基于改進PSO-SVM算法的帕金森疾病診斷研究*

張 瓊 丁衛(wèi)平 景 煒 余利國

（南通大學(xué)計算機科學(xué)與技術(shù)學(xué)院 南通 226019）

1 引言

據(jù)國家衛(wèi)生局不完全統(tǒng)計，帕金森疾病已成為繼腫瘤、心腦血管疾病之后影響中老年人健康的第三大高危疾病，且患病人數(shù)比例正逐年增加。帕金森疾病［1］是由于中腦黑質(zhì)多巴胺神經(jīng)元的死亡，紋狀體DA含量顯著性減少以及黑質(zhì)殘存神經(jīng)元胞質(zhì)內(nèi)出現(xiàn)嗜酸性包涵體導(dǎo)致的一種神經(jīng)性系統(tǒng)疾病。目前，根據(jù)中國帕金森疾病的診斷標(biāo)準(zhǔn)［2］，這類疾病的診斷方法主要包括以下幾類：傳統(tǒng)方法是醫(yī)生直接通過判斷病人臨床表現(xiàn)出的靜止性震顫［3］、運動遲緩、肌強直［4］和姿勢步態(tài)障礙［5］等特征來得出診斷結(jié)果。但由于輕癥患者初期臨床表現(xiàn)不明顯，醫(yī)生僅通過行為特性不能夠作出準(zhǔn)確的判斷，容易導(dǎo)致漏診、誤診的發(fā)生。為了提高診斷的精準(zhǔn)度，現(xiàn)階段醫(yī)院采用影像技術(shù)［6］來作為醫(yī)生診斷的輔助手段。影像診斷技術(shù)主要通過腦血流、神經(jīng)遞質(zhì)、轉(zhuǎn)運體、黑質(zhì)回聲改變的影像來辨別病人是否患病。雖然影像技術(shù)提高了帕金森疾病的診斷精準(zhǔn)度，但是卻帶來了高昂的醫(yī)療成本。隨著機器學(xué)習(xí)［7］的發(fā)展，研究者們針對以上傳統(tǒng)診斷方法出現(xiàn)的問題，提出了一種將計算機技術(shù)與醫(yī)療數(shù)據(jù)相結(jié)合的分析方法，來提高帕金森疾病的診斷正確率以及降低醫(yī)療成本。如雷少正等［8］針對醫(yī)生診斷效率不高的問題，提出了基于主成分分析的帕金森量表優(yōu)化算法來診斷帕金森病。該算法采用主成分分析方法減少大量交叉重復(fù)的量表，再通過支持向量機來進行分類，以此提高醫(yī)生的診斷效率。但是此方法只對醫(yī)生初次診斷帕金森病有幫助，如果想更詳細地確定癥狀的輕重，則需要采用傳統(tǒng)的量表方法。如李勇明等［9］提出了基于語音樣本重復(fù)剪輯和隨機森林的帕金森病診斷算法研究。該算法對剪輯優(yōu)化后的樣本采用隨機森林算法對帕金森數(shù)據(jù)樣本進行分類診斷，達到了較好的分類準(zhǔn)確度，但該方法語音特征較多，效率低下。如王金甲等［10］提出的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的帕金森步態(tài)識別方法，通過捕捉行動人的步態(tài)信息，經(jīng)過深度卷積神經(jīng)網(wǎng)絡(luò)，來匹配帕金森患者信息，但由于人的形體姿勢多樣，存在較大的噪聲干擾。

針對上述問題，本文則提出一種基于改進的PSO-SVM算法，將該算法應(yīng)用在帕金森疾病中，并與 GA-SVM［11］算法和 PSO-SVM［12］算法在帕金森數(shù)據(jù)上的結(jié)果進行對比，證明IMPSO-SVM算法能對帕金森疾病進行快速有效地判斷，提高了醫(yī)生對帕金森疾病的診斷準(zhǔn)確性，降低誤判的發(fā)生。

2 PSO-SVM算法介紹

粒子群優(yōu)化的支持向量機算法是通過粒子群優(yōu)化算法［13］對支持向量機［14］參數(shù)進行優(yōu)化并尋得最優(yōu)組合的過程。該算法描述如下：對于給定的N個種群，在M維度的探索空間里，其中第i(i∈N)i個種群中粒子的坐標(biāo)為 Xi=(xi1，xi2，…，xim)，移動的速度為 Vi=(vi1，vi2，…，vim)，個體的極值為 Pi=(pi1，pi2，…，pim)，全局的極值為 Pg=(pg1，pg2，…，pgm)，則粒子的速度計算公式如下：

其中，w為慣性權(quán)重，在傳統(tǒng)的粒子群優(yōu)化算法中是固定不變的，k為當(dāng)前迭代次數(shù)，c1和c2是學(xué)習(xí)因子，pgm代表整個種群中全局最優(yōu)位置，pim代表著當(dāng)前粒子的最佳位置，在兩個不同的 pgm之間，局部粒子的最佳位置會隨著全局最優(yōu)位置來進行改變。類似的，在當(dāng)前不同的位置 pim之間，全局位置的粒子也隨著當(dāng)前種群的最佳位置改變而改變。當(dāng)前粒子的位置被調(diào)整通過下面的公式：

將優(yōu)化后尋得的局部最優(yōu)解和全局最優(yōu)解作為支持向量機的核函數(shù)，懲罰系數(shù)，代入到支持向量機的目標(biāo)函數(shù)中：

3 改進的PSO-SVM對帕金森疾病診斷研究

3.1 改進PSO-SVM算法（IMPSO-SVM）

針對上述粒子群優(yōu)化的支持向量機算法中式（1）的慣性權(quán)重w和學(xué)習(xí)因子c1和c2都是人憑借主觀經(jīng)驗來設(shè)定的，而根據(jù)不同的數(shù)據(jù)集，數(shù)據(jù)之間的多樣性，不可能每次的參數(shù)都是最優(yōu)的，并且不當(dāng)?shù)膮?shù)容易導(dǎo)致粒子群優(yōu)化算法對支持向量機優(yōu)化過程中粒子過早成熟陷入局部最優(yōu)解的問題。因此本文提出的改進算法是通過改變粒子的慣性權(quán)重和學(xué)習(xí)因子來提高算法的性能。

本文的主要改進思想是對不同性能的粒子分配不同的慣性權(quán)重，對性能較好的粒子采用較大的慣性權(quán)值，讓其主要負責(zé)更優(yōu)區(qū)域的探索，不斷更新 pg，來探索全局中最優(yōu)的解；而對性能較差的粒子則采用較小的慣性權(quán)值，讓其迅速收斂致局部最優(yōu)解附近。該改進算法的具體做法是：將粒子按其個體最優(yōu)位置從最優(yōu)到劣進行排序，其中排在第i位粒子的慣性權(quán)重及相應(yīng)學(xué)習(xí)因子的表達式如下：

其中，wmax和wmin分別為預(yù)定義的最大與最小慣性權(quán)重，m為種群規(guī)模，學(xué)習(xí)因子c1i和c2i根據(jù)慣性權(quán)重wi動態(tài)的調(diào)整。該方法可以在每一步進化中都較好地平衡全局與局部探索能力。通過把優(yōu)化后的局部最優(yōu)位置和全局最優(yōu)位置來作為最優(yōu)的懲罰系數(shù)C和核函數(shù)γ，并通過適應(yīng)度來評價粒子的性能，適應(yīng)度越高代表粒子探索能力越強。適應(yīng)度函數(shù)如下所示：

其中accurary是支持向量機的預(yù)測模型精度，是通過對訓(xùn)練數(shù)據(jù)，訓(xùn)練標(biāo)簽進行建模，其中交互驗證模式的系數(shù)為3，懲罰系數(shù)為，核函數(shù)為。

因此改進后的粒子群速度計算公式如下所示：

其中 wi和 c1i，c2i分別如式（5）和式（6）表示。

3.2 IMPSO-SVM對帕金森疾病診斷步驟

隨機將帕金森數(shù)據(jù)的三分之二分為訓(xùn)練數(shù)據(jù)集Train，三分之一的分為測試數(shù)據(jù)集Test。

輸出：預(yù)測的精確度，算法的執(zhí)行時間。

Step1：根據(jù)min-max標(biāo)準(zhǔn)化對Train和Test數(shù)據(jù)進行歸一化處理，并標(biāo)記為訓(xùn)練集和測試集；

Step2：初始化粒子群算法的位置和速度；

Step3：根據(jù)式（7）計算粒子群算法的適應(yīng)度函數(shù)值；

Step4：通過式（5）和式（6）來對每個帕金森粒子的慣性權(quán)重和學(xué)習(xí)因子進行改進；

Step5：當(dāng)獲得滿足的優(yōu)化條件或達到最大迭代次數(shù)時，終止該過程，得出懲罰系數(shù)C和核函數(shù)γ的最優(yōu)解，執(zhí)行Step7，否則執(zhí)行Step6；

Step6：更新當(dāng)前粒子的速度和位置，跳轉(zhuǎn)到Step3，重新計算適應(yīng)度值；

Step8：將Step1中的訓(xùn)練數(shù)據(jù)集D1和支持向量機最優(yōu)參數(shù)組合，構(gòu)建支持向量機模型；

Step9：通過支持向量機模型預(yù)測測試數(shù)據(jù)集D2的預(yù)測精度；

下面是該算法的詳細流程圖：

圖1 IMPSO-SVM算法流程圖

4 IMPSO-SVM在帕金森數(shù)據(jù)的實驗結(jié)果與分析

4.1 帕金森數(shù)據(jù)介紹

本文所使用的數(shù)據(jù)是由 Little［15～16］等提供的一組帕金森疾病語音數(shù)據(jù)集，是通過觀察帕金森患者的語音臨床表現(xiàn)特征提取而來。該數(shù)據(jù)獲取了31個人的195份語音樣本并從中提取23個語音特征，其中23人為帕金森患者，8人為健康患者。如表1詳細地描述了帕金森數(shù)據(jù)的數(shù)據(jù)屬性。

4.2 實驗對比與分析

為了證明IMPSO-SVM算法能更好地識別帕金森病的效果，本文引入了兩種經(jīng)典機器學(xué)習(xí)算法作為對照實驗：一種是采用原始的粒子群優(yōu)化的支持向量機（PSO-SVM），另一種是采用遺傳算法優(yōu)化的支持向量機（GA-SVM）。將這三種算法分別的運用在帕金森數(shù)據(jù)上，實驗結(jié)果如圖2所示。

表1 提取的主要語音特征及描述

圖2 三種算法對帕金森數(shù)據(jù)的平均適應(yīng)度圖

適應(yīng)度的大小決定了群體內(nèi)基因型機體存活并將其基因傳遞至下一代的相對能力。適應(yīng)度越大，存活和生殖機會也就越高，越不容易過早的成熟。由圖2可知，改進算法的平均適應(yīng)度值整體優(yōu)于另外兩種對比算法的平均適應(yīng)度值，表明改進算法在帕金森數(shù)據(jù)中，粒子繁殖能力更強，越不容易成熟收斂。

圖3 三種算法對帕金森數(shù)據(jù)的最佳適應(yīng)度圖

最佳適應(yīng)度值表示在粒子群優(yōu)化過程中，得出的最佳粒子的適應(yīng)度值。最佳適應(yīng)度值越高代表對支持向量機參數(shù)優(yōu)化的效果越好，越有利于支持向量機對帕金森數(shù)據(jù)做出準(zhǔn)確的預(yù)測。如圖3所示，IMPSO-SVM算法在一開始時就表現(xiàn)出很強的探索能力，經(jīng)過數(shù)次進化后，明顯地高于另外兩組算法，表明該改進算法對帕金森數(shù)據(jù)的預(yù)測值更加準(zhǔn)確。通過表2，可以看出三種算法在帕金森數(shù)據(jù)上的性能優(yōu)劣。

表2 三種算法對帕金森數(shù)據(jù)集的實驗結(jié)果對比

通過不同的試驗方法在對帕金森數(shù)據(jù)的應(yīng)用中可以看出，在預(yù)測精確度上，IMPSO-SVM相比PSO-SVM高出13.51%，比GA-SVM高出10.81%；在執(zhí)行效率上，IMPSO-SVM相比PSO-SVM節(jié)省了1.67s，比GA-SVM節(jié)省了1.81s。出現(xiàn)這種實驗結(jié)果的原因是由于對性能較好的粒子分配較大的慣性權(quán)重，有利于探索出全局最優(yōu)解，避免了過早成熟，提高了支持向量機的準(zhǔn)確度；對性能較差的粒子分配較小的慣性權(quán)重，使其快速收斂到局部最優(yōu)解，節(jié)省了優(yōu)化時間，提高了算法的執(zhí)行效率。

5 結(jié)語

帕金森疾病在中老年人群中的比例正逐年增加，對患者及家庭造成了嚴(yán)重的影響。如何做到早發(fā)現(xiàn)早治療，對患者的康復(fù)起到關(guān)鍵性的的作用。而本文則針對目前醫(yī)生對帕金森疾病診斷出現(xiàn)的誤診、漏診等問題，提出了一種基于改進的PSO-SVM算法對帕金森疾病診斷，用以提高對帕金森疾病的準(zhǔn)確識別精度。該算法對不同性能的粒子動態(tài)分配慣性權(quán)重和學(xué)習(xí)因子，來提高支持向量機模型的學(xué)習(xí)能力和泛化能力。并通過實驗表明，IMPSO-SVM算法在對帕金森疾病診斷方面，與另外兩組算法相比，無論在預(yù)測精度，還是在執(zhí)行效率上都有了很大提高，證明IMPSO-SVM算法可作為輔助醫(yī)生診斷帕金森疾病的有效方法。由于帕金森臨床數(shù)據(jù)表現(xiàn)多樣，而本文只是針對帕金森語音臨床數(shù)據(jù)進行的分析，為進一步提高帕金森診斷精確，下一步將針對帕金森綜合臨床數(shù)據(jù)來進行診斷研究。