刘卫华　王春兰

摘 要：以生物医学中实际分类问题为应用背景，提出一种基于半无限线性规划算法（Semi-Infinite Linear Program， SILP）的多核支持向量机（SVM）的分类诊断方法，并利用生物医学中典型的心脏单光子发射计算机化断层显像（SPECT）图像数据以及麻省理工学院（MIT-BIH）的心电图数据库中的数据进行训练和测试，仿真结果表明，这种改进的多核SVM分类器在分类精度、运行时间上都优于普通单核LSSVM与SVM，能够有效地处理实际分类问题。

关键词：分类问题；生物医学；心电图；多核SVM

1 概述

近年来，已有许多机器学习算法如决策树、贝叶斯分类、人工神经网络、小波变换、支持向量机（support vector machines， SVM）等用于生物医学实际分类问题中，其中SVM以结构风险最小化为原则[1]，克服了传统统计分类方法的许多缺点。文章将一种改进的基于SILP算法的多核SVM[2]应用于生物医学中心脏单光子发射计算机化断层显像（SPECT）图像数据以及心电图ECG信号的分类诊断中[3]。

2 基于改进SILP算法的多核SVM

由于核学习强大的非线性映射能力，多核SVM越来越受到人们的重视，对于规模较大、分布不规则的数据样本，多核SVM具有更高的分类精度及更好的适用性[4]。

多核SVM的本质是将不同类型的核函数进行凸组合得到新的等价核函数[2]：

3 实验及结果分析

3.1 SPECTF图像数据试验

SPECTF数据集描述的是心脏诊断的单质子发射计算机断层摄影图像，该数据集有267个病人的SPECTF图像，每个病人被分为正常和不正常两大类[3]，通过特征提取出44个特征用于训练。

文章在同等条件下，将基于SILP的不同核函数组合的多核SVM与经典LS-SVM、C-SVM进行实验。……