多核SVM在生物醫學中的應用研究

劉衛華　王春蘭

摘 要：以生物醫學中實際分類問題為應用背景，提出一種基于半無限線性規劃算法（Semi-Infinite Linear Program， SILP）的多核支持向量機（SVM）的分類診斷方法，并利用生物醫學中典型的心臟單光子發射計算機化斷層顯像（SPECT）圖像數據以及麻省理工學院（MIT-BIH）的心電圖數據庫中的數據進行訓練和測試，仿真結果表明，這種改進的多核SVM分類器在分類精度、運行時間上都優于普通單核LSSVM與SVM，能夠有效地處理實際分類問題。

關鍵詞：分類問題；生物醫學；心電圖；多核SVM

1 概述

近年來，已有許多機器學習算法如決策樹、貝葉斯分類、人工神經網絡、小波變換、支持向量機（support vector machines， SVM）等用于生物醫學實際分類問題中，其中SVM以結構風險最小化為原則[1]，克服了傳統統計分類方法的許多缺點。文章將一種改進的基于SILP算法的多核SVM[2]應用于生物醫學中心臟單光子發射計算機化斷層顯像（SPECT）圖像數據以及心電圖ECG信號的分類診斷中[3]。

2 基于改進SILP算法的多核SVM

由于核學習強大的非線性映射能力，多核SVM越來越受到人們的重視，對于規模較大、分布不規則的數據樣本，多核SVM具有更高的分類精度及更好的適用性[4]。

多核SVM的本質是將不同類型的核函數進行凸組合得到新的等價核函數[2]：

3 實驗及結果分析

3.1 SPECTF圖像數據試驗

SPECTF數據集描述的是心臟診斷的單質子發射計算機斷層攝影圖像，該數據集有267個病人的SPECTF圖像，每個病人被分為正常和不正常兩大類[3]，通過特征提取出44個特征用于訓練。

文章在同等條件下，將基于SILP的不同核函數組合的多核SVM與經典LS-SVM、C-SVM進行實驗。實驗中SPECTF數據取80個樣本為訓練數據，剩下的作為測試數據。以下實驗結果均為20次的平均值。

選取SPECTF數據中的兩個屬性作為橫縱坐標，給出多核SVM對于測試數據的二維分類效果圖如圖1所示。

從表1可看出，對于SPECTF數據，幾種方法都能達到較好的分類效果，從分類精度來看，基于SILP算法的多核SVM分類器略優于普通LS-SVM和C-SVM分類器，但從運行時間來看，同等條件下，基于SILP算法的多核SVM明顯縮短了耗時[3]。

3.2 ECG數據實驗

ECG數據是取自美國麻省理工學院心律失常數據庫，把ECG信號分成正常的和不正常兩類[8]，通過特征提取，提取了74182個樣本，每個樣本有10個屬性[9]。在實驗中，隨機選取40000個樣本作為訓練數據，其余的都作為測試數據進行實驗[3]。仍在同等條件下，將多核SVM與經典LS-SVM、C-SVM和V-SVM進行實驗，以比較其方法的分類性能。以下實驗結果均為20次的平均值。實驗結果如表2所示。

從表2可看出：幾種分類器在選取各自理想參數值的情況下都能得到較好的分類精度。使用RBF多核函數的多核SVM略優于使用混合核函數的多核SVM，并且明顯優于C-SVM和V-SVM，而且多核SVM與單核SVM相比，大大縮短了運行時間。說明此改進的多核SVM算法在解決大樣本數據時，在分類精度不受影響的情況下會大大減少訓練耗時。

圖2給出了使用RBF多核函數的多核SVM對于ECG數據集分類的ROC曲線圖。

4 結束語

文章將一種改進的基于SILP算法的多核SVM分類算法應用在生物醫學中的心臟單光子發射計算機化斷層顯像（SPECT）圖像數據和心電圖數據，實驗結果表明，與普通單核LSSVM和SVM相比，基于SILP的多核SVM分類算法在分類精度、運行時間以及適用的樣本規模上都表現出了十足的優越性。

參考文獻

[1]張學工.關于統計學習理論與支持向量機[J].自動化學報，2000，26（1）：32-42.

[2]汪洪橋，孫富春，等.多核學習方法[J].自動化學報，2010，36（8）：1037-1050.

[3]劉衛華.最小二乘支持向量機在分類中的應用研究[D].蘭州：蘭州交通大學，2013：9-4.

[4]汪洪橋，蔡艷寧，孫富春，等.多尺度核方法的自適應序列學習及應用[J].模式識別與人工智能，2011，24（1）：72-81.

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

[6]崔清亮，李軍.多核學習方法在分類中的應用研究[J].科學技術與工程，2013，13（32）：9531-9535.

[7]崔清亮.多核學習方法在分類問題中的應用研究[D].蘭州：蘭州交通大學，2014：32-39.

[8]王麗蘋，董軍.心電圖模式分類方法研究進展與分析[J].中國生物醫學工程學報，2010，29（6）：916-925.

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

作者簡介：劉衛華（1987-），女，陜西富平，工學碩士，助教，研究方向：模式識別、圖像處理等。