基于非下采样Contourlet域高斯尺度混合模型的图像降噪

提出了一种图像去噪方法,将高斯尺度混合(GSM)模型引入非下采样Contourlet变换(NSCT)域,构造了基于NSCT分解系数的邻域模型,并利用Bayes最小均方(BLS)估计进行局部去噪。仿真实验结果表明,通过本文提出的方法能够有效去除高斯噪声,较完整地保持图像中的边缘等细节信息,在峰值信噪比(PSNR)提高与视觉效果上优于其它的去噪方法。实验结果验证了方法的正确性。     

使用信噪比正则化LightGBM的腹部源胎儿心电信号提取方法

胎儿心电信号(Fetal ElectroCardioGram,FECG)能反映胎儿健康状况.但是,由于其信噪比相对较低,FECG仍未能在临床上得到广泛应用.如何有效提取高质量的FECG仍是一个巨大挑战.为此,本文提出一种使用信噪比正则化LightGBM(Light Gradient Boosting Machine)模型的FECG提取方法 .针对原始母体腹壁混合信号,首先使用传统滤波方法进行噪声抑制,然后再使用快速独立成分分析(Fast Independent Component Analysis,FastICA)从中分离得到母体心电信号(Maternal ElectroCardioGram,MECG)估计和FECG估计,FECG估计中残留的MECG成分是MECG的一种非线性变换.改进传统LightGBM模型,在目标函数中增加FECG的基于互相关系数的信噪比作为正则项,构建信噪比正则化LightGBM模型,并使用该模型拟合这一非线性变换.将MECG估计经由所拟合的非线性变换得到MECG成分的最优估计,并将其抑制,提取得到高质量的FECG.采用真实腹部源心电信号数据集进行实验,结果显示本...     

基于最小二乘支持向量机的胎儿心电信号提取

该文针对胎儿心电信号难以提取的问题,提出一种从母体腹壁混合信号中提取胎儿心电信号的方法。首先利用最小二乘支持向量机(LSSVM)拟合母体心电信号传导至腹壁所经历的非线性变换,然后将母体心电信号经由所拟合的非线性变换得到腹壁混合信号中的母体心电成分的最优估计,再从腹壁混合信号中减去母体心电成分的最优估计得到含噪声的胎儿心电信号,最后通过经验模式分解(EMD)抑制胎儿心电信号中的基线漂移和噪声,得到清晰的胎儿心电信号。在胎儿心电信号和母体心电信号QRS波完全重叠的情况下,通过该方法能够提取出清晰的胎儿心电信号。实验结果验证了该方法的有效性。     

基于ZSP500的运动估计协处理器的设计

运动估计在视频处理的所有计算量中占有相当大的比重。本文基于此,为ZSP500设计了一个运动估计协处理器辅助计算,以提高ZSP500视频处理方面的性能。实验结果表明,该协处理器可明显减少ZSP500处理运动估计时的计算量,缩短相应的时间,从而大大增强ZSP500视频处理的实时性。此外,由于该协处理器作为一部分内嵌在ZSP500中,因此集成度较高。     

用于阿尔茨海默症分类的模糊逻辑特征选择和异质集成学习方法

阿尔茨海默症(AD)分类有助于在AD早期阶段及时采取针对性的治疗和干预措施,对降低老年群体的AD发病率和延缓AD疾病进展具有重要意义.该文提出一种改进的高斯模糊逻辑特征选择方法,首先采用互信息量和方差齐性分析两种方法给出特征重要性评分并分别进行归一化,然后使用改进的高斯模糊逻辑方法对其加权得到最终的特征重要性评分,最后依据特征重要性评分选取特征.该文还使用逻辑回归、随机森林、LightGBM、支持向量机和深度前馈网络作为初级分类器,多项式朴素贝叶斯分类器作为次级分类器,构建异质集成分类器,利用选取的特征进行AD分类.在TADPOLE数据集上进行实验,实验结果证实了所提特征选择方法是有效的,且采用所提特征选择方法,基于多项式朴素贝叶斯的异质集成分类器在AD分类上的性能要优于传统分类器.     

用于阿尔茨海默症分类的模糊逻辑特征选择和异质集成学习方法

阿尔茨海默症(AD)分类有助于在AD早期阶段及时采取针对性的治疗和干预措施,对降低老年群体的AD发病率和延缓AD疾病进展具有重要意义。该文提出一种改进的高斯模糊逻辑特征选择方法,首先采用互信息量和方差齐性分析两种方法给出特征重要性评分并分别进行归一化,然后使用改进的高斯模糊逻辑方法对其加权得到最终的特征重要性评分,最后依据特征重要性评分选取特征。该文还使用逻辑回归、随机森林、LightGBM、支持向量机和深度前馈网络作为初级分类器,多项式朴素贝叶斯分类器作为次级分类器,构建异质集成分类器,利用选取的特征进行AD分类。在TADPOLE数据集上进行实验,实验结果证实了所提特征选择方法是有效的,且采用所提特征选择方法,基于多项式朴素贝叶斯的异质集成分类器在AD分类上的性能要优于传统分类器。