识别模式识别卒中后轻度认知障碍患者的工作记忆与负载有关ERP

文摘

可能的认知障碍的早期检测的主题是至关重要的治疗策略的有效设备。本文探索一种方法用来区分相关的诱发电位信号的中风病人和他们的视觉工作记忆模式匹配的对照组。该算法,结合独立分量分析和正交经验模态分解,应用于提取独立的来源。四种类型的目标刺激特性包括P300高峰延迟,P300峰值振幅,均方根,θ频段功率选择。进化多个内核支持向量机(EMK-SVM)基于遗传编程研究对中风患者和健康对照组进行分类。基于5倍交叉验证运行时,EMK-SVM提供更好的分类性能相对于其他先进的算法。比较中风患者和健康对照组使用该算法,我们实现了最大的分类精度0-back和回1任务的91.76%和82.23%,分别。总的来说,实验结果表明,该方法是有效的。的方法在这项研究可能最终会导致一个可靠的工具,确定合适的脑损伤候选人和评估认知功能。

1。介绍

中风后认知障碍会影响日常生活的活动。具体地说,中风患者往往与工作记忆相关的损失与健康对照组相比。工作记忆是用于临时存储和操纵信息和在长期记忆中扮演着重要角色,语言,和执行功能。轻度认知障碍(MCI)在卒中后患者中是很常见的1),它被广泛认为是临床正常老化和痴呆之间的过渡阶段。因此,早期MCI检测至关重要预防卒中后痴呆发病(2- - - - - -6]。

认知功能的准确识别和评估提供一个主要的临床挑战。目前,MCI的医学诊断通常是由一些广泛的测试包括神经心理学测试,如细微精神状态检查(MMSE)、神经系统检查、脑电图等电生理信号检测(4,7- - - - - -9]。由于其时间分辨率在毫秒范围以及其noninvasiveness,广泛的可用性,和相对较低的成本,脑电图是一个流行的测量技术,它包含很多信息关于人类大脑功能和神经障碍10,11]。它还可以为医学诊断提供客观和数量的证据(12,13]。

头皮脑电图的研究集中在测量之前P300事件相关电位(ERP)和认知障碍患者的脑电图频率功率。P300组件通常是引起大约300毫秒后每个罕见的目标刺激,反映了背景更新和相关任务的分类(14- - - - - -16]。参数从ERP中提取信号的临床利益,因为他们是有用的在区分认知障碍患者的健康对照组(8,11,17]。在时域中,大部分的研究在认知障碍的P300报道长期延迟和减少振幅在视觉和听觉形态(15,18]。在频域中,认知上的光谱研究报道θ动力改变由于增加了认知过程的要求,如罕见的目标刺激的呈现在一个古怪的范例。因此,有可能减少脑电图θ权力认知障碍的特征(2,15,19,20.]。

一些研究已经出于使用脑电图的目标识别认知障碍患者有效的算法。莱曼等人研究了大量的能力(即线性和非线性分类算法。,linear discriminant analysis (LDA), neural network (NN), and support vector machine (SVM)) to discriminate between EEG signals of patients with varying degrees of cognitive impairment [9]。Dauwels等人用LDA和二次判别分析(QDA)对认知障碍进行分类4]。Akrofi等人研究了认知障碍的分类使用高斯混合模型和选择特性的相对平均功率和intrahemispheric通道之间的相干性对(3]。Gallego-Jutgla等人用θ和频带能量和LDA实现最佳认知损伤诊断的准确性(21]。

因为它使得基于脑电图的分类算法,支持向量机是基于结构风险最小化的收益良好的性能在许多应用程序中,特别是对于解决高维度问题,非线性和小数据集。然而,它通常是不清楚什么是支持向量机中最合适的内核,因此用户可能希望把几个可能的内核。多个内核学习支持向量机(MKL-SVM)是一种有效的方法优化内核重量(22,23]。与一个单一的内核支持向量机相比,MKL-SVM可以提高决策函数的可解释性和提高性能24,25]。

最近,非线性方法,包括独立分量分析(ICA)和正交经验模式分解(OEMD)提出了提取参数EEG信号的分析和分类(11,16]。ICA是一种盲源分离技术提取统计独立的来源被称为独立的组件(ICs)从一组记录信号(26]。OEMD是自适应信号处理和数据驱动的方法。与经典时频分析方法,如短时傅里叶变换(STFT)和小波分解,它是基于当地的特征时间尺度的信号,将信号分解成一套完整的正交组件称为固有模式函数(首先取决于信号的信号本身没有先验知识(26,27]。OEMD可以克服模式混叠,避免发生的故障模式28]。

在这项研究中,我们首先应用ERP数据的算法结合ICA和OEMD中风患者和健康对照组和使用四种类型的功能,包括P300高峰延迟,P300峰值振幅,均方根(RMS),和θ频段功率从健康的单独的中风患者。然后进化的特性和多个内核支持向量机(EMK-SVM)基于遗传编程(GP)被用来执行识别中风患者和健康对照组基于工作记忆任务。这些任务可能引起P300 ERP组件是0-back和回1任务。

2。材料和方法

我们提出了一种分类方法的中风患者和健康对照组,如图1。提出的方法由三个主要部分组成。(1)预处理算法结合ICA和OEMD被用来从18-channel ERP信号提取独立源组件。(2)四种类型的功能,包括P300高峰延迟,P300峰值振幅,RMS,和θ频段功率估计,他们以不同的方式来展示一个特征向量进行进一步的分类。(3)EMK-SVM来执行工作记忆任务分类和分类精度评价算法的性能。

2.1。ERP记录

连续患者年龄在50岁以上首次急性缺血性中风复旦大学附属华东医院2012年5月至2013年1月被招募。所有的病人接受神经心理学和神经影像学评估,和那些符合血管MCI的标准包括()[29日,30.]。13岁,sex-matched健康对照组为横断面研究。所有受试者右手和视力正常。这项研究是由复旦大学附属华东医院伦理委员会批准,所有科目给写,知情同意前参与。

如图2使用语言,工作记忆被评估到任务(5,31日]。一组伪随机的4位数字显示在监视器,和受试者被要求确定具体数字一个出现在屏幕上(0-back任务);目前所显示的数值或在任何给定的时间已经显示在前面的演讲(1的任务)。刺激是0.5秒。Inter-stimulus区间(ISI)是2.5秒在所有条件。受试者区分目标和按下一个键盘就不属预定目标的。连续ERP信号是使用脑电图/ ERP放大器系统(国家Inc .)。ERP录音,18个电极被根据10 - 20国际体系。选择电极头寸EOG1、EOG2 Fp1, Fp2, F3, F4, F7, F8, Fz, C3, C4、Cz, P3, P4, Pz, O1,奥兹和O2(见图2)。数据采样在256赫兹。信号在每个任务都记录了120年代。每个任务重复三个交易日。每个会话包含40试验1:1目标/不属预定目标的关系。即目标的总数是60,一样不属预定目标的。命中率和反应时间进行测量,如图3。

2.2。预处理算法

困难在发展中基于脑电图的分类系统是可靠的区分背景噪音的反应,因为信号相对较弱,容易干扰的工件,如电磁干扰、电力线噪声,小城镇,肌电图、心电图和主题活动。一些预处理算法已经应用于脑电图数据为了提取更丰富的特性,可以用作输入到分类器的分类精度提高任务相关的活动,如ICA和OEMD [32,33]。EMD方法可能会遇到的困难模式混合,它主要是由噪声引起的,边界效应,等等。这种类型的混合将导致多个组件的存在感兴趣的信号在同一货币基金组织,这可能会导致物理判别困难的模式。要解决这些问题,ICA和OEMD在这项研究相结合。我们首先把工件从给定的ERP信号中提取统计独立的来源由独立分量分析(ICA),然后分解使用OEMD算法提取真正的国际货币基金组织(IMF)组件。

2.2.1。独立分量分析

ICA是应用于整个原始ERP信号的集合,在那里表示数量的渠道在头皮上。ICA的目标是找到一个分离矩阵最初产生ERP信号基于统计独立的来源以矩阵形式。相比correlation-based转换,如主成分分析(PCA), ICA减少信号的统计依赖关系并试图让他们尽可能独立。这种技术已经显示出巨大的希望分析脑电图记录(16,34- - - - - -36]。学习的方法有很多。我们使用了扩展Infomax算法最小化之间的互信息数据预测为了实现独立。

分离矩阵的学习规则是(36] 在哪里的元素维对角矩阵,是迭代次数,步长。切换参数可以从峰态的变化迹象。可以获得的

2.2.2。正交经验模式分解

EMD data-adapted互动方法,它可以将任何复杂的时间序列分解成添加剂组件与多尺度特性;也就是说,

这些组件是用货币基金,是货币的数量,是国际货币基金组织(IMF),和是最后的残渣(37]。

最初的EMD算法的主要缺点之一是,imf的不严格相互正交的27),这可能会导致能量泄漏而分解。因此,有必要进行正交处理首先从EMD为了获得完全正交的货币基金(38]。

特别是,一旦第一个得到国际货币基金组织,定义,这是时间最小的规模。确定其他货币,生成残渣。可视为新的信号和EMD分解执行第二国际货币基金组织(IMF)。为了实现正交分量,必须减去;也就是说, 在哪里是第二个正交国际货币基金组织和之间的正交参数吗和。之间的正交性和,可以获得的

重复上述过程,直到满足国际货币基金组织(IMF)的预期指数(11,38]。

2.2.3。合奏ICA-OEMD

首先,基于扩展Infomax ICA算法应用于ERP信号,提取和独立的组件。第二,执行OEMD对于每个获得源代码,和一组正交首先是派生的,只有感兴趣的国际货币基金组织(IMF)基于θ频段功率和峰值200毫秒,450毫秒之间选择。结合分解自适应数据的时间和频率的内容自己和原始ERP信号分离成正交分量具有不同的时间尺度。同时,正交属性意味着不同的货币基金没有类似的频率内容(26]。中描述的算法是算法1。

2.3。特征提取

从多通道有效特征提取工作记忆任务脑电图信号是一个主要组件的认知状态的分类。在这项研究中,四种类型的功能,包括P300高峰延迟,P300峰值振幅,RMS,θ频段功率选择。他们是经典,定量ERP措施在这个领域常用的(14]。特别是,我们提取θ频段数据工作记忆任务的EEG信号通过小波包变换(WPT)分解水平(4)db4小波基础,然后计算了能谱。

2.4。分类算法

支持向量机是一种强大的模式识别方法尤其是高维,非线性问题。SVM最近的事态表明,有必要考虑多个内核(22]。这提供了灵活性和典型反映了这样一个事实:学习问题往往涉及多个异构数据源。虽然MKL-SVM算法有效地提高分类性能,它更多地依赖经验内核函数(如多项式函数和径向基函数和参数(例如,学位和高斯宽度),这可以影响其有效性,因为不同的功能和参数可能导致不同的表演。一个潜在的解决方案是使用GP进化内核和相关参数自动(39,40]。

医生是一个受生物进化进化算法,在每一个个体都是计算机程序表示成一个树状结构。这些计算机程序解决给定问题基因繁殖。这育种是通过使用遗传操作从达尔文主义的原则,如选择、交叉和变异。重复的进化过程在许多代,直到找到适者个人计算机程序(40]。

在这项研究中,我们发展更有效的核函数使用GP和内核关闭属性,其中每个树结构代表了多个核函数(41]。EMK-SVM中描述的算法2。

该算法是基于GP-kernel和支持向量机。首先,医生开始使用一个随机生成的初始种群的计算机程序是由函数和终端,和他们的个人一些内核函数的非线性组合树。第二,支持向量机学习为每个单独的树了。以下步骤进行迭代,直到终止条件已经满足。(一)人群中执行每个项目并为其分配一个健身价值(分类精度)根据它解决了支持向量机的分类。(b)创建一个新的人口通过遗传操作。

第三,最好的核函数出现在任何一代被指定为结果。

一些设置在这项研究中使用的控制参数表1。

3所示。结果与讨论

3.1。一般的分类性能

在这项研究中,16通道ERP信号是通过5倍交叉验证分类。首先,ERP数据划分为5个同样大小的折叠。第二,5次迭代训练和验证进行,这样在每个迭代中举行了不同褶皱的ERP数据为验证而其余4折叠被用于学习。最后,分类结果从5折平均分类精度。四种类型的功能,包括P300高峰延迟,P300峰值振幅,RMS,和θ频段功率,提取使用EMK-SVM分类算法。

的结果以及和以及如表所示2。0-back和回1任务,中风患者和健康对照组之间的差异是显著的。P300潜伏期差异,P300振幅,RMS,θ乐队在中风患者与健康的力量。特别是,P300的差异振幅和RMS中风患者和健康对照组之间回1任务大。

0-back和回1任务,也进行多重比较测试,以确定哪些明显不同于其他群体的基础上桌子2。多重比较的结果与Bonferroni测试过程如表所示3。四种类型的特性,中风病人组和健康对照组之间的差异是显而易见的,与表中的结果一致2。这些显著的差异进一步分类提供了依据。

表4展示了所选择的成果有四个特性使用EMK-SVM分类器识别中风患者和健康对照组。分类结果在0-back和回1任务从75%到91.67%不等。在0-back任务中,RMS的准确性或θ和频带能量最高,为91.67%,而峰值延迟最低,为78.4%。在回1任务中,θ和频带能量的精度最高,为82.23%,而峰值延迟最低,为75%。如前所述,0-back任务的总体分类精度高于1的任务。可以看出,θ和频带能量是最好的特征用于分类。

3.2。分类器的结果

数据4和5显示0-back的分类比较结果和回1任务之间的算法和两个先进的算法(QDA和LDA)相同的特性。已经证明,基于EMK-SVM分类结果优于基于QDA与乔治。

EMK-SVM基于表中列出的参数1执行自动分类的中风患者和健康对照组。最初的100人口创建树核函数迭代,然后通过100代的遗传操作。最初的一代由高度不适合个人。中间一代包含几个适合个人。每次运行的最后一代至少包含一个单独有效地解决分类问题。最优内核函数如表所示5。例如,0-back任务的最优核函数分类与θ和频带能量特征发生在79年的一代。

4所示。结论

在本文中,我们提出了EMK-SVM ERP-based信号分类算法对中风患者和健康对照组(即有四个特性。P300高峰延迟,P300峰值振幅,RMS和θ频段功率)。该方法比其他典型方法(即有更好的性能。,QDA和LDA)。它取得了超过78.4%的准确率0-back任务,75%以上为1的任务。统计检验结果表明,所选特征的差异是显著的。因此,它提供了一个强大的工具来评估认知功能。

总之,它是一种有效的方法来实现工作记忆任务型BCI基于认知障碍。我们应用预处理算法结合ICA和OEMD提取更丰富的功能以及应用识别算法结合支持向量机和医生发现更好的内核来提高分类精度。本研究提供了理论基础和实验数量认知障碍的诊断。它有助于认知功能的智能识别和适当的康复训练。

确认

很多要感谢美国公司和华东医院提供脑电图仪器和临床病人。这项研究是由上海市教育委员会的项目没有。12 yz194和上海科学技术研究项目。11441902400。

引用

1. p s Sachdev h . Brodaty m . j . Valenzuela et al .,“临床痴呆和轻度认知障碍后缺血性中风的因素:悉尼中风研究中,“痴呆和老年认知障碍,21卷,不。5 - 6,275 - 283年,2006页。视图:出版商的网站|谷歌学术搜索
2. l . j . z . y . Liu呗,r·w·戴et al .,“探索有效的静息状态的网络连接在轻度认知障碍:一项功能磁共振成像研究结合ICA和多元格兰杰因果分析,”美国第34 IEEE国际年会磨床的12),第5457 - 5454页,2012年。视图:谷歌学术搜索
3. k . Akrofi r .朋友m·c·贝克b·s·纳特和r·w·希弗,”阿尔茨海默病和轻度认知障碍的分类模式识别脑电图的权力和连贯性,”IEEE国际会议上声学学报》,演讲,和信号处理(ICASSP 10)2010年3月,页606 - 609。视图:出版商的网站|谷歌学术搜索
4. j . Dauwels f . Vialatte c . Latchoumane j .宋和a . Cichocki“脑电图同步分析阿尔茨海默病的早期诊断:一项研究与几个同步措施和脑电图的数据集,”31日年度国际会议的程序IEEE,生物医学工程学会:工程的未来生物医学(EMBC ' 09)2009年9月,页2224 - 2227。视图:出版商的网站|谷歌学术搜索
5. j·m·乔中州。金,M.-H。Ko, s . h . Ohn b . Joen和k·h·李,“使用tDCS提高中风患者的工作记忆,”美国物理医学与康复杂志》上,卷88,不。5,404 - 409年,2009页。视图:出版商的网站|谷歌学术搜索
6. m·c·贝克k . Akrofi r·希弗et al .,“在轻度认知障碍(MCI)患者脑电图模式,”开放的神经影像学杂志》,卷2,52-55,2008页。视图:谷歌学术搜索
7. j·d·r·李。泰勒,和a·j·托马斯,“评估认知波动痴呆:文献的系统回顾,“国际老年精神病学杂志》上27卷,第998 - 989页,2012年。视图:出版商的网站|谷歌学术搜索
8. d . Tosun p . Mojabi m·w·维纳和n . Schuff”联合分析的认知结构和灌注磁共振成像评估和分类的阿尔茨海默氏症和正常老化,“科学杂志,52卷,不。1,第197 - 186页,2010。视图:出版商的网站|谷歌学术搜索
9. c·莱曼,t . Koenig诉Jelic et al .,“分类算法的应用和比较识别阿尔茨海默氏症的大脑电活动(EEG),“神经科学杂志》上的方法,卷161,不。2、342 - 350年,2007页。视图:出版商的网站|谷歌学术搜索
10. Haufe说道,诉诉Nikulin k . r . m . Mullera et al .,”连接的关键评估措施脑电图数据:模拟研究中,“科学杂志卷,64年,第133 - 120页,2013年。视图:出版商的网站|谷歌学术搜索
11. 诉巴贾杰和r . b . Pachori癫痫分类使用经验模态分解和nonseizure EEG信号,”IEEE在生物医学信息技术,16卷,不。6,1135 - 1142年,2012页。视图:出版商的网站|谷歌学术搜索
12. j . Dauwels f . Vialatte, a . Cichocki”诊断阿尔茨海默病的EEG信号:我们站在哪儿?”目前老年痴呆症研究,7卷,不。6,487 - 505年,2010页。视图:出版商的网站|谷歌学术搜索
13. j·宋,”阿尔茨海默氏症患者脑电图动力学”,临床神经生理学,卷115,不。7,1490 - 1505年,2004页。视图:出版商的网站|谷歌学术搜索
14. j . n . Mak d·j·麦克法兰t·m·沃恩et al .,“脑电图的关联P300-based脑机接口(BCI)表现在肌萎缩性脊髓侧索硬化症患者,”《神经工程,9卷,不。2、文章ID 026014, 2012。视图:出版商的网站|谷歌学术搜索
15. h . Kiiski r·b·赖利·r·朗et al .,“只有低频与事件相关的脑电活动在多发性硬化症损害:从一个独立的组件聚类分析,“开放获取网上,7卷,不。9日,1 - 12,2012页。视图:谷歌学术搜索
16. m . Zervakis k . Michalopoulos诉Iordanidou,诉Sakkalis”Intertrial连贯性和因果独立脑电图组件之间的相互作用,”神经科学杂志》上的方法,卷197,不。2、302 - 314年,2011页。视图:出版商的网站|谷歌学术搜索
17. 张x l . y . p . Wang, j·j·黄et al .,“脑电图β权力之间的联系异常和认知障碍诊断脑梗塞,”分子神经科学杂志》上卷,49号3、632 - 638年,2013页。视图:谷歌学术搜索
18. s . Dubovik a . Bouzerda-Wahlen l .那鸿书et al .,“自适应重组皮质网络在阿尔茨海默氏症,”临床神经生理学卷。124年,35-43,2013页。视图:谷歌学术搜索
19. j . Dauwels f . Vialatte t Musha, A . Cichocki”同步措施的比较研究阿尔茨海默病的早期诊断基于脑电图,”科学杂志卷,49号1,第693 - 668页,2010。视图:出版商的网站|谷歌学术搜索
20. c . Besthorn r . Zerfass c Geiger-Kabisch et al .,”阿尔茨海默病和正常老化的歧视脑电图数据,”脑电图与临床神经生理学,卷103,不。2、241 - 248年,1997页。视图:出版商的网站|谷歌学术搜索
21. e . Gallego-Jutgla m . Elgendi f . Vialatte et al .,“从脑电图诊断阿尔茨海默病的同步措施优化频带,”学报在第34 IEEE国际年会磨床的12),第4270 - 4266页,2012年。视图:谷歌学术搜索
22. ”陈x和z . j . Wang模式识别的手势基于无线肌电图表面系统,”生物医学信号处理和控制,8卷,不。2、184 - 192年,2013页。视图:出版商的网站|谷歌学术搜索
23. m . Gonen和大肠Alpaydin“多重核学习算法,”机器学习研究杂志》上》12卷,第2268 - 2211页,2011年。视图:谷歌学术搜索
24. s .松嫩堡g . Ratsch c·谢弗,b . Scholkopf”大型多个内核学习”,机器学习研究杂志》上7卷,第1565 - 1531页,2006年。视图:谷歌学术搜索
25. g·r·g·Lanckriet n . Cristianini p . Bartlett l . El Ghaoui和乔丹,“学习内核与半定规划矩阵,”机器学习研究杂志》上,5卷,不。1、27 - 72年,2004页。视图:谷歌学术搜索
26. b . Mijovićm . De Vos Gligorijević,j . Taelman和s . Van Huffel”源分离从单通道记录通过结合经验模态分解和独立分量分析,“IEEE生物医学工程卷,57号9日,第2196 - 2188页,2010年。视图:出版商的网站|谷歌学术搜索
27. j . y . g . Lei林,z . j .他et al .,“回顾经验模态分解在旋转机械故障诊断,”机械系统和信号处理,35卷,不。1 - 2、108 - 126年,2013页。视图:出版商的网站|谷歌学术搜索
28. 问:美国任,问:咦,和m . y .方”快速实现正交经验模态分解及其应用奇异信号检测,”《IEEE国际会议信号处理和通信(ICSPC ' 07)2007年11月,页1215 - 1218。视图:出版商的网站|谷歌学术搜索
29. r·c·彼得森g·e·史密斯,s . c .华林r . j . Ivnik e . g . Tangalos和e . Kokmen“轻度认知障碍:临床特征和结果。”神经病学档案卷,56号3、303 - 308年,1999页。视图:谷歌学术搜索
30. p s Sachdev x Chen h . Brodaty c·汤普森,a .奥腾朵夫说:和w·温”的决定因素和纵向中风后轻度认知障碍,”国际神经心理学协会杂志》上,15卷,不。6,915 - 923年,2009页。视图:出版商的网站|谷歌学术搜索
31. p . Missonnier M.-P。Deiber, g .黄金et al .,“工作记忆与负载有关脑电图仪的参数可以区分进步和稳定的轻度认知障碍,”神经科学,卷150,不。2、346 - 356年,2007页。视图:出版商的网站|谷歌学术搜索
32. c . m . Sweeney-Reed和s . j . Nasuto”小说的同步检测方法基于经验模态分解脑电图,”计算神经科学杂志》上,23卷,不。1,第111 - 79页,2007。视图:出版商的网站|谷歌学术搜索
33. Chiappa和d理发师,EEG分类使用生成独立分量分析,“Neurocomputing,卷69,不。7号到9号,第777 - 769页,2006年。视图:出版商的网站|谷歌学术搜索
34. m·t·艾克塔t·p·荣格s Makeig et al .,“递归为在线盲源分离,独立分量分析”诉讼IEEE国际研讨会的电路和系统,第2816 - 2813页,2012年。视图:谷歌学术搜索
35. c . Brunner m . Naeem r .里氏b . Graimann和g . Pfurtscheller”四类空间优化组件的过滤和选择电动机图像脑电图数据使用独立成分分析,“模式识别的字母,28卷,不。8,957 - 964年,2007页。视图:出版商的网站|谷歌学术搜索
36. t.w。Lee m . Girolami, t . j . Sejnowski”独立分量分析使用一个扩展infomax算法混合subgaussian和supergaussian来源,”神经计算,11卷,不。2、417 - 441年,1999页。视图:谷歌学术搜索
37. 黄b和a . Kunoth“基于优化的经验模态分解计划,”计算和应用数学杂志》上卷,240年,第183 - 174页,2013年。视图:谷歌学术搜索
38. m·卢和t .黄“正交经验模态分解,”同济大学学报,35卷,不。3、293 - 298年,2007页。视图:谷歌学术搜索
39. k·苏利文和卢克,“为支持向量机分类发展的内核,”《遗传与进化计算年会(GECCO ' 07)2007年7月,页1702 - 1707。视图:出版商的网站|谷歌学术搜索
40. j . r . Koza”遗传规划作为电脑编程通过自然选择的一种手段,“统计和计算,4卷,不。2、87 - 112年,1994页。视图:出版商的网站|谷歌学术搜索
41. p·g . Espejo、美国文图拉和f . Herrera”调查基因编程的应用分类,“IEEE系统,人与控制论,40卷,不。2、121 - 144年,2010页。视图:出版商的网站|谷歌学术搜索

版权

版权©2013 Xiaoou李等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。