湯永杰

摘要：心臟病診斷檢查可產生大量醫(yī)療數據，使用人工智能技術對其進行分析可實現輔助診斷并供醫(yī)生參考，從而降低誤診率，使用支持向量機可進行診斷建模，為進一步地提升模型性能，使用智能優(yōu)化算法進行參數調整，對灰狼算法、粒子群算法、遺傳算法進行測試函數尋優(yōu)、實際數據診斷建模實驗。結果表明，灰狼算法尋解能力最強，其優(yōu)化后的心臟病診斷模型性能最優(yōu)，是最佳建模算法。

關鍵詞：心臟病;診斷建模;支持向量機;灰狼算法;粒子群算法;遺傳算法

中圖分類號：TP391 ? ? ?文獻標識碼：A

文章編號：1009-3044（2020）17-0014-03

Abstract：The diagnosis of heart disease can produce a large amount of medical data， which can be analyzed by artificial intelligence technology to achieve auxiliary diagnosis and for doctors' reference， so as to reduce the misdiagnosis rate. Support vector machines can be used for diagnostic modeling.In order to further improve the model performance， intelligent optimization algorithm is used for adjusting parameters.The grey wolf algorithm， the particle swarm optimization algorithm， the genetic algorithm carries on the test function optimization， the actual data diagnosis modelling experiment，The results show that the grey wolf algorithm has the best searching ability and the best performance of the optimized heart disease diagnosis model，which is the best modeling algorithm.

Key words： heart disease; diagnostic modelling; support vector machine; grey wolf optimizer; ?particle swarm optimization; genetic algorithm

心臟病是威脅我國人民生命健康的主要疾病之一， 其準確診斷對我國衛(wèi)生、經濟發(fā)展有重要意義[1]。臨床上為診斷疾病，會進行多項指標檢測，生成大量醫(yī)療數據。而隨著電腦性能提升，人工智能得到迅速發(fā)展并受到廣泛關注，從海量信息提取有價值信息較過往更加高效、準確。人工智能與疾病診斷成為新的研究方向，可避免因醫(yī)生主觀因素對診斷造成影響， 直接利用人工智能技術對數據進行分析，生成輔助診斷供醫(yī)生參考。而支持向量機（Support Vector Machine，SVM）已被廣泛應用于眾多行業(yè)[2-5]，并取得良好效果，是理想的用于診斷建模的機器學習算法。

1 支持向量機

支持向量機基于結構風險最小化思想，可解決非線性分類問題。SVM基本原理為尋找最佳分割超平面，從而使問題變得線性可分。假設有n個訓練樣本集：S = {（x1，y1）， （x2， y2）， … ， （xn， yn）}，xi是訓練數據，yi 是樣本類別且yi ∈{-1，1}，+1 表示正例，-1 表示負例。如樣本集為線性可分，存在超平面WTX+b=0可對樣本數據正確分類，其中W為樣本權重向量，X 為訓練樣本，b為偏置。各分類點與分割超平面距離最大時，抗擾動能力最強，該超平面稱為最佳分割超平面。但實際應用時，數據通常存在離群點導致不可直接分割數據，為此加入松弛變量以允許離散點存在，同時使用懲罰因子C平衡松弛變量與最大間隔距離。此外，實際數據常為非線性可分，SVM 利用核函數將數據進行高維空間映射，從而找到一個超平面，實現線性可分。常用核函數有線性核函數、徑向基函數、多項式核函數。其中徑向基核函數面對不同問題時性能較佳和穩(wěn)定，將其作為本文使用的核函數。而SVM性能受懲罰因子C、核函數參數σ的取值影響。

2 智能優(yōu)化算法

為找到合適的懲罰因子C、核函數參數σ，使用智能優(yōu)化算法是理想途徑之一。本文所用算法有以下幾種。

2.1 灰狼算法

灰狼算法（Grey wolf optimizer，GWO）是MirjaliIi等受灰狼捕食行為啟發(fā)，于2014年提出的群體智能優(yōu)化算法[6]。自然界中，灰狼是群居生物，并有嚴格等級制度，低等級受高等級狼支配，最高級的頭狼領導整個狼群行動?；依撬惴M其機制，將狼群中最佳的個體定為α狼，次優(yōu)個體為β狼，第三優(yōu)個體為δ狼，其余個體根據此三狼調整自己位置，具體機制如下：在問題解空間內隨機生成初始狼群，計算各狼適應度并進行排名，并選擇排名前三的狼，依次設置為α、β、δ;其余個體則依據α、β、δ狼的位置進行調整至新的位置，實現對獵物即解的圍捕，若調整后出現優(yōu)于α狼的個體，其將成為新的α狼，β、δ狼類推;此后反復進行位置更新與頭狼迭代，當達到約束條件，例如達到最大迭代次數時，停止算法，將α狼位置作為求解結果。

2.2 粒子群算法

粒子群算法（Particle Swarm Optimization， PSO）是由Eberhart和Kennedy根據鳥群在覓食時遷徙、聚集行為而提出的優(yōu)化算法[7]。算法中，種群內各粒子在解空間內協同飛行，以實現搜索問題潛在解，其特點為記錄種群及個體的最優(yōu)記錄以指導搜索。具體實現方法為：設定慣性因子與學習因子，其中慣性因子決定粒子新速度受原速度影響程度，學習因子決定新速度受全局歷史最優(yōu)值與個體歷史最優(yōu)值影響程度;隨機初始化每個粒子的位置與速度，依據速度進行位移實現粒子位置更新，根據全局最優(yōu)值與個體最優(yōu)值進行速度更新，若出現比全局歷史最優(yōu)值更優(yōu)的個體，則用其替代全局歷史最優(yōu)值，個體最優(yōu)值亦然，達到算法結束條件時，全局歷史最優(yōu)值為算法所得解。

2.3 遺傳算法

遺傳算法（Genetic Algorithm，GA）是Holland提出的優(yōu)化算法，其模仿自然界生物遺傳進化機制，引入染色體、交叉、變異概念，將求解個體信息0-1化作為染色體，通過交叉變異產生新的個體，優(yōu)勝劣汰方式尋解[8]。其過程如下：設定交叉概率與變異概率，隨機初始化個體，個體信息為0-1化信息，計算每一個體對應值的適應度，適應度好的個體更容易被保留至下一代;對于保留下來的個體，根據交叉概率對群體進行交叉操作，即選取個體的0-1化信息片段進行互換，根據變異概率對群體進行變異，即對個體0-1化信息片段以隨機產生的片段進行替換，通過交叉和變異產生新的個體;反復進行選擇、交叉變異，當達到算法終止條件時，返回群體內最優(yōu)個體作為解。

3 實驗結果及分析

3.1 算法比較

不同優(yōu)化算法的性能會有所差異，需選取適合的算法進行模型優(yōu)化?？陀^起見，本文進行對比的GWO算法，PSO算法，以及GA算法的種群大小統(tǒng)一設為50，最大迭代次數均設置為500;其中PSO算法的學習因子c1=c2=1.8，慣性權重設置為0.9;GA算法交叉概率為0.8，變異概率為0.1。

首先，本文使用4個標準測試函數進行對比實驗，函數信息如表1所示。

函數均為30維，且最小值為0，為避免偶然偏差，對于每個測試函數，各算法均獨立運行30次。GWO、PSO、GA三個算法在測試函數上運行結果如表2所示。

表2列出了GWO、PSO、GA算法獨立運行30 次后得到的平均值與標準差?？梢妼τ诓煌瘮担琍SO均優(yōu)于GA，而GWO顯著優(yōu)于二者，對于函數f1-f4，GWO的尋優(yōu)平均值分別達到5.19869E-33、3.91674E-07、3.63735E-11、7.80762E-14的水平，同時具有最小的標準差，表明GWO在尋解精度與魯棒性上有明顯優(yōu)勢。

為了更直觀地展示GWO算法的尋優(yōu)性能，取4個標準測試函數其中一次運行的迭代曲線圖進行討論，如圖1-圖4所示。

由函數迭代曲線可知，GWO算法的收斂速度要明顯優(yōu)于PSO、GA，其在所有測試函數均能取得最佳尋優(yōu)結果。在單峰函數f1，PSO、GA均于低精度時即出現早熟，GWO則能保持解精度的高速提升。單峰函數f2中，GA算法的解精度提升最早出現停滯，PSO停滯時間較晚并取得較GA更優(yōu)解，但仍為早期停滯，GWO則全程保持解精度高提升速率。多峰函數f4中，GWO的曲線呈逆S型，早期提升速率較低，在150代附近求解精度出現快速提升，后期提升趨緩。f5函數是很難找出全局最優(yōu)值的一種多模態(tài)函數，直至接近300代時，GWO算法保持高精度提升率。PSO、GA在兩多峰函數中均在解精度較低時即停止提升。

3.2 診斷模型比較

式中aij為原始數據值，[maxiaij]為第i個特征值的最大值，[miniaij]為第i個特征值的最小值，rij為歸一化所得數據值。經歸一化處理，所有特征值均位于[0，1]區(qū)間，具有相同量綱。

為驗證GWO-SVM有效性，使用PSO-SVM、GA-SVM與之進行對比，取前60%數據作為訓練集，余下40%數據作為測試集。實驗中，SVM參數范圍為：懲罰因子C ∈[0.001，1500] ，核函數參數σ ∈[0.001，1000]。設置種群大小為30，最大迭代次數為100，將訓練集數據導入算法，以最大準確率為訓練目標，訓練所得參數如表3所示。

選取表3中的參數C和σ，建立GWO-SVM、PSO-SVM以及GA-SVM對應的心臟病診斷模型。表4列出GWO-SVM、PSO-SVM、GA-SVM的診斷準確率、MSE。

表4中的對比結果表明，相對于PSO-SVM、GA-SVM，GWO-SVM診斷模型有更強的診斷能力，不僅有最高的準確率有，MSE值也比其他診斷模型更低。最終結果可見，GWO的尋優(yōu)能力更佳，從而使得GWO-SVM心臟病診斷模型有更好的性能。

4 結束語

為實現心臟病輔助診斷，本文選用支持向量機進行建模，并使用優(yōu)化算法提升模型性能。為選取最佳優(yōu)化算法，先對灰狼算法、粒子群算法、遺傳算法進行測試函數尋優(yōu)實驗，結果表明灰狼算法具有最佳尋優(yōu)能力，然后使用實際心臟病數據集進行診斷建模比較，灰狼算法同樣獲得最佳結果。實驗表明，結合灰狼算法的GWO-SVM診斷模型性能最優(yōu)，為心臟病診斷建模提供參考。

參考文獻：

[1] 袁國銘，陳新利，袁國娜， 等.心臟病健康知識系統(tǒng)構建與應用[J].醫(yī)學信息，2019，32（22）：8-10.

[2] 宣琦，方賓偉，王金寶，等.基于支持向量機的珍珠多特征分類方法[J].浙江工業(yè)大學學報，2018，46（5）：473-480.

[3] 張春紅，胡勇.基于支持向量機的機械振動信號識別與分析[J].圖像與信號處理，2019，8（03）：142-154.

[4] 徐曉冰，史興燕.煤炭需求量預測的支持向量機模型[J].電腦知識與技術，2014（7X）：4906-4908.

[5] 秦東興，邵雨新，張自圃.基于支持向量機的Scholte波自動識別[J].電子世界，2020（2）：20-22.

[6] Mirjalili S， Mirjalili S M， Lewis A. Grey wolf optimizer[J]. Advances in Engineering Software， 2014，69： 46-61.

[7] 曹孟達，張濤，李文樺，等.基于粒子群算法的衛(wèi)星蓄電池區(qū)間預測方法[J].無線電工程，2020，50（4）：285-293.

[8] 路永和，梁明輝.遺傳算法在改進文本特征提取方法中的應用[J].現代圖書情報技術，2014（4）：48-57.

【通聯編輯：梁書】