（控制理论与控制工程专业论文）基于粗糙集和支持向量机的帕金森病辅助诊断的研究.pdf

a i d e dd i a g n os is0 fp a r k i n d i s e a s eb a s e do nr o u g hs e ta n d s v m at h e s i ss u b m i t t e dt o s o u t h e a s tu n i v e r s i t y f o rt h ea c a d e m i cd e g r e eo fm a s t e ro f e n g i n e e r i n g b y s u p e r v i s e dby叁iulaervlsed p r o f f e is h u m i n a u t o m a t i o ns c h o o l s o u t h e a s tu n i v e r s i t y m a r c h2 0 1 0 东南大学学位论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成 果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经 发表或撰写过的研究成果，也不包含为获得东南大学或其它教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了 明确的说明并表示了谢意。 研究生签名：上塞蛊 日 期：竺l 旦：鱼：z 东南大学学位论文使用授权声明 东南大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的 复印件和电子文档，可以采用影印、缩印或其他复制手段保存论文。本人电子文档 的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和 借阅，可以公布( 包括刊登) 论文的全部或部分内容。论文的公布( 包括刊登) 授 权东南大学研究生院办理。 研究生签名：上避导师签名： 期：圳。乎7 摘要 摘要 帕金森病是中老年患者三大神经系统变性病之一，随着入口老龄化，其发病率 正逐年上升，且呈发病年龄不断降低的趋势。帕金森病的致残率较高，严重影响了 中年人的生活质量，因此对帕金森病的诊断和防治已引起了医学界的广泛重视。然 而，目前尚无该病早期确诊的标准以及国际通用的指南，大多数医生仅仅根据自己 的经验进行判断，这样不但导致误诊率和漏诊率升高，同时加重了患者的经济负担。 因此，借助计算机和机器学习方法辅助医生快速、准确地作出诊断，及早地确诊， 降低致残率，显著改善患者的生活质量。 在对目前的帕金森病及其诊断技术研究的基础上，将粗糙集和机器学习方法 ( b p 神经网络和支持向量机) 应用到帕金森病的辅助诊断和预测上，分析了粗糙集 属性约简对改善分类器分类效果的作用，并对比了支持向量机和b p 分类器的分类 能力和预测能力，最终设计实现了基于s v m 的帕金森病辅助诊断系统。 研究的主要内容有： ( 1 ) 研究粗糙集属性约简的算法，利用该算法对诊断指标进行约简，将属性约 简与分类方法结合应用到帕金森病辅助诊断中，分析其对分类效果产生的影 响： ( 2 ) 介绍了神经网络常用的分类方法及原理，重点叙述了b p 神经网络和支持向 量机分类原理、算法、实现等； ( 3 ) 应用支持向量机和b p 神经网络分类器进行帕金森病的辅助诊断，分析属性 约简对分类准确率的影响，粗糙集属性约简与支持向量机( 基于r b f 核函 数) 的分类效果最优，预测准确率达到9 2 ； ( 4 ) 研究c 群n e t 与m a t l a b 混合编程技术，利用基于c o m 组件的混合编程 方式设计并实现了帕金森病辅助诊断系统，实际病例的诊断测试结果证明该 系统有效。 研究结果表明，支持向量机的分类效果优于b p 神经网络分类器，并且将属性 约简与支持向量机结合应用，会明显提高支持向量机的分类准确率，基于粗糙集和 支持向量机的帕金森病辅助诊断方法是可行并且有效的。 关键词：支持向量机帕金森病属性约简辅助诊断混合编程 东南大学硕士学位论文 a b s t r a c t p a r k i n s o nd i s e a s ei so n eo ft h et h r e em a i nd e g e n e r a t i v ed i s e a s e si nt h en e u r o l o g y d e p a r t m e n t a l o n gw i t ht h ea g i n gt e n d e n c yo fp o p u l a t i o n , t h ei n c i d e n c eo fp a r k i n s o n d i s e a s ei n c r e a s e dg r a d u a l l yy e a rb yy e a r ，a n do n s e ta g es h o w st h et e n d e n c yo fd e c r e a s i n g c o n t i n u o u s l y t h eh i g hd i s a b i l i t y r a t eo fp a r k i n s o nd i s e a s e s i g n i f i c a n t l y a f f e c t s m i d d l e - a g e dp e o p l e ，w h i c hh a da l r e a d ya t t r a c t e dg e n e r a l l ya t t e n t i o no fd o c t o r sa n d s c i e n t i s t sf o rt h ed i a g n o s i sa n dt r e a t m e n t s h o w e v e r , n o n eo ft h ee a r l yd i a g n o s i ss t a n d a r d a n dg u i d e l i n e sh a db e e nc o n f i r m e di n t e r n a t i o n a l l ys of a r , s oi no r d e rt om a k ed i a g n o s i s ， m o s to ft h ed o c t o r sh a dt or e s o gt ot h e i re x p e r i e n c e sw h i c hn o to n l yl e a dt oi n c r e a s e dr a t e o fm i s d i a g n o s i sa n dm i s s e dd i a g n o s i sb u ta l s ot oi m p o s ee c o n o m i c a lb u r d e no nt h e p a t i e n t s a c c o r d i n g l y , i ti se s s e n t i a lt ou s ec o m p u t e ra n dm a c h i n el e a r n i n gm e t h o d t oa s s i t d o c t o r st om a k ef a s t ，a c c u r a t ed i a g n o s i sa tt h ef i r s ts t a g e ，w h i c hc o u l dd e c r e a s ed i s a b i l i t y r a t ea n di m p r o v el i f eq u a l i t yo ft h ep a t i e n t sa sw e l l ， o nt h eb a s i so fs t u d y i n gp a r k i n s o nd i s e a s ea sw e l la si t sc u r r e n td i a g n o s i s t e c h n o l o g y , t h er o u g hs e ta n dm a c h i n el e a r n i n gm e t h o d s ( b pn e u r a ln e t w o r ka n d s v m ) w e r ea p p l i e df o rt h ea i d e dd i a g n o s i sa n dp r e d i c t i o n i ta l s oa n a l y z e dt h e a f f e c t so fa t t r i b u t e sr e d u c t i o nb a s e do nr o u g hs e to ni m p r o v i n gt h ec l a s s i f i c a t i o n q u a l i t yo fc l a s s i f i e r s t h ec l a s s i f i c a t i o na b i l i t yo fs v m a n db pw a sc o m p a r e d t h e a i d e dd i a g n o s i ss y s t e mo fp a r k i n s o nd i s e a s eb a s e do ns v mw a sd e s i g n e da n db u i l t t h eo u t l i n eo ft h i st h e s i si ss h o w e da sb e l o w ： ( 1 ) t h ea t t r i b u t e sr e d u c t i o na l g o r i t h m sb a s e do nr o u g hs e tw e r er e v i e w e da n d e m p l o y e dt or e d u c tt h ed i a g n o s i si n d e x e s t h e s ea l g o r i t h m sw e r ec o m b i n e w i t hc l a s s i f i c a t i o nm e t h o d si no r d e rt o a n a l y z et h e i r i n f l u e n c eo n c l a s s i f i c a t i o nq u a l i t y ； ( 2 ) t h ec o m m o nc l a s s i f i c a t i o nm e t h o d sa n dt h e i rp r i n c i p l e sw e r ei n t r o d u c e d t h ep r i n c i p l e ，a l g o r i t h ma n di m p l e m e n t a t i o no fb pn e u r a ln e t w o r ka n d s u p p o r tv e c t o rm a c h i n ew e r ed e s c r i b e di nd e t a i l ； ( 3 ) a p p l yt h es u p p o r tv e c t o rm a c h i n ea n db pn e u r a ln e t w o r kc l a s s i f i e r sf o r a s s i s t a n t d i a g n o s i s o fp a r k i n s o nd i s e a s e ，a n dt h ea f f e c t so fa t t r i b u t e s r e d u c t i o no nc l a s s i f i c a t i o na c c u r a c yw a sa l s oa n a l y z e d s v mc l a s s i f i e r s ( b a s e do nr b fk e r n e lf u n c t i o n ) c o m b i n e dw i t hr o u g hs e ta c h i e v e dt h e b e s tr e s u l t so f9 2 a c c u r a c y ； ( 4 ) s t u d yo nt h ei n t e g r a t e dp r o g r a m m i n go fc 群n e ta n dm a t l a bd e s i g n a n db u i l dt h ea i d e dd i a g n o s i ss y s t e m o fp a r k i n s o nd i s e a s eu t i l i z i n g i n t e g r a t e dp r o g r a m m i n g m e t h o db a s e d0 nc o m p o n e n to b j e c t m o d e l f c o m ) t h ef i n a lt e s t i n gr e s u l t sp r o v e t h ee f f e c t i v e n e s so ft h es y s t e m t h es n l d i e s0 fa b o v ed e m o n s t r a t e d t h ec l a s s i f i c a t i o nq u a l i t yo fs u p p o r tv e c t o r m a c h i n ew a ss u p e r i o rt ot h a to fb pn e u r a l n e t w o r k t h ea p p l i c a t i o n0 fr o u g hs e t f o r s u p p o r tv e c t o rm a c h i n ec a no b v i o u s l yi m p r o v et h e c l a s s i f i c a t i o na c c u r a c yo ts u p p 叫 v e c t o rm a c h i n e t h em e t h o dc o m b i n e dw i t hr o u g hs e ta n ds u p p o r t v e c t o rm a c h l n el s f e a s i b l ea 1 1 de 岱c t i v ei nt h ea s s i s t a n td i a g n o s i so f p a r k i n s o nd i s e a s e k e y w 。r d s ：s u p p 。r tv e c t 。rm a c h l n e ；p a r k i n s 。nd i s e a s e ；a t t r i b u t e s n d c h 。n ； a i d e dd i a g n o s i s ；i n t e g r a t e dp r o g r a m m i n g i r 东南大学硕士学位论文 目录 摘要。i a b s t r a c t i i 目录一 中英文缩略词 第一章绪论1 1 1 研究背景及意义l 1 2 计算机辅助诊断的研究现状2 1 2 1 小波在计算机辅助诊断中的应用3 1 2 2 粗糙集在计算机辅助诊断中的应用4 1 2 3 神经网络在计算机辅助诊断中的应用5 1 2 4 支持向量机在计算机辅助诊断中的研究进展5 1 3 研究目的与研究内容6 1 3 1 研究目的6 1 3 2 研究内容7 第二章粗糙集属性约简8 2 1 粗糙集理论概述8 2 1 1 粗糙集理论基础8 2 1 2 信息表知识表达系统9 2 1 3 知识约简1 0 2 1 4 知识的依赖性1 1 2 1 5 区分矩阵1 1 2 2 属性约简算法研究1 2 2 2 1 属性约简的基本算法1 2 2 2 2 基于属性重要度的约简算法。1 3 2 2 3 基于不一致度的约简算法一1 4 2 3 本章小结。1 9 第三章人工神经网络分类方法2 0 3 1 人工神经网络基本原理2 0 3 2b p 神经网络分类方法及其改进2 1 3 2 1b p 神经网络分类方法。2 l 3 2 2b p 算法的改进2 2 3 3 本章小结。2 3 第四章统计学习理论与支持向量机2 4 4 1 统计学习理论2 4 4 1 1v c 维2 5 4 1 2 推广性的界2 5 i v 目录 4 1 3 结构风险最小化2 5 4 2 支持向量机的两分类问题一2 6 4 2 1 线性情形2 6 4 2 - 2 非线性情形一2 9 4 2 3 核函数一2 9 4 3 支持向量机多分类问题3 0 4 4 本章小结3 2 第五章基于粗糙集和支持向量机的帕金森病辅助诊断系统3 3 5 1 设计思想3 3 5 2 数据收集和整理3 5 5 2 1 数据来源3 5 5 2 2 帕金森诊断指标及数据量化一3 6 5 3 开发环境及工具3 7 5 3 1 开发环境3 7 5 3 2c 挣n e t 与m a t l a b 混合编程技术介绍。3 8 5 4 属性约简算法3 9 5 5b p 神经网络设计4 0 5 6 支持向量机分类器设计4 3 5 6 1 参数优化4 3 5 6 2 核函数的选择4 3 5 7 分类结果比较与分析4 4 5 8 系统实现4 5 5 8 1 诊断界面4 5 5 8 2c 撑n e t 与m a t l a b 混合编程实现过程一4 6 5 8 3 预测结果及分析一4 7 5 9 本章小结4 8 第六章总结和展望一5 0 6 1 工作总结5 0 6 2 后续研究工作的展望5 0 致谢! ；：z 参考文献。5 3 附勇之5 6 硕士期间发表论文5 9 v 东南大学硕十学位论文 c a d p d b p s v m r b f s l t k 删 p n n d t s r m o s h s v 中英文缩略词 ( c o m p u t e ra i d e dd i a g n o s i s ) 计算机辅助诊断 ( p a r k i n s o nd i s e a s e ) 帕金森病 ( b a c kp r o p a g a t i o n ) 误差反向传播网络 ( s u p p o r tv e c t o rm a c h i n e s ) 支持向量机， 。 ( r a d i a lb a s i sf u n c t i o n ) 径向基 ( s t a t i s t i c a ll e a m i n gt h e o r y ) 统计学 - - j 理论 ( k n e a r e s tn e i g h b o r ) k 近邻法 ( p r o b a b i l i s t i cn e u r a ln e t w o r k ) 概率神经网络 ( d e c i s i o nt r e e ) 决策树 ( s t r u c t u r er i s km i n i m i z a t i o n ) 结构风险最小化 ( o p t i m a ls e p a r a t i n gh y p e r p l a n e ) 最优超平面 ( s u p p o r tv e c t o r ) 支持向量 d d a g ( d e c i s i o nd i r e c t e da c y c l i cg r a p h ) 决策导向无环图 c o m ( c o m p o n e n to b j e c tm o d e l ) 组件对象模型 v i 第一章绪论 1 1 研究背景及意义 第一章绪论 近二十年来，威胁人类健康的疾病种类越来越多，主要表现为两种情况：一是先 前已经存在的疾病，当时没有认识而现在认识了或者说当时无法诊断，而现在便可以 通过适当的辅助检查得以诊断；二是在新的条件下发生了新的疾病，不论是哪两种情 况都与辅助检查密不可分。在目前这个竞争激烈的社会里，由于生活压力的增大和 环境恶化等各方面因素的影响，准确、快速的确诊能够极大地延长患者寿命，提高 患者的生活质量。 随着现代高科技的发展，现代医学也得到了极大的进步，各种前沿技术与医学 相结合，解决医学临床诊断、预防医学、医学影像等方面的难题，提高诊断的准 确性，以数字影像学技术( d r ) 、电子计算机断层扫描( c d 、磁共振成像( m r i ) 和正电 子发射断层扫描( p e t ) 为代表的现代高清晰影像设备为临床疾病的诊断提供了极大方 便。然而，尽管以正电子发射断层扫描为代表的功能影像对临床诊断有很大帮助，但 是受到诸多因素的影响，至今医学上仍然有许多顽症难以攻克，医生的经验是建立 在接触大量病例基础上实现的，对于许多少见病和慢性病，如本文所研究的帕金森病， 病例数量相对较少，患者在疾病发展早期往往没有及时就诊，因此单个医生依靠收治 患者积累诊断经验的能力非常有限，单纯让医生凭借经验进行诊断难以避免出现主观 性的失误。2 0 世纪9 0 年代之后，随着计算机技术以及人工神经元网络等各项技术的 飞速发展，计算机辅助诊断技术( c o m p u t e r a i d e dd i a g n o s i s ，c a d ) 的研究成为现代医学 影像研究的热点之一，并在诊断中展示出其临床价值，弥补了单纯依靠医生诊断存在的 缺陷，利用计算机和人工神经元网络处理数据、自学习等能力辅助疾病的诊断成为一 个很好的研究思路。 帕金森病( p a r k i n s o nd i s e a s e ，p d ) 【l 】便是发生于中老年人群的较为常见的进展性神 经系统变性疾病，又名震颤麻痹( s h a k i n gp f l s y ) ，于1 8 1 7 年由詹姆斯帕金森医生首 先描述了本病的证候群，后人为了纪念他，因而得名。p d 发病年龄平均约5 5 岁( 2 0 8 0 岁) ，男女比率为3 ：2 ，其主要病理改变为以黑质和纹状体部位为主的多巴胺能神经 元的进行性丢失以及残存神经元内路易氏包涵体的形成。其主要的临床特征为四主征： 静止性震颤、肌强直、运动迟缓和姿势反射障碍，同时随着病情的进展还会出现一些 其他的表现，自主神经症状( 顽固性便秘，出汗异常，性功能障碍，脂溢性皮炎，体 位性低血压) ，认知、情感和行为症状( 抑郁、幻觉妄想、谵妄、认知障碍或痴呆) ， 睡眠障碍，体重减轻等。本病为全球性疾病，但其发生有地域和种族的差异，白种人 发病率最高；黄种人次之；黑人最低。患病率为每1 0 万人西方为1 0 6 - 3 0 7 ，亚洲为4 4 8 2 ， 东南大学硕十学位论文 非洲为3 1 5 8 。年发病率每l o 万人口，西方为1 2 2 0 ，亚洲为1 0 ，非洲为4 5 。此外， 国外学者报道本病发病率随年龄增长而增加。 过去4 0 年间，由于神经病理学、神经生理学、神经影像学、核医学神经生化学、 组织化学及分子生物学等技术的迅速进展以及基底节手术的发展，对本病的诊断和治 疗已有了一定的进展。但大部分帕金森病患者在生前很难做出准确的诊断，即使在最 为先进的医疗中心，也只有8 0 的患者经尸检证实有典型的脑病理改变才能做出原发 性p d 的诊断。现在先进的技术如正电子发射断层扫描( p e t ) 及某些生化或分子生物学 的手段有助于早期做出本病的诊断，但是这些高技术的诊断手段费用昂贵，无法在临 床上得到普遍的应用。典型的帕金森病不难诊断，但在早期( 特别是未出现明显震颤) 的患者，诊断比较困难，因此，目前神经内科医师也只有对帕金森患者持高度的警惕 性，依据临床症状和体征，结合自己的经验做出本病的拟诊。此外，除了帕金森病以 外，其他的一些神经系统变性病也可以以帕金森病的症状为首发，这就更进一步的增 加帕金森病诊断的难度。目前的常规诊断技术，如c t 、m r i 、脑电图( e e g ) 等检查对 帕金森病的诊断一般无多大意义。p e t 在鉴别早期帕金森病和某些其他疾病有一定的 参考价值，但此项检查，费用昂贵，只能供研究之用。单光子发射计算机断层扫描 ( s p e c t ) 也可发现纹状体的功能异常，但灵敏度较差。至于神经生化学、组织化学及 基因检查等技术也达不到临床确诊的要求。目前国际上倾向于采用修订的h o e l m - y a h r 分级对帕金森病患者严重程度进行分级，也是最为简便，最常用的帕金森病严重程度 定性分级量表，分级标准如下：0 级= 无症状；1 级= 单侧疾病；2 级= 双侧疾病，无平 衡障碍；3 级= 轻一中度双侧疾病，某种姿势不稳，可独立生活；4 级= 严重残疾，但仍 可独自行走或站立；5 级= 无帮助时只能坐轮椅或卧床。帕金森病为神经系统进行性变 性疾病，目前尚无根治之法，大多数被确诊的患者均接受药物的控制，多巴胺的替代 药物左旋多巴为治疗帕金森病的一线药物，但本药不仅能够补充脑内的多巴胺，同时 还对外周产生影响，这样便会出现一些外周的副作用，因此，研究人员将左旋多巴与 卞丝井配伍成复方制剂也就是美多巴，不仅补充脑内的多巴胺，同时还能抑制外周的 副反应，早期获得诊断的帕金森患者经过多巴胺的补充治疗症状能够在一定程度上得 到控制，从而改善患者生存质量，延长患者寿命。 鉴于当前在帕金森病的诊断过程存在着一些弊端，以及c a d 技术的优越性， 本文将c a d 应用到帕金森病的辅助诊断中，拟用特征提取及模式识别方法，如 支持向量机( s u p p o r tv e c t o rm a c h i n e s ，s v m ) 等进行对帕金森病的辅助诊断，研究适合 的方法，为今后计算机帕金森病辅助诊断的研究提供有意义的参考。 1 2 计算机辅助诊断的研究现状 计算机辅助诊断( c o m p u t e r a i d e dd i a g n o s i s ，c a d ) 技术最早可以追溯到1 9 5 9 年， 美国学者l e d l e y 首次将数学模型引入临床医学，在2 0 世纪8 0 年代得到进一步的发展 2 第章绪论 c a d 是指通过影像学、医学图像处理技术以及其他可能的生理、生化手段，结合计算 机的分析计算，辅助医师发现病灶，加快诊断速度，提高精确性，帮助医生解决疾病 诊断问题，有助于提高医生诊断的敏感性和特异性，有人称c a d 技术为医生的“第 三只眼 。 c a d 与计算机辅助检测不同之处在于，后者侧重于检测，即利用计算机标注异常 征象，提供常见的影像处理技术，而不进行诊断，目前多数情况下，医生依据计算机 辅助检测结果提供的信息，按照自己的临床经验给出诊断，但是，由于疾病本身的变 异性、患者个体差异以及医生对信息观察掌握的局限性，难免会产生判断的失误或错 误；实际的临床诊断中，为了获得疾病的明确诊断，除了需要医生的丰富经验，更需 要一些有创性的检查辅助疾病的诊断，会给患者带来其他问题；现代医学仪器的发展， 对人体的结构和功能的认识已达到细胞乃至分子的水平，开发和应用c a d 软件对病 变特征进行量化分析并作出辅助性的诊断意见，弥补医生主观判断的失误，减少患者 不必要的有创性的辅助检查，提高疾病诊断水平是发展的必然趋势。下面就几种c a d 技术作一综述。 1 2 1 小波在计算机辅助诊断中的应用 近年来，小波分析方法得到蓬勃发展，由于其分别进行时频分析、去除特征的相 关性，在特征提取和模式识别等领域取得了很成功的应用，受到许多该领域研究者的 青睐。最早在1 9 9 2 年r i c h a r d s o n 等【2 】就把小波应用于乳腺x 影像的纹理特征分析和 识别中。 r i c h a r d s o n 在1 9 9 5 年指出：“小波变换的高频部分更符合人对肿瘤的视觉效果【3 】。 小波在癌症方面的应用比较广泛，主要体现在癌症诊断的预处理和特征提取两个阶段。 在预处理阶段，利用小波方法进行肿块分割、增强对比度和背景去除等。z h a n g 等【4 】 对灰度直方图进行小波平滑寻找阈值，分割出高亮肿块。该方法利用全局的灰度分布 来确定阈值，无法区分肿块与同等高亮的其他区域，所以对具有复杂背景的肿块不适 用，q i a n 等【5 】提出一种基于四带小波的自适应分割方法，运用四带的小波包分解图 片，然后用基于区域的分割方法分割肿块，对各种形状的肿块均适应。d o n o h o 6 在1 9 9 5 年提出小波去噪和增强方法，文献【，8 】分别利用自适应梯度小波阈值方法和基于高斯整 数小波变换方法增强对比度。a l a y l i o g l u 9 弓 入统计模型增强对比度，并运用实验证明 使用该方法后，微钙化检测的真阳性率由原来的8 4 提高到9 3 。 对于肿瘤特征提取，由于小波方法具有正交、紧支撑、对称性和正则性等多种特 征，使得小波在图像中具有好的特征提取能力。1 9 9 9 年，b r u c e 等【i o 】通过医生人为地 把肿块分割出来，然后利用小波模极大值法，在各个尺度下对r d m 提取三个特征， 再用线性分类器把病变区域分成圆形、针形、星形肿块，识别率可以达到8 3 。m o u s a 等【】只使用三个高频部分来提取特征，该方法提取五个尺度下高频部分的特征组成特 征向量来实现多种分类，使用的数据库是m i a s ，平均识别率最高可以达到8 7 5 。 3 东南大学硕士学位论文 小波的选取对于特征对类别的表征能力具有很大的关系，其中非分离小波相比较分离 小波效果更好【1 2 】，而多小波的特征提取能力也比单小波等方法有优势【1 3 】。 小波变换方法在医学领域其他方面也有所涉及。张大波等【4 】提出利用第二代小波 变换即提升格式对心电信号进行处理的方法，改进用于计算机辅助诊断的心电信号处 理中q r s 组波检测速度以及实现心电信号的精确重构。采用双正交样条小波滤波器， 并通过实际心电信号进行初步的处理与试验分析，结果表明该方法不仅改善了检测速 度和重构的精确性，同时也为心电信号的压缩处理提供了方便。j a c o b s o nml 1 5 将小 波变换方法应用到冠心病的辅助诊断中，对冠心病患者的生理信号分析并且分类处理。 1 2 2 粗糙集在计算机辅助诊断中的应用 粗糙集在计算机辅助诊断中的应用主要包括属性约简、图像处理等方面。粗糙集 理论是一种处理不精确、不确定与不完全数据的新的数学方法。它能够在没有先期经 验的条件下，有效地分析不精确、不一致、不完整等各种不完备的信息，还可以对数 据进行分析和推理，从中发现隐含的知识，揭示潜在的规律。桂婷等【- 6 】利用粗糙集对 正常的肝脏b 超图像与肝癌b 超图像进行分类识别，对只有正常肝脏图像与肝癌图像 的情况下，该方法对肝癌的识别率超过9 5 ，对正常肝的识别率超过9 0 。陈真诚等 人【1 7 】采用一种分辨率分析的胸部x 线双能量分离数字图像，实现粗糙集滤波增强的新 算法，该方法根据粗糙集理论的条件属性，将每个尺度获得的图像均采用粗糙集处理 算法划分为不同的子图像，然后对各个子图像分别作区域滤波和对比度增强处理，合 成高清晰度的新图像。 粗糙集在计算机辅助诊断中，更多地是与神经网络等其他算法相结合，在实际过 程中对原始数据进行属性约简，去除不必要的特征，减小属性冗余。刘白林等【1 8 】应用 粗糙集理论在不损失有效信息的情况下对属性进行预处理，从决策表中删除冗余的属 性和冲突对象，降低模型的维数和分类过程中的复杂度，通过实验证明结合属性约简 后的系统在合理降低准确率的情况下提高了诊断速度，解决了处理大量病例信息时诊 断速度较慢的问题。粗糙集应用于属性约简的研究热点在于寻找更好的约简方法，由 于求所有属性约简是n p 类问题【嘲，因此到目前为止尚无一个高效的求最佳和所有属性 约简的算法，在实际应用中，往往只要求出某种次优的属性约简，寻找时间复杂度更 低、更为有效的约简算法是当前的研究方向。史爱松等【冽采用启发式的属性约简算法， 以决策表的相对核为起点，依照属性的重要性大小，将其加入到约简集合中，并测试 是否是真正的约简，约简后与b p 神经网络相结合提高心脏病诊断的精度和速度，同 时减少了检查项目，降低了诊断成本。徐妙君等【2 l 】在鱼病诊断中首先利用粗糙集进行 知识简化和属性约简，然后利用k o h o n e n 聚类网络进行聚类分析，形成鱼病的分类规 则，具有很好的分类效率。 此外，关于属性约简算法的研究很多，根据传统的属性约简算法提出了许多改进， 刘少辉等【2 2 】便基于不一致度提出了一种改进算法，较为快速地计算出正区域。在实际 4 第一章绪论 应用中，要考虑系统情况，选择更好的约简算法，在保证准确率的前提下，尽可能地 减少属性的个数。 1 2 - 3 神经网络在计算机辅助诊断中的应用 神经网络是计算机技术与脑科学结合的产物，美国神经网络学家h e c h tn i e l s e n 对 神经网络这样定义：神经网络是由多个非常简单的处理单元彼此按某种方式相互连接 而形成的计算机系统，该系统靠其状态对外部输入信息的动态响应来处理信息。依据 不同的角度对生物神经系统不同层次的描述和模拟，神经网络的模型不尽相同，有代 表性的模型包括感知器、误差反向传播网络( b a c kp r o p a g a t i o n ，b p ) 网络、径向基( r a d i a l b a s i sf u n c t i o n ，r a f ) 网络、双向联想记忆、h o p f i e l d 模型等【2 3 1 。神经网络具有许多优 点，如非线性映射逼近能力，对信息的并行分布式综合优化处理能力，高强的容错能 力，对学习结果的泛化能力和自适应能力，便于集成实现和计算模拟等，这些优点使 其得到了广泛地应用。 神经网络最早应用于医学领域是在1 9 9 1 年由b a x t 2 4 1 运用神经网络实现对心肌梗 死患者分类，进行智能诊断，在此之后，神经网络领域提出的许多经典算法都在医学 诊断中得到了应用，并且为了满足特定的专业需求而进行了一定的改进。l ij 等【2 5 】人 基于传统b p 和b p h a m m i n g 网络研究肺心病的计算机辅助诊断系统，实现获取和表 示临床数据，解决诸如自动获取知识表达和自学习的问题，证明系统可行。余发军等 人【2 6 】基于光谱分析技术的经典理论，应用主成分分析方法对乳腺患者病理片的紫外吸 收光谱进行主成分提取，将其主成分数据作为输入向量分别对离散型和连续型感知器 神经网络模型进行训练和测试。通过对比发现：连续性感知器将模糊集合理论引进了 神经网络系统，比模型离散型感知器模型对疾病识别率高很多，对癌症的识别率为 8 3 6 ，非癌的识别率为7 6 3 ，取得了较为理想的识别效果。李建生等 2 7 】用于中医证 候诊断的r b f 神经网络，利用聚类分析确定r b f 神经网络隐层的参数。运用最小二 乘确定r b f 神经网络输出层的参数。通过模型检验，证候诊断模型具有较高的判准率 和训练速度，证明了基于聚类分析的r b f 神经网络用于中医证候诊断的研究是可行的 和有效的。y ccz 等【2 8 】利用建立在模糊最大最小神经网络上的规则提取算法，对大脑 胶质瘤良恶性的预报，其中利用了模糊方法来处理缺失值问题，利用超盒来提高系统 稳健性。得出了诊断大脑胶质瘤良恶性的重要特征，准确率相对于传统方法要高。 1 2 4 支持向量机在计算机辅助诊断中的研究进展 1 9 6 3 年由v a p n i k 领导的a t & tb e l l 实验室研究小组提出s v m 这种新型的非常有 潜力的分类技术，它是一种基于统计学习理论的模式识别方法，主要应用于模式识别 领域。由于当时研究尚不十分完善，在解决模式识别问题中往往趋于保守，且数学上 不好理解，一直没有得到充分的重视。直到9 0 年代，统计学习理论( s t a t i s t i c a ll e a r n i n g t h e o r y ，s l t ) 的实现和神经网络等较新兴的机器学习方法的研究遇到一些重要的困难， 东南大学硕士学位论文 如如何确定网络结构的问题、过学习与欠学习问题等，使得s v m 迅速发展和完善， 在解决小样本、非线性及高维模式识别问题中表现出特有的优势，并能够推广应用到 函数拟合等其他机器学习问题中，从此迅速的发展起来，近年来得到国外学者高度的 重视，普遍认为这是神经网络学习的新研究方向。s v m 技术已经在卵巢癌、心脏疾病、 医学图像处理等方面均有研究。l i 等【2 9 】采用基于浮点法的s v m 模型选取胶质瘤的诊 断特征，并预测肿瘤的良恶性程度，计算结果表明所选取的特征集具有较好的分类效 果，得出了两个判断规则，在所训练的数据集上的准确率达8 8 2 1 ，比传统的基线方 法准确率高出了5 ，说明了该方法的可行性和有效性。袁前飞等【3 0 】应用s v m 对乳腺 癌的预后状态进行了预测和疗效评估，同时还与k - 近邻法( k - n e a r e s tn e i g h b o r , k - n 如、 概率神经网络( p r o b a b i l i s t i c n e u r a ln e t w o r k , p 帅、决策树( d e c i s i o nt r e e ，d t ) 分类器进 行比较，结果发现当使用高斯径向基核函数时，s v m 通过5 次交叉验证的最佳平均分 类准确率达到了8 8 4 4 ，优于k - n n ( 81 6 9 ) 、p n n ( 8 0 6 8 ) 以及d t ( 7 1 1 9 ) 等分类 器，表明s v m 有望成为一种有效、实用的乳腺癌预后状态预测和治疗效果客观评价 的工具。此外，吕晓燕等【3 l 】分别应用s v m 对冠心病进行辅助诊断，结果表明非线性 的s v m 取得了较高的准确率