基于支持向量機(jī)分類的腦中風(fēng)微波檢測(cè)*

吳怡之，席　戀

(1.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海 201620；2.東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620)

?

基于支持向量機(jī)分類的腦中風(fēng)微波檢測(cè)*

吳怡之1,2，席戀2

(1.數(shù)字化紡織服裝技術(shù)教育部工程研究中心，上海 201620；2.東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海 201620)

摘要：相比現(xiàn)有技術(shù)，基于微波技術(shù)的腦中風(fēng)檢測(cè)無(wú)電離輻射，是一種安全便捷低廉的檢測(cè)方法。目前主要的腦中風(fēng)微波檢測(cè)方法是微波成像，但由于腦部結(jié)構(gòu)復(fù)雜，成像精度和可靠性不高。近年來(lái)，基于機(jī)器學(xué)習(xí)的分類方法開(kāi)始應(yīng)用于微波生物檢測(cè)。該文提出了一種以支持向量機(jī)作為核心的機(jī)器學(xué)習(xí)腦中風(fēng)檢測(cè)分類算法，并通過(guò)粒子群優(yōu)化算法來(lái)對(duì)SVM參數(shù)進(jìn)行尋優(yōu)，以達(dá)到優(yōu)化分類準(zhǔn)確率的目的，實(shí)現(xiàn)有無(wú)腦中風(fēng)的正確分類。經(jīng)過(guò)腦中風(fēng)微波檢測(cè)實(shí)驗(yàn)系統(tǒng)驗(yàn)證，腦中風(fēng)的分類器平均檢測(cè)正確率經(jīng)優(yōu)化后提高了16%，證明算法的可行性。

關(guān)鍵詞：腦中風(fēng)；微波檢測(cè)；支持向量機(jī)；粒子群優(yōu)化算法；分類算法

引用格式：吳怡之，席戀. 基于支持向量機(jī)分類的腦中風(fēng)微波檢測(cè)[J].微型機(jī)與應(yīng)用，2016,35(13)：55-56,59.

0引言

腦中風(fēng)是世界上一種致死率極高的疾病[1]。微波檢測(cè)技術(shù)在腦中風(fēng)診斷中的應(yīng)用主要基于不同的組織介電常數(shù)之間的差異，特別是在血液與腦白質(zhì)和灰質(zhì)之間介電常數(shù)的差異[2]。目前主要的腦中風(fēng)微波檢測(cè)方法是微波成像[3-4]，但由于腦部結(jié)構(gòu)復(fù)雜，導(dǎo)致成像精度和可靠性不高。近年來(lái)，基于機(jī)器學(xué)習(xí)的分類方法開(kāi)始應(yīng)用于生物檢測(cè)[5]。

本文在微波檢測(cè)實(shí)驗(yàn)的基礎(chǔ)上，利用支持向量機(jī)(Support Vector Machine ,SVM)來(lái)區(qū)分大腦有無(wú)血塊，比仿真數(shù)據(jù)更接近現(xiàn)實(shí)測(cè)量。本文通過(guò)收集微波信號(hào)數(shù)據(jù)，并通過(guò)粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)來(lái)對(duì)SVM核函數(shù)尋優(yōu)，找出全局最優(yōu)解，建立訓(xùn)練模型，對(duì)腦部頻域信號(hào)樣本進(jìn)行分類,以達(dá)到微波檢測(cè)腦中風(fēng)的目的。

1腦中風(fēng)微波信號(hào)分類模型

1.1算法流程

基于支持向量機(jī)的腦中風(fēng)微波檢測(cè)分類模型主要包括微波信號(hào)采集、信號(hào)特征提取和SVM分類兩個(gè)階段。第一階段為微波信號(hào)采集階段，通過(guò)微波信號(hào)發(fā)送和接收天線系統(tǒng)，對(duì)檢測(cè)對(duì)象采集頻域微波正向傳輸系數(shù)S21信號(hào)，作為原始數(shù)據(jù)樣本集Yn×p，其中n為樣本數(shù)，p為特征數(shù)。第二階段為分類器訓(xùn)練和預(yù)測(cè)階段。對(duì)選定的訓(xùn)練樣本加以標(biāo)記，標(biāo)簽設(shè)置為：中風(fēng)部位為1，無(wú)中風(fēng)部位為-1。利用PSO算法找出最佳核參數(shù)，建立訓(xùn)練模型。然后對(duì)測(cè)試樣本進(jìn)行分類預(yù)測(cè)。算法流程如圖1所示。

圖1　算法流程圖

1.2基于SVM的腦中風(fēng)分類

這里將原始數(shù)據(jù)Yn×p收集處理形成新的訓(xùn)練樣本集和測(cè)試樣本集(xi,yi)，用于以下支持向量機(jī)的分類。標(biāo)簽設(shè)置為無(wú)中風(fēng)數(shù)據(jù)為-1，有中風(fēng)數(shù)據(jù)為1。每一個(gè)樣本由一個(gè)向量(即文本特征所組成的向量)和一個(gè)標(biāo)記(標(biāo)示出這個(gè)樣本屬于哪個(gè)類別)組成，表示為(xi,yi)，i= 1,…，n,x∈Rd,y∈{-1,1}為類別標(biāo)記。如果存在超平面(w·x)+b=0,使得:

yi[(w·xi)+b]≥1

(1)

則訓(xùn)練集線性可分，其中i=1,2,…,n,w·xi為向量?jī)?nèi)積，w為平面的法向量。

通過(guò)標(biāo)準(zhǔn)的拉格朗日乘子方法解決凸優(yōu)化問(wèn)題。再利用拉格朗日優(yōu)化方法，根據(jù)沃爾夫(Wolfe)的對(duì)偶理論，可以把分類問(wèn)題轉(zhuǎn)化為對(duì)偶問(wèn)題。最后得到最優(yōu)分類函數(shù)：

(2)

為了解決非線性問(wèn)題，支持向量機(jī)常使用核函數(shù)來(lái)代替最優(yōu)分類函數(shù)中的內(nèi)積運(yùn)算。

非線性支持向量機(jī)最優(yōu)分類函數(shù)為：

(3)

(4)

其中K(x,xi)為核函數(shù)，σ為徑向基核函數(shù)的參數(shù)。

本文選用RBF(RadialBasisFunction)核函數(shù)，對(duì)于選擇RBF核函數(shù)的SVM，參數(shù)(C,σ)決定了其識(shí)別性能的好壞，其中C為懲罰因子，σ為高斯核參數(shù)。因此選取好的參數(shù)就非常重要，本文采用PSO算法來(lái)對(duì)參數(shù)(C,σ)進(jìn)行尋優(yōu)。

2實(shí)驗(yàn)仿真與結(jié)果

2.1實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)系統(tǒng)所用頭部模型為簡(jiǎn)化后的頭部模型，超寬帶天線是通過(guò)HFSS仿真軟件設(shè)計(jì)并優(yōu)化處理過(guò)的漸變開(kāi)槽天線。采用羅德施瓦茨矢量網(wǎng)絡(luò)分析儀作為微波信號(hào)源，工作頻率在1 GHz～3 GHz，401個(gè)采樣點(diǎn)。超寬帶天線連接VNA(矢量網(wǎng)絡(luò)分析)的端口進(jìn)行信號(hào)的發(fā)送和接收，將不同位置采集到的S21數(shù)據(jù)保存到數(shù)據(jù)存儲(chǔ)模塊中。本文使用的是Windows 10操作系統(tǒng)平臺(tái)，Inter i7處理器，8 GB內(nèi)存的計(jì)算機(jī)。采用MATLAB 2012b并調(diào)用臺(tái)灣林智仁教授的libSVM工具箱，實(shí)現(xiàn)對(duì)腦中風(fēng)微波檢測(cè)系統(tǒng)的分類仿真實(shí)驗(yàn)。實(shí)驗(yàn)系統(tǒng)如圖2所示。

圖2　實(shí)驗(yàn)系統(tǒng)

本次實(shí)驗(yàn)將超寬帶天線分別作為微波信號(hào)的發(fā)送和接收端布置在模型四周，組成26對(duì)不同的天線收發(fā)對(duì)。將模擬的中風(fēng)部位(血塊)置于檢測(cè)體的不同位置。這樣每個(gè)血塊位置有26組數(shù)據(jù)，其中26×10組陽(yáng)性，即有血塊數(shù)據(jù)，以及26×10組陰性，即無(wú)血塊的實(shí)驗(yàn)數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)采集標(biāo)本如圖3所示，小圓代表血塊，大圓代表腦部。

圖3　10組陽(yáng)性樣本血塊位置示意圖

2.2仿真與結(jié)果

按順序依次選取訓(xùn)練集，分別對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)。將訓(xùn)練集和測(cè)試集通過(guò)兩種方法進(jìn)行預(yù)測(cè)，第一種方法是用標(biāo)準(zhǔn)的SVM分類器進(jìn)行預(yù)測(cè)。第二種方法是通過(guò)基于PSO算法優(yōu)化后的SVM分類器進(jìn)行預(yù)測(cè)。仿真結(jié)果如表1所示。

由仿真結(jié)果的對(duì)比可以清晰地看出，隨著訓(xùn)練集的擴(kuò)大，SVM分類的準(zhǔn)確率越來(lái)越高。經(jīng)過(guò)PSO算法優(yōu)化后的參數(shù)，在SVM建模中起到重要的作用，提高了SVM分類器的精確度，進(jìn)一步改善了SVM分類器在微波檢測(cè)腦中風(fēng)中的應(yīng)用，平均預(yù)測(cè)正確率提高了16%。

表1　標(biāo)準(zhǔn)SVM分類和基于PSO優(yōu)化SVM分類仿真結(jié)果比較

3結(jié)束語(yǔ)

本文提出了基于支持向量機(jī)分類的腦中風(fēng)血塊檢測(cè)模型，并利用實(shí)驗(yàn)系統(tǒng)進(jìn)行了驗(yàn)證。利用PSO算法全局搜索能力優(yōu)化SVM參數(shù)，建立了更佳的SVM數(shù)學(xué)模型，從而提高了SVM分類的精確性，并通過(guò)SVM對(duì)腦中風(fēng)部位(血塊)進(jìn)行預(yù)測(cè)分類。實(shí)驗(yàn)系統(tǒng)獲得100%的檢測(cè)正確率。進(jìn)一步，通過(guò)對(duì)標(biāo)準(zhǔn)SVM分類方法與基于PSO優(yōu)化的SVM分類方法的結(jié)果進(jìn)行比較研究，可以明顯看出PSO優(yōu)化方法具有更高的準(zhǔn)確率，從而驗(yàn)證了此種方法的有效性，以及在微波腦中風(fēng)檢測(cè)領(lǐng)域中的應(yīng)用趨勢(shì)。

參考文獻(xiàn)

[1] 王隴德.中國(guó)腦卒中防治報(bào)告: 2015[M].北京： 中國(guó)協(xié)和醫(yī)科大學(xué)出版社, 2015.

[2] BAO J Z, LU S T, HURT W D. Complex dielectric measurements and analysis of brain tissues in the radio and microwave frequencies[J]. Microwave Theory and Techniques, IEEE Transactions on, 1997, 45(10): 1730-1741.

[3] Wu Yizhi, Zhou Yuyan, Wang Yifan, et al. High-resolution microwave stroke detection system based on signal similarity algorithm[C]. 2015 Asia-Pacific Microwave Conference (APMC2015), Nanjing, China, 2015.

[4] Wu Yizhi, Mao Yubo, Saba. The experimental confocal MI system basing on SFCW[C].2015 International Conference on Information Science and Intelligent Control (ISIC2015), Sanya, China, 2015.

[5] 劉興華,蔡從中,袁前飛,等.基于支持向量機(jī)的乳腺癌輔助診斷[J].重慶大學(xué)學(xué)報(bào)(自然科學(xué)版), 2007,30(6):140-144.

*基金項(xiàng)目：上海市科技創(chuàng)新行動(dòng)計(jì)劃國(guó)際科技合作項(xiàng)目(14510711600)

中圖分類號(hào)：TP399

文獻(xiàn)標(biāo)識(shí)碼：A

DOI：10.19358/j.issn.1674- 7720.2016.13.018

(收稿日期：2016-04-07)

作者簡(jiǎn)介：

吳怡之(1969-)，女，博士,副教授，主要研究方向：模式識(shí)別，可穿戴計(jì)算。

席戀(1990-)，男，碩士研究生，主要研究方向：微波檢測(cè)，神經(jīng)網(wǎng)絡(luò)。

Microwave detection of brain stroke based on SVM

Wu Yizhi1,2, Xi Lian2

(1. Engineering Research Center of Digital Textile and Garment Technology,Shanghai 201620,China;2. College of Information Science & Technology, Donghua University, Shanghai 201620, China)

Abstract:Compared with the existing technology, the stroke detection based on microwave technology is a non-ionization radiation, convenient and cheap method. The main method of stroke microwave detection at present is the microwave imaging (MI). Due to the complex structure of the brain, the imaging accuracy and reliability is not high. In recent years, the classification method based on machine learning has begun to be applied in microwave biological detection. In this paper, SVM (Support Vector Machine) based machine learning stroke detection classification algorithm is proposed, and the Particle Swarm Optimization (PSO) algorithm is used to optimize the SVM parameters. The experimental results show the average detection accuracy of stroke classification increased by 16% after optimization, thus the feasibility of the algorithm is proved.

Key words:stroke; microwave detection; support vector machine; particle swarm optimization; classification