通过结合基于SMOTE数据扩充方法对复杂音频数据的处理能力以及GA-SVM的准确预测能力,提出一种基于SMOTE数据扩充算法的GA-SVM模型,并将其应用于甲状腺疾病的诊断中.实验结果表明,本文方法在甲状腺疾病分类诊断方面表现出良好的性能.相较于其他方法,本文方法在诊断效果方面表现更佳,在甲状腺疾病的分类诊断中具有更高的适用性.

目的 评价基质辅助激光解析/电离飞行时间质谱(MALDI-TOF MS)技术快速区分携带rmpA2毒力基因的高毒力肺炎克雷伯菌的能力.方法 对浙江大学医学院附属第二医院和河南省人民医院的57株肺炎克雷伯菌,PCR扩增rmpA2毒力基因和荚膜血清型基因,多位点序列分型方法(MLST)进行分型,拉丝试验进行高黏液表型测定.MALDI-TOF MS对肺炎克雷伯菌进行鉴定并对峰图进行二维分析和算法统计,包括采用支持向量机算法(SVM),遗传算法(GA),监督使神经网络算法(SNN)和快速分类算法(QC)进行数据分析并建立相应模型,得到分型区分的特征峰.结果 57株肺炎克雷伯菌中有28株携带rmpA2毒力基因,MLST均为ST11型,其中拉丝试验阳性有5株;29株不携带rmpA2毒力基因,主要ST型为ST11(n=23),还包括ST15(n=3),ST1、ST76和ST473各一株.质谱将肺炎克雷伯菌较清晰地划分成两个区域,ClinProTools软件可准确区分84.2%(48/57)的菌株.ClinProTools软件四种算法结果基本相似,SVM特异性和灵敏度最高,分别为93.23%和100%.采用ClinProTools对质谱峰进行统计显示,得到区分rmpA2基因阳性组和阴性组的2个特征峰分别为7168.9和7280.76,在峰强度上存在一定的差异.结论 MALDI-TOF MS快速区分携带rmpA2毒力基因的高毒力肺炎克雷伯菌方法灵敏度和特异性都在90%以上,得到两个特征峰在峰强度上存在一定差异,需进一步验证.

不同产区天麻药材的功效和质量具有较大差异, 产区鉴别有助于药材的科学合理利用.采用近红外光谱结合方差光谱、主成分分析、间隔偏最小二乘、遗传算法对云南省外、省内 (除昭通) 及昭通天麻特征光谱进行提取, 分别建立了i PLS-DA和GA-SVM模式识别模型, 并对模式识别模型的适配性进行验证.结果显示, 建立的i PLS-DA模型的预测正确率为96. 15％, R2, RMSECV, RMSEP分别为0. 893, 0. 224, 0. 321; GA-SVM的预测正确率为100％, RMSECV为0. 719 4, i PLS-DA和GA-SVM方法均能较好识别不同产区天麻样品.进一步将i PLS和GA提取的特征光谱进行二维相关光谱分析.结果表明, 省外和省内天麻差异性光谱主要位于多糖类、芳香烃类、酰胺类和淀粉等物质的C-H, C-N, O-H, N-H键的伸缩、弯曲及倍频吸收区;省外与昭通天麻差异性光谱主要分布在植物蛋白、芳香烃类、多糖类及醇类物质的C-H, O-H, N-H键的伸缩、弯曲及倍频吸收区;省内与昭通天麻差异光谱主要集中于木质素、芳香烃类、醇类、多糖类及脂肪族类物质的CHO, N-H, C-H, O-H, HOH伸缩、弯曲、变形及倍频吸收区.应用近红外光谱结合多变量选择及二维相关光谱, 可有效识别不同产区天麻及探析天麻组分的差异特征, 对天麻的合理开发与高效利用奠定基础依据.

目的 利用近红外漫反射光谱(near-infrared reflectance spectroscopy,NIRS)法,结合主成分分析(principal com-ponent analysis,PCA)和支持向量机(support vector machine,SVM)联用算法,建立PCA-SVM的NIR模式识别模型,用于国产和进口啤酒花的快速鉴别.方法 收集上述不同产地的啤酒花样品,制备成均匀粉末,在4000～12500 cm-1光谱区,采集各样品粉末的NIR光谱,选取特征谱段9000～4100 cm-1为建模谱段,分别采用不同光谱预处理方法进行预处理并分别进行PCA降维.根据2维主成分平面散点图,优选最佳预处理方法.利用最佳预处理方法处理后的光谱PCA降维数据,建立SVM模式识别模型,SVM模型参数采用网格搜索法、遗传算法(GA)、粒子群优化法(PSO)进行寻优.对比不同主成分数所建PCA-SVM模型的预测准确率,确定最佳的主成分数,最终建立PCA-SVM的NIR快速鉴别模型.结果 在6500～5400 cm-1谱段,以一阶导数法(first derivative,FD)为最佳光谱预处理方法,PCA提取的光谱前8个主成分为最佳主成分,并经网格搜索法确定最佳SVM内部参数:惩罚因子c=2,核函数参数g=1,建立啤酒花PCA-SVM鉴别模型,该模型五折交叉验证准确率达97.37％,对校正集和测试集样品预测准确率均分别为97.37％和97.44％.结论 啤酒花NIRS光谱,进行PCA-SVM算法建模,模型预测准确率高、性能佳,可用于啤酒花样品的快速、无损鉴别.

目的 帕金森病是最常见的神经退行性疾病之一,然而目前诊断仍面临一定的挑战.机器学习可以应用于神经系统疾病的诊断与预测,然而基于大脑皮层厚度通过机器学习是否可以准确诊断帕金森病尚不清楚.方法 纳入77名帕金森病患者和37名正常被试,所有被试均进行3D magnetization-prepared rapid acquisition gradient echo(MPRAGE)序列扫描,并提取大脑皮层所有的皮层厚度数据.将所有被试分为训练集和测试集,并进行标准化.采用Support Vector Machine (SVM)(拟合函数:Radial Basis Function)方法进行帕金森病诊断,采用Genetic Algorithm(GA)优化SVM中最佳参数.最后采用前面所确定的最优化参数对测试集进行最终预测.结果 通过voxel-wise方法进行对比,并经过False discovery rate(FDR)校正后,帕金森病患者的左侧前扣带回、右侧额叶区域和左侧颞叶区域皮层厚度较正常对照组减少.进行Cross Validation最佳的平均正确率为65.4％.应用此参数创建基于SVM的机器学习网络,并对测试集进行预测,最终得到的正确率为75％,表明该模型对于帕金森病具有良好的预测性能.结论 与正常对照组相比,帕金森病患者的左侧前扣带回、右侧额叶区域和左侧颞叶区域皮层厚度较正常对照组减少.通过基于全脑皮层厚度的机器学习,诊断的准确性可以达到75％.

[目的]应用高效液相色谱(HPLC)法指纹图谱技术联合多组分定量分析构建益母草原料药的质量控制方法.[方法]应用高效液相色谱-二极管阵列检测器-质谱(HPLC-DAD-MS)法检测4个产地110份益母草,经遗传-偏最小二乘法(GA-PLS)筛选得到7个特征峰(5个被鉴定),并以此构建HPLC指纹图谱;应用HPLC外标法测定5个特征化合物(盐酸益母草碱、芦丁、槲皮素、山奈酚和芹菜素)的含量.[结果]指纹图谱效能评价:4种模式识别模型,主成分分析(PCA)、线性判别分析(LDA)、最小二乘-支持向量机(LS-SVM)和径向基-神经网络(RBF-NN),均证实该指纹图谱具有很好的辨识度,可准确鉴别不同产地的益母草,以RBF-NN为最优(校正集识别率98.6％,预报集识别率97.3％).特征组分定量分析:新疆、河南益母草各组分含量较高,河南、江西、湖北药材部分组分具有相近的含量.[结论]HPLC指纹图谱技术联合多组分定量分析,可用于益母草的产地鉴别和质量评价.

土壤有机碳是影响土壤肥力的最重要因素之一.生物炭由于具有高度芳香化碳结构和发达孔隙结构等特性,可以作为一种土壤改良剂,提高土壤有机碳含量,改善土壤物理结构,近些年成为农业环境领域研究的热点.分别采用传统方法和可见光近红外光谱(VIS-NIRS,400—2500 nm)技术对施加不同用量生物炭的土壤有机碳含量进行检测和对比分析,以期为含生物炭土壤的有机碳分析建立有效预测模型.通过比较不同样本选择方法(Kennard-Stone (KS),Random selection (RS)和Sample setpartitioning based on joint x-y distances(SPXY))和光谱预处理方法(Savitzky-Golay平滑(SG)、倒数的对数log(1/R)、标准正态变量变换(SNV)、一阶导数(Der1)、二阶导数(Der2)和多元散射校正(MSC)),以3种模型(组合间隔偏最小二乘模型(Synergy Interval Partial Least Squares,siPLS),遗传算法-支持向量机模型(Genetic Algorithm-Support vector machine,GA-SVM)和随机森林模型(Random Forest,RF))来建立生物炭土壤有机碳预测模型.结果 表明:(1)施加生物炭增加了土壤有机碳含量,增加幅度随生物炭添加量的提高呈增加趋势;(2)土壤反射率随土壤有机碳含量的增加而降低,在1410、1920和2200 nm光谱附近存在明显的吸收谷;(3)对比3种样本选择方法,KS方法所划分的样本集相对于RS方法和SPXY方法更适用于生物炭土壤有机碳模型的建立;(4)以SG+MSC预处理结合GA-SVM方法建立的模型精度最高,校正集的R2cal和RMSECV值分别为0.9526和0.4839,验证集的Rv2a1和RMSEP值分别为0.8598和0.9987,RPD值为2.6017.该模型因具有精度高且模拟效果较好等优点,可用于含生物炭土壤的有机碳含量的科学预测.

胎儿心电信号提取对围产期胎儿监护具备重要意义.为提高胎儿心电信号的预测精度,本文提出一种基于遗传算法(GA)优化的长短时记忆(LSTM)网络胎儿心电信号提取方法(GA-LSTM).首先根据母体腹壁混合心电信号的特征,利用GA的全局搜索能力对LSTM网络中隐层神经元个数、学习率和训练次数进行寻优,计算参数的最优组合,使网络拓扑结构与母体腹壁混合信号的特征相匹配;然后,使用GA求出的最优网络参数构建LSTM网络模型,并利用GA-LSTM网络模型估计母体胸部心电信号传输到母体腹壁时的非线性变换;最后,利用母体胸部心电信号和GA-LSTM网络模型求得的非线性变换,估计腹壁信号中所含的母体心电信号,从腹壁混合信号中减去估计出的母体心电信号,得到纯净的胎儿心电信号.本文实验应用两个数据库的临床心电信号进行实验分析,最终结果表明:与传统归一化最小均方误差(NLMS)方法、支持向量机(SVM)方法、遗传算法支持向量机(GA-SVM)方法和LSTM网络方法相比,本文所提出的方法可以提取出更为清晰的胎儿心电信号,其准确率、灵敏度、精确性和总体概率均有较好的提高,表明本文方法可以提取出较为纯净的胎儿心电信号,对围产期胎儿健康监护具有一定的应用价值.

目的 建立基于唾液炎症因子水平的牙龈炎、牙周炎诊断机器学习模型.方法 Luminex液相芯片检测牙周健康对照组(41人)、牙龈炎患者组(60人)和牙周炎患者组(54人)唾液中22种炎症因子水平,Spearman分析选择P<0.05的炎症因子建立六种机器学习模型,比较它们在区分牙周健康者、牙龈炎患者和牙周炎患者中的诊断性能.结果 支持向量机(SVM)、PSO改良支持向量机(PSO-SVM)、GA改良支持向量机(GA-SVM)模型准确率为100％;深度学习(BP)和GA改良深度学习(GA-BP)模型准确率为87.10％,Fisher分类判别模型(LDA)准确率为83.87％.结论 SVM模型准确率和运行时间最佳,可判断牙周健康状况,机器学习模型可能成为牙龈炎和牙周炎诊断新方法.