期刊指标
提交
杂志简介
编辑聚光灯
特殊问题最新的文章
更多文章
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
记录癫痫发作活动的脑电图（EEG）区段检测对于癫痫发作的分类关键。手动识别是一个费时，费力的过程，地方上的神经学家一个沉重的负担，因此，癫痫的自动识别已成为一个重要的问题。传统的脑电图识别模型在很大程度上依赖于人工经验，为弱泛化能力。为了打破这些限制，我们提出了鲁棒的检测癫痫发作的，其构成三个卷积块和三个完全连接层的新颖的一维深神经网络。到其中，每个卷积块包括五种类型的层的：卷积层，批标准化层，非线性激活层，漏失层，和max-池层。模型性能的波恩数据集大学，达到97.63％~99.52％的准确度在二分类问题进行评估，96.73％~98.06％，在三级分类脑电问题，并在分类93.55％的复杂五类问题。
等级区分乳腺浸润性导管癌利用磁共振成像的纹理分析
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，基于离散小波乳腺癌分割模型变换（DWT）和 -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。通过选择分类的预测主要特点，分类模型的分类准确率可以达到81.33％。3-，4-，和5倍的支持向量机模型的预测精度的交叉验证是77.79％〜81.94％。结论。IDC的病理分级可以通过乳腺肿瘤的纹理分析和特征提取来预测和评价。该方法可为临床诊断提供有价值的信息。随着进一步的发展，该模型显示出了巨大的临床应用潜力。
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）技术已成为用于理解在人的大脑认知过程以及用于引导可能疗法的神经系统疾病中最常见的选择方案之一。然而，ESI精度在很大程度上取决于正向模型功能，能够精确从可用的结构数据描述对象的头部解剖。试图改善ESI性能，提高大脑结构模型个人定义着问题配方中，结合了模拟组织室的头部几何形状的复杂性和脑组织形态的先验知识。我们验证用25名受试者，从该一组磁共振成像扫描的获取所建议的方法，在提取解剖先验和需要用于确认ESI场景的脑电图信号集。得到的结果证实，结合病人的具体头型号提高了执行的准确性，提高了焦点和深源的定位。
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（T3SS）是一种特殊蛋白质递送系统中的革兰氏阴性细菌，其提供T3SS分泌效应（T3SEs）到使病变的宿主细胞。许多实验已经证实，T3SEs在多种生物活性和宿主 - 病原体相互作用中发挥重要作用。T3SEs的精确识别因此，为了帮助理解细菌的致病机制是必不可少的;然而，许多现有的生物学实验方法是耗时且昂贵的。新深学习方法最近已成功地应用于T3SE认可，但对改善T3SEs的识别精度仍然是一个挑战。在这项研究中，我们开发了一种新的深学习框架，ACNNT3的基础上，注意机制。我们转换100个残基的N-末端的蛋白质序列的成的，其被用作网络模型的特征输入蛋白质一级结构信息（一个热编码）和位置特异性得分矩阵（PSSM）的融合特征向量。然后，我们关注层嵌入到CNN学习III型效应蛋白的特征的偏好，其可以任何蛋白质直接准确地分类为任一T3SEs或非T3SEs。我们发现，采用新的蛋白质功能，可以提高模型的识别精度。我们的方法结合了CNN的优势和注意机制和相对于其他流行的方法是在许多指标优越。 Using the common independent dataset, our method is more accurate than the previous method, showing an improvement of 4.1-20.0%.
