基于壓縮感知的醫(yī)學(xué)數(shù)據(jù)分類(lèi)研究.pdf

1、在信息技術(shù)的推動(dòng)下，計(jì)算機(jī)輔助醫(yī)療診斷的技術(shù)被廣泛地應(yīng)用。研究表明，計(jì)算機(jī)輔助醫(yī)療診斷技術(shù)能夠減少漏診，提高診斷準(zhǔn)確率。隨著醫(yī)療水平的不斷提高，DNA微陣列技術(shù)作為一項(xiàng)重要的基因測(cè)序技術(shù)可以使我們從基因?qū)用鎸?duì)疾病病理進(jìn)行分析和研究。尋求一種方法從海量的醫(yī)學(xué)數(shù)據(jù)中挖掘出有效的生物信息，成為了現(xiàn)代人類(lèi)的迫切需求。
　　當(dāng)前對(duì)醫(yī)學(xué)數(shù)據(jù)特別是基因表達(dá)數(shù)據(jù)分類(lèi)的研究已引起大量研究者的關(guān)注。一些傳統(tǒng)的機(jī)器學(xué)習(xí)方法，如神經(jīng)網(wǎng)絡(luò)、決策樹(shù)、支持向量

2、機(jī)等方法被用于處理醫(yī)學(xué)數(shù)據(jù)分類(lèi)問(wèn)題，但是由于醫(yī)學(xué)數(shù)據(jù)存在著樣本少、維度高、噪聲強(qiáng)等特點(diǎn)，傳統(tǒng)的方法無(wú)法很好地處理該問(wèn)題。近年來(lái)壓縮感知作為一種非常有前景的方法已經(jīng)在許多領(lǐng)域取得成功，本文基于壓縮感知理論，針對(duì)醫(yī)學(xué)數(shù)據(jù)分類(lèi)困難的特點(diǎn)，分別在字典學(xué)習(xí)、稀疏表達(dá)、多核學(xué)習(xí)三個(gè)方面進(jìn)行深入研究。本文的研究工作和取得的主要研究成果如下:
　　(1)提出一種基于字典學(xué)習(xí)算法(K-SVD)的分類(lèi)方法。該方法首先在字典更新時(shí)，采用組更新的方式優(yōu)化

3、了K-SVD算法，實(shí)現(xiàn)超完備字典的優(yōu)化;其次在信號(hào)重構(gòu)時(shí)，改進(jìn)了正交匹配追蹤算法，實(shí)現(xiàn)了多元同時(shí)更新;最后，在樣本類(lèi)別判斷時(shí)，優(yōu)化后的超完備字典不再具備直接的類(lèi)別信息，但是字典學(xué)習(xí)算法得到的稀疏系數(shù)矩陣可以看作是訓(xùn)練樣本集在優(yōu)化字典上的稀疏表示，而通過(guò)重構(gòu)可以得到測(cè)試樣本在優(yōu)化字典上的稀疏表示，因此可以利用稀疏表示的相似性分析實(shí)現(xiàn)醫(yī)學(xué)數(shù)據(jù)分類(lèi)。該方法的優(yōu)點(diǎn)在于可以?xún)?yōu)化超完備字典，去除超完備字典的冗余性，使得學(xué)到的字典趨近于正交，有效地處

4、理了醫(yī)學(xué)樣本少的問(wèn)題，不僅提高了分類(lèi)準(zhǔn)確率，而且可以實(shí)現(xiàn)對(duì)降維后的醫(yī)學(xué)數(shù)據(jù)的二次特征提取。
　　(2)提出一種雙向壓縮感知模型，改進(jìn)常用的重構(gòu)算法，并將其應(yīng)用到雙向壓縮感知模型的求解和醫(yī)學(xué)數(shù)據(jù)的分類(lèi)中。模型提出了三種通用的形式:l1范數(shù)，F(xiàn)范數(shù)和l2,1范數(shù)，在重構(gòu)算法和實(shí)驗(yàn)中進(jìn)行了具體的分析和比較。該模型求解醫(yī)學(xué)數(shù)據(jù)的雙向稀疏表達(dá)，行向稀疏表示特征基因選取，列向稀疏表示樣本選擇。該模型的求解降低了數(shù)據(jù)的冗余性，去除了部分噪聲，提

5、高了分類(lèi)的準(zhǔn)確率。而且行向稀疏矩陣可以用來(lái)研究基因間的關(guān)系，為生物信息的研究提供新的知識(shí)。
　　(3)提出一種基于多核學(xué)習(xí)的壓縮感知模型，改進(jìn)常用的重構(gòu)算法，并將其應(yīng)用到基于多核學(xué)習(xí)的壓縮感知模型求解和醫(yī)學(xué)數(shù)據(jù)的分類(lèi)中。本文引入核方法，因?yàn)楹嘶蟮臄?shù)據(jù)與樣本數(shù)有關(guān)，與樣本維度無(wú)關(guān)，所以核方法有效地解決了醫(yī)學(xué)數(shù)據(jù)維度高的問(wèn)題。而多核學(xué)習(xí)具有更優(yōu)秀的性能，因此引入多核學(xué)習(xí)思想。首先采用粗網(wǎng)格搜索法對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，得到最優(yōu)的核組合參