支持向量机—微量元素法用于Ⅱ型糖尿病的模式识别

论文摘要

本研究采集了健康人全血样本161份,头发样本70份,尿液样本89份,Ⅱ型糖尿病患者全血样本58份,头发样本30份,尿液样本41份。以上述生物样本为研究对象,分别测定其中8种微量元素的含量,并考察了年龄对体内微量元素含量的影响,采用支持向量机算法对健康人与Ⅱ型糖尿病患者体内微量元素的含量建立分类模式识别模型,并进行分类分析,对Ⅱ型糖尿病的诊断及临床治疗起到辅助作用。考察了湿法消解体系及电感耦合等离子体发射光谱仪的测定条件,采用的湿法消解体系为HNO3-HClO4-H2SO4（3：1：1,V／V／V）,电感耦合等离子体发射光谱仪的最佳测定条件为入射功率1.1 kw,冷却气流量16 L·min-1,雾化器气体流量0.8 L·min-1,提升量1.4 mL·min-1。生物样品经湿法消解后,采用电感耦合等离子体发射光谱法同时测定其中的锂、锌、铬、铜、铁、锰、镍、钒8种微量元素的含量,测得微量元素的线性范围分别为：锂0.001-4μm·mL-1,锌0.1-50μg·mL-1,铬0.001-10μg·mL-1,铜0.01-20μg·mL-1,铁1-100μg·mL-1,锰0.001-4μg·mL-1,镍0.005-0.5μg·mL-1,钒0.001-4μg·mL-1。各元素回归方程的相关系数为0.9995-0.9999,检出限为0.0003-0.0082μg·mL-1,仪器精密度为0.4%-2.3%,方法精密度为0.5%-4.9%,加标回收率为83.6%-119.6%。用matlab软件中的支持向量机算法进行分类分析,采用5次交叉验证法对全血、头发、尿液三个数据集进行分组和测试,用SVM分类器中的多项式核函数、高斯径向基核函数进行训练和测试,Gamma值设为1,罚分函数设为1,建立判别模型。高斯径向基核函数分类的平均灵敏度为96.25%、97.14%和97.78%,平均特异度为94.55%、96.67%和95.00%,MCC相关系数为0.89、0.93、0.9,平均准确度为95.81%、97.00%、96.92%；多项式核函数分类的平均灵敏度为95.00%、90.00%和93.33%,平均特异度为85.91%、93.33%和90.28%,MCC相关系数为0.81、0.80、0.82,平均准确度为92.60%、91.00%、92.31%。Ⅱ型糖尿病患者与健康人全血、头发及尿液中8种微量元素的含量水平存在较显著的差别,本研究用支持向量机算法建立的微量元素的分类模型对临床疾病的预防、早期诊断和临床治疗起到辅助、指导的作用,具有一定的临床意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 前言
• 1.1 微量元素
• 1.2 微量元素与Ⅱ型糖尿病
• 1.3 微量元素模式识别的研究概况
• 1.4 立题依据
• 第二章 全血中微量元素测定研究
• 2.1 实验材料
• 2.2 仪器测定条件
• 2.3 全血中微量元素的测定
• 2.4 结论与小结
• 第三章 头发中微量元素测定研究
• 3.1 实验材料
• 3.2 仪器测定条件
• 3.3 头发中微量元素的测定
• 3.4 小结与讨论
• 第四章 尿液中微量元素测定研究
• 4.1 实验材料
• 4.2 仪器测定条件
• 4.3 尿液中微量元素的测定
• 4.4 结论与小结
• 4.4 小结与讨论
• 第五章 微量元素与Ⅱ型糖尿病关系的模式识别研究
• 5.1 模式识别的基本模型
• 5.2 支持向量机的模式识别分类原理
• 5.3 模式识别分类分析
• 5.4 小结与讨论
• 第六章 结果与讨论
• 附表
• 参考文献
• 作者简介及发表文章目录
• 致谢