中醫(yī)舌象分類與識別技術(shù)初步研究.pdf

1、近年來，中醫(yī)舌象分析獲得了可喜的進(jìn)展。在彩色校正和舌體圖像自動分割等關(guān)鍵技術(shù)解決以后，舌象客觀化的主要內(nèi)容是舌象特征的自動分類和識別問題。目前文獻(xiàn)中采用支撐向量機(jī)(supportvectormachine，簡稱SVM)在舌象分析中取得了較好的效果，但還存在一系列問題諸如核函數(shù)參數(shù)選擇、多類SVM、SVM的概率輸出在舌象分析中的應(yīng)用等，這些尚待進(jìn)一步研究；不同患者表現(xiàn)出不同的舌象類型，由于患者疾病分布不均勻，有些舌象樣本容易獲得，而有些種

2、類的樣本很難獲得。舌象樣本的特點(diǎn)是種類多、各個種類樣本的數(shù)量不均衡，大小樣本并存，由此給自動分析帶來的問題是新樣本的識別結(jié)果偏向大樣本的類別；此外，目前文獻(xiàn)中對舌象自動分析的研究主要集中在單一舌象特征上，而中醫(yī)觀察舌象時(shí)是根據(jù)舌象的多個特征綜合分析，得出結(jié)論，舌象的多特征融合分析是本論文研究的又一內(nèi)容。概括起來，本論文的主要研究內(nèi)容如下： 1本論文分析了目前SVM中核函數(shù)參數(shù)的確定方法，給出一種基于距離測度的核函數(shù)參數(shù)確定方法。

3、利用該方法確定的核函數(shù)參數(shù)在獲得較好的推廣能力同時(shí)，計(jì)算量大大減少。 2為了解決不均衡舌象樣本的模式識別問題，本論文研究了加權(quán)SVM方法，分析了基于樣本數(shù)量比例加權(quán)方法存在的問題，提出進(jìn)一步加權(quán)的策略處理分類器的設(shè)計(jì)，可以較好地解決不均勻樣本所帶來的小樣本被識別為大樣本類別的問題。 3超球面SVM是處理樣本數(shù)量不均衡問題的一種新方法，其拓展了SVM的思想。本論文分析了目前三種超球面SVM，證明了這三種方法的解是完全相同的

4、，同時(shí)通過求解得到兩類樣本的間隔要么為零，要么是不確定的，這影響了分類器的推廣性能。本論文通過引入一個大于1的參數(shù)n，可得到兩類樣本不為零的間隔，具有較好的推廣性能；針對基于偏差的超球面SVM處理不均勻樣本分類中存在的問題，本論文提出一種推廣的超球面SVM；在此基礎(chǔ)上，提出一種加權(quán)的推廣球面SVM方法。同目前文獻(xiàn)中的超球面SVM相比，本論文提出的方法具有較好的推廣性能。 4目前文獻(xiàn)中多類SVM在舌象分析中尚不能達(dá)到很好的性能，為

5、此本論文分析了多類SVM的各種方法。在舌色、苔色的分類中采用決策樹和有向無環(huán)圖相結(jié)合的方法訓(xùn)練多類SVM分類器，在訓(xùn)練過程中，優(yōu)先采用線性核函數(shù)；每一個子SVM訓(xùn)練時(shí)可采用不同的核函數(shù)及其參數(shù)，以獲得較高的正確識別率和較快的識別速度。 5針對中醫(yī)舌色、苔色樣本的輸出只給出類別標(biāo)號，而沒有給出其屬于各個類別的概率，本論文研究了SVM概率輸出方法在中醫(yī)舌象分析中的初步應(yīng)用，在得到新樣本類別標(biāo)號的同時(shí)，還可以得到其屬于各個類別的概率。

6、同時(shí)，SVM概率輸出也可作為信息融合的基礎(chǔ)。 6本論文研究了基于特征層、決策層方法在中醫(yī)舌象分析中的應(yīng)用，得出初步結(jié)論：僅憑目前的舌象特征難以通過傳統(tǒng)的融合方法得到好的效果，舌象的多特征融合屬于一個不確定性問題；本論文采用粗糙集方法抽取規(guī)則，新樣本和規(guī)則匹配，可得到確定或不確定的結(jié)果；在粗糙集得到的規(guī)則的基礎(chǔ)上，對訓(xùn)練樣本進(jìn)行二次分類，舌象樣本重新分類后除了原來證候類型外，還增加一種不確定的類別。根據(jù)重組樣本重新訓(xùn)練基于概率輸出

7、的SVM。這樣新樣本可以通過SVM直接得到其屬于各種證候的概率，這為中醫(yī)基于舌象特征的證候描述提供一種量化方法，并為中醫(yī)四診的信息融合奠定了基礎(chǔ)。 本論文的創(chuàng)新點(diǎn)如下：1本論文給出一種基于距離衡量矩陣相似性確定核函數(shù)參數(shù)的方法。理論分析和實(shí)驗(yàn)結(jié)果表明，該方法和目前廣泛采用的交叉驗(yàn)證法性能相當(dāng)，但計(jì)算量可大大減少。 2本論文通過引入一個大于1的參數(shù)n，提出一種新的超球面SVM。在此基礎(chǔ)上，提出一種廣義超球面SVM與一種加權(quán)