基于多示例學(xué)習(xí)的心電圖分析和圖像分類算法研究.pdf

1、多示例學(xué)習(xí)是一種新的機器學(xué)習(xí)框架，是機器學(xué)習(xí)領(lǐng)域中的熱門的研究方向。近年來，有監(jiān)督學(xué)習(xí)在很多應(yīng)用領(lǐng)域中已經(jīng)取得了的成功。然而，在現(xiàn)實應(yīng)用中，許多問題依然難以用簡單的示例進行描述，而且高質(zhì)量、大規(guī)模的標(biāo)注樣本集難以獲得。區(qū)別于基于樣例的學(xué)習(xí)方法，多示例學(xué)習(xí)引入了包的概念，學(xué)習(xí)對象被稱為包，每個包由數(shù)目不確定的示例構(gòu)成。包是有標(biāo)記的，示例是無標(biāo)記的。多示例學(xué)習(xí)作為一種新型的機器學(xué)習(xí)框架，可以有效地解決很多有監(jiān)督學(xué)習(xí)難以解決的問題。
　

2、　 近年來，用機器學(xué)習(xí)的方法來分析心電圖是一個很熱門的應(yīng)用領(lǐng)域。由于一個心電圖中包含多個心跳，并且心跳規(guī)模巨大且無法全部人工標(biāo)注，因此有監(jiān)督的學(xué)習(xí)機制無法在心電圖自動分類取得好的分類性能。本文分析了多示例學(xué)習(xí)算法應(yīng)用到心電圖自動分類的合理性，并提出了一個新的基于隱式主題模型的多示例學(xué)習(xí)算法(LTMIL)。在LTMIL算法中，我們通過將無監(jiān)督學(xué)習(xí)應(yīng)用到未標(biāo)注的心跳數(shù)據(jù)集中，構(gòu)建了隱式主題模型，并將心電圖映射到主題模型中，得到心電圖層的特

3、征向量，并最終通過有監(jiān)督的學(xué)習(xí)如支持向量機等，訓(xùn)練心電圖分類器，并對未知的心電圖進行預(yù)測。在PTB診斷數(shù)據(jù)庫的心電圖數(shù)據(jù)集上的測試結(jié)果表明:與典型的多示例算法和監(jiān)督學(xué)習(xí)算法相比，LTMIL提高了分類結(jié)果的敏感性和特異性，并且無需標(biāo)注心跳標(biāo)簽。
　　 隨著多示例學(xué)習(xí)的發(fā)展以及其應(yīng)用問題的復(fù)雜化，多示例學(xué)習(xí)有了一個更為泛化的定義，即包的標(biāo)簽是由示例的標(biāo)簽決定的，但是這種關(guān)系式復(fù)雜且未知的。圖像分類問題就是典型的泛化的多示例學(xué)習(xí)問題:

4、圖像對應(yīng)于包，圖像中萃取的小塊或者分割的區(qū)域?qū)?yīng)于示例，示例的標(biāo)簽是模糊的，但是所有包內(nèi)的示例將決定包的標(biāo)簽。當(dāng)前的機器學(xué)習(xí)算法，都很難科學(xué)的應(yīng)對泛化的多示例學(xué)習(xí)問題。我們對泛化的多示例學(xué)習(xí)問題給出了一個新的定義，認為在所有示例中，不僅對正示例或者負示例，都存在這可信示例和模糊示例，其中，可信示例決定著包的標(biāo)簽。雖然包和示例關(guān)系也是復(fù)雜未知的，但是，保留可信示例并去除模糊示例可以對示例的判斷發(fā)揮很大的作用。為此，我們提出了一個新的基于協(xié)

5、同訓(xùn)練的示例選擇策略(CTIS):首先，從所有示例中選出可信示例訓(xùn)練分類器;然后，對包中的未知示例進行分析，預(yù)測示例標(biāo)簽;最終通過基于示例標(biāo)簽的多示例核對包進行分類。實驗表明CTIS算法能有效的解決泛化的多示例學(xué)習(xí)問題。
　　 本文的主要研究工作和創(chuàng)新點包括以下兩個方面:
　　 1.圍繞心電圖分類問題，尤其針對心肌梗塞癥狀心電圖分類，提出了一個新的多示例學(xué)習(xí)算法——LTMIL算法。我們對多示例學(xué)習(xí)應(yīng)用到心電圖分類問題的合