支持向量机在医学数据分析中的应用

摘要

支持向量机(SVM)是基于统计学习理论，借助最优化方法来解决机器学习问题的新工具，是统计学习理论中的结构风险最小化思想在实际中的体现。由于支持向量机出色的学习性能，该技术已成为机器学习界的研究热点，并在很多领域(如语音识别、人脸图像识别、文章分类等)得到了成功的应用。本文针对支持向量机算法的不足，提出了一种预先提取训练样本的方法，将改进的模糊C均值聚类(FCM)与支持向量机结合起来。通过模糊C均值聚类对训练样本进行预处理，提取所有可能是支持向量的样本作为新的训练样本，同时剔除孤立点，从而提高了分类的精度和训练速度。主要内容如下： (1)对儿童异常步态进行分类。通过比较三种不同核函数组成的分类器，得出采用径向基函数作为核函数的分类效果最好，准确率达到97.51％。将本算法与其它算法进行比较，实验结果表明，该算法能够有效地识别步态变化，较好地解决了小样本数据在步态分类中泛化能力差的问题。 (2)对三种心电图进行分类。本文采用数学形态学去除基线漂移；然后采用小波变换的模极大值检测R峰值点；考虑到小波包变换的性能，对采集好的心电样本采用小波包分解提取能量特征；最后使用本算法进行分类，得到的分类结果为97.03％。 (3)对心脏病的诊断。分别采用了常规算法和本算法对UCI机器学习库中的心脏病数据进行分类，结果表明，本算法优于常规算法，具有更好的学习能力和泛化能力。

目录

文摘

英文文摘

声明

1 绪论

1.1课题的背景

1.2国内外研究的状况

1.3 本文的内容安排

2支持向量机算法

2.1 统计学习理论和支持向量机

2.2支持向量机算法的基本方法

2.3 SVM与神经网络的性能比较

3支持向量机算法的改进

3.1 常规支持向量机算法的不足

3.2改进的模糊C均值聚类

3.3 基于WFCM的支持向量机算法

4基于WFCM的支持向量机在儿童步态分类中的应用

4.1 步态数据的标准化和归一化

4.2步态分类

4.3本章小结

5基于WFCM的支持向量机在心电图分类中的应用

5.1 MIT-BIH心电数据库

5.2 ECG数据的预处理

5.3 R波检测

5.4基于小波包变换的ECG信号的能量提取

5.5支持向量机参数选择

5.6本章小结

6基于WFCM的支持向量机在心脏病诊断中的应用

6.1 实验数据

6.2实验结果

结 论

参考文献

攻读硕士学位期间发表学术论文情况

致 谢