一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法技术

本发明专利技术提供一种基于卷积神经网络与支持向量机的肿瘤组织拉曼光谱智能识别方法，包括以下步骤：(1)构建拉曼光谱数据训练集和测试集；(2)构造基于卷积神经网络的算法模型与支持向量机的算法模型；(3)利用拉曼光谱训练集训练卷积神经网络的算法模型与支持向量机的算法模型，利用测试集进行模型测试并选定评价指标进行评价；(4)利用所确定的模型参数，封装模型，并利用其进行实时肿瘤组织边缘检测。该方法可以有效的实现实时肿瘤组织边缘检测，提高检测准确性。高检测准确性。高检测准确性。

【技术实现步骤摘要】
一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法


[0001]本专利技术涉及数据处理分析领域，具体涉及一种基于卷积神经网络与支持向量机的拉曼光谱智能识别方法。

技术介绍

[0002]拉曼光谱作为一种能够探测生物化学和生物分子的振动光谱技术，对癌细胞的光学识别具有重要意义，目前，已有报道应用不同拉曼光谱技术行口腔癌组织、血液、唾液、尿液等标本检测及诊断，1928年印度科学家Raman发现了拉曼散射效应，并将该效应产生的光谱称为“拉曼光谱”，拉曼光谱利用光的非弹性散射原理，能够提供细胞内部特定结构和构象的光谱特征，被称为“指纹分子”。它具有较高的特异性及分析效率，而且无需对血液、唾液、组织等样品染色或标记，与诸如超声、磁共振成像等成熟的医学成像技术相比，拉曼光谱能以相对低的成本，提供实时分子信息和高分辨率成像，对细胞的光学诊断具有重要的意义，而且，拉曼光谱具有非侵入性，可以直接对生物样本进行检验，极大的减轻了患者的痛苦及经济负担。
[0003]目前，癌症患者的生存率较低，以口腔肿瘤患者为例，口腔癌患者五年生存率常不足50％，属于生存率本文档来自技高网...

【技术保护点】

【技术特征摘要】
减小到[M/2
×
1]，特征图S
x+1
可以表示为：S
x+1
＝max(0,∑C
x
×
w
x+1
×
b
x+1
)。7.根据权利要求1或3所述的识别方法，其特征在于，所述支持向量机主要用于求解二分类问题；所述支持向量机的算法模型的构造包括以下步骤：(1)将所述卷积神经网络模型的所述输出层替换为支持向量机分类器；(2)将所述第一卷积层C1、第一池化层C2、第二卷积层C3、第二池化层C4和全连接层C5作为特征提取器；(3)所述全连接层C5的输出值作为支持向量机分类器的特征。8.根据权利要求1或3所述的识别方法，其特征在于，所述训练卷积神经网络算法模型是通过训练原始的带有输出层的卷积神经网络经过几个迭代的训练，直到训练过程覆盖为止；所述训练支持向量机算法模型是利用全连接层C5的输出特征作为特征向量来训练。9.根据权利要求1所述的识别方法，其特征在于，所述训练支持向量机算法模型的过程如下：假设存在一个超平面，它可以将样本空间分为两类，一类是阳性组，一类是阴性组；假设训练集(x
i
,y
i
),i＝1,2,
…
,n,x
i
∈R
d
，其中，x
i
是训练集的样本，y
i
＝
±
1是分类标签，最佳分离超平面H，在特征空间中可以定义为以下公式：H＝w
T
x+b＝0其中w是d维向量，b是实数；所述阳性组和阴性组之间的分离余量是m＝2/‖w‖，为了，通过以下公式最大化m,并最小化w：其中，受约束条件为y<...

【专利技术属性】
技术研发人员：祝连庆，夏嘉斌，于明鑫，董明利，孙广开，何彦霖，庄炜，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：