發(fā)布時間：2020-11-20 01:47

　　 隨著當(dāng)代醫(yī)療系統(tǒng)的發(fā)展，眾多醫(yī)院積累了大量病人的各種信息，而有經(jīng)驗的醫(yī)生也是根據(jù)病人癥狀及其對應(yīng)的疾病來進行診斷；另一方面，在計算機科學(xué)方面，機器學(xué)習(xí)發(fā)展迅速，尤其是統(tǒng)計學(xué)習(xí)理論和支持向量機技術(shù)逐漸成熟，已經(jīng)開始應(yīng)用于各個領(lǐng)域。將兩者結(jié)合起來成為必然的趨勢，利用當(dāng)前醫(yī)院的病人信息數(shù)據(jù)與對應(yīng)的具體疾病，做為訓(xùn)練樣本，來得到一個決策模型，達(dá)到計算機自動診斷的目的，這是一個典型的機器學(xué)習(xí)系統(tǒng)�？梢钥吹�，機器學(xué)習(xí)在醫(yī)療診斷中的應(yīng)用前景光明。 在本文中，我們將機器學(xué)習(xí)方法應(yīng)用于對兒童精神發(fā)育遲滯篩查，利用浙江大學(xué)附屬兒童醫(yī)院所積累的三維人臉特征數(shù)據(jù)作為學(xué)習(xí)來源，選定合適的訓(xùn)練輸入空間，用支持向量機技術(shù)訓(xùn)練樣本，得到?jīng)Q策模型，通過這樣實現(xiàn)機器對兒童精神發(fā)育遲滯的自動化篩查，文中介紹了這個機器學(xué)習(xí)系統(tǒng)。 根據(jù)得到的特定樣本數(shù)據(jù)集，我們對支持向量機模型進行了優(yōu)化，包括針對原始數(shù)據(jù)進行的PCA處理；對于實際中不平衡的數(shù)據(jù)量，尋找最佳懲罰因子兩個方面；還使用了基于黎曼分析的支持向量核函數(shù)優(yōu)化，利用核函數(shù)的保角變換擴大在邊界區(qū)域的空間分辨率，使得正、負(fù)類更好的分開，并用一個新的性能更好的kmod函數(shù)代替原有的調(diào)整因子，以期達(dá)到盡可能好的訓(xùn)練、診斷效果。
【學(xué)位單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2007
【中圖分類】：R749.94
【部分圖文】：

舌頭常往外伸出，內(nèi)眼角距離大、肌無力及同貫手。2.3面部特征的獲取三維人臉特征的提取，我們用的是英國3DMD公司的三維成像儀，如圖2一2所示，其有一整套高精度、超高速表面成像系統(tǒng)及軟件程序，為全世界各外科領(lǐng)一6一

域的臨床醫(yī)療和大規(guī)模生物面孔識別提供技術(shù)支持，有世界領(lǐng)先的3D成像和分析系統(tǒng)。圖2一2英國3DMD公司的二維成像儀要實現(xiàn)計算機輔助診斷，需在人臉的三維模型上識別出各種形態(tài)，需正確定位內(nèi)眼角、外眼角、上眼上眼瞼、下眼瞼、人中脊、嘴角、鼻.翼端、下嘴唇三分處、領(lǐng)下點等二十幾個特征點。特征點的提取有三個步驟:鼻尖的提取，臉部區(qū)域的粗分，其他特征點的獲取。如圖2一3所示，是我們獲得的三維人臉模型，對于特征點的確定，可以用人工方法，也可以研究用算法讓計算機自動定位，這是人臉識別領(lǐng)域目前的研究前沿。圖2一3獲得的三維人臉模型對于大多數(shù)的三維模型特征提取方法，鼻尖的提取一般都因為數(shù)據(jù)集的條件很強，而僅僅簡單地采用深度范圍上的最高點為鼻尖的坐標(biāo)。但是由于本項目中對象大多數(shù)基因綜合癥患者臉部具有特殊的形態(tài)

位內(nèi)眼角、外眼角、上眼上眼瞼、下眼瞼、人中脊、嘴角、鼻.翼端、下嘴唇三分處、領(lǐng)下點等二十幾個特征點。特征點的提取有三個步驟:鼻尖的提取，臉部區(qū)域的粗分，其他特征點的獲取。如圖2一3所示，是我們獲得的三維人臉模型，對于特征點的確定，可以用人工方法，也可以研究用算法讓計算機自動定位，這是人臉識別領(lǐng)域目前的研究前沿。圖2一3獲得的三維人臉模型對于大多數(shù)的三維模型特征提取方法，鼻尖的提取一般都因為數(shù)據(jù)集的條件很強，而僅僅簡單地采用深度范圍上的最高點為鼻尖的坐標(biāo)。但是由于本項目中對象大多數(shù)基因綜合癥患者臉部具有特殊的形態(tài)，并且大多數(shù)兒童在進行三維掃描時很難保證完全遵照既定規(guī)范，因此鼻尖的確定是整個算法中最困難的部分，同時也是最重要的基礎(chǔ)。鼻尖的提取擬采用一個兩步走的方法，首先計算模型中一7一
【共引文獻】

相關(guān)期刊論文 前10條

1 許高程;張文君;王衛(wèi)紅;;支持向量機技術(shù)在遙感影像滑坡體提取中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2009年06期

2 管翠萍;;藥物靶標(biāo)G蛋白偶聯(lián)受體的識別預(yù)測[J];安徽農(nóng)業(yè)科學(xué);2010年24期

3 劉婷婷;;基于支持向量機的水稻紋枯病識別研究[J];安徽農(nóng)業(yè)科學(xué);2011年28期

4 高闖;王立東;周世宇;;基于支持矢量機的宮頸細(xì)胞分類[J];遼寧科技大學(xué)學(xué)報;2009年03期

5 汪廷華;田盛豐;黃厚寬;廖年冬;;樣本屬性重要度的支持向量機方法[J];北京交通大學(xué)學(xué)報;2007年05期

6 尚磊;劉風(fēng)進;;基于支持向量機的手寫體數(shù)字識別[J];兵工自動化;2007年03期

7 胡淑燕;鄭鋼鐵;;應(yīng)用支持向量機的眼瞼參數(shù)疲勞預(yù)測[J];北京航空航天大學(xué)學(xué)報;2009年08期

8 王自強;段愛玲;張德賢;;基于自適應(yīng)核函數(shù)的支持向量數(shù)據(jù)描述算法[J];北京化工大學(xué)學(xué)報(自然科學(xué)版);2008年02期

9 封筠;頡斌;郝衛(wèi)東;楊揚;;一種SVM分類器自動模型選擇方法[J];北京科技大學(xué)學(xué)報;2006年01期

10 陳增照;楊揚;董才林;何秀玲;;支持向量機動態(tài)學(xué)習(xí)方法及其在票據(jù)識別中的應(yīng)用[J];北京科技大學(xué)學(xué)報;2006年02期

相關(guān)博士學(xué)位論文 前10條

1 趙瑩;半監(jiān)督支持向量機學(xué)習(xí)算法研究[D];哈爾濱工程大學(xué);2010年

2 任楨;圖像分類任務(wù)的關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2010年

3 殷志偉;基于統(tǒng)計學(xué)習(xí)理論的分類方法研究[D];哈爾濱工程大學(xué);2009年

4 柏堅;非線性數(shù)學(xué)地質(zhì)模型研究及在滇東南金礦成礦預(yù)測中的應(yīng)用[D];中國地質(zhì)大學(xué)（北京）;2010年

5 姚志明;基于步態(tài)觸覺信息的身份識別研究[D];中國科學(xué)技術(shù)大學(xué);2010年

6 陳志國;基于群體智能的機器視覺的關(guān)鍵技術(shù)研究[D];江南大學(xué);2010年

7 張目;高技術(shù)企業(yè)信用風(fēng)險影響因素及評價方法研究[D];電子科技大學(xué);2010年

8 宋國明;基于提升小波及SVM優(yōu)化的模擬電路智能故障診斷方法研究[D];電子科技大學(xué);2010年

9 劉建明;古代壁畫圖像保護與智能修復(fù)技術(shù)研究[D];浙江大學(xué);2010年

10 渠瑜;基于SVM的高不平衡分類技術(shù)研究及其在電信業(yè)的應(yīng)用[D];浙江大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 朱杰;一種基于聚類的支持向量機反問題求解算法[D];河北大學(xué);2007年

2 李金華;基于SVM的多類文本分類研究[D];山東科技大學(xué);2010年

3 江達(dá)秀;基于HMAX模型的人臉表情識別研究[D];浙江理工大學(xué);2010年

4 李朋勇;基于全矢高階譜的故障診斷方法及其應(yīng)用研究[D];鄭州大學(xué);2010年

5 劉松;基于OCSVM和主動學(xué)習(xí)的DDOS攻擊分布式檢測系統(tǒng)[D];鄭州大學(xué);2010年

6 方宇;小波支持向量機在交通流預(yù)測中的應(yīng)用研究[D];大連理工大學(xué);2010年

7 梁懷志;基于嵌入式的車型分類系統(tǒng)的設(shè)計與實現(xiàn)[D];大連理工大學(xué);2010年

8 李林;基于可靠性的TBM刀盤輕量化設(shè)計[D];大連理工大學(xué);2010年

9 李艷萍;基于自主學(xué)習(xí)的移動機器人質(zhì)心偏移控制策略[D];大連理工大學(xué);2010年

10 梅麗;人類啟動子識別算法研究[D];遼寧師范大學(xué);2010年

本文編號：2890755