5、糖尿病视网膜病变检测与分类及老年人 EEG 信号分析

糖尿病视网膜病变检测与分类及老年人 EEG 信号分析

糖尿病视网膜病变检测与分类

特征提取

• 离散小波变换（DWT） ：对小波进行离散采样，主要用于数值分析和泛函分析。对图像应用自适应直方图均衡化（AHE）和 DWT 后可得到相应处理后的图像。
• Gabor 核 ：分析图像在特定点周围局部区域或附近区域特定方向上是否存在特定频率内容，应用该核后可得到相应输出图像。
• K - 均值聚类 ：一种矢量量化技术，旨在将 n 个观测值划分为 k 个聚类，每个观测值属于均值最接近的聚类，应用该聚类后可得到相应图像。

检测

使用两种机器学习模型检测糖尿病视网膜病变：
- 支持向量机（SVM） ：将其应用于训练数据，以找到对图像进行正常和糖尿病视网膜病变分类的最佳方法。通过分析训练数据创建分类参数，再用这些参数对图像进行分类。
- K - 近邻（KNN） ：采用基于案例的学习方法，保留所有训练数据。通过从训练数据集中构建归纳学习模型并用于分类，是一种简单有效的分类方法。

分类

当图像被检测为糖尿病视网膜病变后，使用密集卷积网络（DenseNet）对其阶段进行分类。以 DenseNet - BC - 121 - 32 模型为基础训练更高效的 DenseNet - Bottleneck - Compressed（DenseNet - BC）网络，将糖尿病