许燕
- 作品数:6 被引量:14H指数:2
- 供职机构:北京航空航天大学生物与医学工程学院更多>>
- 发文基金:中央高校基本科研业务费专项资金北京市自然科学基金国家自然科学基金更多>>
- 相关领域:自动化与计算机技术医药卫生电子电信文化科学更多>>
- 生物医学工程核心课程“生物医学信号处理”课程改革的思考被引量:6
- 2011年
- "生物医学信号处理"是生物医学工程教学的核心课程。随着生物医学工程学科不断发展,有必要对专业核心课程进行相应的教学改革。北京航空航天大学生物与医学工程学院开展生物医学工程课程体系建设以及"生物医学信号处理"课程改革。希望通过课程改革,不断优化,确立课程体系建设的基本思路,合理安排教学内容,达到良好的教学效果,使学生具备运用工程学原理和方法解决生物医学领域具体问题的能力。实践证明改革过程提出的理念切实可行,有较好的效果。
- 乔惠婷李德玉牛海军许燕
- 关键词:生物医学工程课程改革
- 基于脉冲序列标识的深度脉冲神经网络时空反向传播算法
- 2024年
- 尖峰放电的脉冲神经网络(SNN)具有接近大脑皮层的信号处理模式,被认为是实现大脑启发计算的重要途径。但是,目前对于深度脉冲神经网络的学习仍缺乏有效的监督学习算法。受尖峰放电速率标识的时空反向传播算法的启发,该文提出一种面向深度脉冲神经网络训练的基于时间脉冲序列标识的监督学习算法,通过定义突触后电位和膜电位反传迭代因子分别分析脉冲神经元的空间和时间依赖关系,使用替代梯度的方法解决反传过程中不连续可微的问题。不同于现有基于尖峰放电速率标识的学习算法,该算法能够充分反映脉冲神经网络输出的时间脉冲序列的动态特性。因此,所提算法非常适合应用于需要较长时间序列标识的计算任务,例如行为的时间脉冲序列控制。该文在静态图像数据集CIFAR10和神经形态数据集NMNIST上验证了所提算法的有效性,在所有这些数据集上都显示出良好的性能,这有助于进一步研究基于时间脉冲序列应用的大脑启发计算。
- 王子华叶莹刘洪运许燕许燕樊瑜波
- 关键词:脉冲神经网络误差反向传播
- 一种新型脉冲神经元模型及其网络的研究被引量:1
- 2020年
- 目的提出一种新型脉冲神经元模型及其网络,描述其建模方法,并用计算机模拟验证其性能。方法在充分考虑生物学适应性(激活电位阈值和不应期开关),及其对尖峰放电脉冲产生及其传导的动态调节机制基础上,在新型脉冲神经元模型中引入了突出后电位多通道滤波器,实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方(LMS)的误差反向传播(BP)学习算法,并将其应用于尖峰放电神经网络的调节。结果在自发噪声下,新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接,可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征,能够形成复杂的周期尖峰放电模式。对于输入噪声控制,该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡,这与生物神经元极其相似,能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器,能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。
- 王卫东王卫东许燕许燕
- 关键词:人工神经网络脉冲神经网络学习算法
- 基于中层特征的医学图像分割研究进展被引量:1
- 2016年
- 图像的中层特征将图像中的全局信息和局部信息结合,同时具备代表性和特异性,能够更好地表达图像的信息。已有的研究工作成功地将中层特征用于医学图像的分割,主要的方法包括稀疏编码和空间金字塔匹配(spatial pyramid matching,SPM)算法,词典学习,以及神经网络等算法。中层特征的应用提高了算法性能。本文介绍了现有的基于中层特征的医学图像分割算法,并对今后的研究工作进行了展望。
- 魏俊生许燕
- 关键词:医学图像图像分割特征提取
- 基于睡眠脑电信号和深度学习的抑郁症识别研究被引量:2
- 2023年
- 目的 基于睡眠脑电信号,探索深度学习Vision Transformer(ViT)结合Transformer网络对抑郁症患者识别的有效性。方法 首先对28例抑郁症患者和37例正常对照的睡眠脑电信号进行预处理,并将信号转为图像格式,保留其频域及空间域特征信息,之后将图像输送到ViT-Transformer编码网络,分别学习抑郁症患者和正常对照的快速眼动(rapid eye movement, REM)睡眠期和非快速眼动(non-rapid eye movement, NREM)睡眠期的脑电信号特征,并对抑郁症进行识别。结果 基于ViT-Transformer网络,从不同脑电频率角度,发现delta、theta和beta波的组合对抑郁症识别具有比较好的结果。其中,REM期delta-theta-beta波组合的脑电信号特征对抑郁症识别的准确率达92.8%,精准率为93.8%,抑郁症患者的召回率为84.7%,F0.5值为0.917±0.074;NREM期delta-theta-beta波组合的脑电信号特征对抑郁症的识别准确率为91.7%,精准率为90.8%,召回率为85.2%,F0.5值为0.914±0.062。此外,通过对整夜睡眠脑电的睡眠分期进行可视化,发现分类错误通常发生在睡眠期转期时。结论 应用深度学习ViT-Transformer网络,本研究发现基于delta-theta-beta波组合的REM期睡眠脑电信号特征对抑郁症识别更有效。
- 陶然丁胜男陈洁朱学敏倪照军胡令明张杨许燕孙洪强
- 关键词:抑郁症睡眠脑电
- 面向精准医疗的人工智能在病理图像中的应用被引量:4
- 2018年
- 精准医疗旨在综合多种医疗大数据,为病人量身设计出最佳治疗方案,以达到治疗效果最大化和副作用最小化。人工智能算法以其强大的特征提取能力,在计算机视觉领域表现出显著的优越性。将人工智能应用于医学场景中,特别是病理切片图像分析中,极大地促进了计算机辅助诊断的发展,为实现精准医疗提供了可能与生机。
- 王艺培闫雯张益肇来茂德许燕
- 关键词:人工智能