物联网与区块链技术在医疗领域的应用及传感器在公共卫生环境中的作用

### 物联网与区块链技术在医疗领域的应用及传感器在公共卫生环境中的作用 #### 一、机器学习算法在宫颈癌检测中的应用 在医疗领域，机器学习算法被广泛应用于疾病检测，尤其是在宫颈癌的医疗数据集上。这里使用MATLAB R2016a工具实现了三种机器学习分类算法。 1. **降维算法** 降维算法用于减少数据的大小，消除冗余数据。但在应用降维算法时，不能丢失数据，否则可能会降低准确性。常见的降维算法有PCA、PCR、PLSR、LDA、MDS和MDA。 2. **具体分类算法** - **二次支持向量机（Quadratic SVM）** 二次支持向量机是传统的分类学习算法，通过超平面分离特征。数据点包含6类宫颈癌阶段，如浅表鳞状、中间鳞状、柱状上皮、轻度不典型增生、中度不典型增生、重度不典型增生和原位癌。该算法获得的最高准确率为91.1%。 - **加权K近邻算法（Weighted KNN）** 加权K近邻算法广泛用于分类和预测分析，根据最近的数据点对数据进行分组。基于K值的选择，数据会被分组。使用余弦和加权K近邻分类器获得了79.3%的较好准确率，结果显示准确率为79.1%，速度约为1500obs/sec。 - **复杂树算法（Complex Tree）** 复杂树属于决策树，用于对复杂数据做出决策。它是一种有监督的机器学习算法，由节点和叶子组成，类似树结构，根据决策规则分割数据。使用复杂树结构分类器获得了86.1%的准确率，训练时间为2.538秒。 3. **算法比较** |序号|SVM|KNN|决策树| | ---- | ---- | ---- | ---- | |1|可通过核函数访问线性和非线性函数|支持非参数函数，基于K值和欧几里得距离|用于解决回归和分类问题| |2|基于类之间的超平面处理数据点|没有训练数据的函数|类似树结构，叶子节点包含属性和标签| |3|基于内存工作|基于K个分类器值工作|不需要任何归一化方法| |4|如果有大量不完美数据，准确率不高|如果有大量噪声数据，无法获得良好准确率|缺失数据不会降低分类的准确率| |5|有大量的维度空间|比SVM和决策树工作速度快|训练数据需要更多时间，比其他算法工作慢| 4. **二次SVM的优势** 二次SVM虽然是一种传统算法，但它能够对特定数据集中的多类属性进行分类，比其他算法提供了更好的结果。物联网和区块链技术在医疗保健领域，特别是在宫颈癌检测中发