基于核方法的醫(yī)療診斷數(shù)據(jù)分類算法研究.pdf

1、醫(yī)療數(shù)據(jù)因其自身具有獨特的異構(gòu)性、海量性、復(fù)雜性及安全性等特點，在其采集與處理的過程中會產(chǎn)生許多不完整、不一致的“臟數(shù)據(jù)”，從而影響了對這些數(shù)據(jù)的分析及利用。目前，如何從龐大的醫(yī)療數(shù)據(jù)庫中應(yīng)用智能學(xué)習(xí)算法高效地挖掘出有價值的信息，為醫(yī)療領(lǐng)域的疾病診斷和醫(yī)學(xué)研究做出貢獻成為了醫(yī)療大數(shù)據(jù)時代研究的熱點。在醫(yī)療數(shù)據(jù)的挖掘工作中，特別是在對高維醫(yī)療數(shù)據(jù)進行分類時，由于大量的醫(yī)療檢驗指標(biāo)產(chǎn)生的各種高維屬性變量將會導(dǎo)致在數(shù)據(jù)分析時要進行大量的計算，

2、這在一定程度上增加了醫(yī)療數(shù)據(jù)挖掘所消耗的時間和成本。而且在這大量的醫(yī)療數(shù)據(jù)中所含的噪聲也會降低數(shù)據(jù)分類識別的準(zhǔn)確率，進而影響到最終醫(yī)療決策分析的結(jié)果。所以無論是減少數(shù)據(jù)處理的計算量還是提高數(shù)據(jù)分類的準(zhǔn)確率，對醫(yī)療數(shù)據(jù)的挖掘都有著重要的意義。
　　本文以核方法理論為基礎(chǔ)，從醫(yī)療數(shù)據(jù)分類識別的應(yīng)用背景出發(fā)，對數(shù)據(jù)挖掘過程中的KPCA方法和SVM分類方法進行研究發(fā)現(xiàn)，盡管SVM算法適合高維模式的數(shù)據(jù)分析，但在處理高維、復(fù)雜、小樣本、高噪

3、聲的醫(yī)療數(shù)據(jù)時，算法的計算量以及消耗的時間成本還是比較高的;而基于KPCA分析的降維方法，雖然在降低數(shù)據(jù)維度的同時，有效的整合了數(shù)據(jù)的特征信息，但是其在減少數(shù)據(jù)計算量的同時對數(shù)據(jù)的噪聲點具有較強的敏感性。故本文首先以弱化重構(gòu)誤差的技巧對KPCA方法在數(shù)據(jù)降維時產(chǎn)生的噪聲敏感性進行了弱化，提出了一種改進的KEPCA方法，并與KPCA方法在高噪聲數(shù)據(jù)的去噪性能及降維效果上進行了比較分析，經(jīng)實驗驗證，KEPCA方法在進行數(shù)據(jù)降維時比KPCA方

4、法有著更強的去噪能力;接著以特征加權(quán)的思想對SVM分類方法進行優(yōu)化，提出了一種改進的多核SVM分類方法，并與幾種常用的分類算法進行實驗分析，驗證了本文EWSVM方法在小樣本、高噪聲醫(yī)療數(shù)據(jù)的分類任務(wù)中具有較高的分類準(zhǔn)確性。
　　最后，論文以KPCA方法和SVM方法相結(jié)合的模式對7組在樣本量、屬性維度、數(shù)據(jù)噪聲量上具有代表性的醫(yī)療數(shù)據(jù)集進行了分類實驗，并分別在模型分類的準(zhǔn)確率、靈敏度以及特異度這幾個評估指標(biāo)上對本文提出的算法進行了統(tǒng)