[发明专利]一种智能结肠癌癌细胞检测仪

权利要求书

1.一种智能结肠癌癌细胞检测仪，其特征在于：该系统由基因微阵列读入模块、数据预处理及特征排序模块、参数寻优模块、模型输出模块组成。

2.根据权利要求1所述智能结肠癌癌细胞检测仪，其特征在于：所述基因微阵列读入模块读入所有基因微阵列的类别标签Y＝[y₁,y₂,...,y_m]，其中y_i＝k,k∈(-1,1)，以及所有样本的基因微阵列表达值：

其中每一行x_i代表一个样本所有基因的表达值，对应的每一列x_j代表一个基因在所有样本中的表达值，下标i表示第i个样本、总共m个，下标j表示第j个基因、总共n个。

3.根据权利要求1所述智能结肠癌癌细胞检测仪，其特征在于：所述数据预处理及特征排序模块对读入的原始微阵列数据进行归一化以及特征排序的处理过程。其中归一化操作为：

其中，Min、Max分别为样本基因表达值的最小值、最大值。而特征排序选择使用每个基因对分类准确度的贡献度打分来实现，通过定义一个贡献度函数：

其中，α＝[α₁,...,α_n],H_ij＝y_iy_jK(x_i,x_j),α为法向量对应的系数、H为中间矩阵，J为代价函数、I为单位矩阵、K为核函数、y为标签值、x为样本特征值，上标T表示矩阵的转置、下标i、j分别表示第i个样本和第j个基因。事实上，该式代表分类边界大小的平方值，则有：

定义w为分类绝策面的法向量、w^*为最优法向量、α为法向量对应的系数、α^*最优法向量对应的系数。观察上式，可以得到：各个特征的重要程度根据该特征对于这个代价函数的贡献大小来决定，即每个特征的贡献值为：其中，δ表示贡献度。

在使用非线性核作为核函数的时候，一般可以如下近似计算：

其中，合理假设某个特征消去之后α值不变，H(-i)表示该特征消去之后的H矩阵值。而在使用该假设时，得到的结果与线性核的结果相差不大。利用该式即可循环计算特征贡献度进行基因重要性排序。

在构建回声状态网络分两类器过程中，通过输入矩阵X和输出矩阵Y训练ESN分类器，分类器的状态转移方程和输出方程分别为

S＝φ(W_resS+W_inX)

其中，S是q×1储存池单元状态矩阵，X是基因特征输入矩阵，Y是m×1基因检测输出矩阵。W_resq×q的权重矩阵,W_in和W_out分别是q×m的输入权重矩阵和输出权重矩阵。φ是从特征空间到输出空间的非线性映射，如下

其中，是tanh激活函数，表达为

单隐层前馈神经网络的输入权值W_in和隐含层的权重W_res在网络训练的过程中不需要调整，输出权重由线性最小二乘方法进行辨识

ESN分类器针对基因检测非线性问题具有训练速度快，精度高的优点。