李 軍 巢 雯 宮春妮

（中國(guó)刑事警察學(xué)院法醫(yī)學(xué)系 遼寧 沈陽(yáng) 110035）

支持向量機(jī)的法醫(yī)學(xué)應(yīng)用

李 軍 巢 雯 宮春妮

（中國(guó)刑事警察學(xué)院法醫(yī)學(xué)系 遼寧 沈陽(yáng) 110035）

支持向量機(jī)（SVM）因其在高維、非線性數(shù)據(jù)分類與推測(cè)中的出色綜合性能表現(xiàn)，已在各個(gè)學(xué)科領(lǐng)域中得到了廣泛應(yīng)用，國(guó)外許多研究者將其應(yīng)用于法醫(yī)學(xué)研究。目前SVM在法醫(yī)學(xué)分類問題中（如性別判定、種族判定等）得到了廣泛的應(yīng)用并取得較好效果，將SVM與其他數(shù)據(jù)分析技術(shù)結(jié)合（如主成分分析法等）有望用于連續(xù)變量推斷（如死亡時(shí)間推斷、年齡推斷等）問題中。同時(shí)，根據(jù)不同研究目的，運(yùn)用恰當(dāng)?shù)南冗M(jìn)數(shù)據(jù)挖掘與分析技術(shù)，可以為大數(shù)據(jù)背景下法醫(yī)學(xué)研究提供新的思路和方法。

支持向量機(jī) 種族斷定 容貌復(fù)原 毒物分析 性別判定

1 引言

法醫(yī)學(xué)作為一門應(yīng)用型學(xué)科，其致力于解決的問題從技術(shù)層面上來說許多屬于分類和推測(cè)問題。分類就是應(yīng)用已知的一些屬性數(shù)據(jù)去推測(cè)一個(gè)未知的離散型的屬性數(shù)據(jù)，如種族判定、性別判定等。推測(cè)就是應(yīng)用已知的一些屬性數(shù)據(jù)去推測(cè)一個(gè)未知的連續(xù)型的屬性數(shù)據(jù)，如年齡推斷、死亡時(shí)間推斷等。隨著研究的不斷深入和技術(shù)手段的不斷更新，研究者們針對(duì)不同問題分別發(fā)現(xiàn)了許多有價(jià)值的解決方法。盡管對(duì)于不同方法的準(zhǔn)確性存在爭(zhēng)議，但絕大多數(shù)研究者都認(rèn)為綜合考慮所有潛在因素的影響是達(dá)到準(zhǔn)確的最佳方法。一旦考慮多個(gè)變量時(shí)，數(shù)據(jù)維度增加，數(shù)據(jù)量成倍增長(zhǎng)，傳統(tǒng)的線性回歸技術(shù)將不足以得到理想的結(jié)果，我們需要構(gòu)建更有效的分類和推斷模型。支持向量機(jī)（Support Vector Machine，SVM）方法因其出色的綜合性能引起了研究者們的廣泛興趣和關(guān)注，國(guó)外已有許多應(yīng)用于法醫(yī)學(xué)研究的報(bào)道。本文通過對(duì)SVM及其在法醫(yī)學(xué)研究中的應(yīng)用作以綜述，探討大數(shù)據(jù)背景下法醫(yī)學(xué)研究的新思路和新方法。

2 支持向量機(jī)簡(jiǎn)介

2.1 概念及原理

支持向量機(jī)[1]107由Cortes&Vapnik于1995年首先提出，可很好地解決非線性及高維數(shù)據(jù)識(shí)別分類問題。SVM作為數(shù)據(jù)挖掘的一種算法，在實(shí)踐中與其他算法比較時(shí)總能表現(xiàn)出更好的性能和效果，因?yàn)镾VM在原理和方法上是一個(gè)根本性地解決方案，給出的是全局最優(yōu)解，而如決策樹[2]、神經(jīng)網(wǎng)絡(luò)[3]等通常給出的是一個(gè)局部最優(yōu)解。

圖1為支持向量機(jī)原理圖，它代表一個(gè)數(shù)據(jù)集，圓圈和五角星分別代表兩類數(shù)據(jù)，C1和C2是兩個(gè)分類寬度不同的分類超平面。在圖1所包含的兩類數(shù)據(jù)之間，我們的目標(biāo)是尋找一條線，能將兩類數(shù)據(jù)完全區(qū)分開來。這樣的線在SVM中被稱為超平面，即在高維的空間中將數(shù)據(jù)分類切割的平面。SVM的思想就是找到這樣的一個(gè)平面，它既能將兩類數(shù)據(jù)毫無偏差的分開，又使分類間隔最大[4]。從圖1中我們可以找到許多平面將兩類數(shù)據(jù)完全分開。C1和C2是其中兩個(gè)。將C1向左平移到圓圈數(shù)據(jù)的最右邊，向右平移到五角星數(shù)據(jù)的最左邊，即得到C1的分類寬度。同樣的方法可得到C2的分類寬度，顯然，C1分類寬度＞C2分類寬度，那C1就是我們要找的SVM分類器。

2.2 線性SVM

線性SVM又可分為線性完全可分SVM和線性不可分SVM。它們都是基于線性空間進(jìn)行分類的。線性完全可分SVM是一種理想的分類器，它可以完全正確地將數(shù)據(jù)分為兩類。但在實(shí)際過程中更多地情況是，我們找不到一個(gè)超平面可以將樣品集完全正確地分類。即使找到一個(gè)線性完全可分超平面，但它的分類寬度可能很小，這類分類器在對(duì)將來未知的數(shù)據(jù)進(jìn)行分類時(shí)，決策邊界任何輕微的干擾都會(huì)對(duì)分類效果產(chǎn)生很大的影響，我們稱之為過度擬合。因此我們更傾向于選擇一個(gè)雖然有一定誤差，但具有更大分類寬度、抗干擾能力更強(qiáng)的超平面分類器，我們稱之為線性不可分SVM。我們可以放寬正確分類的條件，只要這些樣本點(diǎn)落在能夠被正確分類點(diǎn)的附近，就認(rèn)為這個(gè)樣本點(diǎn)能夠被“正確”分類[1]109-112，并且引入松弛變量和懲罰因子得到最優(yōu)的分類判別函數(shù)。

圖1 支持向量機(jī)原理圖[1]108

圖2 線性不可分支持向量機(jī)示意圖[1]108

圖2為線性不可分支持向量機(jī)示意圖，它代表一個(gè)數(shù)據(jù)集，圓圈和五角星分別代表兩類數(shù)據(jù)，兩類數(shù)據(jù)交叉分布，C1和C2為兩個(gè)分類寬度和分類誤差不等的分類超平面。圖2中，超平面C1和C2具有不同的分類誤差和分類寬度。在很多實(shí)際情況中，數(shù)據(jù)集就像圖2顯示的兩類數(shù)據(jù)在中間部位存在許多交叉，此時(shí)我們需要尋找一個(gè)分類寬度和分類誤差均衡的分類器，它既具有較好的分類準(zhǔn)確性，又具有較強(qiáng)的抗噪聲能力，避免過度擬合現(xiàn)象。我們根據(jù)不同的分類目的，按照分類目標(biāo)所要求的不同分類準(zhǔn)確率和成本來決定選用C1還是C2。

2.3 非線性SVM

在實(shí)踐過程中，更多的情況需要我們?cè)诜蔷€性空間下進(jìn)行數(shù)據(jù)分類。目前尚沒有可以直接處理非線性數(shù)據(jù)分類的SVM算法，因此，我們需要應(yīng)用映射函數(shù)，將非線性數(shù)據(jù)映射到一個(gè)高維特征空間中，在此高維空間中構(gòu)建最優(yōu)超平面，使用線性SVM進(jìn)行分類。將非線性空間映射為線性空間，需要利用核函數(shù)的支持。

圖3 二維非線性數(shù)據(jù)映射示意圖①July.支持向量機(jī)通俗導(dǎo)論（理解SVM的三層境界）[EB/OL].(2012-06-01)[2016-11-25].http：//blog.csdn.net/v_july_v/article/details/7624837.

圖3為二維非線性數(shù)據(jù)映射示意圖，它代表一個(gè)數(shù)據(jù)集，其中，三角形和五角星分別代表兩類數(shù)據(jù)；左側(cè)為數(shù)據(jù)在二維中的分布，右側(cè)為數(shù)據(jù)經(jīng)過映射升至三維后的分布。圖3中，左邊二維數(shù)據(jù)集理想的分類器應(yīng)是一曲線，但將其映射至右邊的三維空間時(shí)，即可找到一個(gè)線性超平面C將兩類數(shù)據(jù)準(zhǔn)確的分開，將數(shù)據(jù)從低維映射到高維即經(jīng)過一個(gè)核函數(shù)的運(yùn)算過程，考慮到推廣性問題，我們?nèi)砸胨沙谙禂?shù)和懲罰因子兩個(gè)參變量進(jìn)行校正。在確定核函數(shù)的基礎(chǔ)上，經(jīng)過大量對(duì)比試驗(yàn)取定系數(shù)，應(yīng)用于相關(guān)學(xué)科的研究。

3 法醫(yī)學(xué)研究應(yīng)用實(shí)例

3.1 種族判定與祖先推斷

在暴力型犯罪中，現(xiàn)場(chǎng)常留下來自犯罪嫌疑人的生物檢材尤其以血液最為常見，具有很高的法醫(yī)學(xué)價(jià)值，但檢材量通常極其微小。因此，在微量的檢材中發(fā)掘盡可能多的生物信息，要求研究者們探索更適合的無損分析方法。拉曼光譜分析法作為一種出色的分子結(jié)構(gòu)研究方法已被用于許多法醫(yī)檢材分析，如射擊殘留物[5]、骨骼[6]等。Ewelina等[7]收集了10例平均年齡為45±8.4歲的高加索人（CA）和10例平均年齡為43.8±7.2歲的美國(guó)黑人（AA）志愿者的血樣，并利用拉曼光譜對(duì)每個(gè)樣本的9個(gè)點(diǎn)分別進(jìn)行分析，發(fā)現(xiàn)不同種族血液各成分的組成含量存在差異，進(jìn)而利用SVM建立分類模型，對(duì)樣本經(jīng)拉曼光譜分析得到的數(shù)據(jù)進(jìn)行分類分析，獲得了83%的正確率。該研究初步表明了在血痕不被破壞的條件下利用SVM等先進(jìn)的統(tǒng)計(jì)技術(shù)進(jìn)行種族判定的可能性，并有望用于真實(shí)的犯罪調(diào)查。

Hefner等[8]選取8個(gè)顱面性狀（鼻前棘、下鼻孔徑、眶間寬、鼻孔徑寬度、鼻骨結(jié)構(gòu)、鼻過度生長(zhǎng)、前囟凹陷、顱顴上頜縫）作為評(píng)估指標(biāo)，并根據(jù)形態(tài)分別賦分，探索運(yùn)用大數(shù)據(jù)統(tǒng)計(jì)方法進(jìn)行種族分類、進(jìn)一步用于祖先推斷的方法。他們收集了共542例樣本（72例來自西南亞、106例來自危地馬拉，146例來自美國(guó)黑人，218例來自美國(guó)白人），將他們的數(shù)據(jù)輸入系統(tǒng)，每個(gè)樣本即形成一個(gè)八維數(shù)據(jù)，然后利用SVM方法對(duì)其中20%的樣本進(jìn)行分析，利用核函數(shù)方法進(jìn)行映射，并確定松弛系數(shù)和懲罰因子，建立了推斷模型。然后將剩下的80%數(shù)據(jù)用于測(cè)試推斷模型的準(zhǔn)確性，結(jié)果顯示SVM方法可以有效地區(qū)分以上人種，準(zhǔn)確率均達(dá)90%以上，在數(shù)據(jù)庫(kù)更完整的條件下有望用SVM方法進(jìn)行祖先推斷。

1963年，線粒體DNA（mtDNA）首次被證實(shí)存在。與核DNA相比，mtDNA有其獨(dú)特的遺傳特征——母系遺傳，因此父、母系的線粒體很少混合也不會(huì)發(fā)生重組，在進(jìn)化過程中不同位點(diǎn)發(fā)生突變，這些突變被分為不同的單倍型。隨著測(cè)序技術(shù)的應(yīng)用，從mtDNA單倍型進(jìn)行祖先推斷成為研究熱點(diǎn)[9]。Carol Wong等[10]收集了21141個(gè)mtDNA序列樣本，并根據(jù)在mtDNA高變區(qū)（HVR）545個(gè)是否存在單核苷酸缺失將樣本數(shù)據(jù)轉(zhuǎn)化為二進(jìn)制，然后應(yīng)用RF和SVM兩種分類算法進(jìn)行分類，SVM顯示了較高的準(zhǔn)確性。Chih Lee等[11]將SVM應(yīng)用于FBI、文獻(xiàn)報(bào)道的分別為4426、3976個(gè)線粒體DNA高變區(qū)序列樣本數(shù)據(jù)，這些樣本主要來自于4個(gè)人種：高加索人、非洲人種、亞洲人種、西班牙人種，通過線粒體DNA高變區(qū)序列差異應(yīng)用分類技術(shù)區(qū)分人種，結(jié)果顯示SVM優(yōu)于所有其他分類方法，準(zhǔn)確性高于90%。研究還確定了之前文獻(xiàn)報(bào)道的與人種顯示很好相關(guān)性的mtDNA高變區(qū)片段[10]，基于此結(jié)果，SVM方法有望應(yīng)用于DNA序列其他分類。

3.2 容貌復(fù)原

下頜骨在法醫(yī)學(xué)面部容貌復(fù)原中具有重大意義，但在白骨化后容易遺失。通常研究者們通過以顱底為參考平面的ANB角將上下頜骨矢量對(duì)位關(guān)系分為Ⅰ、Ⅱ、Ⅲ類。但在目前的復(fù)原技術(shù)中通常默認(rèn)為Ⅰ類，而未考慮Ⅱ、Ⅲ類時(shí)的情況。Tania等[12]收集了229例（95例女性、134例男性）年齡介于18~25歲個(gè)體的頭顱側(cè)位片，選取10個(gè)特征點(diǎn)，利用線性SVM將其中70%個(gè)體數(shù)據(jù)用于構(gòu)建分類模型，并確定松弛變量為9.0，剩下的30%樣本用于測(cè)試分類的正確性，結(jié)果顯示SVM可以建立有效的分類模型，準(zhǔn)確率在74.51%。并且該研究還提出可利用SVM等技術(shù)通過對(duì)頜顱關(guān)系的分析推斷ANB角，從而更準(zhǔn)確地區(qū)別個(gè)體骨面型，使容貌復(fù)原更為精確可信。

3.3 毒物分析

Marcelo等[13]用傅里葉-紅外光譜法分析可卡因成分，他們根據(jù)可卡因分別與咖啡因、利多卡因、非那西汀的15種混合方案，對(duì)513例混合樣本進(jìn)行傅里葉-紅外光譜分析，并將分析的數(shù)據(jù)應(yīng)用SVM進(jìn)行鹽性和堿性分類，最后利用層次聚類分析（HCA）和主成分分析法（PCA）對(duì)鹽性和堿性分別進(jìn)行成分分析，結(jié)果表明呈鹽性的可卡因摻入了咖啡因和利多卡因，而當(dāng)只摻入非那西汀時(shí)可卡因呈堿性。其中，SVM在分類過程中顯示出了較好的準(zhǔn)確性和穩(wěn)定性。

毛發(fā)、血液和尿液作為傳統(tǒng)的毒品檢測(cè)檢材，因其高靈敏度和高準(zhǔn)確度而具有重要的法醫(yī)學(xué)價(jià)值。但是進(jìn)行這類檢材的檢測(cè)通常費(fèi)時(shí)且成本較高。電子鼻技術(shù)因其快速、準(zhǔn)確、成本低的優(yōu)點(diǎn)應(yīng)用于許多行業(yè)，Andreas等[14]因此開始探索它的法醫(yī)學(xué)應(yīng)用。他們將金屬氧化物氣體傳感器與SVM分類技術(shù)結(jié)合，組成電子鼻通過對(duì)皮膚表面代謝的變化監(jiān)測(cè)來確定是否吸食大麻。Andreas找到20例每天吸煙和20例一周至少吸食大麻1~2次的志愿者，并確保其在進(jìn)行檢測(cè)前的12h內(nèi)未吸煙或大麻。實(shí)驗(yàn)者經(jīng)過傳感器對(duì)皮膚表面的檢測(cè)得到了一組非線性數(shù)據(jù)，利用核函數(shù)映射至高維空間顯示出了較好的線性，從而確定了最優(yōu)超平面，并在松弛系數(shù)10和懲罰因子0.4的校正下成功將吸煙與吸食大麻分開，分類準(zhǔn)確率高達(dá)92.5%，高于PCA的分類準(zhǔn)確性（70%）。該研究表明吸食毒品也會(huì)使皮膚的代謝發(fā)生變化，通過電子鼻技術(shù)結(jié)合SVM算法有望用于該變化的監(jiān)測(cè)，該方法具有高效、準(zhǔn)確、節(jié)約成本、無損等優(yōu)點(diǎn)。

3.4 死亡時(shí)間（PMI）推斷

準(zhǔn)確地推斷死亡時(shí)間是法醫(yī)學(xué)的一項(xiàng)重大任務(wù)。有研究表明人體死后玻璃體液中化學(xué)成分的變化與死亡時(shí)間存在相關(guān)關(guān)系[15-16]。于是許多學(xué)者利用傳統(tǒng)的線性回歸技術(shù)對(duì)其相關(guān)關(guān)系進(jìn)行探究，有研究顯示人體死后玻璃體液中鉀、次黃嘌呤、尿素含量的變化與死亡時(shí)間具有較大的相關(guān)性，但進(jìn)一步將得到的推測(cè)方程應(yīng)用于真實(shí)數(shù)據(jù)時(shí)結(jié)果并不準(zhǔn)確，因此，Jos’e 等[17]提出在各影響因素之間存在復(fù)雜的關(guān)系，需要用更靈活的方法分析數(shù)據(jù)，他們將傳統(tǒng)的線性回歸技術(shù)與SVM方法相結(jié)合，應(yīng)用于201例已知準(zhǔn)確死亡時(shí)間的樣本數(shù)據(jù)上，通過函數(shù)映射，將數(shù)據(jù)升維，找到最優(yōu)的相關(guān)性，結(jié)果顯示通過SVM與線性回歸技術(shù)結(jié)合建立的模型具有更好的抗噪能力，且有望用于更多影響死亡時(shí)間推斷因素的綜合分析，如環(huán)境溫度和尸溫等。

3.5 性別判定

Effendi等[18]利用光譜學(xué)方法進(jìn)行了性別判定的研究。他們對(duì)男女手指指甲進(jìn)行拉曼光譜分析，結(jié)果提示男女手指指甲分子結(jié)構(gòu)存在差異。實(shí)驗(yàn)收集了240個(gè)樣本的光譜數(shù)據(jù)，其中120個(gè)來自男性指甲，120個(gè)來自女性指甲。利用SVM和PCA結(jié)合的方法對(duì)數(shù)據(jù)內(nèi)在相關(guān)性進(jìn)行挖掘，從而研究光譜分析結(jié)果與性別的相關(guān)性。即利用徑向基核函數(shù)（RBF）將數(shù)據(jù)映射至高維空間，由于男女差異較小，利用PCA方法放大這些差異，兩者結(jié)合得到了很好的分類效果，準(zhǔn)確率達(dá)90%。

3.6 理論研究

Alexander等[19]對(duì)8個(gè)具有不同分類目的的數(shù)據(jù)集（主要用于軀體定位和組織分類）上分別應(yīng)用了18種分類算法，結(jié)果表明SVM具有較高的準(zhǔn)確性和穩(wěn)定性。同時(shí)提出隨著第二代DNA測(cè)序技術(shù)的發(fā)展，在測(cè)序成本降低、輸出數(shù)據(jù)龐大的形勢(shì)下，具有良好分類效能的數(shù)據(jù)分析技術(shù)（如SVM等）有望用于法醫(yī)學(xué)的理論研究，如控制性狀的基因定位、基因的連鎖表達(dá)等。

4 小結(jié)與展望

隨著研究的深入和先進(jìn)技術(shù)手段的應(yīng)用，法醫(yī)學(xué)研究逐漸從定性向定量發(fā)展，隨之帶來的是龐大、復(fù)雜的數(shù)據(jù)處理問題。SVM因其出色的分類及預(yù)測(cè)等綜合性能廣泛應(yīng)用于醫(yī)學(xué)圖像分割[20]、醫(yī)學(xué)影像特征提取[21]、疾病診斷[22-23]等，顯示出其在生物學(xué)領(lǐng)域中巨大的應(yīng)用前景，因而國(guó)內(nèi)外許多法醫(yī)學(xué)研究者開始探索SVM在法醫(yī)學(xué)中的應(yīng)用。國(guó)內(nèi)王亞輝等[24]運(yùn)用支持向量機(jī)建立了骨骺發(fā)育分級(jí)的自動(dòng)化評(píng)估模型，郭莉萍等[25]利用近紅外光譜（NIRS）結(jié)合支持向量機(jī)（SVM）模式識(shí)別原理建立了微衛(wèi)星（短串聯(lián)重復(fù)序列，STR）的分型方法，這些國(guó)內(nèi)外研究者的實(shí)踐都進(jìn)一步證實(shí)SVM可有效地應(yīng)用于法醫(yī)學(xué)鑒定。SVM通過算法本身對(duì)研究對(duì)象有關(guān)因素構(gòu)成的多維數(shù)據(jù)進(jìn)行映射，構(gòu)建分類最優(yōu)超平面，并且當(dāng)用于構(gòu)建分類平面的樣本越多時(shí)，為避免過度擬合，系統(tǒng)通過引入松弛系數(shù)可建立抗噪能力更強(qiáng)的分類超平面，當(dāng)未知樣本的數(shù)據(jù)輸入時(shí)，算法的結(jié)果傾向于接近相似的已知樣本，從而達(dá)到分類的目的。在用SVM進(jìn)行分類時(shí)，與傳統(tǒng)的線性技術(shù)相比，它不要求研究對(duì)象與影響因素間存在先驗(yàn)的線性關(guān)系，即通過核函數(shù)方法SVM理論上可以實(shí)現(xiàn)對(duì)所有非線性數(shù)據(jù)的分析與分類，且通過綜合考慮更多的影響因素，甚至綜合不同學(xué)科的研究成果，利用正確的已知樣本數(shù)據(jù)構(gòu)建分類超平面，實(shí)現(xiàn)分類的自動(dòng)化，很大程度上避免了法醫(yī)學(xué)鑒定中主觀因素的不當(dāng)影響。目前SVM在法醫(yī)學(xué)分類問題中得到了廣泛的應(yīng)用并取得較好效果，但在連續(xù)變量推斷，如死亡時(shí)間推斷、年齡推斷等問題中的應(yīng)用未見明顯成效，但許多研究提示將SVM與其他數(shù)據(jù)分析技術(shù)，如主成分分析法（PCA）[26]、非線性降維技術(shù)（NLDR）[27]等結(jié)合有望得到較好的結(jié)果。

單獨(dú)個(gè)體高維數(shù)據(jù)的收集為研究帶來更大的價(jià)值，算法將這些分布與關(guān)系發(fā)現(xiàn)并展示出來，但卻并沒有進(jìn)一步說明為什么這樣。大部分的輸出結(jié)果還是一種現(xiàn)象級(jí)的規(guī)律。隨著數(shù)據(jù)越來越豐富，算法越來越發(fā)展，一邊使用規(guī)律一邊發(fā)現(xiàn)其因果關(guān)系將是大數(shù)據(jù)時(shí)代知識(shí)的使用方式。但先進(jìn)的數(shù)據(jù)分析技術(shù)理論研究卻顯然領(lǐng)先于其應(yīng)用研究，數(shù)據(jù)時(shí)代的到來讓越來越多的法醫(yī)學(xué)研究者認(rèn)識(shí)到學(xué)習(xí)和使用先進(jìn)的數(shù)據(jù)挖掘和分析技術(shù)進(jìn)行研究的重要性。根據(jù)目的的不同選擇恰當(dāng)?shù)臄?shù)據(jù)處理技術(shù)往往可以達(dá)到事半功倍的效果，例如，當(dāng)進(jìn)行活體年齡推斷用于刑事責(zé)任能力判定時(shí)，我們并不需要將年齡精確到某年某月某天，而只需將18歲以下與18歲以上的個(gè)體區(qū)分開來，此時(shí)運(yùn)用分類性能較好的數(shù)據(jù)挖掘和分析技術(shù)（如SVM等）將比運(yùn)用特征分析技術(shù)更準(zhǔn)確方便。同時(shí)，我們也鼓勵(lì)研究者們將各種先進(jìn)的算法應(yīng)用于自身收集的真實(shí)數(shù)據(jù)，根據(jù)綜合不同影響因素得到的結(jié)果，探索最優(yōu)的影響因素，綜合用于實(shí)際的方案，并進(jìn)一步探索影響因素之間的相關(guān)關(guān)系。相信在不久的將來，隨著各類算法的不斷深入，以及研究者對(duì)其掌握并恰當(dāng)應(yīng)用，定能使包括SVM在內(nèi)的許多先進(jìn)的數(shù)據(jù)挖掘與分析技術(shù)在法醫(yī)學(xué)領(lǐng)域發(fā)揮更大的價(jià)值。

[1]洪松林.數(shù)據(jù)挖掘技術(shù)與工程實(shí)踐[M].北京:機(jī)械工業(yè)出版社,2014:107-112.

[2]楊靜,張楠男,李建,等.決策樹算法的研究與應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展,2010(2):114-120.

[3]毛健,趙紅東,姚婧婧.人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用[J].電子設(shè)計(jì)工程,2011(24):62-65.

[4]陳工孟.大數(shù)據(jù)導(dǎo)論[M].北京:清華大學(xué)出版社,2015:204-206.

[5]López-LópezM,MerkV,García-RuizC.et al. Surface-enhanced Raman spectroscopy for the analysis of smokeless gunpowders and macroscopic gunshot residues[J].Analytical and Bioanalytical Chemistry,2016(18):1-9.

[6]Sterzik V, Jung T, Jellinghaus K, et al.Estimating the postmortem interval of human skeletal remains by analyzing their optical behavior.[J].Deutsche Zeitschrift Für Die Gesamte Gerichtliche Medizin,2016(6):1-10.

[7]Mistek E,Halámková L,Doty K C,et al.Race Differentiation by Raman Spectroscopy of a Bloodstain for Forensic Purposes[J]. Analytical Chemistry,2016(15):7453-7456.

[8]Hefner J T,Pilloud M A,Black C J,et al.Morphoscopic Trait Expression in "Hispanic" Populations.[J]. Journal of Forensic Sciences,2015(5):1135-1139.

[9]Behar DM,Rosset S,Blue-Smith J,et al. The Genographic Project public participation mitochondrial DNA database[J].PLoS genetics,2007(6):1083-1095.

[10]Wong C,Li Y,Lee C,et al.Ensemble learning algorithms for classification of mtDNA into haplogroups[J].Briefings in Bioinformatics,2011(1):1-9.

[11]Lee C,Mandoiu I. I.,Nelson C E.Inferring ethnicity from mitochondrial DNA sequence[J].BMC Proceedings,2011(2):1-9.

[12]Tania Camila Nino-Sandoval,Sonia V. Guevara Perez,et al.An automatic method for skeletal patterns classification using craniomaxillary variables on a Colombian population[J].Forensic Science International,2016,261:159.e1-159.e6.

[13]M.C.A Marcelo,K.C. Mariotti,et al.Profiling cocaine by ATRFTI[J].Forensic Science International,2015,246:65-71.

[14]Andreas Voss,Katharina Witt,Tobias Kaschowitz,et al.Detecting Cannabis Use on the Human Skin Surface via an Electronic Nose System[J].Sensors,2014(7):13256-13272.

[15]Koopmanschap DH,Bayat AR,Kubat B,et al.The radiodensity of cerebrospinal fluid and vitreous humor as indicator of the time since death[J].Forensic Sci. Med. Pathol.,2016(3):248-256.

[16]Zilg B,Bernard S,Alkass K,Berg S,Druid H.A new model for the estimation of time of death from vitreous potassium levels corrected for age and temperature[J].Forensic Science Internatio nal,2015,254:158-166.

[17]Jos’e Ignacio,et al.Flexible regression models for estimating postmortem interval(PMI)in forensic medicine[J].Statistics in Medicine,2008(24):5026-5038.

[18]Widjaja E,Lim G H,An A.A novel method for human gender classification using Raman spectroscopy of fingernail clippings. [J]. Analyst,2008,133(4):493-498.

[19]Alexander Statnikov,Mikael Henaff,Varun Narendra,et al. A comprehensive evaluation of multicategory classification methods for microbiomic data[J].Microbiome,2013(1):1-12.

[20]周恩.基于模糊支持向量機(jī)的醫(yī)學(xué)圖像分割算法研究[J].電子技術(shù)與軟件工程,2015(22):91-93.

[21]Yu S,Tan K K,Sng B L,et al.Lumbar Ultrasound Image Feature Extraction and Classification with Support Vector Machine.[J]. Ultrasound in Medicine & Biology,2014(10):4659-4662.

[22]章鳴嬛,陳瑛,沈瑛,等.人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)性能比較及其在DMD疾病識(shí)別中的應(yīng)用[J].上海理工大學(xué)學(xué)報(bào),2016(4):346-351.

[23]Arsanjani R,Xu Y,Dey D,et al.Improved Accuracy of Myocardial Perfusion SPECT for the Detection of Coronary Artery Disease by Utilizing a Support Vector Machines Algorithm[J].Journal of Nuclear Medicine Official Publication Society of Nuclear Medicine,2013(4):549-555.

[24]王亞輝,王子慎,魏華,等.基于支持向量機(jī)實(shí)現(xiàn)骨骺發(fā)育分級(jí)的自動(dòng)化評(píng)估[J].法醫(yī)學(xué)雜志,2014(6):422-426.

[25]郭莉萍,徐容,任麗,等.近紅外光譜結(jié)合支持向量機(jī)對(duì)STR基因座的化學(xué)模式識(shí)別分型[J].理化檢驗(yàn):化學(xué)分冊(cè),2010(7):728-731.

[26]Sato T,Zaitsu K,Tsuboi K,et al.A preliminary study on postmortem interval estimation of suffocated rats by GCMS/MS-based plasma metabolic profiling.[J].Analytical and Bioanalytical Chemistry,2015(13):3659-3665.

[27]Lefèvre T,Chariot P,Chauvin P.Multivariate methods for the analysis of complex and big data in forensic sciences. Application to age estimation in living persons[J].Forensic Science International,2016,266:581.e1-581.e9.

（責(zé)任編輯：孟凡騫）

R319；TP391

A

2095-7939（2017）04-0096-05

10.14060/j.issn.2095-7939.2017.04.019

2016-12-01

李軍（1957-），男，遼寧沈陽(yáng)人，中國(guó)刑事警察學(xué)院法醫(yī)學(xué)系教授，主要從事法醫(yī)物證學(xué)研究。