基于主成分分析和支持向量机实现膝关节骨龄评估回归算法

发布时间：2021-04-27 19:33

　　目的通过方向梯度直方图（histogram of oriented gradient,HOG）、局部二值模式（local binary patterns,LBP）、支持向量机（support vector machine,SVM）以及主成分分析（principal component analysis,PCA）等机器学习方法构建适用于我国维吾尔族青少年骨龄评估的回归算法模型。方法采集维吾尔族12.0～<19.0岁青少年的膝关节DR摄片图像,其中男性样本275例、女性样本225例,采用PCA法对提取的HOG与LBP特征图像进行降维,再以支持向量回归（support vector regression,SVR）算法构建膝关节骨龄评估算法模型。采用随机分层抽样法分别选取男性样本215例、女性样本180例作为SVR模型训练集,并用K折交叉验证法优化模型参数。剩余样本作为独立测试集,将模型预报年龄与样本真实年龄相比,统计误差范围分别在±0.8岁、±1.0岁的准确率,同时计算平均绝对误差（mean absolute error,MAE）与均方根误差（root mean square erro... 

【文章来源】：法医学杂志. 2019,35(02)CSCD

【文章页数】：6 页

【文章目录】：
1 材料与方法
    1.1 样本
    1.2 原理和方法
        1.2.1 图像特征提取
            1.2.1. 1 HOG特征提取
            1.2.1. 2 LBP特征提取
        1.2.2 基于PCA法特征降维
        1.2.3 构建SVM回归模型
        1.2.4 K折交叉验证
    1.3 仿真环境与统计分析
2 结果
    2.1 训练集与交叉验证结果
    2.2 测试集结果
3 讨论


【参考文献】：
期刊论文
[1]基于降维和支持向量机的医学诊断[J]. 张蕾,何萍,荣静.  计算机时代. 2018(11)
[2]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东.  计算机系统应用. 2018(04)
[3]基于深度学习实现维吾尔族青少年左手腕关节骨龄自动化评估[J]. 胡婷鸿,火忠,刘太昂,王飞,万雷,汪茂文,陈腾,王亚辉.  法医学杂志. 2018(01)
[4]基于HOG与LBP特征的人脸识别方法[J]. 孙玉,刘贵全.  计算机工程. 2015(09)
[5]基于支持向量机实现骨骺发育分级的自动化评估[J]. 王亚辉,王子慎,魏华,万雷,应充亮,朱广友.  法医学杂志. 2014(06)
[6]基于支持向量机核函数的研究[J]. 张倩,杨耀权.  电力科学与工程. 2012(05)
[7]支持向量机研究进展[J]. 顾亚祥,丁世飞.  计算机科学. 2011(02)
[8]数据挖掘中的新方法——支持向量机[J]. 罗娜.  软件导刊. 2008(10)
[9]PCA-SVR联用算法在近红外光谱分析烟草成分中的应用[J]. 刘旭,陈华才,刘太昂,李银玲,陆治荣,陆文聪.  光谱学与光谱分析. 2007(12)
[10]ε不敏感损失函数支持向量机分类性能研究[J]. 杨俊燕,张优云,朱永生.  西安交通大学学报. 2007(11)



本文编号：3164039