×
郎荣玲;鲁瑞波;赵晨倩;秦洪雷;刘国栋

基于图的半监督单类支持向量机检测肺部异常声音。 （英语） Zbl 1433.62309号

申请。数学。计算。 364，文章ID 124487，10 p.（2020）。
摘要：电子听诊器收集的异常肺部声音的检测在初级保健肺部疾病诊断和远程医疗中的一般患者监测中发挥着重要作用。在过去40年中，检测主要是通过监督学习进行的。然而，这种方法既费时又费钱，而且容易出错，因为它需要手动标记大量样品。本文提出了一种新的方法，基于图的半监督单类支持向量机（OCSVM）。它只需使用少量的标记正常样本和大量的未标记样本作为训练样本，就可以描述正常的肺音并检测出异常的肺音，避免了传统方法的缺点。构造了一个谱图来指示所有样本的关系，这丰富了仅由少量标记的正常样本提供的信息。然后，建立了基于图的半监督OCSVM模型并给出了解决方案。利用频谱图中的信息，该方法可以提高识别和泛化的效果，这对于有效检测肺部异常声音至关重要。最后，对河北省石家庄市采集的所有样本进行了实验评价。实验结果表明，当标记样本较少时，该方法的性能优于原始OCSVM。同时，随着未标记异常样本的增加，该方法的性能变得更好。

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析
62小时30分 分类和区分；聚类分析（统计方面）
92 C55 生物医学成像和信号处理
68T05型 人工智能中的学习和自适应系统
05C85号 图形算法（图形理论方面）

关键词：

半监督学习;肺音异常检测;支持向量机;光谱图

软件：

t-SNE公司
PDF格式BibTeX公司 XML格式引用
\textit{R.Lang}等人，应用。数学。计算。364，文章ID 124487，10 p.（2020；Zbl 1433.62309）
全文： 内政部

参考文献：

[1] Forgacs，P.，肺音，Br.J.Dis。胸部，63，1，1-12（1969）
[2] Mikami，R。；穆劳，M。；库格尔，D.W。；Chrétien，J。；科尔，P。；Meier-Sydow，J。；墨菲，R.L。；Loudon，R.G.，《肺音国际研讨会：会议纪要》，Chest，92，2，342-345（1987）
[3] 古龙，A。；斯克拉夫特，C.G。；Tielsch，J.M。；莱文，O.S。；Checkley，W.，《计算机肺音分析作为异常肺音检测的诊断辅助：系统综述和荟萃分析》，Respir。医学，105，9，1396-1403（2011）
[4] 帕拉尼亚潘，R。；Sundaraj，K。；联合国阿哈迈德，《肺音分析中的机器学习：系统综述》，《生物网络》。生物识别。工程师，33129-135（2013）
[5] Kandaswamy，A。；库马尔，C.S。；Ramanathan，R.P。；贾亚拉曼，S。；Malmurugan，N.，使用小波系数对肺部声音进行神经分类，计算。生物医学，34，6，523-537（2004）
[6] Orjuela-Cañón，A.D。；Gómez-Cajas，D.F。；Jiménez-Moreno，R.，用于肺部声信号分类的人工神经网络，伊比利亚美洲模式识别大会论文集，214-221（2014），Springer
[7] Bardou，D。；张凯。；Ahmad，S.M.，使用卷积神经网络进行肺部声音分类，Artif。智力。医学（2018）
[8] Raniszewski，M.，基于简化参考集和一致性准则的编辑后的最近邻规则，Biocybern。生物识别。工程师，30，1，31-40（2010）
[9] 阿尔斯马迪，S。；Kahya，Y.P.，基于DSP的肺音实时分类仪器的设计，计算机。生物医学，38，1，53-61（2008）
[10] 奥利维拉。；Marques，A.，《健康人的呼吸音：系统综述》，Respir。医学，108，4，550-570（2014）
[11] Schölkopf，B。；普拉特，J.C。；肖-泰勒，J。；Smola，A.J。；Williamson，R.C.，估计高维分布的支持，神经计算。，13, 7, 1443-1471 (2001) ·Zbl 1009.62029号
[12] 沙佩尔，O。；信德瓦尼，V。；Keerthi，S.S.，《半监督支持向量机的优化技术》，J.Mach。学习。决议，203-233年2月9日（2008年）·Zbl 1225.68158号
[13] 周，X。；Belkin，M.，《半监督学习》，《信号处理学术出版社图书馆》，11239-1269（2014），爱思唯尔出版社
[14] 哈迪，M.F.A。；Schwenker，F.，《半监督学习》，《神经信息处理手册》，215-239（2013），施普林格出版社
[15] 朱，X。；Goldberg，A.B.，人工智能和机器学习综合讲座，3，1，1-130（2009）
[16] 马云（Ma，Y.）。；曹，S。；Shi，Y。；古特曼，I。；Dehmer，M。；Furtula，B.，从连接索引到各种随机类型描述符，MATCH Commun。数学。计算。化学，80，1，85-106（2018）·Zbl 1468.05136号
[17] Dehmer，M。；Emmert-Streib，F。；石毅，定量图论：图论与网络科学的一个新分支，信息科学。，418575-580（2017）·Zbl 1443.05176号
[18] 涂，J。；Shi，Y.，平面图上顶点覆盖p3问题的一个有效多项式时间逼近方案，讨论。数学。图论，39，1，55-65（2019）·Zbl 1401.05286号
[19] von Luxburg，U.，光谱聚类教程，Stat.Comput。，17, 4, 395-416 (2007)
[20] Duong，P。；Nguyen，V。；Dinh，M。；Le，T。；Tran，D。；Ma，W.，基于图的新颖性检测半监督支持向量数据描述，《国际神经网络联合会议论文集》（IJCNN），1-6（2015）
[21] 杨，J。；甘，Z。；李凯。；Hou，C.，使用三维几何增强超像素对RGB-D数据进行基于图形的分割，IEEE Trans。赛博。，45, 5, 927-940 (2015)
[22] Sánchez Morillo，D。；León Jiménez，A。；Moreno，S.A.，《慢性阻塞性肺病患者肺炎的计算机辅助诊断》，《美国医学杂志》。协会，20，e1，e111-e117（2013）
[23] Maaten，L.v.d。；Hinton，G.，《使用t-SNE可视化数据》，J.Mach。学习。决议，2579-2605年11月9日（2008年）·Zbl 1225.68219号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。