[发明专利]基于支持向量机的阿尔茨海默症特征分类方法及系统

权利要求书

1.基于支持向量机的阿尔茨海默症特征分类方法，其特征在于：包括以下步骤：

获取阿尔茨海默症的磁共振成像数据；

采用改进的遗传算法对获取的磁共振成像数据进行特征寻优，得到阿尔茨海默症的关键特征，所述改进的遗传算法以平均分类准确率作为适应度值，并以分类效果最优为目标来提取关键特征；

根据提取出的关键特征采用支持向量机分类器对待分类数据进行分类，得到阿尔茨海默症的分类结果。

2.根据权利要求1所述的基于支持向量机的阿尔茨海默症特征分类方法，其特征在于：所述获取阿尔茨海默症的磁共振成像数据这一步骤，具体为：

从阿尔茨海默症神经影像学倡议标准数据库中选取若干张磁共振图像作为阿尔茨海默症的磁共振成像数据。

3.根据权利要求1所述的基于支持向量机的阿尔茨海默症特征分类方法，其特征在于：所述采用改进的遗传算法对获取的磁共振成像数据进行特征寻优，得到阿尔茨海默症的关键特征这一步骤，具体包括：

对阿尔茨海默症的磁共振成像数据进行预处理，得到n个样本以及每个样本关于左右脑各个区域的所有相关特征，其中，n为样本的个数；

采用基于遗传算法的关键特征提取方法从得到的所有相关特征中提取出用于阿尔茨海默症分类的关键特征。

4.根据权利要求3所述的基于支持向量机的阿尔茨海默症特征分类方法，其特征在于：所述采用基于遗传算法的关键特征提取方法从得到的所有相关特征中提取出用于阿尔茨海默症分类的关键特征这一步骤，具体包括：

对得到的所有相关特征进行标准化，得到标准化后的特征；

对标准化后的特征进行二进制编码，所述进行二进制编码时一个染色体中基因为1代表该位上的特征为关键特征，基因为0代表该位上的特征为非关键特征；

确定遗传策略，所述遗传策略包括群体规模大小、选择算子、交叉算子和变异概率；

按设定比例将n个样本划分为训练样本和测试样本；

根据染色体与关键特征集的映射关系，选择训练样本的关键特征训练支持向量机分类器；

通过测试样本对支持向量机分类器进行测试，得到训练样本的关键特征在支持向量机分类器的平均分类准确率，并把平均分类准确率作为染色体的适应度值；

根据染色体的适应度值和遗传策略进行迭代选择、交叉和变异操作，最终得到分类效果最优的关键特征作为阿尔茨海默症的关键特征。

5.根据权利要求4所述的基于支持向量机的阿尔茨海默症特征分类方法，其特征在于：所述根据染色体与关键特征集的映射关系，选择训练样本的关键特征训练支持向量机分类器这一步骤，具体包括：

根据染色体与关键特征集的映射关系，将训练样本的当前染色体转换成当前的样本关键特征集；

根据当前的样本关键特征集，训练支持向量机分类器，所述支持向量机分类器采用拉格朗日函数来求取最优分类函数并选取线性核函数、径向基核函数或sigmoid核函数作为核函数。

6.根据权利要求4所述的基于支持向量机的阿尔茨海默症特征分类方法，其特征在于：所述根据染色体的适应度值和遗传策略进行迭代选择、交叉和变异操作，最终得到分类效果最优的关键特征作为阿尔茨海默症的关键特征这一步骤，具体包括：

根据染色体的适应度值，采用基于轮盘赌选择法的选择算子选择复制优良染色体进入下一代；

对选出的染色体根据单点交叉算子进行交叉操作，产生新染色体；

对新染色体根据变异概率进行变异操作，得到下一代新染色体；

判断迭代是否已满足预定的迭代终止条件，若是，则执行下一步骤的操作，反之，则返回根据染色体的适应度值，采用基于轮盘赌选择法的选择算子选择复制优良染色体进入下一代这一步骤；

根据迭代终止时的适应度值得到最优染色体，并根据染色体与关键特征集的映射关系对最优染色体进行解码，最终得到阿尔茨海默症的关键特征。