吴怡之1,2，席恋2

　　（1.数字化纺织服装技术教育部工程研究中心，上海 201620；2.东华大学 信息科学与技术学院，上海 201620）

　　摘要：相比现有技术，基于微波技术的脑中风检测无电离辐射，是一种安全便捷低廉的检测方法。目前主要的脑中风微波检测方法是微波成像，但由于脑部结构复杂，成像精度和可靠性不高。近年来，基于机器学习的分类方法开始应用于微波生物检测。该文提出了一种以支持向量机作为核心的机器学习脑中风检测分类算法，并通过粒子群优化算法来对SVM参数进行寻优，以达到优化分类准确率的目的，实现有无脑中风的正确分类。经过脑中风微波检测实验系统验证，脑中风的分类器平均检测正确率经优化后提高了16%，证明算法的可行性。

　　关键词：脑中风；微波检测；支持向量机；粒子群优化算法；分类算法

0引言

　　脑中风是世界上一种致死率极高的疾病［1］。微波检测技术在脑中风诊断中的应用主要基于不同的组织介电常数之间的差异，特别是在血液与脑白质和灰质之间介电常数的差异［2］。目前主要的脑中风微波检测方法是微波成像［34］，但由于脑部结构复杂，导致成像精度和可靠性不高。近年来，基于机器学习的分类方法开始应用于生物检测［5］。

　　本文在微波检测实验的基础上，利用支持向量机（Support Vector Machine ,SVM）来区分大脑有无血块，比仿真数据更接近现实测量。本文通过收集微波信号数据，并通过粒子群优化算法（Particle Swarm Optimization, PSO）来对SVM核函数寻优，找出全局最优解，建立训练模型，对脑部频域信号样本进行分类,以达到微波检测脑中风的目的。

1脑中风微波信号分类模型

　　1.1算法流程

　　基于支持向量机的脑中风微波检测分类模型主要包括微波信号采集、信号特征提取和SVM分类两个阶段。第一阶段为微波信号采集阶段，通过微波信号发送和接收天线系统，对检测对象采集频域微波正向传输系数S21信号，作为原始数据样本集Yn×p，其中n为样本数，p为特征数。第二阶段为分类器训练和预测阶段。对选定的训练样本加以标记，标签设置为：中风部位为1，无中风部位为-1。利用PSO算法找出最佳核参数，建立训练模型。然后对测试样本进行分类预测。算法流程如图1所示。

　　1.2基于SVM的脑中风分类

　　这里将原始数据Yn×p收集处理形成新的训练样本集和测试样本集(xi,yi)，用于以下支持向量机的分类。标签设置为无中风数据为-1，有中风数据为1。每一个样本由一个向量（即文本特征所组成的向量）和一个标记（标示出这个样本属于哪个类别）组成，表示为(xi,yi)，i= 1,…，n,x∈Rd,y∈{-1,1}为类别标记。如果存在超平面(w·x)+b=0,使得:

　　yi［(w·xi)+b］≥1(1)

　　则训练集线性可分，其中i=1,2,…,n,w·xi为向量内积，w为平面的法向量。

　　通过标准的拉格朗日乘子方法解决凸优化问题。再利用拉格朗日优化方法，根据沃尔夫（Wolfe）的对偶理论，可以把分类问题转化为对偶问题。最后得到最优分类函数：

　　为了解决非线性问题，支持向量机常使用核函数来代替最优分类函数中的内积运算。

　　非线性支持向量机最优分类函数为：

　　其中K(x,xi)为核函数，σ为径向基核函数的参数。

　　本文选用RBF(Radial Basis Function)核函数，对于选择RBF核函数的SVM，参数(C,σ)决定了其识别性能的好坏，其中C为惩罚因子，σ为高斯核参数。因此选取好的参数就非常重要，本文采用PSO算法来对参数(C, σ)进行寻优。

2实验仿真与结果

　　2.1实验环境

　　实验系统所用头部模型为简化后的头部模型，超宽带天线是通过HFSS仿真软件设计并优化处理过的渐变开槽天线。采用罗德施瓦茨矢量网络分析仪作为微波信号源，工作频率在1 GHz~3 GHz，401个采样点。超宽带天线连接VNA（矢量网络分析）的端口进行信号的发送和接收，将不同位置采集到的S21数据保存到数据存储模块中。本文使用的是Windows 10操作系统平台，Inter i7处理器，8 GB内存的计算机。采用MATLAB 2012b并调用台湾林智仁教授的libSVM工具箱，实现对脑中风微波检测系统的分类仿真实验。实验系统如图2所示。

　　本次实验将超宽带天线分别作为微波信号的发送和接收端布置在模型四周，组成26对不同的天线收发对。将模拟的中风部位（血块）置于检测体的不同位置。这样每个血块位置有26组数据，其中26×10组阳性，即有血块数据，以及26×10组阴性，即无血块的实验数据。实验数据采集标本如图3所示，小圆代表血块，大圆代表脑部。

　　2.2仿真与结果

　　按顺序依次选取训练集，分别对测试样本进行预测。将训练集和测试集通过两种方法进行预测，第一种方法是用标准的SVM分类器进行预测。第二种方法是通过基于PSO算法优化后的SVM分类器进行预测。仿真结果如表1所示。

　　由仿真结果的对比可以清晰地看出，随着训练集的扩大，SVM分类的准确率越来越高。经过PSO算法优化后的参数，在SVM建模中起到重要的作用，提高了SVM分类器的精确度，进一步改善了SVM分类器在微波检测脑中风中的应用，平均预测正确率提高了16%。　

3结束语

　　本文提出了基于支持向量机分类的脑中风血块检测模型，并利用实验系统进行了验证。利用PSO算法全局搜索能力优化SVM参数，建立了更佳的SVM数学模型，从而提高了SVM分类的精确性，并通过SVM对脑中风部位（血块）进行预测分类。实验系统获得100%的检测正确率。进一步，通过对标准SVM分类方法与基于PSO优化的SVM分类方法的结果进行比较研究，可以明显看出PSO优化方法具有更高的准确率，从而验证了此种方法的有效性，以及在微波脑中风检测领域中的应用趋势。

参考文献

　　［1］ 王陇德.中国脑卒中防治报告: 2015［M］.北京： 中国协和医科大学出版社, 2015.

　　［2］ BAO J Z, LU S T, HURT W D. Complex dielectric measurements and analysis of brain tissues in the radio and microwave frequencies［J］. Microwave Theory and Techniques, IEEE Transactions on, 1997, 45(10): 17301741.

　　［3］ Wu Yizhi, Zhou Yuyan, Wang Yifan, et al. Highresolution microwave stroke detection system based on signal similarity algorithm［C］. 2015 AsiaPacific Microwave Conference (APMC2015), Nanjing, China, 2015.

　　［4］ Wu Yizhi, Mao Yubo, Saba. The experimental confocal MI system basing on SFCW［C］.2015 International Conference on Information Science and Intelligent Control (ISIC2015), Sanya, China, 2015.

　　［5］ 刘兴华,蔡从中,袁前飞,等.基于支持向量机的乳腺癌辅助诊断［J］.重庆大学学报(自然科学版), 2007,30(6):140144.