者可以借助平台远程查询病情,并通过在线聊天功能便捷及时地和医生进行沟通,做到医患云端会面。该平台既提高了医生的诊断效率,又降低了患者的问诊成本,真正达到了医患信息共享,搭建出医患沟通新桥梁。
面向癫痫诊断的特征融合及协同决策方法
这是一篇关于癫痫,脑电图,特征融合,模糊系统,智能诊断的论文, 主要内容为癫痫是一种非传染性的慢性神经系统疾病,发作时的不可预测性给患者带来了生活的不便,且其并发症形式多样,严重时可能危及生命。基于脑电图(Electroencephalogram,EEG)进行癫痫诊断是该疾病最常用的临床诊断手段。但是,阅读脑电图主要依靠有经验的医生目视检查,费时费力。因此,研究辅助医生读图的癫痫自动诊断模型尤为重要。随着技术的发展,已经有许多癫痫诊断的模型出现,不过仍然存在着一些问题和挑战,一是原始EEG数据存在信息不完整和时空信息互相干扰的问题;二是癫痫发作的标记数据不足和样本不平衡问题;三是探究如何提取出全面性的有效特征;四是数据的异化性和分类设定的多样性问题。针对上述四个问题,本文提出了两种基于特征融合及协同决策的新方法,分别用于癫痫发作检测和癫痫发作亚型分类任务,并进一步开发了在线服务平台原型系统。本论文的主要工作包含如下三个方面:(1)针对原始数据的信息完整性及特征的鉴别力问题,本文提出了一个多尺度深度特征融合及多视角协同的癫痫检测算法。首先,从时域、频域、时频域提取三种浅层视角特征,并通过深度学习得到深度特征;然后,构建多尺度融合网络学习出多个全局融合视角特征,分别描述了一个一般化的全局融合视角和三个局部强化的全局融合视角;进一步地,在得到的三个深度视角和四个全局融合视角的基础上,训练了基于模糊规则的多视角TSK模糊系统。最终构建出具有高泛化性和可解释性的癫痫检测模型。将该模型应用于国际开源的波士顿儿童医院癫痫脑电数据集进行性能评估,在准确率、灵敏度和特异度三个测试性能上均表现优异。与其他的新颖方法相比,本文所提出的检测算法具有更好的整体性能。(2)针对特征的有效性、数据的异化性和分类设定的多样性问题,本文提出了一个自相关特征融合及模糊分类的亚型分类算法。该算法由深度特征处理、自相关融合和模糊分类三个部分构成。深度特征处理包括通道压缩、扩频等一系列操作。自相关融合的过程首先依靠多头注意力机制提取时域和频域信息的自相关性;然后,融合两种自相关特征构成时频自相关特征;最后,学习时频深度特征和时频自相关特征的多视角信息,得到时频融合特征。模糊分类由经典的TSK模糊系统作为基本模型实现。基于天普大学癫痫脑电数据集和华中科技大学儿童数据集,该分类算法在F1指标和准确率上均达到了不错的效果。同时给出了不同亚型划分的验证结果和解释。(3)基于上述两个算法,开发设计了一个智能癫痫诊断平台的原型系统。平台前端由Vue框架实现,后端基于Spring Boot和Flask框架,该平台服务于临床医生和患者,由管理员进行信息和权限监管。医生首先通过癫痫检测模型确认是否为癫痫发作并标记发作期,然后利用癫痫亚型自动分类模型明确患者的发作类别,便于医生更快更有效地掌握足够的病理信息并对症诊断。患者可以借助平台远程查询病情,并通过在线聊天功能便捷及时地和医生进行沟通,做到医患云端会面。该平台既提高了医生的诊断效率,又降低了患者的问诊成本,真正达到了医患信息共享,搭建出医患沟通新桥梁。
基于层级模糊网络模型的危险货物道路运输车辆风险评估研究与应用
这是一篇关于危险货物运输,运输安全,风险评估,模糊系统,模糊神经网络的论文, 主要内容为危险货物在运输过程中一旦发生事故将会造成非常恶劣的影响,损失巨大。我国各个省份的道路运输管理中心对于从事危险货物运输的企业平台也开展了针对性的监管措施,主要是对危险货物运输企业的宏观监控,缺乏对具体运输车辆的精准监管。通过对危险货物道路运输车辆历史事故数据的影响因素分析,对运输车辆的事故风险进行评估,能够帮助危险货物营运企业和监管部门更加精确的对运输车辆个体进行管控,减少甚至避免运输事故的发生。本文对危险货物道路运输车辆风险评估问题进行研究,首先通过多种渠道对陕西省危险货物道路运输车辆事故数据进行搜集整理,建立可靠、精确的危险货物事故数据集。基于此数据从驾驶员、车辆、道路环境、货物和管理五个方面明确事故致因,构建事故风险评估指标体系。同时使用解释结构模型进一步分析指标之间的层次性结构,为后续构建模型做好数据准备。其次基于指标之间的层次性关系,利用模糊神经网络构建了层级模糊网络模型用来对危险货物道路运输车辆事故风险进行预测。在该模型中,第一层的每个模糊系统对应一组指标层数据,这些模糊系统可以生成对目标的弱估计量,模糊神经网络以这些弱估计量作为输入进行模型训练。同时考虑到实际环境中存在获取到的数据信息不完备的情况,在此条件下,通过计算各指标权重,采用定性分析方法对危险货物道路运输车辆事故风险进行评估,为相关工作人员提供决策支持。最后使用前后端分离技术架构搭建危险货物道路运输车辆风险评估系统。该系统以层级模糊网络模型作为后端处理模型,前端使用VUE+element UI框架,后端使用Spring Boot+Mybatis框架,实现了可以对危险货物道路运输车辆进行实时监控和风险评估的风险系统。数据实验和对比测试表明,层级模糊网络模型在有限数据条件下对于事故风险有更好的预测效果,各级事故预测精度均达到90%以上,模型整体效果优于其他模型,在保证对事故风险实时检测的同时对事故级别有更加准确的预测结果。
基于层级模糊网络模型的危险货物道路运输车辆风险评估研究与应用
这是一篇关于危险货物运输,运输安全,风险评估,模糊系统,模糊神经网络的论文, 主要内容为危险货物在运输过程中一旦发生事故将会造成非常恶劣的影响,损失巨大。我国各个省份的道路运输管理中心对于从事危险货物运输的企业平台也开展了针对性的监管措施,主要是对危险货物运输企业的宏观监控,缺乏对具体运输车辆的精准监管。通过对危险货物道路运输车辆历史事故数据的影响因素分析,对运输车辆的事故风险进行评估,能够帮助危险货物营运企业和监管部门更加精确的对运输车辆个体进行管控,减少甚至避免运输事故的发生。本文对危险货物道路运输车辆风险评估问题进行研究,首先通过多种渠道对陕西省危险货物道路运输车辆事故数据进行搜集整理,建立可靠、精确的危险货物事故数据集。基于此数据从驾驶员、车辆、道路环境、货物和管理五个方面明确事故致因,构建事故风险评估指标体系。同时使用解释结构模型进一步分析指标之间的层次性结构,为后续构建模型做好数据准备。其次基于指标之间的层次性关系,利用模糊神经网络构建了层级模糊网络模型用来对危险货物道路运输车辆事故风险进行预测。在该模型中,第一层的每个模糊系统对应一组指标层数据,这些模糊系统可以生成对目标的弱估计量,模糊神经网络以这些弱估计量作为输入进行模型训练。同时考虑到实际环境中存在获取到的数据信息不完备的情况,在此条件下,通过计算各指标权重,采用定性分析方法对危险货物道路运输车辆事故风险进行评估,为相关工作人员提供决策支持。最后使用前后端分离技术架构搭建危险货物道路运输车辆风险评估系统。该系统以层级模糊网络模型作为后端处理模型,前端使用VUE+element UI框架,后端使用Spring Boot+Mybatis框架,实现了可以对危险货物道路运输车辆进行实时监控和风险评估的风险系统。数据实验和对比测试表明,层级模糊网络模型在有限数据条件下对于事故风险有更好的预测效果,各级事故预测精度均达到90%以上,模型整体效果优于其他模型,在保证对事故风险实时检测的同时对事故级别有更加准确的预测结果。
兼顾分子结构与序列挖掘的酶功能预测
这是一篇关于酶功能预测,多视图分类,点云,卷积,自注意力,模糊系统的论文, 主要内容为酶与生物体的生化、代谢和疾病过程息息相关。研究酶的功能预测在疾病诊断、生产生活等方面具有重大的意义。面对酶数据的急剧增加,传统生物实验识别酶功能的技术由于其效率低、代价高,难以满足实际的需求。随着机器学习的深度发展,越来越多的基于计算技术的酶功能预测方法相继出现。虽然目前大部分酶分类算法已取得了不错的效果,但是仍具有较大的提升空间,主要表现在:1)目前的计算方法还不能够充分挖掘酶的序列、结构等信息;2)如何高效地结合不同视角特征进行分类也有待进一步研究。针对上述挑战,本文从多视图特征、卷积与自注意力相结合等角度出发,提出了三种新的酶功能预测方法,并进行了系统设计与实现,同时对后期的改进也进行了探讨。本文的主要研究内容和贡献可概括为如下四个方面:(1)针对需要新的酶分类方法挖掘酶的序列与结构特征,提出了一种兼顾分子结构与序列信息、进行深度特征抽取、并采用多视图分类的酶功能预测新方法BP-TSK(BBCNet,Pointnet++and TSK)。首先,为了有效提取酶序列数据的鉴别信息,本文提出一种融合BBA(Binding Bi-LSTM and self-Attention)残差模块与Bio-CS(Biological Channel and Spatial Attention)注意力机制的序列学习深度神经网络来提取酶的序列深度特征;其次,创新性地引入点云来表达酶的三维结构信息,并利用点云深度学习网络来提取酶的结构深度特征;最后,将序列和结构两个视角的深度特征输入到多视图TSK模糊系统,以构建基于模糊规则和模糊推理的多视图分类器,进而实现多视图的酶功能综合决策。提出的模型和最新的各种代表性方法做了比较,在Protein Data Bank(PDB)蛋白质数据集上获得了最高的准确率与精确度。(2)在前一个工作BP-TSK的基础上,进一步改进了BP-TSK在序列方面的特征提取能力,提出了一种新的卷积与自注意力机制多层结合的酶功能预测模型CCANet(Convolution Combine Attention Network)。该模型采用酶的one-hot序列作为输入,采用卷积与自注意力进行多层结合的方式进行特征提取和功能预测。卷积和自注意力通常被认为是两种不同的表征学习,本文中研究了两者之间的内在联系,并利用这种联系提出了一种新的卷积与自注意力相结合的方法SESA。通过实验验证,提出的方法得到了较高质量的酶功能预测效果。(3)为了结合上述两种方法的优势,本文基于酶的序列与结构信息进一步提出一种决策级别进行酶功能预测的方法BCP-Net(BBCNet,CCANet and Pointnet++)。该方法由三个不同的网络并行组成,在决策部分进行了加权融合,并采用集成学习分类器进行预测,性能与前面提出地两个方法相比得到了更显著的提升。(4)为了将算法进行更好的应用,本文对CCANet和BCP-Net两种算法进行了系统设计与实现,并通过了相应的测试。
基于层级模糊网络模型的危险货物道路运输车辆风险评估研究与应用
这是一篇关于危险货物运输,运输安全,风险评估,模糊系统,模糊神经网络的论文, 主要内容为危险货物在运输过程中一旦发生事故将会造成非常恶劣的影响,损失巨大。我国各个省份的道路运输管理中心对于从事危险货物运输的企业平台也开展了针对性的监管措施,主要是对危险货物运输企业的宏观监控,缺乏对具体运输车辆的精准监管。通过对危险货物道路运输车辆历史事故数据的影响因素分析,对运输车辆的事故风险进行评估,能够帮助危险货物营运企业和监管部门更加精确的对运输车辆个体进行管控,减少甚至避免运输事故的发生。本文对危险货物道路运输车辆风险评估问题进行研究,首先通过多种渠道对陕西省危险货物道路运输车辆事故数据进行搜集整理,建立可靠、精确的危险货物事故数据集。基于此数据从驾驶员、车辆、道路环境、货物和管理五个方面明确事故致因,构建事故风险评估指标体系。同时使用解释结构模型进一步分析指标之间的层次性结构,为后续构建模型做好数据准备。其次基于指标之间的层次性关系,利用模糊神经网络构建了层级模糊网络模型用来对危险货物道路运输车辆事故风险进行预测。在该模型中,第一层的每个模糊系统对应一组指标层数据,这些模糊系统可以生成对目标的弱估计量,模糊神经网络以这些弱估计量作为输入进行模型训练。同时考虑到实际环境中存在获取到的数据信息不完备的情况,在此条件下,通过计算各指标权重,采用定性分析方法对危险货物道路运输车辆事故风险进行评估,为相关工作人员提供决策支持。最后使用前后端分离技术架构搭建危险货物道路运输车辆风险评估系统。该系统以层级模糊网络模型作为后端处理模型,前端使用VUE+element UI框架,后端使用Spring Boot+Mybatis框架,实现了可以对危险货物道路运输车辆进行实时监控和风险评估的风险系统。数据实验和对比测试表明,层级模糊网络模型在有限数据条件下对于事故风险有更好的预测效果,各级事故预测精度均达到90%以上,模型整体效果优于其他模型,在保证对事故风险实时检测的同时对事故级别有更加准确的预测结果。
本文内容包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主题。发布者:代码货栈 ,原文地址:https://m.bishedaima.com/lunwen/50361.html