首页期刊导航|陕西师范大学学报（自然科学版）
期刊信息/Journal information
陕西师范大学学报（自然科学版）
陕西师范大学学报（自然科学版）

黄春长

双月刊

1672-4291

Lkxuebao@snnu.edu.cn

029-85308734

710062

陕西省西安市长安南路

陕西师范大学学报（自然科学版）/Journal Journal of Shaanxi Normal University(Natural Science Edition)CSCDCSSCI北大核心CSTPCD
查看更多>>本刊是教育部直属高校陕西师范大学主办的自然科学学术性刊物，面向海内外公开发行。它以繁荣科学文化，促进学术交流，发现培养人才，为两个文明建设服务为办刊宗旨，刊登数、理、化、生物环境，计算机科学，体育运动等方面的最新成果。多次获奖，被多个统计源收录。
正式出版
收录年代

    基于小波树稀疏结构的磁共振成像快速重构算法

    鲍中文段继忠杨俊东
    1-9页
    查看更多>>摘要：为提高磁共振成像的重构速度,提出了一种基于小波树稀疏结构的磁共振成像快速重构算法,即基于小波树稀疏结构,结合L1正则项和TV正则项的共同约束,与最小二乘保真项构成重构问题;首先分离变量,之后采用交替方向乘子法将重构问题分解为多个易于求解的子问题,针对每个子问题得到其解析解,从而有效地提高了重构算法的效率.实验结果表明:在不同的数据集下,本文算法的成像重构速度比WaTMRI算法平均快约3.3倍.

    磁共振成像压缩感知小波树稀疏交替方向乘子法

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于残差网络融合模型的心律失常分类研究

    叶思超徐晨华乔清理
    10-17页
    查看更多>>摘要：诊断心律失常的基础是正确识别正常和异常的心跳信号,并根据心电图波形将其正确分类.现有的心律失常分类算法严重依赖数据预处理,需要大量计算时间,且在不同信号之间缺乏可移植性,本文提出的基于残差网络(ResNet)的融合模型可以自动识别心律失常,模型只使用一条导联的信息,将4s的心跳片段(不进行滤波处理)作为分类器的输入数据,通过融合不同的模型来提高分类性能.结果表明:分类器在患者间范式下的准确率、阳性率、敏感性分别达到0.855、0.606和0.639,说明通过模型融合得到的网络能够取得较好的心律失常分类能力.

    心电图心律失常心电片段残差网络模型融合

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于单通道脑电信号的睡眠自动分期研究

    郭艳平刘聪侯凤贞刘新昱...
    18-25页
    查看更多>>摘要：睡眠分期是睡眠评估的基础,在睡眠紊乱症的早期诊断和干预中起着重要的作用.本文利用集合经验模态分解对单通道脑电信号进行预处理,联合使用从分解得到的固有模态信号中提取的线性和非线性动力学等多元特性,构建了机器学习模型的输入特征空间,并最终训练出可行的睡眠自动分期模型.通过对111个健康受试者整夜睡眠数据的分期实验发现,使用本文提出的特征构建策略,能在多种经典的机器学习算法(反向传播神经网络、支持向量机、随机森林和极端梯度提升)中获得具有实用价值的睡眠自动分期模型.其中,基于极端梯度提升算法的模型在对睡眠状态进行4种分期和5种分期的任务中,准确率分别为81.0％和79.7％.

    睡眠自动分期集合经验模式分解机器学习

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于心率变异性信号的睡眠呼吸暂停检测方法

    牛艳玲刘健朱一荻李翔...
    26-32页
    查看更多>>摘要：提出了一种仅使用心率变异性信号来自动检测睡眠呼吸暂停的方法.首先,从心电信号中提取心率变异性信号,并进行异常值处理和分段;其次,利用基于方差分析(analysis of variance,ANOVA))和最大相关-最小冗余(max-relevance and min-redundancy,mRMR)的两阶段特征选择策略获得特征向量;最后,采用五折交叉验证训练随机森林分类器.结果表明:本算法使用9个特征将每分钟"epoch"信号分类为呼吸暂停或正常,在测试集中获得的睡眠呼吸暂停识别的平均准确率为80％,Kappa系数0.61;该方法具有无创且低成本的特性,有利于便携式睡眠检测设备的硬件实现.

    睡眠呼吸暂停综合症心率变异性特征选择随机森林

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于心音同态包络的无需分段分类方法

    成谢锋黄健钟
    33-39页
    查看更多>>摘要：针对病理性心音和正常心音差异导致的心音信号准确分段问题,本文提出一种无需对心音信号分段即可分类识别的方法.首先,对心音信号进行滤波处理;之后,将提取的心音同态特征包络取自相关函数,按照心音的特点,设计卷积神经网络(convolutional neural network,CNN)作为分类器;最后,进行训练、验证及测试.实验结果表明:本文方法在验证集上得到的准确率为100％,在测试集上得到的修正准确率为90.21％.

    心音同态特征包络自相关函数卷积神经网络

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    Rényi相位传递熵及其在心电信号分析中的应用

    方冲康欢张小凤张光斌...
    40-46页
    查看更多>>摘要：为更有效地检测异常心电信号,本文基于Rényi熵和相位传递熵的概念,提出了Rényi相位传递熵算法.应用四阶AR模型和Hénon映射,分析了Rényi相位传递熵对于不同信号的检测性能及熵参数对相位传递熵检测性能的影响,并将该算法应用于异常心电信号的分析.仿真研究结果表明,Rényi相位传递熵具有对数据长度的低敏感性,调节熵参数可以改善算法的检测性能.利用Rényi相位传递熵,可以有效地对正常人、心室纤颤病人和房颤病人心电信号的变化进行区分.

    Rényi相位传递熵熵参数心电信号

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于LightGBM的心音信号分类研究

    余强黄晓林
    47-55页
    查看更多>>摘要：为实现心音信号的自动分类,本文采用梯度提升树LightGBM对心音信号进行识别并分类.首先对心音信号进行分割,识别心脏搏动周期中的不同阶段;再分别从时域和频域对每次心跳中的不同时期片段进行分析和处理,提取信号特征,最后利用LightGBM分类器进行分类.实验结果表明,通过特征提取并利用LigthGBM进行分类是一种有效可行的心音信号分类方法,该方法对心音信号有无异常的识别准确率达91.2％.

    心音梯度提升树LightGBM分类

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    个体脑功能网络在长时间尺度上的动态复杂度分析

    倪黄晶秦姣龙
    56-62页
    查看更多>>摘要：为人脑功能网络在长时间尺度上的动态复杂度变化情况,基于单个被试在18个月内近百次密集扫描的纵向静息态功能磁共振成像的数据集,采用排列熵对全脑功能网络的动态复杂度进行定量分析.结果表明,所有功能网络的复杂度会随着时间变化而发生一定的动态波动变化,但这种变化的幅度范围较为有限;不同功能网络的表现各异,其中小脑网络和皮下核团网络的复杂度最高,而额顶网络复杂度最低.

    脑功能网络长时间尺度动态复杂度

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    时间不可逆系统的量化分析

    王俊李俊俊姚文坡
    63-68页
    查看更多>>摘要：时间不可逆是衡量系统非平衡性特征的有效指标,其在非线性特征分析中也发挥了重要作用,本文综述了时间不可逆量化分析的概念及相关问题.首先从统计学角度对正反序列联合概率的差异性和序列对称向量的概率差异性的一致问题进行验证,之后对联合概率简化估计的主要方法(包括排列法和可视图)进行概述,并对基于减法的差异性参数进行比较分析.进一步针对排列时间不可逆量化方法,分析了空排列、等值元素的影响,并对量化分析中对称向量的有效排列方式进行了讨论.本文厘清了时间不可逆相关的统计概念和量化分析方法,为进一步分析非平衡系统的不可逆特征提供了理论基础.

    时间不可逆时间非对称排列非平衡性幅度不可逆

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据

    基于信息增益与皮尔森相关系数的2D自适应特征选择算法

    谢娟英吴肇中郑清泉
    69-81页
    查看更多>>摘要：针对基因表达数据的高维小样本特点,提出基于信息增益与皮尔森相关系数的2D自适应特征选择算法FSIP(feature selection based on information gain and Pearson correlation coeffi-cient).以特征的信息增益度量相应特征所携带的信息量,定义特征辨识度来度量特征的辨识能力大小,采用皮尔森相关系数定义特征独立性.为了尽可能选择到辨识能力和独立性都很好的特征,并能调和特征的辨识度与独立性对分类的贡献,定义两者之积为特征重要性,自适应地选择重要性远高于其余特征重要性的特征构成特征子集.以核极限学习机K-ELM(kernel extreme learning machine)为分类器,评价所选择特征子集的分类性能.基因数据集的实验测试以及与经典特征选择算法SVM-RFE、DRJMIM、mRMR、LLE Score、AMID、AVC的实验对比和统计重要性检测表明,提出的FSIP特征选择算法能够选择出分类能力很好的特征子集,基于被选特征子集的K-ELM具有很好的分类性能.

    信息增益皮尔森相关系数特征选择极限学习机特征相关性

      原文链接:
    • 国家科技期刊平台
    • NETL
    • NSTL
    • 维普
    • 万方数据