人体是一个复杂的有机体,各个器官组织是相互作用、相互协调工作的。人体发生某种器质性病变时,单一的生理指标有时不足以反映人体的健康状况,而对与其相关的多个生理信息指标进行融合分析可以对疾病做出更加及时、准确的诊断。医生凭借经验对多种生理信息指标进行分析时,不可避免地带有主观性,而建立一种基于多生理信息融合的医疗诊断模型可以帮助医生做出更加符合客观事实的诊断。 本文研究了用于建立诊断模型的多生理信息融合方法,探讨了BAYES判别法,BP神经网络以及支持向量机的原理和及其应用。针对生理信息多维性和非线性可分性等特点,本文主要讨论了采用支持向量机作为融合多生理信息的方法。文章系统地介绍了支持向量机和其理论基础——统计学习理论。详细地探讨了支持向量机的三种专用求解方法:选块算法、分解算法以及最常用的序列最小最优化算法,还研究了这三种算法的停机准则和评价准则。并从支持向量机的几何原理出发提出了一种基于序列最小最优化算法的改进算法,验证结果证明了该改进算法的正确性。 本文从生理机理的角度介绍了用于融合的四种生理信息:心电、血压、脉搏和血氧,并对这四种生理信息进行了特征提取分析和预处理。文章研究了特征选择的方法,提出了用于特征选择的十字交叉法,并从理论上证明了其正确性。 本文利用可利夫兰诊疗基金所提供的有关心脏病诊断的生理样本数据,用C++语言实现了基于支持向量机的多生理信息诊断模型的建立,取得了高达的98.4%的准确率。