基于改進PSO-SVM 的智能化醫療數據處理技術研究

黃祎，王金珠，孫夢琪，包蕾

（河北北方學院附屬第一醫院，河北張家口 075000）

采用原始統計或報表的方式對財務數據進行分析，既費時又費力。現有的一些智能算法如BP、傳統SVM 等，雖然能夠滿足一些小數據、輕量化的需求，但在處理海量數據時效率低下、準確率不足，難以獲得數據深層的潛在信息，造成資源的浪費[1-3]。

為此，文中在粒子群算法（PSO）、支持向量機算法（SVM）以及模擬退火算法（SA）的基礎上提出了一種基于改進PSO-SVM 的智能醫療數據處理算法。通過SA-PSO 獲取SVM 模型訓練所需的懲罰系數與高斯核系數的最優值，并利用訓練好的SVM 模型得到最終的數據處理結果。通過算法對比實驗證明了所提算法的可行性以及相較于其他同類算法的優勢，而性能實驗則體現了算法的可靠性。該算法為后續進一步進行智能化財務數據處理提供了重要基礎。

1 理論分析

1.1 PSO算法

該文所采用的粒子群算法（Particle Swarm Optimization，PSO）是通過研究生物群體捕食行為特征，而提出的一種數學計算理論[4-5]。粒子是PSO 算法中的重要概念，具體是指所研究問題中存在的潛在優化解，可以將其抽象成待解多維空間中具有自身位置、移動速度以及移動經驗（適應度）的對象點。每個對象點均有自身的初始位置，在多維空間中以可變的速度移動時，會根據其他對象點的實時位置及獲得的移動經驗不斷進行調整，同時在移動過程中記錄其所經過的最優位置。通過上述描述可知，PSO 各粒子均包含位置、速度以及適應度三個特征。其中適應度值在某種意義上決定了PSO 算法的優劣，該數值通常由相應函數計算所得。在對實際問題的處理中，通過這些粒子的不斷進化與迭代來實現最終結果的獲取。PSO 算法流程，如圖1 所示。

圖1 PSO算法流程

PSO 算法流程可以分為以下五步：

1）參數初始化：該過程主要設定算法中粒子群的數量以及各粒子的初始位置和初始速度。

2）適應度計算：該過程主要是根據實際問題確定相應的適應度計算函數，并利用該函數計算粒子當前位置所對應的適應度。

3）粒子極值計算：該步驟所實現的功能為通過前一步得到的適應度對粒子群的個體極值和群體極值進行計算。

4）參數更新：通過對比各粒子適應度與所記錄最優位置的適應度，對粒子位置和速度進行更新。

5）迭代尋優：判斷所得結果是否滿足精度或迭代次數是否達到最大值，若滿足迭代結束得到最優解；反之則返回步驟2）。

1.2 SVM算法

支持向量機（Support Vector Machine，SVM）是基于統計學理論提出的一種人工智能機器學習算法[6-9]。SVM 算法建立在VC 維理論及結構風險最小化原則的基礎之上，目的在于解決傳統BP 等神經網絡的問題，更好地將神經網絡應用于樣本空間的非線性分類及回歸處理中。

SVM 算法的設計原理：將實際問題通過設定的核函數映射到待求解的高維特征空間，通過求解空間特征向量的權重系數，獲取空間樣本數據存在的最大化間隔，同時利用該最大化間隔實現樣本分類。SVM 從根本上分析可以看作是對凸二次規劃問題求解的數學模型，這也保證了SVM 所獲得的解為全局最優解，防止結果為局部最小值的錯解。SVM的經典算法模型如圖2 所示，一般由輸入層、支持向量層以及輸出層三部分組成，圖中的圓形和方形框分別表示組成對應層次的各個單元。其中，輸入層負責接收樣本數據，支持向量層是模型核心層，負責進行樣本數據處理，該層中包含了由多個支持向量所組成的中心節點，而輸出層則為SVM 模型處理的表示，是支持向量層各中心節點的線性組合。

SVM 模型可以分為線性可分SVM 與非線性SVM 兩類[10-11]。其中，在線性可分SVM 中最大間隔所涉及的超平面具有唯一性，能夠準確地將樣本劃分為兩類。而在非線性SVM 中，需要引入松弛變量，接受部分樣本分類所存在的誤差，實現結構風險模型與性能之間的均衡。

在SVM 算法中，核函數的選擇至關重要，其能夠將非線性問題轉換為線性問題進行處理。在實際需求中，通常需要根據具體情況選擇最優的核函數進行處理。常見的核函數包括：線性核函數（LKF）、多項式核函數（PKF）、高斯徑向基核函數（RBF）以及多層感知機核函數（MPF）等。文中通過對比分析，選用其中適用性更強、性能更優的高斯徑向基核函數進行后續處理。

2 數據處理

文中旨在提出一種財務數據的分析與處理算法，能夠服務于醫療機構的財務系統，為管理人員的分析與決策提供參考，因此提出了基于改進PSOSVM 的智能化醫療數據處理方法。下文將從算法架構設計入手，詳細介紹與分析了該算法的設計思路及處理流程。

2.1 技術架構

文中所設計的基于改進PSO-SVM 的智能化醫療數據處理算法架構，如圖3 所示。

圖3 醫療數據處理算法架構

該架構主要由數據庫層、數據預處理層、數據分析層以及人機交互層所組成。其中，數據庫層負責永久化存儲醫療機構產生的各類財務數據，包括基礎財務數據、ERP 數據以及人力資源系統Excel 所記錄的相關數據等。經大量收集到機構所產生的財務數據后，才能夠利用該算法對這些數據進行準確地分析，進而為后續的決策提供更有力的支持。數據預處理層負責對數據庫的數據進行篩選、清洗、歸一化等操作。其中，數據篩選主要是挑選原始財務數據感興趣的樣本以及剔除相關性強的數據指標；數據清洗則是去除原始數據中的噪聲、異常記錄以及冗余數據，加強數據的完整性；數據歸一化則是消除同類數據不同記錄方式之間所存在的差異。而數據分析層則是利用提出的PSO-SVM 算法對預處理后的數據進行進一步處理，得到蘊含在樣本中的深層次信息。人機交互層也可稱為展示層，主要功能分為兩部分，一是為用戶提供操作界面，用戶可通過該頁面進行數據庫查詢以及數據分析等操作；二是進行請求結果的展示，將用戶所需內容以可視化方式進行呈現。下面將對其中的關鍵算法PSO-SVM 算法進行討論。

2.2 PSO-SVM算法

支持向量機SVM 算法的優勢在于理論基礎完善、所需樣本數量少、可解決高維問題，但也不能忽略其不足之處，主要體現在訓練參數選擇困難、擬合精度難以保證等。SVM 算法中懲罰系數與高斯核函數是對算法性能影響較大的兩個參數。通常，懲罰系數是模型分類精度與平滑性的權衡，提高懲罰系數能夠相應提升模型的最終精度，但泛化效果會隨之降低，反之降低懲罰系數泛化效果則會相應提高。高斯核函數則會對模型中的支持向量產生較大影響，高斯核函數越大，支持向量之間的相關程度就越高，模型訓練效果就越差。基于此，要合理設置SVM 的這兩個參數。

PSO 算法經過多年的發展與完善，已經在參數優化領域取得了良好的實踐效果。為此文中提出采用粒子群PSO 算法對SVM 參數進行優化的PSOSVM 方法，來最大化提高SVM 算法模型的性能。所提出的利用PSO 進行SVM 算法優化的架構，如圖4所示。

圖4 PSO-SVM算法架構

所設計PSO-SVM 算法涉及的主要步驟包括：

1）參數初始化：將SVM 算法涉及到的懲罰系數、高斯核函數作為PSO 中的粒子，對粒子群規模、各粒子的初始位置和初始速度進行設定。

2）PSO 參數調優：通過PSO 過程中所記錄最優位置的適應度，對粒子位置和速度進行持續更新。

3）迭代條件判斷：判斷是否達到所設定的終止條件，若達到則停止PSO 參數優化，進行SVM 模型訓練；否則，繼續進行PSO 的參數尋優。

4）SVM 模型訓練：利用PSO 算法得到的優化參數對SVM 模型進行訓練，能夠在保證模型訓練效率的同時，盡可能地避免人為因素的影響，提高最終模型的準確率及泛化效果。

2.3 改進PSO-SVM算法

上文提出的PSO-SVM 算法已經能在較大程度上提高數據處理結果的準確性，但仍有改進的空間。改進點在于PSO 算法容易產生過早收斂，使得參數陷入局部最優的問題，為此文中又在上述PSO-SVM 算法的基礎上引入模擬退火（Simulated Annealing，SA）算法，來對其中的PSO 算法進行優化。

SA 算法的優勢在于將概率的思想應用于最優解的獲取，不依賴涉及參數的初始值，且全局搜索效率高[12-19]。這些特點使得在與PSO 算法結合的過程中提高PSO 的靈活性、粒子的多樣性以及最優參數的搜索范圍，進而有效減低傳統PSO 算法不足所帶來的影響。SA 算法對PSO 優化的具體流程，如圖5所示。

圖5 SA優化PSO流程

SA 算法對PSO 的優化使得粒子在過早收斂時，能夠及時擺脫局部最優的影響。SA 在獲取解的同時，除了得到符合設定條件的解之外，也會概率性得到不完全符合設定條件的解。

3 實驗與分析

為了驗證文中所提算法的可行性與可靠性，體現相較于其他同類算法的優勢，設置了相關實驗，并對實驗結果進行分析與探討。

3.1 實驗準備

該部分主要對算法中涉及到的一些參數進行設置，具體如表1 所示。

表1 算法參數設置

3.2 算法對比實驗

該實驗主要測試該算法在實際進行醫療財務數據處理中的表現以及相較于其他同類別算法的優勢。為此特別設置了BP 神經網絡算法、傳統SVM 算法、PSO-SVM 算法作為對照組，測試指標包括數據處理的準確率（ACC）、錯誤處理次數（EHT）以及消耗時間（TIME）。在其他實驗環境參數一致的條件下，各算法進行醫療財務數據處理的結果，如表2 所示。

表2 各算法實驗對比結果

為了更直觀表現實驗結果，繪制了圖6 所示的各算法模型的ACC 和EHT 兩個指標對比圖。

圖6 各算法ACC和EHT指標對比圖

由上述各模型實驗對比結果可以看出，四種數據處理模型無論是準確率還是消耗時間，所提出的PSO-SVM 模型以及其對應的改進PSO-SVM 算法均優于其他兩種算法。尤其是改進的PSO-SVM 算法，其準確率能夠達到95.87%。該項實驗充分驗證了該算法的可行性，體現了文中算法相較其他同類算法的優勢。

3.3 算法性能實驗

該項實驗主要對算法的性能進行測試，主要測試該算法在大樣本數據量下是否能夠保持優秀的性能，進一步驗證算法的可靠性。為此設置了幾種樣本數不同的實驗，實驗結果如表3 所示。

表3 算法性能實驗結果

由上述性能實驗結果可以看出，該算法在高數據量的條件下也能夠在保證效率的同時對數據進行有效處理，體現了算法的可靠性。

4 結束語

文中在介紹與分析粒子群PSO 算法和支持向量機SVM 算法的基礎上，基于改進PSO-SVM 技術提出了智能化醫療數據處理算法。該算法由數據庫層、數據預處理層、數據分析層以及人機交互層四大模塊所組成，能夠充分發揮PSO 參數調優以及SVM 數據處理的優勢。實驗結果證明了所提算法的可行性與可靠性，同時也體現了該算法相較于其他同類算法的優勢，表明其具有良好的實際應用價值。