支持向量机方法在智能医疗诊断系统中的应用与研究

《支持向量机方法在智能医疗诊断系统中的应用与研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江大学硕士学位论文摘要医疗诊断自动化是现代医学诊断中一个重要的发展方向。本文在简要介绍智能医疗诊断系统的研究及发展状况基础上，尝试将支持向量机方法引入诊断平台，进一步完善人体阻抗智能医疗诊断系统。该诊断系统由嵌入式数据采集装置和PC智能诊断平台组成。数据采集装置利用生物电阻抗技术，采集人体的阻抗信息；诊断平台通过采集样本数据，并对人体阻抗信息进行预处理后，提取合适特征向量，对一定量样本数据进行训练，得出模型，并根据该模型预测未知病症样本。该智能诊断系统通过对医院脾胃、中风病人及正常个体的人体阻抗数据的分类结果表明人体阻抗信息的特征参数与不同病症之

2、间存在特定的关系。支持向量机方法作为智能诊断系统的诊断方法有着较好的分类及预测结果。本文的主要工作将支持向量机方法引入人体阻抗智能医疗系统中的诊断平台，试图把SVM方法作为病症的诊断方法．文中分别将绝对值形式特征向量与相对值形式特征向量作为SVM分类的输入，对脾胃病人样本进行二分类、脾胃病人与正常个体三分类以及中风和正常个体二分类，分类预测正确率分别为80％，60％和90％左右。从分类预测结果分析，采用相对值形式特征向量对样本进行SVM分类效果较好；对于同一训练样本和预测样本采用ImF核函数分类结果明显好于其他几种核函数。从分类预测结果以及智能医疗

3、诊断发展方向出发，支持向量机方法在基于人体阻抗的智能医疗诊断系统中值得进一步深入研究。关键词；支持向量机，分类预测，人体电阻抗，医疗诊断浙江大学硕士学位论文ABSTRACTAutomatedmedicaldiagnosisisthedirectionofdevelopmentofmodemmedicaldiagnosis．Thethesisbrieflyintroducesthestudyandapplicationofintelligeneomedicaldiagnosissystem,andpl镪I伽I忸llnintelligencemedic

4、aldiagnosissystembasedOntraditionalChine∞medicinetheory．Thisdiagnosissystemiscomposedof棚ne田abeddeddataacquisitionequipmeIatandaPCintelligeneodiagnosisplatform．Thedataacquisitionequipmentcollectsthehumaniml,ed趾eeinformation；thePCdiagnosisplatformisusedtosetuptheimpedancedalabas

5、e．preproecssthehtmmaimpedanced枫e=Xll'SCt80lnefeatureparametc'rs．ThenuseSupportVectorMaelainototraindataandsetupcertainmodeltopredicttmeertainswatcla．Theresultsoftlao锄a1)，sisofhospitalstomachlroublerelatedillnessaI溺，sla-okocasesandhealthycasesshowthea'ea托relationsbl{twcallatmma

6、iml,ed觚cofeatua'eparametersanddifferentillnesscas镐．SupportVi矧[OI"maelainec蛐bcusedtociassi母tlaeillnessc魑esindiagnosissystem,andgiventheSUppOrttothereasoningrulesofexpertsystem．ThethesisrespectivelyUSeSabsolutevaluefeaturevectorsandcomparativevaluefeaturevectorstoelassifytwotype

7、sofhospitalstomachtroublerelatedillnesscas伪．bospitalstomachtroublerelatedillnesscaseswithhealthycasesandstrokecase'swithhealthyCases．Theexactnessre,haltsoftheclassificationcorrespondtoabout8钟缸60％and90*,4．Usingcomparativevaluefeaturevcctol'sacquiresbetterresultofclassificationa

8、ccordingtotheanalysisofresult．RBFkernelbehavesbettercomparest