高血压合并冠心病是高血压疾病的一类严重合并症。 目前高血压患者对合并冠心病的情况检测不及时, 容易导致严重事件的发生, 其致残率、 致死率极高, 严重影响患者的生活质量。 因此对高血压患者合并冠心病的早期发现对预防更严重事件的发生显得尤为重要。 舌体信息与心血管功能关系密切, 为此, 提出一种基于舌体高光谱用于高血压患者中合并冠心病筛查新方法。 采集154例心血管科门诊患者舌体377.8~1 049.1 nm高光谱数据并记录临床诊断信息。 对高血压患者组及高血压合并冠心病患者组舌体光谱比较发现, 在500~600 nm波段之间, 两组光谱存在显著性差异。 基于中医舌诊分区理论, 对舌体进行区域划分, 划分为舌尖、 舌左、 舌中、 舌右以及舌根五个区域。 各舌体分区在波长509.6和561.2 nm以及540.5和576.7 nm均存在极大和极小值, 这与血红蛋白对光的吸收特征相吻合。 对组间各舌体区域光谱特征进行差异性分析。 T检验分析结果显示高血压患者组与高血压合并冠心病患者组舌尖与舌中区域光谱具有显著性差异。 基于高血压患者组与高血压合并冠心病患者组舌体不同区域光谱特征的差异性, 利用神经网络, 选取500~600 nm舌尖与舌中光谱数据进行后续高血压患者组与高血压合并冠心病患者组分类辨识模型的建立。 选用准确度、 灵敏度以及特异性作为模型预测能力的评价指标。 最终获得模型的预测准确度、 灵敏度以及特异性分别为84.78%, 86.95%和82.61%。 实验结果表明高血压患者与高血压合并冠心病患者舌体高光谱信息之间存在显著性差异。 利用舌体高光谱所建立的分类模型能够用于高血压以及高血压合并冠心病患者的无创辨识, 为高血压患者中高血压合并冠心病的早期发现提供一种有效筛查手段。

黑心病是鸭梨贮藏期间发生的生理病害, 其病变初期表现在内部果核处出现褐色斑块, 而在果实外观上与正常果几乎没有任何差异, 严重影响鸭梨的贮藏时间和品质, 亟需一种快速无损的检测方法为鸭梨质量保驾护航。 采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别, 结合平滑(Smoothing)、 标准正态变量变换(SNV)、 多元散射校正(MSC)、 SG一阶导数(SG 1^st-Der)以及小波变换(WT)预处理方法和主成分分析(PCA)、 k近邻(kNN)、 朴素贝叶斯(NBC)、 支持向量机(SVM)以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。 Adaboost集成了kNN、 NBC和SVM三个独立学习器。 将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价, 采用训练集的查准率/查全率的调和平均值(F-measure)和正确识别率(Accuracy)对分类模型进行优化和评价。 研究结果表明: 不同属性(正常和黑心)鸭梨样品光谱的前三主成分分布图相互交错, 很难直观地对黑心鸭梨进行区分。 样品光谱经小波变换(小波基为“Haar”)预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%; 经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%; 经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%; 经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。 通过测试集对模型进行验证可知: 光谱经小波变换预处理后建立的Adaboost分类模型最优, 分类的F-measure达到90.91%, 较WT-kNN, SG 1^st-Der-NBC和WT-SVM模型分别提高了11.39%, 15.23%和2.30%; Accuracy达到92.63 %, 分别提高了10.52%, 11.58%和2.10%; 模型对测试集样品预测时的计算时间约为0.12s, 满足在线分选要求。 可见-近红外光谱结合AdaBoost分类方法, 可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。