期刊指标
提交
杂志简介
编辑焦点
特殊问题最新的文章
更多的文章
研究混合特征选择方法基于迭代逼近马尔可夫毯
中国传统医学的基本实验数据通常通过高效液相色谱法和质谱法获得。数据常常表现出高维和几个样品的特性，而且有很多不相关的功能和数据，这带来挑战的中国原料药信息的深入探索冗余功能。基于迭代近似马尔可夫毯（CI_AMB）的混合特征选择方法在本文提出。该方法使用的最大信息系数测量的特征和目标变量之间的相关性，并实现滤波根据评价准则不相关特征的目的，首先。迭代近似马尔可夫毯策略分析功能和工具的冗余特征的消除之间的冗余，然后最终选择一个有效的特征子集。使用传统的中国原料药基本的实验数据和UCI的多个公共数据集的对比实验表明，新方法具有更好的优势来选择少量的高度解释功能，具有套索，XGBoost，以及经典的近似马尔科夫毯方法相比。
一种新型的深层神经网络癫痫发作的稳健检测中的应用EEG信号
脑电图片段中记录的癫痫发作活动的检测是癫痫发作分类的关键。人工识别是一个费时费力的过程，给神经学家带来了沉重的负担，因此，癫痫的自动识别已经成为一个重要的问题。传统的脑电识别模型依赖人工经验，泛化能力较弱。为了突破这些限制，我们提出了一种新的一维深度神经网络来鲁棒地检测癫痫发作，它由三个卷积块和三个完全连接的层组成。其中，每个卷积块由卷积层、批处理归一化层、非线性激活层、退出层和最大池化层五种类型的层组成。在波恩大学数据集上对模型性能进行评估，该数据集在两类分类问题上的准确率为97.63% ~ 99.52%，在三类EEG分类问题上的准确率为96.73% ~ 98.06%，在复杂的五类问题上的准确率为93.55%。
MRI纹理分析对乳腺浸润性导管癌的分级鉴别
目的。本研究的目的是调查使用磁共振图像的纹理分析（TA）的（MRI）增强扫描和机器学习方法在乳腺浸润性导管癌（IDC）区分不同的等级。IDC的等级的术前预测可以提供不同的临床治疗的参考，所以在临床上具有重要的实践价值。方法。首先，建立了基于离散小波变换(DWT)的乳腺癌分割模型 -手段算法。其次，TA进行与Gabor小波分析被用于提取的MRI肿瘤的纹理特征。然后，根据所述特征之间的距离的关系，主要功能被分类和特征子集被选择。最后，特征子集是通过使用支持向量机和调整参数，以达到最佳的分类效果分类。结果。通过选择关键特征进行分类预测，分类模型的分类准确率可达81.33%。3、4、5次交叉验证的支持向量机模型预测精度为77.79%~81.94%。结论。通过对乳腺肿瘤的纹理分析和特征提取，可以预测和评估IDC的病理分级。该方法可为医生的临床诊断提供有价值的信息。随着进一步的发展，该模型在实际临床应用中显示出了很高的潜力。
基于模型的断奶试验VA-ECLS治疗
静动脉体外生命支持（VA-ECLS）在重症监护病房（重症监护病房）用于急性重症心源性休克，以及临床医生必须处理的主要问题之一的最极端的演讲是由VA-ECLS断奶。在这项研究中，连接到VA-ECLS心血管系统的患者特异性模型是建立在改善这个复杂系统的理解。猪实验，以验证模型，结果都相当看好，因为试验数据和仿真之间的平均差异是所有的血流动力学量小于5％。这也是本文的主要目的是提供验证的概念分析，基于模型的方法可提高VA-ECLS治疗断奶策略。
特定患者的头部建模的脑电图源成像影响
电磁源成像(ESI)技术已经成为理解人脑认知过程和指导神经系统疾病治疗的最常见替代方法之一。然而，ESI的准确性在很大程度上依赖于正演模型从现有结构数据中准确描述受试者头部解剖结构的能力。为了提高ESI性能，我们结合建模的组织隔间的头部几何复杂性和脑组织形态学的先验知识，在个人定义的正问题公式中增强了大脑结构模型。我们使用25名受试者验证了提出的方法，从受试者中获取了一组核磁共振成像扫描，提取解剖先验和脑电图信号集，以验证ESI场景。所获得的结果证实，纳入患者特有的头部模型提高了执行的准确性，并改善了焦源和深源的定位。
ACNNT3:预测基于序列的III型细菌分泌效应物的注意力- cnn框架
III型分泌系统(type III secreted effectors, T3SS)是革兰氏阴性菌的一种特殊的蛋白传递系统，它将T3SS分泌效应物(T3SEs)传递给宿主细胞，引起宿主细胞的病理改变。大量实验证实，T3SEs在许多生物活性和宿主-病原体相互作用中发挥重要作用。因此，T3SEs的准确鉴定有助于了解细菌的致病机制;然而，现有的许多生物实验方法是耗时和昂贵的。近年来，新的深度学习方法已成功应用于T3SE识别，但提高T3SE的识别精度仍是一个挑战。在本研究中，我们基于注意机制开发了一个新的深度学习框架ACNNT3。我们将蛋白序列n端100个残基转化为蛋白质一级结构信息(一热编码)和位置特异性评分矩阵(PSSM)的融合特征向量，作为网络模型的特征输入。然后我们将注意力层嵌入到CNN中，学习III型效应蛋白的特征偏好，它可以准确地将任何蛋白质直接分类为T3SEs或非T3SEs。我们发现引入新的蛋白质特征可以提高模型的识别精度。我们的方法结合了CNN的优点和注意机制，与其他流行的方法相比，在很多指标上都有优势。 Using the common independent dataset, our method is more accurate than the previous method, showing an improvement of 4.1-20.0%.
