为使局部线性嵌入(local linear embedding,LLE)这一无监督高维数据的非线性特征提取方法提取出的特征在分类或聚类学习上更优,提出一种半监督类保持局部线性嵌入(semi-supervised class preserving local linear embedding,SSCLLE)的...为使局部线性嵌入(local linear embedding,LLE)这一无监督高维数据的非线性特征提取方法提取出的特征在分类或聚类学习上更优,提出一种半监督类保持局部线性嵌入(semi-supervised class preserving local linear embedding,SSCLLE)的非线性特征提取方法。该方法将半监督信息融入到LLE中,首先对标记样本近邻赋予伪标签,增大标记样本数量。其次,对标记样本之间的距离进行局部调整,缩小同类样本间距,扩大异类样本间距。同时在局部线性嵌入优化目标函数中增加全局同类样本间距和异类样本间距的约束项,使得提取出的低维特征可以确保同类样本点互相靠近,而异类样本点彼此分离。在一系列实验中,其聚类精确度以及可视化效果明显高于无监督LLE和现有半监督流特征提取方法,表明该方法提取出的特征具有很好的类保持特性。展开更多
目的心电降噪一直是智能心电信号处理的最重要的一步,为了解决单个多层降噪自编码器(SDAE)降噪无法准确提取特定特征的问题,提升医生对心血管疾病的诊断准确率,论文提出了一种基于多层降噪自编码器与门控循环单元(GRU)级联网络的结构来...目的心电降噪一直是智能心电信号处理的最重要的一步,为了解决单个多层降噪自编码器(SDAE)降噪无法准确提取特定特征的问题,提升医生对心血管疾病的诊断准确率,论文提出了一种基于多层降噪自编码器与门控循环单元(GRU)级联网络的结构来进行心电信号降噪。方法预处理阶段采用SDAE的非线性特征提取能力,对原始心电信号进行初步去噪,恢复信号的主干特征;后处理阶段利用GRU网络的长短期记忆特性捕获心电信号的时间依赖性和周期性特征,进一步精细化去除残余噪声,同时保留心电信号的关键生理信息。结果与单独使用SDAE相比,级联网络显著提高了心电信号的降噪效果,信噪比平均提升约6 d B,降噪性能提升约35%。结论在含有复杂噪声的心电信号中,级联网络能够更有效地分离出EGC信号特征并同时保留EGC的病态特征,为后续的智能诊断提供更多的信息,在临床应用方面具有可行性。展开更多
文摘为使局部线性嵌入(local linear embedding,LLE)这一无监督高维数据的非线性特征提取方法提取出的特征在分类或聚类学习上更优,提出一种半监督类保持局部线性嵌入(semi-supervised class preserving local linear embedding,SSCLLE)的非线性特征提取方法。该方法将半监督信息融入到LLE中,首先对标记样本近邻赋予伪标签,增大标记样本数量。其次,对标记样本之间的距离进行局部调整,缩小同类样本间距,扩大异类样本间距。同时在局部线性嵌入优化目标函数中增加全局同类样本间距和异类样本间距的约束项,使得提取出的低维特征可以确保同类样本点互相靠近,而异类样本点彼此分离。在一系列实验中,其聚类精确度以及可视化效果明显高于无监督LLE和现有半监督流特征提取方法,表明该方法提取出的特征具有很好的类保持特性。
文摘目的心电降噪一直是智能心电信号处理的最重要的一步,为了解决单个多层降噪自编码器(SDAE)降噪无法准确提取特定特征的问题,提升医生对心血管疾病的诊断准确率,论文提出了一种基于多层降噪自编码器与门控循环单元(GRU)级联网络的结构来进行心电信号降噪。方法预处理阶段采用SDAE的非线性特征提取能力,对原始心电信号进行初步去噪,恢复信号的主干特征;后处理阶段利用GRU网络的长短期记忆特性捕获心电信号的时间依赖性和周期性特征,进一步精细化去除残余噪声,同时保留心电信号的关键生理信息。结果与单独使用SDAE相比,级联网络显著提高了心电信号的降噪效果,信噪比平均提升约6 d B,降噪性能提升约35%。结论在含有复杂噪声的心电信号中,级联网络能够更有效地分离出EGC信号特征并同时保留EGC的病态特征,为后续的智能诊断提供更多的信息,在临床应用方面具有可行性。
