[发明专利]一种基于相关向量机的数字化肺音特征降维方法

摘要

本发明公开了一种基于相关向量机的数字化肺音特征降维方法，属于数字医疗技术领域。本发明将特征空间映射到样本空间，利用互信息特征核函数来表征肺音样本特征属性之间的联系强度，最终实现肺音特征的降维。包括在肺音数据库中选择肺音数据作为肺音样本，建立相关向量机；建立肺音特征向量样本集；基于RVM肺音特征向量降维。本发明具有鲁棒性和稀疏性的优点，对数据噪声不敏感，减少了采集噪声引起的不确定性；适合于处理高维肺音特征的情况。本发明中提出的降维方法利用肺音特征间的互信息作为核函数，在模型中充分考虑了特征之间的联系强度，不仅保障了降维结果的简约性，同时保障了保留特征的完备性。

主权项

1.一种基于相关向量机的数字化肺音特征降维方法，其特征在于：包括如下步骤，第一步，在肺音数据库中以相等的数据量选择干罗音、湿罗音及无罗音肺音数据，并且每种肺音数据类型不少于200条肺音数据，将选择的肺音数据作为肺音样本，建立相关向量机；第二步，建立肺音特征向量样本集T为：T＝{(X₁，Y₁)，(X₂，Y₂)，…(X_n，Y_n)}；对于每一个肺音样本选取38个肺音特征f₁，f₂，…f₃₈构成相应肺音样本的特征向量X，即X＝(f₁，f₂，…f₃₈)，则对于第i个肺音样本(X_i，Y_i)对应的特征向量为X_i，X_i∈R³⁸，i＝1，2，…，n，n为肺音样本个数，n≥600；其中Y_i的定义为：若第i个肺音样本为无罗音数据，则Y_i＝1；若第i个肺音样本为干罗音数据，则Y_i＝2；若第i个肺音样本为湿罗音数据，则Y_i＝3；第三步，基于RVM肺音特征向量降维，具体为：3.1 建立基于RVM的肺音特征降维模型；所述的基于RVM的肺音特征降维模型如下：其中f_j为特征向量X＝(f₁，f₂，…f₃₈)中的第j个肺音特征，ε是零均值、方差为σ²的高斯噪声，α_j为肺音特征f_j的权重；为了能处理非线性的情况，引进了函数φ()：将z映射为φ(z)；将f_j映射为φ(f_j)，j＝1，2，…，38，则基于RVM的肺音特征降维模型即公式(2)变换为如下函数形式：3.2 构建互信息特征核函数，具体为，给定一个肺音样本中的任意两个肺音特征f_u和f_v，u＝1，2，...，38，v＝1，2，...，38，u≠v；对于给定的训练样本集T＝{(X₁，Y₁)，(X₂，Y₂)，…(X_n，Y_n)}，每一个肺音样本(X_i，Y_i)中都存在两个肺音特征f_u和f_v；因此得到2个向量F_u＝{f_u¹，f_u²，…f_uⁿ}，F_v＝{f_v¹，f_v²，…f_vⁿ}，其中f_uⁱ表示肺音样本(X_i，Y_i)中肺音特征f_u的取值，f_v^l表示肺音样本(X_i，Y_i)中肺音特征f_v的取值，i＝1，2，...，n，n为肺音样本个数；用下述这种方法计算两个肺音特征的互信息特征核函数K(f_u，f_v)：1)将向量{f_u¹，f_u²，…f_uⁿ}和向量{f_v¹，f_v²，…f_vⁿ}分别划分成N个大小相同的特征区间，N＝5；2)将向量{f_u¹，f_u²，…f_uⁿ}和向量{f_v¹，f_v²，…f_vⁿ}的各个元素离散化到每一个特征区间中，如果向量{f_u¹，f_u²，…f_uⁿ}中的最大值和最小值分别是u_max和u_min，那么每个特征区间的大小为(u_max‑u_min)/5；若向量{f_u¹，f_u²，…f_uⁿ}中的某个分量的值f_u^k落在第k个特征区间中，则f_uⁱ＝k，k＝1，2，…，N；3)计算概率密度函数p(f_u，f_v)，p(f_u)和p(f_v)：p(f_u＝l)＝counts(f_u＝l)/np(f_v＝z)＝counts(f_v＝z)/np(f_u＝l，f_v＝z)＝counts(f_u＝l，f_v＝z)/n其中，counts(f_u＝l)表示向量{f_u¹，f_u²，…f_uⁿ}中落在第l个区间的分量的个数，l＝1，2，…，N，counts(f_v＝z)，表示向量{f_v¹，f_v²，…f_vⁿ}中落在第z个区间的分量的个数，z＝1，2，…，N；由此，将互信息核函数定义为，由互信息核函数的特性可知其满足对称非负：K(f_u，f_v)＝K(f_v，f_u)  (8)K(f_u，f_v)≥0  (9)互信息特征核函数同样也满足Mercer条件，保证了RVM算法的收敛性；3.3 基于RVM的肺音特征向量降维模型求解，包括求解肺音特征权重α＝{α₁，α₂，…，α₃₈}，和方差为β_i，具体为：给定训练样本集T＝{(X₁，Y₁)，(X₂，Y₂)，…(X_n，Y_n)}，训练样本集T的似然函数为：其中，φ(X)＝[φ(f₁)，φ(f₂)，...，φ(f₃₈)]；||φ(y)‑φ(X)α||²＝φ(y)^Tφ(y)‑2α^Tφ(X)^Tφ(y)+α^Tφ(X)^Tφ(X)α＝K(y^T，y)‑2α^TK(X^T，y)+α^TK(X^T，X)α  (11)其中，为了保证RVM模型的稀疏性，假设肺音特征权重α_i符合均值为0、方差为β_i的正态分布，即α_i～N(0，β_i)，i＝1，2，...，38，则肺音特征的权重α＝{α₁，α₂，…，α₃₈}服从概率分布p(α|β)：因此求解α＝{α₁，α₂，…，α₃₈}的问题与最大化后验概率p(α，β，σ²|φ(y))等价；利用贝叶斯公式得，p(α，β，σ²|φ(y))＝p(α|φ(y)，β，σ²)p(β，σ²|φ(y))  (14)其中p(α|φ(y)，β，σ²)表示已知φ(y)，β，σ²的条件下权重向量α＝{α₁，α₂，…，α₃₈}的概率分布，p(β，σ²|φ(y))表示已知φ(y)的条件下，β＝{β₁，β₂，…，β₃₈}和σ²的联合概率密度；求解参数α＝{α₁，α₂，…，α₃₈}、β和σ²的过程具体为：(1)首先最大化计算p(α|φ(y)，β，σ²)：通过定义的核函数替代后得到协方差矩阵∑和均值μ的方程：∑＝(σ^‑2K(X^T，X)+A)^‑1  (16)μ＝σ^‑2∑K(X^T，y)  (17)其中协方差矩阵∑为一个38阶的方阵，第i行第j列的元素表示为∑_ij，第i行为一个38维的行向量，记为∑_i；A＝diag(β₁，β₂，…，β₃₈)，μ＝{μ₁，μ₂，…，μ₃₈}；(2)最大化p(β，σ²|φ(y))，从而计算出参数β和σ²：E为38阶的单位阵；通过偏微分得到更新参数β和噪声方差σ²的方程：γ_i＝1‑β_i∑_ii i＝1，2，...，38  (20)经过(1)和(2)步骤反复迭代计算来更新各个参数，最终将会得到稀疏的肺音特征权重{α₁，α₂，…，α₃₈}，非零权重所对应的肺音特征即是所求的降维后的“相关特征”。