吳怡之1,2，席戀2

　　（1.數字化紡織服裝技術教育部工程研究中心，上海 201620；2.東華大學 信息科學與技術學院，上海 201620）

　　摘要：相比現有技術，基于微波技術的腦中風檢測無電離輻射，是一種安全便捷低廉的檢測方法。目前主要的腦中風微波檢測方法是微波成像，但由于腦部結構復雜，成像精度和可靠性不高。近年來，基于機器學習的分類方法開始應用于微波生物檢測。該文提出了一種以支持向量機作為核心的機器學習腦中風檢測分類算法，并通過粒子群優化算法來對SVM參數進行尋優，以達到優化分類準確率的目的，實現有無腦中風的正確分類。經過腦中風微波檢測實驗系統驗證，腦中風的分類器平均檢測正確率經優化后提高了16%，證明算法的可行性。

　　關鍵詞：腦中風；微波檢測；支持向量機；粒子群優化算法；分類算法

0引言

　　腦中風是世界上一種致死率極高的疾病［1］。微波檢測技術在腦中風診斷中的應用主要基于不同的組織介電常數之間的差異，特別是在血液與腦白質和灰質之間介電常數的差異［2］。目前主要的腦中風微波檢測方法是微波成像［34］，但由于腦部結構復雜，導致成像精度和可靠性不高。近年來，基于機器學習的分類方法開始應用于生物檢測［5］。

　　本文在微波檢測實驗的基礎上，利用支持向量機（Support Vector Machine ,SVM）來區分大腦有無血塊，比仿真數據更接近現實測量。本文通過收集微波信號數據，并通過粒子群優化算法（Particle Swarm Optimization, PSO）來對SVM核函數尋優，找出全局最優解，建立訓練模型，對腦部頻域信號樣本進行分類,以達到微波檢測腦中風的目的。

1腦中風微波信號分類模型

　　1.1算法流程

　　基于支持向量機的腦中風微波檢測分類模型主要包括微波信號采集、信號特征提取和SVM分類兩個階段。第一階段為微波信號采集階段，通過微波信號發送和接收天線系統，對檢測對象采集頻域微波正向傳輸系數S21信號，作為原始數據樣本集Yn×p，其中n為樣本數，p為特征數。第二階段為分類器訓練和預測階段。對選定的訓練樣本加以標記，標簽設置為：中風部位為1，無中風部位為-1。利用PSO算法找出最佳核參數，建立訓練模型。然后對測試樣本進行分類預測。算法流程如圖1所示。

　　1.2基于SVM的腦中風分類

　　這里將原始數據Yn×p收集處理形成新的訓練樣本集和測試樣本集(xi,yi)，用于以下支持向量機的分類。標簽設置為無中風數據為-1，有中風數據為1。每一個樣本由一個向量（即文本特征所組成的向量）和一個標記（標示出這個樣本屬于哪個類別）組成，表示為(xi,yi)，i= 1,…，n,x∈Rd,y∈{-1,1}為類別標記。如果存在超平面(w·x)+b=0,使得:

　　yi［(w·xi)+b］≥1(1)

　　則訓練集線性可分，其中i=1,2,…,n,w·xi為向量內積，w為平面的法向量。

　　通過標準的拉格朗日乘子方法解決凸優化問題。再利用拉格朗日優化方法，根據沃爾夫（Wolfe）的對偶理論，可以把分類問題轉化為對偶問題。最后得到最優分類函數：

　　為了解決非線性問題，支持向量機常使用核函數來代替最優分類函數中的內積運算。

　　非線性支持向量機最優分類函數為：

　　其中K(x,xi)為核函數，σ為徑向基核函數的參數。

　　本文選用RBF(Radial Basis Function)核函數，對于選擇RBF核函數的SVM，參數(C,σ)決定了其識別性能的好壞，其中C為懲罰因子，σ為高斯核參數。因此選取好的參數就非常重要，本文采用PSO算法來對參數(C, σ)進行尋優。

2實驗仿真與結果

　　2.1實驗環境

　　實驗系統所用頭部模型為簡化后的頭部模型，超寬帶天線是通過HFSS仿真軟件設計并優化處理過的漸變開槽天線。采用羅德施瓦茨矢量網絡分析儀作為微波信號源，工作頻率在1 GHz~3 GHz，401個采樣點。超寬帶天線連接VNA（矢量網絡分析）的端口進行信號的發送和接收，將不同位置采集到的S21數據保存到數據存儲模塊中。本文使用的是Windows 10操作系統平臺，Inter i7處理器，8 GB內存的計算機。采用MATLAB 2012b并調用臺灣林智仁教授的libSVM工具箱，實現對腦中風微波檢測系統的分類仿真實驗。實驗系統如圖2所示。

　　本次實驗將超寬帶天線分別作為微波信號的發送和接收端布置在模型四周，組成26對不同的天線收發對。將模擬的中風部位（血塊）置于檢測體的不同位置。這樣每個血塊位置有26組數據，其中26×10組陽性，即有血塊數據，以及26×10組陰性，即無血塊的實驗數據。實驗數據采集標本如圖3所示，小圓代表血塊，大圓代表腦部。

　　2.2仿真與結果

　　按順序依次選取訓練集，分別對測試樣本進行預測。將訓練集和測試集通過兩種方法進行預測，第一種方法是用標準的SVM分類器進行預測。第二種方法是通過基于PSO算法優化后的SVM分類器進行預測。仿真結果如表1所示。

　　由仿真結果的對比可以清晰地看出，隨著訓練集的擴大，SVM分類的準確率越來越高。經過PSO算法優化后的參數，在SVM建模中起到重要的作用，提高了SVM分類器的精確度，進一步改善了SVM分類器在微波檢測腦中風中的應用，平均預測正確率提高了16%。　

3結束語

　　本文提出了基于支持向量機分類的腦中風血塊檢測模型，并利用實驗系統進行了驗證。利用PSO算法全局搜索能力優化SVM參數，建立了更佳的SVM數學模型，從而提高了SVM分類的精確性，并通過SVM對腦中風部位（血塊）進行預測分類。實驗系統獲得100%的檢測正確率。進一步，通過對標準SVM分類方法與基于PSO優化的SVM分類方法的結果進行比較研究，可以明顯看出PSO優化方法具有更高的準確率，從而驗證了此種方法的有效性，以及在微波腦中風檢測領域中的應用趨勢。

參考文獻

　　［1］ 王隴德.中國腦卒中防治報告: 2015［M］.北京： 中國協和醫科大學出版社, 2015.

　　［2］ BAO J Z, LU S T, HURT W D. Complex dielectric measurements and analysis of brain tissues in the radio and microwave frequencies［J］. Microwave Theory and Techniques, IEEE Transactions on, 1997, 45(10): 17301741.

　　［3］ Wu Yizhi, Zhou Yuyan, Wang Yifan, et al. Highresolution microwave stroke detection system based on signal similarity algorithm［C］. 2015 AsiaPacific Microwave Conference (APMC2015), Nanjing, China, 2015.

　　［4］ Wu Yizhi, Mao Yubo, Saba. The experimental confocal MI system basing on SFCW［C］.2015 International Conference on Information Science and Intelligent Control (ISIC2015), Sanya, China, 2015.

　　［5］ 劉興華,蔡從中,袁前飛,等.基于支持向量機的乳腺癌輔助診斷［J］.重慶大學學報(自然科學版), 2007,30(6):140144.