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+”時代的醫(yī)療信息化迅速崛起，尤其是在大數(shù)據背景下醫(yī)院每天都產生成千上萬的醫(yī)療病理數(shù)據。目前研究學者對病理數(shù)據的采集及簡單處理的能力越來越熟練，但是對于數(shù)據的分析及重要知識提取方面的研究才剛剛起步，因此數(shù)據挖掘(Data Mining，DM)技術在醫(yī)學領域中發(fā)揮著日益重要的作用。分類算法是數(shù)據挖掘中的重要學習方法，也是一種無監(jiān)督的學習方式。通過對已知類別的訓練集樣本進行學習、分析，從中發(fā)現(xiàn)樣本數(shù)據自身固有的分類規(guī)律和規(guī)則，用

2、來預測未知樣本的類別。
　　本文針對醫(yī)療病理數(shù)據輔助診斷的相關研究問題，采用人工神經網絡(Artificial Neural Network，ANN)作為數(shù)據挖掘中的分類算法挖掘病理數(shù)據之間的聯(lián)動性，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)和核極限學習機(Kernel Extreme Learning

3、 Machine，KELM)算法相結合的病理數(shù)據分析模型。該模型能夠輔助醫(yī)生為患者提供一個具有高度科學性、針對性及有效性的防療措施。主要研究工作如下:
　　1.詳細闡述了目前主流的幾種人工神經網絡算法、相關分類算法以及各算法所存在的優(yōu)缺點，優(yōu)選出以SVM算法與ELM算法作為主要研究重點。
　　2.針對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神經網絡的模型框架中，形成了KELM模型。同時，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相結合，對輸入數(shù)據進行降維處理，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)據對該模型進行仿真與驗證，同時將實驗結果與基于學習向量量化(Learning Vector Quantization，LVQ)、S