没有合适的资源?快使用搜索试试~ 我知道了~
基于支持向量机分类的脑中风微波检测
2 下载量 181 浏览量
2020-10-16
19:22:15
上传
评论 1
收藏 358KB PDF 举报
温馨提示
试读
3页
相比现有技术,基于微波技术的脑中风检测无电离辐射,是一种安全便捷低廉的检测方法。目前主要的脑中风微波检测方法是微波成像,但由于脑部结构复杂,成像精度和可靠性不高。近年来,基于机器学习的分类方法开始应用于微波生物检测。该文提出了一种以支持向量机作为核心的机器学习脑中风检测分类算法,并通过粒子群优化算法来对SVM参数进行寻优,以达到优化分类准确率的目的,实现有无脑中风的正确分类。经过脑中风微波检测实验系统验证,脑中风的分类器平均检测正确率经优化后提高了16%,证明算法的可行性。
资源推荐
资源详情
资源评论
基于支持向量机分类的脑中风微波检测基于支持向量机分类的脑中风微波检测
相比现有技术,基于微波技术的脑中风检测无电离辐射,是一种安全便捷低廉的检测方法。目前主要的脑中风
微波检测方法是微波成像,但由于脑部结构复杂,成像精度和可靠性不高。近年来,基于机器学习的分类方法
开始应用于微波生物检测。该文提出了一种以支持向量机作为核心的机器学习脑中风检测分类算法,并通过粒
子群优化算法来对SVM参数进行寻优,以达到优化分类准确率的目的,实现有无脑中风的正确分类。经过脑中
风微波检测实验系统验证,脑中风的分类器平均检测正确率经优化后提高了16%,证明算法的可行性。
吴怡之1,2,席恋2
(1.数字化纺织服装技术教育部工程研究中心,上海 201620;2.东华大学 信息科学与技术学院,上海 201620)
摘要 摘要:相比现有技术,基于微波技术的
关键词 关键词:脑中风;微波检测;支持向量机;粒子群优化算法;分类算法
0引言引言
脑中风是世界上一种致死率极高的疾病[1]。微波检测技术在脑中风诊断中的应用主要基于不同的组织介电常数之间的
差异,特别是在血液与脑白质和灰质之间介电常数的差异[2]。目前主要的脑中风微波检测方法是微波成像[34],但由于
脑部结构复杂,导致成像精度和可靠性不高。近年来,基于机器学习的分类方法开始应用于生物检测[5]。
本文在微波检测实验的基础上,利用支持向量机(Support Vector Machine ,SVM)来区分大脑有无血块,比仿真数据更
接近现实测量。本文通过收集微波信号数据,并通过粒子群优化算法(Particle Swarm Optimization, PSO)来对SVM核函数
寻优,找出全局最优解,建立训练模型,对脑部频域信号样本进行分类,以达到微波检测脑中风的目的。
1脑中风微波信号分类模型脑中风微波信号分类模型
1.1算法流程算法流程
基于支持向量机的脑中风微波检测分类模型主要包括微波信号采集、信号特征提取和SVM分类两个阶段。第一阶段为微
波信号采集阶段,通过微波信号发送和接收天线系统,对检测对象采集频域微波正向传输系数S21信号,作为原始数据样本集
Yn×p,其中n为样本数,p为特征数。第二阶段为分类器训练和预测阶段。对选定的训练样本加以标记,标签设置为:中风部
位为1,无中风部位为-1。利用PSO算法找出最佳核参数,建立训练模型。然后对测试样本进行分类预测。算法流程如图1所
示。
1.2基于基于SVM的脑中风分类的脑中风分类
这里将原始数据Yn×p收集处理形成新的训练样本集和测试样本集(xi,yi),用于以下支持向量机的分类。标签设置为无中风
数据为-1,有中风数据为1。每一个样本由一个向量(即文本特征所组成的向量)和一个标记(标示出这个样本属于哪个类
别)组成,表示为(xi,yi),i= 1,…,n,x∈Rd,y∈{-1,1}为类别标记。如果存在超平面(w·x)+b=0,使得:
yi[(w·xi)+b]≥1(1)
则训练集线性可分,其中i=1,2,…,n,w·xi为向量内积,w为平面的法向量。
通过标准的拉格朗日乘子方法解决凸优化问题。再利用拉格朗日优化方法,根据沃尔夫(Wolfe)的对偶理论,可以把分
类问题转化为对偶问题。最后得到最优分类函数:
资源评论
weixin_38728464
- 粉丝: 1
- 资源: 966
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功