周飛 鄒寧 趙銀歌 黃倩雅 劉可盈

摘 要：隨著高血壓患者的逐漸增多，并且日趨于年輕化，如何防治高血壓病成為重要課題。鑒于此現(xiàn)狀，文章提出基于支持向量機的高血壓預測方法。根據(jù)支持向量機原理，對高血壓病理屬性進行分類，建立高血壓病的預測模型，通過計算不同分類屬性的權(quán)重指數(shù)，獲取不同屬性對高血壓病影響的重要程度等級，進而實現(xiàn)潛在高血壓病的預測。實驗結(jié)果表明，利用支持向量機算法能夠有效對潛在高血壓病進行預測，為早期高血壓病的檢測與防治提供理論支持。

關(guān)鍵詞：支持向量機；高血壓防治；預測模型

高血壓病是目前比較常見的心血管疾病[1]，隨著人們生活節(jié)奏的加快、生活壓力的增大，高血壓病的發(fā)病率也呈現(xiàn)出上升趨勢，逐漸威脅到現(xiàn)代人的身體健康，對潛在高血壓病的準確預測能夠為高血壓病的預防與早期治療提供依據(jù)。常用的潛在高血壓病預測方法主要包括基于神經(jīng)網(wǎng)絡(luò)算法的預測方法[2]、基于決策樹算法的預測方法[3]、和基于關(guān)聯(lián)規(guī)則算法的預測方法[4]。

上面提到的各種傳統(tǒng)方法在進行潛在高血壓病預測過程中，沒有計算各項參數(shù)對高血壓病的影響權(quán)重，造成擬合預測的準確度不高，致使對潛在高血壓病的預測效率降低。為了避免上述算法的缺陷，本文利用支持向量機算法進行潛在高血壓病的預測，能夠有效提高預測的準確率與效率，為早期高血壓病的檢測與防治提供可靠方案。

1 綜合概述

1.1高血壓病影響因素

人們物質(zhì)生活水平的提高也伴隨著高血壓現(xiàn)象的普遍發(fā)生，據(jù)權(quán)威機構(gòu)發(fā)布的數(shù)據(jù)來看，高血壓病不僅發(fā)病率持續(xù)增加，而且正趨于年輕化，如何防治人們患高血壓成為重要研究課題。本文旨在根據(jù)人體的生理指標判斷其是否患有高血壓。

查閱相關(guān)資料[5]得出7個高血壓發(fā)病的主要因素，即體質(zhì)指數(shù)、腰臀比、飲酒年限、日平均運動時間性別、年齡和文化程度。本文根據(jù)以上影響因素進行建模，旨在找出影響高血壓的生理指標，并根據(jù)計算出的指標權(quán)值來判斷樣本（人）是否患有高血壓，進而實現(xiàn)潛在高血壓病的預測。

1.2可行性分析與創(chuàng)新點闡述

支持向量機是一種理論完善的機器學習算法，從提出至今，已有不少專家學者利用該算法解決實際工程問題，算法理論部分日趨完備。因此，采用支持向量機算法對高血壓進行預測的可行性良好。本文最大的創(chuàng)新之處在于，通過支持向量機算法預測出的結(jié)果只有患病和不患病兩種情況，使測試結(jié)果更加明確。大量實驗可以得出高血壓發(fā)病指標的權(quán)重，根據(jù)不同指標的權(quán)重值可以為人們?nèi)粘Ｉ钐峁┫嚓P(guān)的預防建議，這對于高血壓病的早期預防有重要參考價值和實際意義。

2設(shè)計方案

本文基于支持向量機算法實現(xiàn)對高血壓疾病的預測，具體方案如下。

2.1數(shù)據(jù)處理 從開源數(shù)據(jù)庫中提取100組含有上述主要生理指標數(shù)據(jù)的高血壓患者作為實驗樣本，然后分別對不同屬性進行標準化處理，最后將處理之后的100組樣本作為訓練集。

2.2訓練階段

建立支持向量機模型，帶入影響高血壓發(fā)病的因素向量，反復迭代運算直至目標函數(shù)達最大值。

2.3測試階段

用完成訓練的算法對臨床患者進行高血壓預測，若預測結(jié)果與臨床測量的結(jié)果相近，則認為算法可行。

3 基于SVM的預測模型的建立

3.1算法簡介

支持向量機（Support Vector Machine，SVM） [6-7]是基于統(tǒng)計學習理論框架開發(fā)的一種機器學習和分類識別方法，它較好地實現(xiàn)了結(jié)構(gòu)風險最小化原則。最大分類間隔和核函數(shù)思想是SVM的兩個最為重要的技巧，不同核函數(shù)的選擇標準是要求所構(gòu)造的分類器具備較好的推廣性能和較強的抗擾劫能力，并適合于推廣到實時分析。通過實驗對比，建立的預測模型要求支持向量少、分類間隙大和分類時間適中，因此，本文選擇多項式作為預測模型的核函數(shù)。SVM分類預測模型建立的核心就是確立最優(yōu)決策函數(shù)：為支持向量對應(yīng)的最優(yōu)解，b為偏差值。

3.2具體實現(xiàn)

3.2.1數(shù)據(jù)處理

用i=l，…，100表示100個患者，影響患者高血壓的指標性別、年齡、文化程度、體質(zhì)指數(shù)、腰臀比、飲酒年限和日平均運動時間分別記為i。第x，j=l，…，7個患者的第j個指標的取值記為

計算得100組樣本點的均值向量為：

標準差向量為：

對所有樣本點數(shù)據(jù)進行標準化處理：

稱為標準化指標變量。記xi= [xl，…，x7T。

3.2.2訓練

輸入訓練樣本向量（x，y），xi（i為患者的序號）為上述提取的特征參數(shù)；y∈{+1，-1），y，為分類標識，x，屬于患高血壓，DiUv。=1； xi未患高血壓，貝吵。=-l。

本文使用Lagrange乘子方法解決此約束的最優(yōu)問題，即在約束條件：

求解下列目標函數(shù)的最大值：

這是一個不等式約束下二次函數(shù)尋優(yōu)的問題，存在唯一解。ai不為零的解ai所對應(yīng)的xi就是支持向量，選取其中一個支持向量，可求得6。求得ai和b的值，就確立了最優(yōu)決策函數(shù)的具體表達形式，從而建立了預測高血壓分類預測模型。4結(jié)果分析

使用MATLAB對SVM模型進行求解，結(jié)果顯示：在訓練好的模型下，對100組樣本進行測試，有80%的測試結(jié)果與臨床檢驗結(jié)果匹配，從而說明了本文所建模型具有一定的參考價值。進一步得出各指標的影響程度依次為體質(zhì)指數(shù)、腰臀比、日平均運動時間、飲酒年限、年齡文化程度及性別，具體結(jié)果如表1所示。

從結(jié)果看，體質(zhì)指數(shù)、腰臀比、年齡、飲酒年限等是影響高血壓發(fā)病的主要因素，這與國內(nèi)外許多研究結(jié)果一致。

基于以上分析，可將本文所建立的模型應(yīng)用于早期高血壓病的預測，具體實現(xiàn)為：

Stepl：檢測對象的體質(zhì)指數(shù)、腰臀比、日平均運動時間、飲酒年限、年齡文化程度及性別等屬性值。

Step2：將上述屬性值作為輸入變量帶入到本文所建立的預測模型中，記錄其返回值。

Step3：若返回值為1被測對象患高血壓；若返回值為1，則被測對象未患高血壓。

5結(jié)語

本文依據(jù)支持向量機原理，對數(shù)據(jù)屬性進行分類，構(gòu)建預測模型，計算各項生理參數(shù)指標與高血壓病的相關(guān)屬性權(quán)重，得到不同屬性對高血壓病影響的重要程度。實驗結(jié)果表明，采用支持向量機算法進行潛在高血壓病的預測，能夠有效提高預測的準確率與預測效率，為早期高血壓的檢測與防治提供可行方案，進而滿足醫(yī)學檢測的實際需求。

本文所建立的數(shù)學模型能夠根據(jù)相關(guān)生理指標有效地判斷樣本（人）患高血壓病的情況，這種方法可以對早期高血壓病的預防提供一定的參考價值，但是具體是否患病一定要進行臨床檢查，并采取科學的方法進行治療。此外，該模型即支持向量機的預測模型還能夠應(yīng)用于其他疾病的預測。方法大致可概括為：首先，選取疾病的影響指標；然后，構(gòu)建樣本數(shù)據(jù)庫進行訓練匹配，提取出特征向量；最后，對待測人員進行疾病預測。 本文是學校資助的大學生創(chuàng)新項目的研究成果之一，接下來所要研究的內(nèi)容是開發(fā)交互式界面，進一步實現(xiàn)預測結(jié)果的可視化，為早期高血壓疾病預測提供合理可行的方案。

[參考文獻]

[1]孫艷秋，劉鋼基于大數(shù)據(jù)分析的潛在高血壓病預測研究[J]計算機仿真，2015（5）：386-389. 421

[2]楊洋刑用人工神經(jīng)網(wǎng)絡(luò)模型預測原發(fā)性高血壓的研究[D]沈陽：中國醫(yī)科大學，2010

[3]李現(xiàn)文，李春玉，MIYONGK，等決策樹與Logistic回歸在高血壓患者健康素養(yǎng)預測中的應(yīng)用[J]護士進修雜志，2012 （13）：1157-1159

[4]程遠關(guān)聯(lián)規(guī)則挖掘在疾病數(shù)據(jù)處理中的應(yīng)用研究[D]重慶：重慶醫(yī)科大學，2010

[5]黃晶晶.天津市市區(qū)高血壓前期人群高血壓發(fā)病危險因素的定量評價[D]天津：天津醫(yī)科大學，2016.

[6]賴麗娟，王志剛，吳效明基于小波變換和支持向量機的急性低血壓預測方法研究[J].透析與人工器官，2011 （1）：28-33

[7]張穎.支持向量機在2型糖尿病影響因素分析中的應(yīng)用[J].電子技術(shù)與軟件工程，2015（9）：191-192.