关键词： 跌倒   小波包   四元数   多自由度神经元  

摘要： 现代社会结构不断改变,空巢老人独立生活问题的影响日趋严重。其中,跌倒是老年人独立生活的最大威胁之一。针对上述问题,提出了基于小波包特征提取与四元数多自由神经元模式识别相结合的跌倒状态识别方法。首先,应用三轴加速度检测系统采集人体在正常活动状态及不同跌倒姿态时的数据,应用小波包分析方法对训练数据进行特征提取,在四元数空间中应用提取的特征数据对多自由度神经元进行训练,并使用测试数据进行状态识别,鉴别是否跌倒以及不同的跌倒姿态。实验结果表明,基于四元数多自由神经元识别方法的识别效果优于支持向量机等传统方法,为独居老人居家监测、跌倒报警、跌倒事后治疗提供依据。

关键词： 机器视觉   图像处理   模式识别   工件  

摘要： 对工件识别过程中,对于机器视觉技术的应用进行了一定的分析,并且简要地介绍了主要图像处理算法。在此基础寻求有效方法,对自动分拣系统决策方面提供一定的支持。

关键词： 行为识别   步态事件检测   Relief特征选取   线性判别分析分类器   外骨骼  

摘要： 针对日常生活中人体的运动具有准周期特性的特点,设计了一种基于加速度信息与脚底压力的下肢运动信息采集系统。通过采集脚底压力信息监测关键步态事件,在事件前后对下肢加速度数据进行特征提取,从而对4种常见行为(走路、跑步、上楼和下楼)进行识别。实验结果表明:提出的方法在仅提取较为简单的时域特征信息情况下,平均识别正确率为94. 79%。

关键词： 阿尔茨海默病   结构网络   模式识别   支持向量机  

摘要： 阿尔茨海默病是最普遍的一种老年痴呆症,目前尚无有效治疗手段。通过早期诊断,经确诊后进行临床前的干预治疗是目前认为最有效的手段,但相应的早期诊断方法依然有待研究。神经影像为大脑功能结构测量提供了便利,其中结构网络反映了大脑不同皮层区域之间的纤维束结构连接模式,是大脑正常生理活动的基础。本文基于大脑结构网络,结合模式识别方法,提出了一种基于大脑结构网络的阿尔茨海默病病变和灰质病变脑区自动诊断方法。该方法通过模式识别中的特征筛选,可得到阿尔茨海默病患者大脑皮层异常区域。本研究从网络的节点和连接两个方面分析了阿尔茨海默病大脑结构异常的空间分布模式,期望通过本文研究可为今后阿尔茨海默病病理机制的研究提供更新的线索。

关键词： 毛细支气管炎   急性上呼吸道感染   模式识别受体   呼吸道合胞病毒   流感病毒  

摘要： 天然免疫是机体的第一道防御系统,在感染性和非感染性疾病中都起着重要作用[1-2]。病毒或微生物感染后,机体的天然免疫反应会被激活,病原体相关分子模式通过不同的模式识别受体识别和清除病原微生物。

关键词： 智慧城市   城市安防   模式识别技术   应用  

摘要： 模式识别是智慧城市建设的重要内容,实现其应用技术的高效化发展,不仅有助于智慧城市的深层次建设,更对人们城市生活的安全性具有重大影响。本文在阐述模式识别基本原理的基础上,就其目标检测和软件算法分析的技术进行系统分析,本文针对性地指出其在智慧城市安防建设中的具体应用内容。以期有利于模式识别技术应用水平的提升,进而推动智慧城市的进一步发展。

关键词： 区域经济   动力机制   发展模式   分异演化  

摘要： 区域经济是一个动态演化的过程,其动力机制、发展模式及演化路径十分重要。西部大开发以来,创新力、市场化、开放度对区域经济发展具有显著的正向影响,构成西部省份经济发展的动力机制。西部多个省份表现出了不同的发展模式,"技术-市场-外需"的发展模式更具导向性,创新力和市场化水平高的省份自2008年国际金融危机以来的经济发展表现更为优异。西部省份经济发展的演化路径有明显的差异,一些省份形成了资源诅咒、政府依赖或内需不足的路径依赖;一些省份则通过技术创新、市场改革和扩大开放实现了路径创造。新时代要继续推进西部大开发并形成新格局,就应优化发展模式,寻求路径创造。

关键词： 信号特征识别算法   特征参数   识别率   Matlab  

摘要： 通过理论及仿真分析,设计并验证了通过构造特征值判决识别信号调制模式。采用了六种常见模拟调制信号为样本进行识别区分测试,依据信号统计量和谱相关性的不同,采样并计算了四种特征参数;开展了信号特征识别算法验证及Matlab仿真实验;统计了算法识别率。结果表明:该判决方法可以在5～35 dB信噪比范围内对于信号调制模式进行高效准确的识别,具备较好的延展性,具有一定的实际参考意义。

关键词： utility function   hesitant fuzzy rough set   correlation coefficient   traffic engineering   pattern recognition  

摘要： Based on comparative studies on correlation coefficient theory and utility theory, a series of rules that utility functions on dual hesitant fuzzy rough sets (DHFRSs) should satisfy, and a kind of novel utility function on DHFRSs are proposed. The characteristic of the introduced utility function is a parameter, which is determined by decision-makers according to their experiences. By using the proposed utility function on DHFRSs, a novel dual hesitant fuzzy rough pattern recognition method is also proposed. Furthermore, this study also points out that the classical dual tool is suitable to cope with dynamic data in exploratory data analysis situations, while the newly proposed one is suitable to cope with static data in confirmatory data analysis situations. Finally, a medical diagnosis and a traffic engineering example are introduced to reveal the effectiveness of the newly proposed utility functions on DHFRSs.

关键词： diagnostic biomarker   differentially expression genes (DEGs)   gestational diabetes mellitus (GDM)   KEGG network   support vehicle machine (SVM)  

摘要： Gestational diabetes mellitus (GDM) is becoming a growing threat for all pregnancies. In this study, we set up an automatic screening method combining both transcriptomic databases and support vector machine (SVM)-based pattern recognition to select biomarkers that can be used in predicting and preventing GDM for gravidas. We screened 63 samples (32 GDM samples and 31 normal controls) in GEO database for the GDM-specific biomarkers. Differentially expressed genes between patients with GDM and normal controls were picked out using edgeR package. Enrichment analysis was performed using database for annotation, visualization, and integrated discovery. The regulatory gene network was constructed based on the KEGG pathway database. Genes in the hub of the network were selected as specific biomarkers of GDM and further validated through document investigation. Finally, the GDM prediction model was verified using the SVMs. In total, 189 probes corresponding to 69 genes that differentially expressed between GDM and controls were screened out by edgeR package. Nineteen pathways were clustered by KEGG enrichment analysis and were integrated into a regulatory network containing 572 nodes and 1874 edges. The intersection of 50 hub genes extracted from the network and 69 differential genes picked out by edgeR was a collection of six genes, including members of HLA superfamily. In the SVM model, the six genes had a good capacity of predicting GDM in both the training data set (area under curve [AUC] is 0.781) and the testing data set (AUC is 0.710) and had been reported to be associated with GDM. We found that the collection of six genes can be potentially applied as a biomarker for GDM diagnosis.