北邮生物信息大作业.pdfVIP

北京邮电大学信息与通信工程学院《生物信息基础（2015-2016）》课程大作业

一、疾病自动诊断问题

1、题目分析

根据题目要求，我们需要设计一套计算机自动筛选方案，目的是通过患者检测得到

的20项指标，分别判断患者的腹泻类型为病毒型腹泻还是细菌型腹泻。目前，我们已

有的训练集是经过专家筛选后的100例疑似患者的20项指标。其中，20位为病毒型腹

泻，80位为细菌型腹泻，即80位为细菌型腹泻。

因此，我认为该问题为一个监督下的模式分类问题，两个分类指标为“腹泻类型为

病毒型”、“腹泻类型为细菌型”，观测向量为得到的疑似患者的20项指标：

2、关键算法及分析

信息获取与预处理部分，在之前的检查中已经较为详细的给出，这一步不再设计；

特征选择与提取部分，我计划使用主成分分析方法，通过对20项标准进行线性组合，

可以得到更能够体现类间信息的新的一组观测向量；分类器设计采用Fisher线性判别分

析+最小错误率贝叶斯决策的方法。

主成分分析

主成分分析的思想是从一组特征中计算出一组重要性按从大到小顺序排列的的新

特征，它们是原有特征的线性组合，并且之间是互不相关的。

设为x的协方差矩阵，求解出矩阵的各个特征值与特征向量，则特征值最大的特征

向量，为数据集的最佳投影方向。由此方向投影，可获得最大的投影数据的方差。按照

这个思路依次找到次大的，第三的……特征值对应的特征向量，它们就是次优的，第三

优……的投影方向。

我们可以只提取重要性占前k%个主成分：

1

北京邮电大学信息与通信工程学院《生物信息基础（2015-2016）》课程大作业

我们把原始数据集按这些方向投影，得到的就是降维后的观测向量。选择较少的主

成分来表示数据，不但可以用作特征的降维，还可以用来消除特征中的噪声。

Fisher线性判别分析

Fisher线性判别分析的基本思想是：将所有的样本投影到一个方向上，然后在这个

一维空间确定一个阈值。选择最优的投影方向应该使得各个样本点的类内方差最小，类

间方差最大。我们定义类内离散度矩阵，类间离散度矩阵，投影向量，准则的目标函数

为：

这是一个约束条件下的极值问题，我们可以利用拉格朗日乘子法求解。拉格朗日函

数：

上式在极值点处，应该满足对w的偏导数等于零。可以解得：

式中，为Fisher线性判别准则下的最优投影方向。为两类的类均值向量。

由于Fisher线性判别分析不对样本的分布做任何假设，当样本维数较高样本数也较

多的时候，投影到一维空间后样本接近正态分布。这时可以在一维空间中使用正态分布

拟合样本，再使用上面提到的最小错误率贝叶斯决策，往往会有很好的效果。

最小错误率贝叶斯决策

最小错误率贝叶斯决策的决策规则为：

如果，则x属于w1，否则x属于w2。

其中，后验概率可以使用贝叶斯公式求得：

但是，将一个疑似患者判为病毒携带者和排除其患病可能性，其代价（损失）是不

一样的。对此，采用最小风险的贝叶斯决策。这种决策方法中，决策表是需要人为确定

的，需要认真分析研究问题的内在特点和分类目的，与疾病防控领域的专家共同决策，

设计出适当的决策表。

具体的决策步骤：

（1）利用贝叶斯公式计算后验概率

（2）利用决策表，计算条件风险：

2

北京邮电大学信息与通信工程学院《生物信息基础（2015-2016）》课程大作业

（3）决策：在各种决策中选择风险最小的决策，即

二、病毒变异与否的判断

1、问题分析

针对病毒变异与否的判断