孕妇产后大出血是造成全球孕妇死亡的重要因素之一，在我国位居孕妇死亡原因首位，然而对产后出血的提前判定一直以来都是医学上一个难题.电子病历的普及，以及机器学习和深度学习技术的发展，为预知孕妇产后大出血提供了基于大数据的解决办法.本文提出利用孕妇的电子病历数据，构建基于LSTM和XGBoost的混合模型来预测孕妇产后大出血.实验结果表明，利用基于LSTM和XGBoost的混合模型对孕妇产后大出血进行预测是可行的，能够为医生判断孕妇产后出血情况提供参考，为孕妇分娩时是否需要备血方案提供决策支持，对降低产后大出血致死率具有积极意义.
2021-11-04 15:40:11
1.14MB
1
小白一枚，接触到GMM和EM，现将学习到的整理出来，如有错误，欢迎指正，文中涉及到公式的推导比较繁琐，故先在纸上推导出来再拍照发出来。希望大家多多交流，共同进步。接下来将按照思路一步一步进行介绍。
1. 单高斯模型GSM（一维）
单高斯模型很简单，大家也很清楚，这里不做过多的解释，如不明白可自行百度。如图
概率密度函数为：
2.单高斯模型（多维，以二维为例）
二维高斯分布图像如下
关于二维高斯分布的参数设定对为高斯曲面的影响，可以参考这篇文章（二维高斯分布的参数分析）
（以上两条是基础，为了下面做铺垫，接下来我将通过例子引出高斯混合模型。）
3.高斯混合模型（GMM）
为什么会有高斯
2021-10-29 15:06:38
1.44MB
1
em算法matlab代码EM_GMM
Matlab代码使用EM算法拟合高斯混合模型（GMM）
如何使用代码
使用以下方法安装GMM：
P
=
trainGMM(data,numComponents,maxIter,needDiag,printLikelihood)
参数：
data
-
a
NxP
matrix
where
the
rows
are
points
and
the
columns
are
variables.
e.g.
N
2-D
points
would
have
N
rows
and
2
columns
numComponents
-
the
number
of
gaussian
mixture
components
maxIter
-
the
number
of
iterations
to
run
expectation-maximization
(EM)
for
fitting
the
GMMs
needDiag
-
set
as
1
if
you
want
diagonal
covariance
matrices
for
the
components.
Set
2021-10-26 19:40:43
36KB
1
介绍
用Matlab从头开始编写的高斯混合模型分类器，用于学校作业。
学习阶段包括对学习数据的 PCA 和经典的 EM 算法。
MNIST
数据库用于测试分类器。 它使用每类 8 个组件成功识别高达 97.87% 的测试数据。
2021-10-26 10:50:00
13.94MB
1
针对高斯混合模型存在背景更新收敛性差、易受环境噪声和光照突变影响、易产生虚假目标等问题，提出一种基于高斯混合模型的改进算法，用于视频中行人目标检测。通过将帧差法引入高斯混合模型，快速区分背景区域和运动目标区域，从而提取前景中完整的行人目标。结合视频帧边缘和边缘帧差信息，采用多种模型更新率，提高高斯混合模型对复杂背景的自适应性和快速收敛性，从而消除环境噪声和光照突变的影响，避免检测出虚假目标。实验结果表明，相比传统高斯混合模型，该方法可以有效去除噪声和光照的干扰，收敛性更佳、行人检测效果更鲁棒。
2021-10-25 19:41:16
1.43MB
1
K 表示分割方法有一个基本假设，即每个元素不能同时属于两个集群。 有时，很难定义两个簇之间过渡区域中的元素。 这个元素可能属于多个集群，具有概率。
2021-10-25 10:57:23
3KB
1
这是用于聚类的高斯混合建模的简单实现。 此实现旨在用于教育目的，它的实现方式使代码尽可能具有可读性，而不是尽可能高效。
2021-10-21 15:14:37
2KB
1
hmm模型matlab代码HMM-GMM
这是我个人实现的隐马尔可夫模型和高斯混合模型，这是统计机器学习中的两个经典生成模型。
HMM是在无监督的情况下进行训练的，代码实现了前向后退算法，以在给出部分/全部观测值的任何时间步长计算状态的边际概率，而Baum-Welch算法则用于估计初始概率分布，过渡和排放概率分布。
对于此示例，观察值是空格和字母，但是代码足够通用，可以与任何观察值序列和隐藏状态一起使用。
下面讨论的所有概率将在日志空间中。
HMM的推论被实现为一种维特比算法（动态编程）
依存关系
Python
3.x
load_corpus(path)
此功能特定于此示例，用于读取观察顺序。
它将读取路径中的文件，仅保留字母和单个空格对其进行清理，并将所有内容都转换为小写。
它将返回清除输入的字符串。
load_probabilities(path)
此函数在指定的路径中加载pickle文件，该路径包含字典的元组。
第一个字典包含初始状态概率，并将整数i映射到第i个状态的概率。
第二词典包含转换概率和映射整数i到该整数j映射到过渡的从状态i到状态j的概率的第二词典。
最后，第三个字典
2021-10-20 17:12:59
35KB
1