基于Haar—like的健康辨識(shí)ROC—Boosting算法應(yīng)用效果研究

崔巖

摘 要：驗(yàn)證基于Haar-like特征的健康辨識(shí)ROC-Boosting算法在不同人群中的應(yīng)用效果。在天津市南開(kāi)醫(yī)院采集的32例舌部圖像及其健康辨識(shí)結(jié)果上運(yùn)行ROC-Boosting算法，將基于Haar-like特征與其他人群采集的舌部圖像及其健康辨識(shí)結(jié)果進(jìn)行比較。研究結(jié)果表明，在兩個(gè)人群中選擇出的特征均集中于舌中、后部，基于選出特征建立的模型ROC曲線下面積達(dá)到0.864。結(jié)果驗(yàn)證了ROC-Boosting算法在滿足人類(lèi)觀察舌部圖像特點(diǎn)的同時(shí)，適用于不同人群。

關(guān)鍵詞：舌部圖像；健康狀態(tài)；ROC-Boosting

DOIDOI：10.11907/rjdk.171143

中圖分類(lèi)號(hào)：TP319

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）007-0134-03

0 引言

Haar-like特征是用于人臉識(shí)別的一類(lèi)重要特征[1]。這類(lèi)特征不僅抽取速度快，而且對(duì)人臉檢測(cè)等特定問(wèn)題具有高敏感性或者高特異性特征。在此基礎(chǔ)上建立的分類(lèi)器，不僅準(zhǔn)確率高，而且所選出的特征有著良好的可解釋性。與應(yīng)用于人臉檢測(cè)相似，近年來(lái)在中醫(yī)舌診客觀化研究中，也發(fā)現(xiàn)Haar-like特征與高尿酸血癥存在聯(lián)系，與疾病相關(guān)特征集中在舌部中間部分，符合中醫(yī)舌診中舌苔顏色的變化特點(diǎn)[2]。在此基礎(chǔ)上，針對(duì)研究對(duì)象的健康/疾病狀態(tài)使用ROC-Boosting這一算法選擇出的Haar-like特征同樣也集中于舌中、后部[3]。相對(duì)于特征數(shù)量，用于建立模型的數(shù)據(jù)量不足，而且醫(yī)學(xué)數(shù)據(jù)獲取難度大、成本高，易受到各種條件限制。因此，在當(dāng)前研究階段，無(wú)法用分類(lèi)準(zhǔn)確率等指標(biāo)評(píng)價(jià)模型性能。因此，采取通過(guò)比較所選出的特征在舌部圖像上的位置及所建模型ROC曲線下面積的方法，評(píng)價(jià)ROC-Boosting算法在新采集人群上的有效性。

1 對(duì)象與方法

數(shù)據(jù)采集的納入標(biāo)準(zhǔn)為參與健康體檢，年齡在20～70歲（含），且自愿參與研究的人群。因服藥、外傷等導(dǎo)致舌部顏色、形狀和紋理劇烈變化，且在1小時(shí)內(nèi)無(wú)法恢復(fù)的，以及舌部活動(dòng)受限的，例如流涎、無(wú)法張嘴、舌頭強(qiáng)直、顫動(dòng)等，加上不配合研究的，都予以排除。為了安撫研究對(duì)象人群，對(duì)于年齡超過(guò)范圍的，也可以應(yīng)邀獲取圖像和健康辨識(shí)結(jié)果，但其數(shù)據(jù)不參與研究。2015年9月-10月，從天津市南開(kāi)醫(yī)院采集了32例舌部圖像，研究對(duì)象的基本情況如表1所示。采集圖像后立刻由專(zhuān)門(mén)人員使用調(diào)查問(wèn)卷將其健康狀態(tài)劃分為疾病和健康兩類(lèi)[4]。由于采集樣本數(shù)量有限，將問(wèn)卷中獲取健康狀態(tài)為可疑的，都視作疾病狀態(tài)。對(duì)圖像作預(yù)處理后，連同問(wèn)卷健康辨識(shí)結(jié)果形成數(shù)據(jù)庫(kù)，而后在其上運(yùn)行ROC-Boosting算法[3]。

采用以往研究中的方法預(yù)處理采集圖像，得到100*120像素的舌部圖像。圖1是一幅經(jīng)過(guò)預(yù)處理的舌部圖像。由于抽取的Haar-like特征數(shù)量較多，因而按照ROC-Boosting算法的要求過(guò)濾特征，使用t檢驗(yàn)過(guò)濾無(wú)明顯差異的特征。最終，選擇p值切點(diǎn)為0.000 1，候選特征數(shù)為9 527。在此基礎(chǔ)上，開(kāi)始運(yùn)行ROC-Boosting算法。

ROC-Boosting算法過(guò)程如下：

步驟（9）采用了兩個(gè)條件，首先保證被正確分類(lèi)的正類(lèi)樣本數(shù)和負(fù)類(lèi)樣本數(shù)與總體樣本中正類(lèi)和負(fù)類(lèi)的樣本數(shù)比例盡量一致。在本研究中，健康狀態(tài)的樣本為正類(lèi)，疾病狀態(tài)的為負(fù)類(lèi)，這一比例為10∶22。在保證這一比例的基礎(chǔ)上，選擇ROC曲線下面積最大的特征。

使用R語(yǔ)言3.3.0的64位版本作為統(tǒng)計(jì)工具[5]。

ROC曲線下面積使用其中的ROCR包計(jì)算。特診抽取和ROC-Boosting算法均采用R語(yǔ)言中的腳本完成。

2 結(jié)果與分析

2.1 結(jié)果

最終ROC-Boosting算法在現(xiàn)有特征集中選出了5個(gè)特征。共15個(gè)樣本被正確分類(lèi)后，因?yàn)闆](méi)有特征滿足步驟（9）的條件，算法結(jié)束。與以往研究中所選出特征的位置對(duì)比及最終模型分類(lèi)的ROC曲線如圖2所示。其中，圖2（a）為ROC-Boosting在以往數(shù)據(jù)集上共1 322例舌部圖像及其健康辨識(shí)結(jié)果上運(yùn)行后，選擇出的Haar-like特征的累積[3]；圖2（b）為在本研究中32例圖像中選擇出的特征的累積；圖2（c）為選出這5個(gè)特征后，形成組合模型的ROC曲線，曲線下面積為0.864。

2.2 分析

從圖2（b）可以看出，盡管選出的特征數(shù)量較少，但是選出特征仍舊集中在舌中部，這與在以往人群中運(yùn)行ROC-Boosting算法的結(jié)果相似。一般中醫(yī)認(rèn)為，舌苔顏色的變化是人體健康狀態(tài)的重要標(biāo)志，并將舌苔顏色分為白、黃、黑等類(lèi)型。已有研究對(duì)舌苔顏色及所在位置進(jìn)行了研究，并認(rèn)為舌苔一般位于舌中、后部[6]，利用ROC-Boosting算法所選出的特征集中于位于舌圖像的中、后部，如圖2（a）所示。本研究由于樣本數(shù)量的限制，選出的特征數(shù)量非常有限，僅為5個(gè)，但是已經(jīng)體現(xiàn)出舌苔在舌體所處位置。隨著研究的深入，采集樣本量的增加，所選出的特征也會(huì)進(jìn)一步增加。

盡管由現(xiàn)有數(shù)據(jù)得到的ROC曲線下面積較大，達(dá)到了0.864，但是由于沒(méi)有更多數(shù)據(jù)，因而無(wú)法驗(yàn)證依照目前數(shù)據(jù)所得分類(lèi)模型的分類(lèi)效果。本研究正/負(fù)類(lèi)樣本的比例與以往研究不同，以往研究對(duì)象中，健康對(duì)象比例數(shù)量較少，正/負(fù)類(lèi)樣本的比例為0.126（148/1 174，共1 322例）。而本研究中樣本的正/負(fù)類(lèi)比例為0.455（10/22，共32例）。因此也無(wú)法直接將以往研究中的模型直接用于當(dāng)前人群預(yù)測(cè)和驗(yàn)證。

ROC-Boosting算法是一種提升算法。Viola等[1]于2004年首先將基于Haar-like特征的提升算法其應(yīng)用于人臉檢測(cè)。至今為止，這類(lèi)算法仍舊是人臉檢測(cè)的主要方法之一。但是這一算法成功應(yīng)用于人臉檢測(cè)的前提是人臉圖像上有鼻子、雙眼等敏感度極高但是特異度不高的單個(gè)Haar-like特征存在。而后算法可以在保證敏感度的前提下，提高特異度，最終得到幾乎完美的分類(lèi)模型。這類(lèi)模型用于人臉檢測(cè)時(shí)，ROC曲線下面積接近于1。將這一算法推廣到其它圖像分類(lèi)問(wèn)題時(shí)，面臨著以下兩個(gè)主要問(wèn)題：endprint

（1）不存在單個(gè)高性能特征。例如用于舌部圖像健康辨識(shí)這一問(wèn)題時(shí)，通過(guò)前期實(shí)驗(yàn)發(fā)現(xiàn)在海量的特征中不存在高敏感度或者高特異度的特征，因此無(wú)法通過(guò)原始的算法提升得到高性能的分類(lèi)模型。

（2）樣本數(shù)質(zhì)量問(wèn)題。在人臉識(shí)別中，盡管Viola聲稱(chēng)其訓(xùn)練方法不需要負(fù)類(lèi)樣本，但實(shí)際上，圖像上所有的非人臉部分都可以作為負(fù)類(lèi)樣本，而且人臉圖像非常容易獲取，因此用大量樣本訓(xùn)練可靠的分類(lèi)器是可行的。但是在舌診健康辨識(shí)問(wèn)題上，面臨著數(shù)據(jù)采集難度高的問(wèn)題，這也造成數(shù)據(jù)數(shù)量和質(zhì)量都無(wú)法訓(xùn)練出特別高性能的分類(lèi)器。

為了解決以上兩個(gè)問(wèn)題，將Viola的算法進(jìn)行擴(kuò)展，增加了應(yīng)對(duì)樣本不平衡的比例限制條件，即選出的特征正確預(yù)測(cè)的正負(fù)類(lèi)樣本比例，必須與原始樣本中正負(fù)類(lèi)的比例接近。這一條件防止分類(lèi)器過(guò)分傾向于大類(lèi)。例如在本研究的32例圖像中，選出5個(gè)Haar-like特征，每個(gè)都是正確預(yù)測(cè)了1個(gè)健康樣本和2個(gè)疾病樣本。此外，還增加了限制單個(gè)特征性能的條件，使每個(gè)選出的特征的ROC曲線都是上凸且不穿過(guò)ROC空間的隨機(jī)猜測(cè)線，這也保證了總體分類(lèi)模型的性能逐步提升。有了以上兩個(gè)條件的限制，ROC-Boosting算法能夠隨著樣本量增加得到更好的分類(lèi)模型。

在以往研究中發(fā)現(xiàn)，由于參與健康辨識(shí)研究人群多由參與體檢、社區(qū)等途徑獲得，因而健康樣本數(shù)量大大少于疾病樣本數(shù)量，造成樣本間不平衡問(wèn)題。這類(lèi)出現(xiàn)在醫(yī)藥研究領(lǐng)域中樣本數(shù)量不平衡分類(lèi)問(wèn)題仍舊是研究重點(diǎn)[7]。集成分類(lèi)算法，是應(yīng)對(duì)此類(lèi)問(wèn)題的主要手段之一。此外，本研究所采集數(shù)據(jù)量較少，因此樣本間數(shù)量較為平衡，由此對(duì)分類(lèi)模型的影響也是未知的。

3 結(jié)語(yǔ)

通過(guò)在不同人群上運(yùn)行ROC-Boosting算法，驗(yàn)證了該算法能實(shí)現(xiàn)在不同的人群中成功提取Haar-like特征。所提取的特征數(shù)量較少，但與以往研究一致的是，特征都集中于舌的中、后部，這與中醫(yī)舌診的理論相符合。因?yàn)闃颖緮?shù)量較少且分布不同于以往研究，因而無(wú)法評(píng)價(jià)ROC-Boosting算法的預(yù)測(cè)性能。因此，進(jìn)一步規(guī)范和擴(kuò)大舌部圖像和相應(yīng)健康狀態(tài)的采集，驗(yàn)證ROC-Boosting的預(yù)測(cè)性能將是后續(xù)研究的重點(diǎn)。

參考文獻(xiàn)：

[1] VIOLA P，JONES M.Robust real-time face detection[J].International Journal of Computer Vision，2004，57（2）：137-154.

[2] CUI Y，LIAO S，WANG H，et al.Relationship between hyperuricemia and haar-like features on tongue images[J].BioMed Research International，2015（9）：32-36.

[3] CUI Y，LIAO S，WANG H，et al.ROC-boosting：a feature selection method for health identification using tongue image[J].Computational and Mathematical Methods in Medicine，2015（11）：32-36.

[4] ZHOU X，XU F，GAO J.Development and preliminary validation of the questionnaire （the First Edition） based on tcm for detecting health status in China[J].Evidence-based Complementary and Alternative Medicine，2015（2）：83-85.

[5] R CORE TEAM.A language and environment for statistical computing，R foundation for statistical computing[EB/OL].https：//www.R-project.org/.

[6] 陳松鶴，梁嶸，王召平.6種舌苔顏色數(shù)據(jù)的三維分布特征的描述[J].時(shí)珍國(guó)醫(yī)國(guó)藥，2009（11）：2852-2854.

[7] 李玉平，夏斌.樣本不平衡的睡眠數(shù)據(jù)分期研究[J].微型機(jī)與應(yīng)用，2016（18）：55-57，61.endprint