基于FSVM算法的TCD医疗数据分类
2018-10-22王志远吴成浩张亚峰
网络安全与数据管理 2018年10期
关键词:分类
王志远,吴成浩,王 正,张亚峰,王 佳
(北京送变电有限公司,北京 102401)
0 引言
经颅多普勒超声(TCD)是一种无创性检查脑血管疾病的方法,广泛用于早期筛查和诊断脑卒中患者的颅内动脉疾病[1]。通过对TCD数据的研究和分析,可以有效帮助临床医生诊断疾病,提高诊断质量和效率。支持向量机(Support Vector Machine,SVM)是一种基于统计理论的机器学习方法。它具有很好的泛化能力,在面对非线性、小样本和高维数据时具有很好的实用性。在这种情况下,它表现出良好的分类效果,被广泛用于各种医疗数据的处理。然而,SVM的固有机制决定了它对训练样本的噪声点特别敏感。这些噪声和异常都会导致SVM的分类不佳。同时,大部分TCD医学数据在分类过程中都是正面和负面的。在不平衡的情况下,少数类(正类)通常包含大量的信息,但支持向量机对少数类的识别较差,导致分类性能差。其次支持向量机对噪声和孤立点敏感的特性,也大大影响最终的分类结果。
针对以上问题,文献[2]首先提出用模糊支持向量机(Fuzzy Support Vector Machine,FSVM)为训练样本提供不同的权重。文献[3]根据正负样本数目的比值来对惩罚因子进行设置,有效解决了样本分布不均匀的问题。文献[4]设置参数,动态调整选取训练样本的范围,同时对样本进行预处理,有效地避免了孤立点对最优的分类超平面所造成的影响。文献[5]提出了一种基于不同惩罚因子的方法(Different Error Costs,DEC),该算法以正负样本数目的比值作为平衡因子,并据此调整数据集的不平衡性。……
登录APP查看全文
