CN109528194A - 一种基于多核svm的自适应人体成分模型构建方法 - Google Patents

Abstract

本发明公开了一种基于多核SVM的自适应人体成分模型构建方法，涉及生物医学工程技术领域，首先采集包括生物电阻抗数据和基础数据在内的样本数据，其次将样本数据分为训练集和测试集，根据训练集中数据的不同属性分别建立不同的核函数K₁、K₂…K_n并构造其凸组合K，然后将待分组的数据输入训练好的多核SVM模型中得到对应的组别，再通过测试集矫正多核SVM模型，最后采用多元线性回归法得到与每个组别对应的人体成分模型。本发明的方法解决了现有技术中以性别和年龄段进行分组，划分无统一标准问题，以及从年龄和性别进行分组导致的人体成分模型不准确问题，为数据分组提供一种可靠的行业分组标准。

Description

一种基于多核SVM的自适应人体成分模型构建方法

技术领域

本发明涉及生物医学工程技术领域，特别涉及一种基于多核SVM的自适应人体成分模型构建方法。

背景技术

生物电阻抗技术(Bio-electrical Impedance Analysis,BIA)利用生物电阻抗(Bio-electrical Impedance,BI)所携带的丰富生理和病理信息，进行人体组织与器官的无损伤功能评价。当疾病发生时，相关组织与器官的功能性变化往往会先于器质性病变和其它临床症状，如能在疾病的潜伏期或功能代偿期及时检测和确认这些变化，对于相关疾病的普查、预防和早期治疗是非常有利的。实验数据表明，人体的电阻抗特性与体成分之间存在统计关系，这就是基于生物电阻抗技术的人体成分测量原理。在现代临床医学中，各种疾病的发生经常伴随着体液平衡和营养状况的失调，它们相互作用形成恶性循环对病人造成很大的危害：代谢和营养失衡常常会出现一些严重危害病人的体征；身体的肥胖常常导致高血脂、高血压、脂肪肝、糖尿病、动脉硬化、肥胖综合症等很多严重的疾病；透析病人通过人体成分分析，可以明确病人体内蛋白质分解代谢速率的情况，判断病人体液的体积分布对治疗的结果进行评估，大大减少低血压的发生并提高治疗的安全性；肿瘤治疗过程中和艾滋病治疗和复原中，人体成分分析能对病人得到很好的预先判断和进行及时的更准备的治疗方案；通过人体成分对儿童和青少年生长发育的监护，科学的训练运动员进行有效的指导，肥胖和许多疾病的防治以及病人如何进行有效的康复等都有着很好的作用和应用前景。

现有的人体成分分析仪的算法模型是基于性别和年龄进行分组，或者是根据职业进行分组，然后针对各组的数据独立建立人体成分模型参数，但目前的分组方式并没有统一的标准和指导准则，年龄分组跨度不一致。

发明内容

本发明实施例提供了一种基于多核SVM的自适应人体成分模型构建方法，用以解决现有技术中存在的问题。

一种基于多核SVM的自适应人体成分模型构建方法，该方法包括以下步骤：

获取样本数据，将样本数据作为训练集T＝{(x₁,y₁),…,(x_l,y_l)∈(X×Y)^l}，构造优化模型：

0≤α_i≤C,i＝1,…,l

其中，x_i∈X＝Rⁿ,y_i∈Y＝{1,-1},i＝1,…,l，x_i为训练样本，y_i为训练样本标记，Rⁿ为n维实数空间，n为属性个数，l为样本数量，惩罚参数C>0，α_i为拉格朗日乘子，K(x_i·x_j)为核函数，该核函数为由多个常用核函数组成的凸组合，其形式为：

K(x_i,x_j)＝α₁K₁+α₂K₂+…+α_nK_n

其中，α₁+α₂+…+α_n＝1，K₁、K₂…K_n均选自常用核函数；

求解所述优化模型，得到最优解根据最优解α^*确定选择α^*的一个小于C的正分类并依此计算

把带入超平面方程得到决策函数：

得到决策函数后，将待分组数据输入决策函数，得到与待分组数据对应的组别；

采用多元线性回归方法计算与每个组别对应的人体成分模型。

本发明实施例提供的一种基于多核SVM的自适应人体成分模型构建方法，根据数据本身的特点，采用多核SVM模型将数据进行分组，然后采用多元线性回归法拟合人体成分模型参数，为数据分组提供一种可靠的行业分组标准。

附图说明

图1为本发明实施例提供的一种基于多核SVM的自适应人体成分模型构建方法的流程图；

图2为数据分组过程的详细流程图。

具体实施方式

下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

BIA法主要是根据生物组织在电流频率较低时阻抗较大，测量的阻抗值主要是细胞外液的电阻；随着注入信号频率的增高，当达到某一阈值时，电流可以部分地穿过细胞膜，这时可以同时测量到细胞外液和细胞内液的电阻。假设人体都是由非脂肪组织(FFM)和脂肪组织(FM)构成的，FFM中含有许多的电解质和水分，所以电阻抗较低；然而FM是无水的物质，所以电阻抗比较高，人体中如果非脂肪的物质含量越多则电阻抗的值越低。因此，从一定意义上来说，BIA法是以统计学为基础的测量方法。其中，通过大量的人体测量数据和统计学的研究发现，身高的平方除以一定频率下测得的阻抗的值(H2/R)和一些人体成分的参数具有显著的相关性，再加上人体体重，年龄，性别等基本参数，可以对所感兴趣的人体成分(如细胞外液，TBW和非脂肪组织等)进行估计。BIA法中如果得到人体水分(人体总水重或细胞外液)，根据非脂肪物质之中水分含量具有相对固定性，可以估算出非脂肪或者脂肪含量，同理BIA法中还可以通过已知的人体成分量估算出未知的人体成分量，从而得到需要的参数。不同的人群对于人体成分的评估标准是不同的，因此估算人体成分的第一步就是讲获取的数据进行分组，然后针对不同的组各自进行建模。

参照图1，本发明提供了一种基于多核SVM的自适应人体成分模型构建方法，该方法包括以下步骤：

步骤1，获取样本数据，该些样本数据包括测量数据和基础数据，测量数据为生物电阻抗测量数据，基础数据包括性别、年龄、职业和身高等数据；

步骤2，将样本数据分为训练集T＝{(x₁,y₁),…,(x_l,y_l)∈(X×Y)^l}和测试集两部分，其中x_i∈X＝Rⁿ,y_i∈Y＝{1,-1},i＝1,…,l，x_i为训练样本，y_i为训练样本标记，Rⁿ为n维实数空间，n为属性个数，l为样本数量，惩罚参数C>0；

步骤3，利用训练集构造如下的优化模型，求解该优化模型得到最优解

0≤α_i≤C,i＝1,…,l

其中，α_i为拉格朗日乘子，K(x_i·x_j)为核函数，该核函数为多核形式，表现形式为：

K(x_i,x_j)＝α₁K₁+α₂K₂+…+α_nK_n

其中，α₁+α₂+…+α_n＝1，K₁、K₂…K_n均选自常用核函数，常用的核函数有：

线性核函数：

多项式核函数：

高斯核函数：

Sigmoid核函数：

其中的q,g,β,c均为核参数。

在具体计算过程中，先确定训练样本的数据类型，例如性别数据属于离散型数据，年龄数据属于连续性数据等，然后根据数据类型确定对应的数据分布，例如性别数据符合分布类型1，年龄数据符合分布类型2等，最后可以根据数据分布选取最合适的常用核函数，如图2所示。选取核函数中的常用核函数时，通常根据单核实验结果的比较来确定最合适的常用核函数，以组成所述核函数。

步骤4，根据最优解α^*确定选择α^*的一个小于C的正分类并依此计算

步骤5，把带入超平面方程得到决策函数：

步骤6，得到决策函数后，将待分组数据输入训练好的多核SVM模型中，即决策函数，得到与待分组数据对应的组别，同时通过所述测试集中的数据对多核SVM模型进行矫正；

步骤7，采用多元线性回归方法计算与每个组别对应的人体成分模型。

以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (4)

1.一种基于多核SVM的自适应人体成分模型构建方法，其特征在于，该方法包括以下步骤：

获取样本数据，将样本数据作为训练集T＝{(x₁,y₁),…,(x_l,y_l)∈(X×Y)^l}，构造优化模型：

0≤α_i≤C,i＝1,…,l

其中，x_i∈X＝Rⁿ,y_i∈Y＝{1,-1},i＝1,…,l，x_i为训练样本，y_i为训练样本标记，Rⁿ为n维实数空间，n为属性个数，l为样本数量，惩罚参数C>0，α_i为拉格朗日乘子，K(x_i·x_j)为核函数，该核函数为由多个常用核函数组成的凸组合，其形式为：

K(x_i,x_j)＝α₁K₁+α₂K₂+…+α_nK_n

其中，α₁+α₂+…+α_n＝1，K₁、K₂…K_n均选自常用核函数；

求解所述优化模型，得到最优解根据最优解α^*确定选择α^*的一个小于C的正分类并依此计算

把带入超平面方程得到决策函数：

得到决策函数后，将待分组数据输入决策函数，得到与待分组数据对应的组别；

采用多元线性回归方法计算与每个组别对应的人体成分模型。

2.如权利要求1所述的基于多核SVM的自适应人体成分模型构建方法，其特征在于，所述样本数据包括测量数据和基础数据，所述测量数据为生物电阻抗测量数据，所述基础数据包括性别、年龄、职业和身高数据，由测量数据和基础数据构成样本的属性。

3.如权利要求1所述的基于多核SVM的自适应人体成分模型构建方法，其特征在于，所述常用核函数包括线性核函数、多项式核函数、高斯核函数、Sigmoid核函数。

4.如权利要求1所述的基于多核SVM的自适应人体成分模型构建方法，其特征在于，所述核函数K₁、K₂…K_n均针对数据不同属性进行构建。