支持向量机应用于儿童精神发育迟滞筛查的研究

论文摘要

随着当代医疗系统的发展，众多医院积累了大量病人的各种信息，而有经验的医生也是根据病人症状及其对应的疾病来进行诊断；另一方面，在计算机科学方面，机器学习发展迅速，尤其是统计学习理论和支持向量机技术逐渐成熟，已经开始应用于各个领域。将两者结合起来成为必然的趋势，利用当前医院的病人信息数据与对应的具体疾病，做为训练样本，来得到一个决策模型，达到计算机自动诊断的目的，这是一个典型的机器学习系统。可以看到，机器学习在医疗诊断中的应用前景光明。在本文中，我们将机器学习方法应用于对儿童精神发育迟滞筛查，利用浙江大学附属儿童医院所积累的三维人脸特征数据作为学习来源，选定合适的训练输入空间，用支持向量机技术训练样本，得到决策模型，通过这样实现机器对儿童精神发育迟滞的自动化筛查，文中介绍了这个机器学习系统。根据得到的特定样本数据集，我们对支持向量机模型进行了优化，包括针对原始数据进行的PCA处理；对于实际中不平衡的数据量，寻找最佳惩罚因子两个方面；还使用了基于黎曼分析的支持向量核函数优化，利用核函数的保角变换扩大在边界区域的空间分辨率，使得正、负类更好的分开，并用一个新的性能更好的kmod函数代替原有的调整因子，以期达到尽可能好的训练、诊断效果。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 机器学习及其在医学中应用
• 1.2 本文的研究内容和创新点
• 1.3 论文组织结构
• 第二章 医学背景及训练属性的确定
• 2.1 基因与儿童认知发育障碍
• 2.2 常见引起智力障碍的疾病及面部特征
• 2.3 面部特征的获取
• 2.4 确定用于诊断的依据特征
• 第三章 统计学习理论和支持向量机
• 3.1 机器学习的研究
• 3.1.1 Rosenblatt感知机
• 3.1.2 机器学习的发展
• 3.1.3 计算学习理论
• 3.2 统计学习理论（SLT）
• 3.2.1 经验风险最小化原则的理论
• 3.2.2 解决”不适定”问题的理论
• 3.2.3 密度估计的非参数方法
• 3.3 支持向量机（SVM）
• 3.3.1 核函数及核特征空间
• 3.3.2 最大间隔超平面
• 3.3.3 支持向量（SV）
• 3.4 支持向量机的改进趋势
• 3.4.1 对于训练数据的优化
• 3.4.2 对于核函数的优化
• 3.4.3 引入专家领域知识
• 第四章 基于脸部特征数据对支持向量机的改进
• 4.1 支持向量机应用于儿童精神发育迟滞的筛查
• 4.1.1 学习系统设计与流程
• 4.1.2 用学习理论进行泛化分析
• 4.1.3 实验结果与分析
• 4.2 对样本训练数据进行 PCA处理
• 4.2.1 主成分分析（PCA）介绍
• 4.2.2 从初始空间到主成分空间
• 4.2.3 实验数据和分析
• 4.3 对不平衡数据设置不平衡的惩罚因子
• 4.3.1 支持向量机的软间隔优化
• 4.3.2 惩罚因子
• 4.3.3 实验结果及分析
• 第五章 对于支持向量机核函数的优化
• 5.1 黎曼流形介绍
• 5.2 核特征空间的黎曼分析
• 5.3 基于黎曼分析的核函数的改进
• 5.3.1 思路
• 5.3.2 放大因子与保角变换
• 5.3.3 参数设定
• 5.3.4 实验结果与分析
• 5.4 对于保角变换的进一步改进
• 5.4.1 KMOD函数介绍
• 5.4.2 将 KMOD函数引入保角变换
• 5.4.3 参数设定
• 5.4.4 实验结果与分析
• 第六章 总结与展望
• 参考文献
• 致谢