Classification of Rat FTIR Colon Cancer Data Using Waveletsand BPNN

本文提出了一种新的基于水平衰减全反射-傅里叶变换红外光谱（HATR-FTIR）的小波特征提取与反向传播人工神经网络模式分类方法以提高FTIR对早期大鼠结肠癌的诊断准确率．对60只DMH诱导的SD大鼠,44只诱导鼠的第二代鼠,36只正常SD大鼠的结肠正常组织、异常增生、早癌及进展期癌组织所获得的的HATR-FTIR,利用连续小波多尺度分析法提取12个特征量,采用反向传播人工神经网络进行分类,识别准确率分别为100%、94%、97.5%及100%．实验结果表明此方法对早期结肠癌具有较高的诊断率．     

应用小波特征提取肺癌组织FTIR的支持向量机分类方法研究

提出了一种新的基于傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy, FTIR)的小波特征提取与支持向量机(SVM)分类方法以提高FTIR对早期肺癌的诊断准确率. 对肺正常组织、早期肺癌及进展期肺癌组织的FTIR, 利用连续小波(CW)多分辨率分析法提取9个特征量, 支持向量机把其分为正常组与非正常组(包括早期肺癌和进展期肺癌), 对正常组织、早期肺癌和进展期肺癌的识别, 多项式核函数和径向基函数的识别准确率最高. 多项式核函数对正常组织、早期肺癌和进展期肺癌的识别准确率分别为100%, 95%及100%; 径向基函数分别为100%, 95%和100%. 实验结果表明FTIR-CW-SVM模式分类方法对正常肺癌组织、早期肺癌及进展肺癌的识别具有较好的可行性.     

一种新颖的基于FTIR-CWT及ANN分类法的同科属中药材菟丝子与金灯藤的识别研究

采用水平衰减全反射傅里叶变换红外光谱法（HATR-FTIR）测定了同属种子植物中药材菟丝子及金灯藤的FTIR,运用基于连续小波多分辨率分析法对吸收较为相似的菟丝子及金灯藤的FTIR进行特征提取。选择第7、10、13分解层数的特征向量,进行人工神经网络（ANN）训练,再用训练出来的网络对不同产地的植物种子菟丝子和金灯藤所得FTIR小波提取的特征向量进行分类。通过对32个不同样本的验证,说明能够采用基于FTIR-连续小波特征提取及人工神经网络分类法对同科属中药材菟丝子与金灯藤进行识别。     

基于X射线吸收谱的不同生物组织的辨识

为了验证X射线吸收光谱法对生物组织的辨识能力,选取猪的心脏、肝、肾、胃、瘦肉以及肥肉作为实验样本,以55 k V的电压激发X射线管,利用X射线探测器获取这6类生物组织样本的X射线吸收光谱.将采集到的光谱数据分为测试集与训练集,利用主成分分析法提取光谱主成分,以训练集为输入建立径向基函数(RBF)神经网络分类预测模型,对测试集样本进行分类预测.通过交叉验证法对所有样本进行辨识的识别正确率达到90.22%.实验结果表明,X射线光谱技术结合主成分分析法和RBF神经网络能够很好地用于猪的组织分类,对将X射线光谱技术应用于生物组织辨识具有重要的指导意义.     

水平衰减全反射-傅里叶变换红外光谱结合化学计量学法应用于三种缩叶藓属植物的分类

采用水平衰减全反射(HATR)-傅里叶变换红外光谱法(FTIR)测定了3种缩叶藓属植物齿边缩叶藓、多枝缩叶藓和中华缩叶藓的红外谱图,运用离散小波变换对吸收较为相似的3种缩叶藓属植物的红外谱图进行特征提取。通过分析比较后选择第三,四分解层进行特征向量的提取,利用所得到的特征变量进行径向基神经网络(RBF-NN)训练,再将训练出来的网络对不同产地的3种缩叶藓属植物的红外谱图离散小波提取后的特征向量进行分类。通过对120个不同样本的验证,说明能够采用基于FTIR-离散小波进行数据压缩后进行特征变量的提取及径向基神经网络分类法对3种缩叶属植物齿边缩叶藓、多枝缩叶藓和中华缩叶藓进行分类。     

分子荧光-基于主成分分析优化输入变量的径向基函数神经网络法测定尿液中的诺氟沙星

将主成分分析用于优化径向基函数神经网络的输入变量,用于提高神经网络模型的预测能力。方法能有效地解决分子荧光光谱法测定尿液中诺氟沙星过程中尿液中内源性荧光物质的干扰。在优化条件下,径向基函数神经网络模型对尿液中诺氟沙星的平均预测误差为15.34%,神经网络结构为2∶3∶1。方法已用于测定尿液中的诺氟沙星。     

基于径向基函数神经网络的高血压分类诊断系统的建立

为研究头发中Ca,Mg,Al,Ca,Zn 5种微量元素以及w（Zn）／w（Cu）与高血压的相关性,利用径向基神经网络（RBF—NN）的函数逼近、模式识别和分类能力强以及学习速度快等特点,对微黄元素与高血压的相关性进行了研究;基于Matlab平台,对原始数据进行标准化预处理．45个作训练样本、8个作检测样本及其2个目标输出,建立了高血压分类的辅助诊断模型;同时与主成分分析法进行对照实验。结果表明,获得了最佳网络参数sc=0．1,me=43,分类准确率达到96．226％,径向基神经网络在判别分类上优于主成分分析法。可见RBF—NN在揭示头发微最元素与高血压的相关性上是可行的,为临床高血压分类诊断提供了一种新的方法。     

基于FTIR-CWT及ANN分类法的中药材菟丝子与同科属金灯藤子的识别方法研究

采用水平衰减全反射傅里叶变换红外光谱法(HATR-FTIR)测定了种子植物中药材菟丝子及同科属种子植物金灯藤子的FTIR,运用基于连续小波变换多分辨率分析法对吸收较为相似的菟丝子及金灯藤子的FTTR进行特征提取.通过分析比较后选择第7,10,13分解层的特征向量,进行人工神经网络(ANN)训练,再用训练出来的网络对不同产地的植物种子菟丝子和金灯藤子所得FTIR小波提取的特征向量进行分类.通过对32个不同样本的验证,说明能够采用基于FTIR-连续小波特征提取及人工神经网络分类法对同科属中药材菟丝子与金灯藤子进行识别.     

正常组织和胰腺癌组织中差异表达蛋白的鉴定

采用双向凝胶电泳和生物质谱技术, 对12对胰腺癌组织和癌旁组织样品、3个胰腺良性疾病样品、3个正常胰腺组织样品的蛋白质进行了分离和鉴定, 获得了重复性较好的双向凝胶电泳图谱; 鉴定了胰腺癌和癌旁组织的差异表达蛋白质, 发现了30个差异表达蛋白质; 应用MALDI-TOF-MS/MS技术对差异表达蛋白质进行鉴定, 共有24个蛋白质得到鉴定, 其中15个蛋白质在胰腺癌组织中表达上调, 9个蛋白质表达下调. 这些蛋白质与胰腺癌的发生相关, 可能成为胰腺癌的分子标志物和药物治疗的靶蛋白.     

水平衰减全反射傅里叶变换红外光谱法结合化学计量学鉴别问荆与节节草

采用水平衰减全反射傅里叶变换红外光谱法(HATR-FT-IR)测定中药问荆和同科植物节节草的FT-IR谱,运用连续小波变换(CWT)多分辨率分析法对吸收较为相似的问荆及节节草的FT-IR进行特征提取.选择第8、9、10分解层数下的特征值作为分析的基础,采用FT-IR-CWT-SVM法建立了问荆和节节草识别的模型.通过学习训练,对120个预测样品的识别准确率为90%以上.当采用径向基函数作为核函数时,识别准确率达100%.样品的FT-IR经小波特征提取后的特征值有所差异,采用SVM进行识别可以很好地把两者分类.通过对样品的FT-IR小波变换后所得特征值进行SVM的分类,能够有效地进行区别鉴定形态较为相似的同科植物问荆及节节草.     

Identification between Fimbristylis miliacea (L.) Vahl and Fimbristhlis stauntonii Debeaux et Franch.by CWT-FTIR-RBFNN

Horizontal attenuation total reflection‐Fourier transform infrared spectroscopy (HATR‐FTIR) is used to measure the FTIR of Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed. In order to extrude the difference between Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed, continuous wavelet transform (CWT) is used to decompose the FTIR of Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed. Three main scales are selected as the feature extracting space in the CWT domain. According to the distribution of FTIR of Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed, three feature regions are determined at every spectra band at selected three scales in the CWT domain. Thus nine feature parameters form the feature vector. The feature vector is input to the radial basis function neural network (RBFNN) to train so as to accurately classify the Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed. 110 couples of FTIR are used to train and test the proposed method, where 60 couples are used as training samples and 50 couples are used as testing samples. Experimental results show that the accurate recognition rate between Fimbristylis miliacea (L.) Vahl seed and Fimbristhlis stauntonii Debeaux et Franch. seed is respectively 96% and 98% by using the proposed method.     

基于径向基神经网络和遗传算法的槽内式选择性超声电合成甲基苯甲醛

以混合二甲苯为原料, Mn(Ⅲ)为氧化剂, 硫酸溶液为电解质, 采用槽内式超声电合成甲基苯甲醛. 探讨了选择性电合成甲基苯甲醛的可能性, 通过径向基(RBF)神经网络和遗传算法(GA)对选择性电合成甲基苯甲醛3种异构体的比例、 电流效率与混合二甲苯的用量、 硫酸浓度和电流强度的关系建立预测模型, 并运用GA确定模型中RBF神经网络的目标均方误差(Goal)和径向基函数的分布(Spread). 然后根据预测模型, 使用GA对电合成条件进行优化, 分别获得了电合成产物中对位甲基苯甲醛占优、 邻位和对位甲基苯甲醛占优以及电流效率最高时的电合成条件. 当采用上述条件进行实验时, 模型给出的预测结果分别为: 对位甲基苯甲醛占优的质量分数可达90.01%, 邻位和对位甲基苯甲醛占优的质量分数为80.38%, 电流效率达到最高时的邻位、 间位和对位甲基苯甲醛的质量分数分别为16.80%, 8.43%和74.77%; 而与之相对应的实际实验结果分别为90.10%和79.91%, 以及17.20%, 8.49%和74.31%, 二者之间的最大相对误差小于±2.24%, 表明所建立模型的预测值与实测值基本吻合.     

基于小波神经网络的新型算法用于化学信号处理

基于紧支集正交小波神经网络的构造思想,用具有紧支集的Ｂ－样条函数的伸缩和平稳替代小波函数,提出了一种新型算法,并将其应用于化学信号的处理,实现了信号的压缩和滤噪,适应小波神经网络相比,学习速度得到了大幅度的提高。     

二进小波神经网络用于示波计时电位测定

提出了二进小波神经网络的结构及算法，并用于单组分和多组分示波计时电位信号的浓度计算。在二进小波神经网络中选用了Morlet母小波和修理的误差反传前向神经网络。探讨了二进小波神经网络中的中小波基个数，初始学习速率因子和动量因子等参数对网络预测结果的影响。结果表明：二进小波神经网络对双组分和单组分示波计时电位信号中去极剂浓度的预测均有很好效果。     

Detection of Cholangiocarcinoma with Fourier Transform Infrared Spectroscopy and Radial Basis Function Neural Network Classification

The aim of this study was to explore the possibility of applying Fourier transform infrared(FTIR) spectroscopy as a medical diagnostic tool based on a neural network classifier for detecting and classifying cholangiocarcinoma. A total of 51 cases of bile duct tissues were obtained and later characterized by FTIR spectroscopy prior to pathological diagnosis. The criteria for classification included 30 parameters for each FTIR spectra, including peak position(P), intensity(I) and full width at half-maximum(FWHM), were measured, calculated and subsequently compared against the normal and cancer groups. The FTIR spectra were classified by the radial basis function(RBF) network model. For establishing the RBF, 23 cases were used to train the RBF classifier, and 28 cases were applied to validate the model. Using the RFB model, nine parameters were observed to be pronouncedly different between cancerous and normal tissue, including I₁₆₄₀, I₁₅₅₀, I₁₄₆₀, I₁₄₀₀, I₁₂₅₀, I₁₁₂₀, I₁₀₈₀, I₁₀₄₀ and P₁₀₄₀. In the RBF training classification, the accuracy, sensitivity, and specificity of diagnosis were 82.6%, 80.0%, and 84.6%, respectively. While validating the classification, the accuracy, sensitivity, and specificity of diagnosis were 78.6%, 75.0%, and 81.2%, respectively. The results suggest that FTIR spectroscopy combined with neural network classifier could be applied as a medical diagnostic tool in cholangiocarcinoma diagnosis.