-
基于稀疏嵌入的多分类脑电信号分类方法研究
编辑人员丨2024/8/10
为解决运动想象脑电(electroencephalogram,EEG)信号多分类传输速率慢、准确率低的问题,本研究利用"一对多"滤波组共空间模式(one vs rest filter bank common spatial pattern,OVR-FBCSP)和稀疏嵌入(sparse embeddings,SE)提出了一种基于SE的多分类EEG信号分类方法.为降低多类任务特征提取的复杂度,提高分类效率,本方法首先采用OVR-FBCSP进行EEG信号特征提取;然后对其相应的标签矩阵进行低维嵌入,构建稀疏嵌入模型,分别计算训练和测试数据的嵌入矩阵;最后在嵌入空间中对训练和测试数据执行k最近邻(k-nearest neighbor,kNN)分类.本研究在BCI Competition IV-2a公开数据集进行了实验测试,并与其他分类方法进行了对比.实验结果表明,本研究方法拥有较高的分类准确率和较短的分析时间.
...不再出现此类内容
编辑人员丨2024/8/10
-
基于深层内嵌混合稀疏堆栈自动编码器和流形集成的精神病语音识别方法
编辑人员丨2023/8/5
语音特征学习是精神病语音识别方法的核心和关键.深层特征学习可以自动提取语音特征,但受限于小样本问题;传统的特征提取(原始特征)避免小样本问题影响,但严重依赖经验且自适应不佳.为了解决这一问题,本文提出了一种深层内嵌混合稀疏堆栈自动编码器流形集成算法.首先,基于先验知识提取精神病语音特征,构造原始特征.其次,将原始特征内嵌入到稀疏堆栈自动编码器(深度网络)中,对隐藏层的输出进行滤波,增强深层特征与原始特征的互补性.再次,设计L1正则化特征选择机制,压缩由深层特征和原始特征组成的混合特征集的维度.最后,设计了加权局部保持投影算法和集成学习机制,构造了流形投影分类器集成模型,进一步提高了小样本下特征融合的分类稳定性.此外,本文首次设计了一个中大规模的精神病语音采集方案,收集并构建了一个大规模的中文精神病语音数据库,用于精神病语音识别算法的验证.实验结果表明,该算法主要创新部分有效;与其他有代表性的算法相比具有更好的分类准确率,最大改善了 3.3％.综上所述,本文提出了一种基于深层内嵌混合稀疏堆栈自动编码器和流形集成的精神病语音识别方法,有效提高了精神病语音识别准确率.
...不再出现此类内容
编辑人员丨2023/8/5
-
室管膜下瘤临床病理分析
编辑人员丨2023/8/5
目的 探讨室管膜下瘤(subependymoma,SE)的临床特点、病理诊断及鉴别诊断、治疗与预后.方法 回顾性分析6例SE的临床资料、组织学形态和免疫组化标记,并复习相关文献.结果 肿瘤由成簇细胞增生组成,嵌入胶质细胞突起的致密纤维基质中,可见稀疏区、密集区,有大的无细胞区,偶见轻微的假菊形团结构及小灶出血,均见微囊形成.肿瘤边界清楚,瘤细胞多呈裸核,大小一致,圆形或卵圆形,细胞温和、异型性不明显,未见核仁,无明显核分裂象及坏死.例4、例5微囊结构显著.例3、5局部见玻璃样变性的血管及钙化.免疫组化示6例SE肿瘤细胞中GFAP、S-100呈弥漫阳性,Olig-2、CD34、P53、IDH1、NeuN阴性,2例ATRX阳性,Ki-67增殖指数约1％.结论 SE少见,其临床特征及影像学检查无明显特异性,确诊主要依靠病理学检查,该肿瘤虽属WHO1级,但可复发,应对其进行长期密切随访.
...不再出现此类内容
编辑人员丨2023/8/5
