基于壓縮感知的醫(yī)學數(shù)據(jù)分類研究.pdf

1、在信息技術(shù)的推動下，計算機輔助醫(yī)療診斷的技術(shù)被廣泛地應用。研究表明，計算機輔助醫(yī)療診斷技術(shù)能夠減少漏診，提高診斷準確率。隨著醫(yī)療水平的不斷提高，DNA微陣列技術(shù)作為一項重要的基因測序技術(shù)可以使我們從基因?qū)用鎸膊〔±磉M行分析和研究。尋求一種方法從海量的醫(yī)學數(shù)據(jù)中挖掘出有效的生物信息，成為了現(xiàn)代人類的迫切需求。
　　當前對醫(yī)學數(shù)據(jù)特別是基因表達數(shù)據(jù)分類的研究已引起大量研究者的關注。一些傳統(tǒng)的機器學習方法，如神經(jīng)網(wǎng)絡、決策樹、支持向量

2、機等方法被用于處理醫(yī)學數(shù)據(jù)分類問題，但是由于醫(yī)學數(shù)據(jù)存在著樣本少、維度高、噪聲強等特點，傳統(tǒng)的方法無法很好地處理該問題。近年來壓縮感知作為一種非常有前景的方法已經(jīng)在許多領域取得成功，本文基于壓縮感知理論，針對醫(yī)學數(shù)據(jù)分類困難的特點，分別在字典學習、稀疏表達、多核學習三個方面進行深入研究。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習算法(K-SVD)的分類方法。該方法首先在字典更新時，采用組更新的方式優(yōu)化

3、了K-SVD算法，實現(xiàn)超完備字典的優(yōu)化;其次在信號重構(gòu)時，改進了正交匹配追蹤算法，實現(xiàn)了多元同時更新;最后，在樣本類別判斷時，優(yōu)化后的超完備字典不再具備直接的類別信息，但是字典學習算法得到的稀疏系數(shù)矩陣可以看作是訓練樣本集在優(yōu)化字典上的稀疏表示，而通過重構(gòu)可以得到測試樣本在優(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現(xiàn)醫(yī)學數(shù)據(jù)分類。該方法的優(yōu)點在于可以優(yōu)化超完備字典，去除超完備字典的冗余性，使得學到的字典趨近于正交，有效地處

4、理了醫(yī)學樣本少的問題，不僅提高了分類準確率，而且可以實現(xiàn)對降維后的醫(yī)學數(shù)據(jù)的二次特征提取。
　　(2)提出一種雙向壓縮感知模型，改進常用的重構(gòu)算法，并將其應用到雙向壓縮感知模型的求解和醫(yī)學數(shù)據(jù)的分類中。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)算法和實驗中進行了具體的分析和比較。該模型求解醫(yī)學數(shù)據(jù)的雙向稀疏表達，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、高了分類的準確率。而且行向稀疏矩陣可以用來研究基因間的關系，為生物信息的研究提供新的知識。
　　(3)提出一種基于多核學習的壓縮感知模型，改進常用的重構(gòu)算法，并將其應用到基于多核學習的壓縮感知模型求解和醫(yī)學數(shù)據(jù)的分類中。本文引入核方法，因為核化后的數(shù)據(jù)與樣本數(shù)有關，與樣本維度無關，所以核方法有效地解決了醫(yī)學數(shù)據(jù)維度高的問題。而多核學習具有更優(yōu)秀的性能，因此引入多核學習思想。首先采用粗網(wǎng)格搜索法對訓練樣本進行訓練，得到最優(yōu)的核組合參