基于PCA--PSO--KELM模型的醫(yī)療輔助診斷方法研究.pdf

1、隨著“互聯(lián)網(wǎng)+”時(shí)代的醫(yī)療信息化迅速崛起，尤其是在大數(shù)據(jù)背景下醫(yī)院每天都產(chǎn)生成千上萬(wàn)的醫(yī)療病理數(shù)據(jù)。目前研究學(xué)者對(duì)病理數(shù)據(jù)的采集及簡(jiǎn)單處理的能力越來(lái)越熟練，但是對(duì)于數(shù)據(jù)的分析及重要知識(shí)提取方面的研究才剛剛起步，因此數(shù)據(jù)挖掘(Data Mining，DM)技術(shù)在醫(yī)學(xué)領(lǐng)域中發(fā)揮著日益重要的作用。分類(lèi)算法是數(shù)據(jù)挖掘中的重要學(xué)習(xí)方法，也是一種無(wú)監(jiān)督的學(xué)習(xí)方式。通過(guò)對(duì)已知類(lèi)別的訓(xùn)練集樣本進(jìn)行學(xué)習(xí)、分析，從中發(fā)現(xiàn)樣本數(shù)據(jù)自身固有的分類(lèi)規(guī)律和規(guī)則，用

2、來(lái)預(yù)測(cè)未知樣本的類(lèi)別。
　　本文針對(duì)醫(yī)療病理數(shù)據(jù)輔助診斷的相關(guān)研究問(wèn)題，采用人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)作為數(shù)據(jù)挖掘中的分類(lèi)算法挖掘病理數(shù)據(jù)之間的聯(lián)動(dòng)性，提出了一種將主元分析方法(Principal Components Analysis，PCA)、粒子群算法(Particle Swarm Optimization，PSO)和核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning

3、 Machine，KELM)算法相結(jié)合的病理數(shù)據(jù)分析模型。該模型能夠輔助醫(yī)生為患者提供一個(gè)具有高度科學(xué)性、針對(duì)性及有效性的防療措施。主要研究工作如下:
　　1.詳細(xì)闡述了目前主流的幾種人工神經(jīng)網(wǎng)絡(luò)算法、相關(guān)分類(lèi)算法以及各算法所存在的優(yōu)缺點(diǎn)，優(yōu)選出以SVM算法與ELM算法作為主要研究重點(diǎn)。
　　2.針對(duì)SVM和ELM兩種算法所存在的局限性，將SVM中的核函數(shù)概念引入到ELM神經(jīng)網(wǎng)絡(luò)的模型框架中，形成了KELM模型。同時(shí)，為了能

4、夠得到穩(wěn)定的KELM模型參數(shù)，利用高效率的PSO算法來(lái)優(yōu)化KELM中的懲罰參數(shù)和核函數(shù)參數(shù)，最終得到了PSO-KELM模型。
　　3.為了提高PSO-KELM算法的收斂速度，將PCA和PSO-KELM相結(jié)合，對(duì)輸入數(shù)據(jù)進(jìn)行降維處理，得到了一種新型模型PCA-PSO-KELM;并使用乳腺癌與冠心病的醫(yī)療數(shù)據(jù)對(duì)該模型進(jìn)行仿真與驗(yàn)證，同時(shí)將實(shí)驗(yàn)結(jié)果與基于學(xué)習(xí)向量量化(Learning Vector Quantization，LVQ)、S