多核SVM在生物醫(yī)學(xué)中的應(yīng)用研究

劉衛(wèi)華　王春蘭

摘 要：以生物醫(yī)學(xué)中實(shí)際分類(lèi)問(wèn)題為應(yīng)用背景，提出一種基于半無(wú)限線(xiàn)性規(guī)劃算法（Semi-Infinite Linear Program， SILP）的多核支持向量機(jī)（SVM）的分類(lèi)診斷方法，并利用生物醫(yī)學(xué)中典型的心臟單光子發(fā)射計(jì)算機(jī)化斷層顯像（SPECT）圖像數(shù)據(jù)以及麻省理工學(xué)院（MIT-BIH）的心電圖數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，仿真結(jié)果表明，這種改進(jìn)的多核SVM分類(lèi)器在分類(lèi)精度、運(yùn)行時(shí)間上都優(yōu)于普通單核LSSVM與SVM，能夠有效地處理實(shí)際分類(lèi)問(wèn)題。

關(guān)鍵詞：分類(lèi)問(wèn)題；生物醫(yī)學(xué)；心電圖；多核SVM

1 概述

近年來(lái)，已有許多機(jī)器學(xué)習(xí)算法如決策樹(shù)、貝葉斯分類(lèi)、人工神經(jīng)網(wǎng)絡(luò)、小波變換、支持向量機(jī)（support vector machines， SVM）等用于生物醫(yī)學(xué)實(shí)際分類(lèi)問(wèn)題中，其中SVM以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則[1]，克服了傳統(tǒng)統(tǒng)計(jì)分類(lèi)方法的許多缺點(diǎn)。文章將一種改進(jìn)的基于SILP算法的多核SVM[2]應(yīng)用于生物醫(yī)學(xué)中心臟單光子發(fā)射計(jì)算機(jī)化斷層顯像（SPECT）圖像數(shù)據(jù)以及心電圖ECG信號(hào)的分類(lèi)診斷中[3]。

2 基于改進(jìn)SILP算法的多核SVM

由于核學(xué)習(xí)強(qiáng)大的非線(xiàn)性映射能力，多核SVM越來(lái)越受到人們的重視，對(duì)于規(guī)模較大、分布不規(guī)則的數(shù)據(jù)樣本，多核SVM具有更高的分類(lèi)精度及更好的適用性[4]。

多核SVM的本質(zhì)是將不同類(lèi)型的核函數(shù)進(jìn)行凸組合得到新的等價(jià)核函數(shù)[2]：

3 實(shí)驗(yàn)及結(jié)果分析

3.1 SPECTF圖像數(shù)據(jù)試驗(yàn)

SPECTF數(shù)據(jù)集描述的是心臟診斷的單質(zhì)子發(fā)射計(jì)算機(jī)斷層攝影圖像，該數(shù)據(jù)集有267個(gè)病人的SPECTF圖像，每個(gè)病人被分為正常和不正常兩大類(lèi)[3]，通過(guò)特征提取出44個(gè)特征用于訓(xùn)練。

文章在同等條件下，將基于SILP的不同核函數(shù)組合的多核SVM與經(jīng)典LS-SVM、C-SVM進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)中SPECTF數(shù)據(jù)取80個(gè)樣本為訓(xùn)練數(shù)據(jù)，剩下的作為測(cè)試數(shù)據(jù)。以下實(shí)驗(yàn)結(jié)果均為20次的平均值。

選取SPECTF數(shù)據(jù)中的兩個(gè)屬性作為橫縱坐標(biāo)，給出多核SVM對(duì)于測(cè)試數(shù)據(jù)的二維分類(lèi)效果圖如圖1所示。

從表1可看出，對(duì)于SPECTF數(shù)據(jù)，幾種方法都能達(dá)到較好的分類(lèi)效果，從分類(lèi)精度來(lái)看，基于SILP算法的多核SVM分類(lèi)器略?xún)?yōu)于普通LS-SVM和C-SVM分類(lèi)器，但從運(yùn)行時(shí)間來(lái)看，同等條件下，基于SILP算法的多核SVM明顯縮短了耗時(shí)[3]。

3.2 ECG數(shù)據(jù)實(shí)驗(yàn)

ECG數(shù)據(jù)是取自美國(guó)麻省理工學(xué)院心律失常數(shù)據(jù)庫(kù)，把ECG信號(hào)分成正常的和不正常兩類(lèi)[8]，通過(guò)特征提取，提取了74182個(gè)樣本，每個(gè)樣本有10個(gè)屬性[9]。在實(shí)驗(yàn)中，隨機(jī)選取40000個(gè)樣本作為訓(xùn)練數(shù)據(jù)，其余的都作為測(cè)試數(shù)據(jù)進(jìn)行實(shí)驗(yàn)[3]。仍在同等條件下，將多核SVM與經(jīng)典LS-SVM、C-SVM和V-SVM進(jìn)行實(shí)驗(yàn)，以比較其方法的分類(lèi)性能。以下實(shí)驗(yàn)結(jié)果均為20次的平均值。實(shí)驗(yàn)結(jié)果如表2所示。

從表2可看出：幾種分類(lèi)器在選取各自理想?yún)?shù)值的情況下都能得到較好的分類(lèi)精度。使用RBF多核函數(shù)的多核SVM略?xún)?yōu)于使用混合核函數(shù)的多核SVM，并且明顯優(yōu)于C-SVM和V-SVM，而且多核SVM與單核SVM相比，大大縮短了運(yùn)行時(shí)間。說(shuō)明此改進(jìn)的多核SVM算法在解決大樣本數(shù)據(jù)時(shí)，在分類(lèi)精度不受影響的情況下會(huì)大大減少訓(xùn)練耗時(shí)。

圖2給出了使用RBF多核函數(shù)的多核SVM對(duì)于ECG數(shù)據(jù)集分類(lèi)的ROC曲線(xiàn)圖。

4 結(jié)束語(yǔ)

文章將一種改進(jìn)的基于SILP算法的多核SVM分類(lèi)算法應(yīng)用在生物醫(yī)學(xué)中的心臟單光子發(fā)射計(jì)算機(jī)化斷層顯像（SPECT）圖像數(shù)據(jù)和心電圖數(shù)據(jù)，實(shí)驗(yàn)結(jié)果表明，與普通單核LSSVM和SVM相比，基于SILP的多核SVM分類(lèi)算法在分類(lèi)精度、運(yùn)行時(shí)間以及適用的樣本規(guī)模上都表現(xiàn)出了十足的優(yōu)越性。

參考文獻(xiàn)

[1]張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào)，2000，26（1）：32-42.

[2]汪洪橋，孫富春，等.多核學(xué)習(xí)方法[J].自動(dòng)化學(xué)報(bào)，2010，36（8）：1037-1050.

[3]劉衛(wèi)華.最小二乘支持向量機(jī)在分類(lèi)中的應(yīng)用研究[D].蘭州：蘭州交通大學(xué)，2013：9-4.

[4]汪洪橋，蔡艷寧，孫富春，等.多尺度核方法的自適應(yīng)序列學(xué)習(xí)及應(yīng)用[J].模式識(shí)別與人工智能，2011，24（1）：72-81.

[5]劉衛(wèi)華.MK-LSSVM與AdaBoost-SVM在分類(lèi)中的比較研究[J].自動(dòng)化儀表，2013，34（5）：13-15.

[6]崔清亮，李軍.多核學(xué)習(xí)方法在分類(lèi)中的應(yīng)用研究[J].科學(xué)技術(shù)與工程，2013，13（32）：9531-9535.

[7]崔清亮.多核學(xué)習(xí)方法在分類(lèi)問(wèn)題中的應(yīng)用研究[D].蘭州：蘭州交通大學(xué)，2014：32-39.

[8]王麗蘋(píng)，董軍.心電圖模式分類(lèi)方法研究進(jìn)展與分析[J].中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)，2010，29（6）：916-925.

[9]趙傳敏，馬小虎.基于非負(fù)矩陣分解和支持向量機(jī)的心電圖分類(lèi)[J].計(jì)算機(jī)工程，2012，38（9）：174-176.

作者簡(jiǎn)介：劉衛(wèi)華（1987-），女，陜西富平，工學(xué)碩士，助教，研究方向：模式識(shí)別、圖像處理等。