CN108492877B - 一种基于ds证据理论的心血管病辅助预测方法 - Google Patents
一种基于ds证据理论的心血管病辅助预测方法 Download PDFInfo
- Publication number
- CN108492877B CN108492877B CN201810253695.2A CN201810253695A CN108492877B CN 108492877 B CN108492877 B CN 108492877B CN 201810253695 A CN201810253695 A CN 201810253695A CN 108492877 B CN108492877 B CN 108492877B
- Authority
- CN
- China
- Prior art keywords
- risk factor
- data set
- evidence
- data
- cardiovascular disease
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 208000024172 Cardiovascular disease Diseases 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000008186 active pharmaceutical agent Substances 0.000 title claims description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 10
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 10
- 238000000556 factor analysis Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007477 logistic regression Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000002194 synthesizing effect Effects 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000036996 cardiovascular health Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000002526 effect on cardiovascular system Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000018262 Peripheral vascular disease Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 150000002632 lipids Chemical class 0.000 description 1
- 238000010197 meta-analysis Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
Description
技术领域
本发明属于医学数据挖掘技术领域,将DS证据理论与数据挖掘技术结合并应用于人类心血管病的预测,具体涉及一种基于DS证据理论的心血管病辅助预测方法。
背景技术
近年来,随着我国经济发展和科学技术的进步,人民的生活水平和医疗条件有了很大的改善,人民对自身健康状况的重视程度也在逐渐增加,越来越多的人从以前的患病再寻医变成现在的主动定期地去医院体检,及时了解自身的健康状况。从总体看,人民的健康水平明显提高,人均寿命逐年延长。但研究表明,我国人群心血管病(主要是冠心病、脑卒中和周围血管病)的发病率和死亡率逐年上升,发病年龄提前。其原因主要有两点:1)人群心血管病危险因素水平提升;2)人口老龄化。由于心血管病的高致残率和死亡率,心血管病已成为我国最重要的公共卫生问题之一。心脑血管疾病是一种严重威胁人类,特别是50岁以上中老年人健康的常见病,具有高患病率、高致残率和高死亡率的特点,即使应用目前最先进、完善的治疗手段,仍可有50%以上的脑血管意外幸存者生活不能完全自理,全世界每年死于心脑血管疾病的人数高达1500万人,居各种死因首位。
开发准确有效的早期诊断及预测方法,建立完善的心血管病风险评估体系是防治心血管病的关键所在。疾病早期诊断预测系统主要用于识别高危人群,进行危险因素干预,以达到提早防治的效果。
国内外常用的心血管病风险评估建模方法有:一类是基于大量横断面研究结果所进行的合成研究,统计学方法主要有Meta分析方法、合成分析等方法;另一类主要是基于大型纵向队列研究成果,其建模方法主要有Logistic回归分析、生存分析法(如Cox回归)、人工神经网络等;然而目前多种风险评估模型各有自身的特点,不同模型其评价标准、风险量化形式及呈现方式均有不同,并且各模型存在着准确性不够和置信度不高的缺陷。
发明内容
本发明的目的是提供一种基于DS证据理论的心血管病辅助预测方法,针对上述现有心血管病风险评估模型存在的问题,该方法先将体检数据集进行预处理,再经过危险因素分析,将数据集分为两部分,并分别训练分类器模型,运用DS证据理论将两个分类器对新的数据记录的预测结果进行信息合成,最终实现对心血管病风险的准确预测。
为达到上述目的,本发明采用的技术方案是:
一种基于DS证据理论的心血管病辅助预测方法,包括以下步骤:
1)获取带有心血管病标签的数据集,对数据集进行数据的预处理,采用以下三种方式:
a、异常值处理采用箱线图对数据集进行分析,将异常数据点剔除;
b、缺失值处理,若缺失值为连续型变量采用序列均值补全,若缺失值为离散型变量则采用序列中位数补全;
c、归一化处理采用Z-Score标准化法;
2)对经过预处理的数据集进行危险因素分析,得出主要危险因素集及潜在危险因素集,从而得到主要危险因素数据集和潜在危险因素数据集,具体步骤如下:
a、挑选已经经过医学证实或者大量具体研究证实与该种心血管病相关的属性作为主要危险因素;
b、对于其余属性进行逻辑回归单因素分析,将优势比大于1且具有统计学意义的因素作为潜在危险因素,剔除其他属性;优势比的计算公式如下:
其中,a指病例组中暴露该危险因素的人数,b代表病例组中非暴露人数,c代表对照组暴露人数,d代表对照组非暴露人数;
c、将整个数据集分为主要危险因素数据集和潜在危险因素数据集,前者只包含主要危险因素,后者只包含潜在危险因素;
3)将步骤2)中得到的两个数据集分别训练分类模型得到分类器M1、M2;具体步骤如下:
a、将数据集分成训练集和测试集,分别占总数据集的70%、30%;
b、训练集用来训练模型;测试集用来评估模型,并利用AUC,即ROC曲线下的面积和混淆矩阵作为模型评价标准;
4)分别用分类器M1、M2对实时的体检数据记录进行分类,其输出转换成后验概率得到证据E1、E2,运用DS证据理论对E1、E2进行合成,将满足合成决策规则的类作为最终输出,具体步骤如下:
a、将两个分类器的输出转换成后验概率,再与混淆矩阵的参数组合形成BPA函数,BPA作为证据E1、E2;
b、将证据E1、E2根据DS证据理论进行合成,计算各证据合成后的信度函数和似真函数,BPA函数的计算公式为:
m(A)=P(A)·Q(A)
其中P(A)表示转换得到的后验概率,Q(A)表示混淆矩阵中被正确地预测为类A的支持度:
其中TP表示真阳性样本的数目,FN表示伪阳性样本的数目。
计算信度函数的公式为:
其中,Θ为识别框架,代表所有可能命题的集合,A代表命题,B是A的子集,m(B)代表命题B的基本概率赋值函数,而似真函数的计算公式为:
c、得到识别框架Θ中Ai(i=1,2,...,n)信度和证据的不确定性函数后,将满足合成决策规则的命题,作为诊断心血管病的输出;若没有满足条件的命题,则由主要危险因素集训练的模型E1的分类结果作为诊断心血管病的输出。
所述的异常值通常定义为小于QL-1.5IQR或大于Qu+1.5IQR的值。QL称为下四分位数,表示的是全部观察值中有四分之一的数值比它小;Qu称为上四分位数,表示全部观察值中有四分之一的数值比它大;IQR称为四分位数间距,是上四分位数Qu与下四分位数QL的差值。然后将定义为异常值的记录剔除。
所述的归一化公式如下:
其中μ是所有样本数据的平均值,δ是所有样本数据的标准差。
所述的合成决策规则采取如下方式:
①m(A*)=max{m(Ai)},即具有最大信度的命题是目标命题。
②m(A*)-m(Ai)>ε1(ε1>0),即目标命题与其他命题的信度差值必须大于某一门限。
③m(A*)-m(Θ)>ε2(ε2>0),即目标命题的信度比喻大于不确定性信度指派值。
④m(Θ)<ε3(ε3>0),即目标命题的证据的不确定度不能过大。
ε1、ε2、ε3的取值依据多次实验调整至最优。
本发明的有益效果是:
将DS证据理论与分类器算法相结合用于心血管病预测,能充分利用DS证据理论在处理不确定信息方面的特点和优势,提高分类器的分类准确率以及稳定性,对心血管病的一级预防具有十分重大的意义。
附图说明
图1是基于DS证据理论的心血管病辅助预测方法及系统的流程图。
图2是箱线图分析示例图。
图3是混淆矩阵示例图。
图4是ROC曲线示例图。
具体实施方式
以下结合附图对本发明进一步叙述。
图1为本发明所述方法的流程图,本方法包括以下步骤:
1)获取带有心血管病标签的数据集,对数据集进行数据的预处理。数据集应至少包含针对某心血管病的主要危险因素,如血压、血糖、血脂、吸烟、BMI、运动、心理压力等;数据的预处理主要包括异常值处理、缺失值处理、数值归一化等。异常值处理采用箱线图分析法,异常值通常定义为小于QL-1.5IQR或大于Qu+1.5IQR的值。QL称为下四分位数,表示的是全部观察值中有四分之一的数值比它小;Qu称为上四分位数,表示全部观察值中有四分之一的数值比它大;IQR称为四分位数间距,是上四分位数Qu与下四分位数QL的差值。然后将定义为异常值的记录剔除,图2为箱线图分析示意图,圆圈所代表的点为异常值。缺失值处理,若缺失值为连续型变量采用序列均值补全,若缺失值为离散型变量则采用序列中位数补全。归一化处理采用Z-Score标准化法。归一化公式如下:
其中μ是所有样本数据的平均值,δ是所有样本数据的标准差。
2)对经过预处理的数据集进行危险因素分析,得出主要危险因素集及潜在危险因素集,从而得到主要危险因素数据集和潜在危险因素数据集;具体包括以下步骤:21:挑选已经经过医学证实或者大量具体研究证实与该种心血管病相关的属性作为主要危险因素;22:对于其余属性进行逻辑回归单因素分析,将优势比大于1且具有统计学意义的因素作为潜在危险因素,剔除其他属性;优势比的计算公式如下:
其中a指病例组中暴露该危险因素的人数,b代表病例组中非暴露人数,c代表对照组暴露人数,d代表对照组非暴露人数。33:将整个数据集分为主要危险因素数据集和潜在危险因素数据集,前者只包含主要危险因素,后者只包含潜在危险因素。
3)将步骤2)中得到的两个数据集分别训练分类模型得到分类器M1、M2;具体包括以下步骤:31:将数据集分成训练集、验证集和测试集,分别占总数据集的70%、30%;32:训练集用来训练模型;测试集用来评估模型,并利用AUC(ROC曲线下的面积)和混淆矩阵作为模型评价标准。混淆矩阵示例见图3;ROC曲线示例见图4,AUC为ROC曲线下面积,AUC值越大表明模型预测性能越好。
4)分别用分类器M1、M2对实时的体检数据记录进行分类,其输出转换成后验概率得到证据E1、E2,运用DS理论对E1、E2进行合成,将满足合成决策规则的类作为最终输出。具体包括以下步骤:41:将两个分类器的输出转换成后验概率,如SVM模型可以用Sigmoid函数作为连接函数把SVM的输出f(x)映射到[0,1]的模型:
其中f为标准的SVM输出结果,P(y=1|f)表示在输出值f的条件下分类正确的概率,A和B是参数值,可通过求解参数集的最小负对数似然值来求得。后验概率结合混淆矩阵参数形成BPA函数得到m1、m2,作为证据E1、E2;42:将m1、m2根据Dempster准则进行合成,计算各证据合成后的信度函数和似真函数。BPA的计算公式为:
m(A)=P(A)·Q(A)
其中P(A)表示转换得到的后验概率,Q(A)表示混淆矩阵中被正确地预测为类A的支持度:
其中TP表示混淆矩阵中真阳性样本的数目,FN表示伪阳性样本的数目。
计算信度函数的公式为:
其中,Θ为识别框架,代表所有可能命题的集合,A代表命题,B是A的子集,m(B)代表命题B的基本概率赋值,Bel(A)表示对A的总信任度。而似真函数的计算公式为:
43:得到框架Θ中Ai信度区间[Bel(Ai),pl(Ai)]和证据的不确定性函数m(Θ)后,将满足合成决策规则的命题,作为预测心血管病的输出。合成决策规则可采取如下方式:
①m(A*)=max{m(Ai)},即具有最大信度的命题是目标命题。
②m(A*)-m(Ai)>ε1(ε1>0),即目标命题与其他命题的信度差值必须大于某一门限。
③m(A*)-m(Θ)>ε2(ε2>0),即目标命题的信度比喻大于不确定性信度指派值。
④m(Θ)<ε3(ε3>0),即目标命题的证据的不确定度不能过大。
ε1、ε2、ε3的取值依据多次实验调整至最优。
Claims (4)
1.一种基于DS证据理论的心血管病辅助预测方法,其特征在于,包括以下步骤:
1)获取带有心血管病标签的数据集,对数据集进行数据的预处理,采用以下三种方式:
a、异常值处理采用箱线图对数据集进行分析,将异常数据点剔除;
b、缺失值处理,若缺失值为连续型变量采用序列均值补全,若缺失值为离散型变量则采用序列中位数补全;
c、归一化处理采用Z-Score标准化法;
2)对经过预处理的数据集进行危险因素分析,得出主要危险因素集及潜在危险因素集,从而得到主要危险因素数据集和潜在危险因素数据集,具体步骤如下:
a、挑选已经经过医学证实或者大量具体研究证实与该种心血管病相关的属性作为主要危险因素;
b、对于其余属性进行逻辑回归单因素分析,将优势比大于1且具有统计学意义的因素作为潜在危险因素,剔除其他属性;优势比的计算公式如下:
其中,a指病例组中暴露该危险因素的人数,b代表病例组中非暴露人数,c代表对照组暴露人数,d代表对照组非暴露人数;
c、将整个数据集分为主要危险因素数据集和潜在危险因素数据集,前者只包含主要危险因素,后者只包含潜在危险因素;
3)将步骤2)中得到的两个数据集分别训练分类模型得到分类器M1、M2;具体步骤如下:
a、将数据集分成训练集和测试集,分别占总数据集的70%、30%;
b、训练集用来训练模型;测试集用来评估模型,并利用AUC,即ROC曲线下的面积和混淆矩阵作为模型评价标准;
4)分别用分类器M1、M2对实时的体检数据记录进行分类,其输出转换成后验概率得到证据E1、E2,运用DS证据理论对E1、E2进行合成,将满足合成决策规则的类作为最终输出,具体步骤如下:
a、将两个分类器的输出转换成后验概率,再与混淆矩阵的参数组合形成基本概率赋值(Basic Probability Assignment,BPA)函数,BPA作为证据E1、E2;
b、将证据E1、E2根据DS证据理论进行合成,计算各证据合成后的信度函数和似真函数,BPA函数的计算公式为:
m(A)=P(A)·Q(A)
其中P(A)表示转换得到的后验概率,Q(A)表示混淆矩阵中被正确地预测为类A的支持度:
其中TP表示真阳性样本的数目,FN表示伪阳性样本的数目;
计算信度函数的公式为:
其中,Θ为识别框架,代表所有可能命题的集合,A代表命题, B是A的子集,m(B)代表命题B的基本概率赋值函数,而似真函数的计算公式为:
c、得到识别框架Θ中Ai(i=1,2,...,n)信度和证据的不确定性函数后,将满足合成决策规则的命题,作为诊断心血管病的输出;若没有满足条件的命题,则由主要危险因素集训练的模型E1的分类结果作为诊断心血管病的输出。
2.根据权利要求1所述的一种基于DS证据理论的心血管病辅助预测方法,其特征在于,所述的异常值通常定义为小于QL-1.5IQR或大于Qu+1.5IQR的值,QL称为下四分位数,表示的是全部观察值中有四分之一的数值比它小;Qu称为上四分位数,表示全部观察值中有四分之一的数值比它大;IQR称为四分位数间距,是上四分位数Qu与下四分位数QL的差值,然后将定义为异常值的记录剔除。
4.根据权利要求1所述的一种基于DS证据理论的心血管病辅助预测方法,其特征在于,所述的合成决策规则采取如下方式:
①m(A*)=max{m(Ai)},即具有最大信度的命题是目标命题。
②m(A*)-m(Ai)>ε1(ε1>0),即目标命题与其他命题的信度差值必须大于某一门限。
③m(A*)-m(Θ)>ε2(ε2>0),即目标命题的信度比喻大于不确定性信度指派值。
④m(Θ)<ε3(ε3>0),即目标命题的证据的不确定度不能过大;
ε1、ε2、ε3的取值依据多次实验调整至最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253695.2A CN108492877B (zh) | 2018-03-26 | 2018-03-26 | 一种基于ds证据理论的心血管病辅助预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810253695.2A CN108492877B (zh) | 2018-03-26 | 2018-03-26 | 一种基于ds证据理论的心血管病辅助预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492877A CN108492877A (zh) | 2018-09-04 |
CN108492877B true CN108492877B (zh) | 2021-04-27 |
Family
ID=63337975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810253695.2A Active CN108492877B (zh) | 2018-03-26 | 2018-03-26 | 一种基于ds证据理论的心血管病辅助预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492877B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176309A (zh) * | 2019-05-28 | 2019-08-27 | 上海大学 | 一种用于预测心血管疾病的医疗数据处理方法 |
CN110957044A (zh) * | 2019-09-20 | 2020-04-03 | 上海派拉软件股份有限公司 | 基于改进的逻辑回归模型的健康管理方法 |
CN111127225A (zh) * | 2019-11-25 | 2020-05-08 | 泰康保险集团股份有限公司 | 保险核保的系统、方法、设备和计算机可读介质 |
CN112768057B (zh) * | 2021-01-14 | 2023-01-10 | 重庆医科大学 | 鉴别儿童发热待查病因的系统 |
CN113610638B (zh) * | 2021-08-20 | 2023-11-21 | 东北大学秦皇岛分校 | 基于smaa-ds的信用等级与违约损失率相匹配的评级系统及方法 |
CN113921144A (zh) * | 2021-09-23 | 2022-01-11 | 清华大学 | 疾病预测集处理方法、装置、电子设备及存储介质 |
CN116524248B (zh) * | 2023-04-17 | 2024-02-13 | 首都医科大学附属北京友谊医院 | 医学数据处理装置、方法及分类模型训练装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834828A (zh) * | 2015-05-26 | 2015-08-12 | 重庆大学 | 基于ds证据理论-神经网络算法老人生理异常诊断方法 |
CN105930791A (zh) * | 2016-04-19 | 2016-09-07 | 重庆邮电大学 | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 |
CN106170561A (zh) * | 2013-12-20 | 2016-11-30 | 莱恩进公司 | 自闭症谱系障碍的诊断和预测 |
CN107001455A (zh) * | 2014-11-19 | 2017-08-01 | 皇家飞利浦有限公司 | 利用hnl的诊断方法 |
CN107209184A (zh) * | 2014-12-11 | 2017-09-26 | 米密德诊断学有限公司 | 用于诊断多种感染的标记组合及其使用方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9366451B2 (en) * | 2010-12-24 | 2016-06-14 | Commonwealth Scientific And Industrial Research Organisation | System and method for the detection of faults in a multi-variable system utilizing both a model for normal operation and a model for faulty operation |
-
2018
- 2018-03-26 CN CN201810253695.2A patent/CN108492877B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106170561A (zh) * | 2013-12-20 | 2016-11-30 | 莱恩进公司 | 自闭症谱系障碍的诊断和预测 |
CN107001455A (zh) * | 2014-11-19 | 2017-08-01 | 皇家飞利浦有限公司 | 利用hnl的诊断方法 |
CN107209184A (zh) * | 2014-12-11 | 2017-09-26 | 米密德诊断学有限公司 | 用于诊断多种感染的标记组合及其使用方法 |
CN104834828A (zh) * | 2015-05-26 | 2015-08-12 | 重庆大学 | 基于ds证据理论-神经网络算法老人生理异常诊断方法 |
CN105930791A (zh) * | 2016-04-19 | 2016-09-07 | 重庆邮电大学 | 基于ds证据理论的多摄像头融合的路面交通标志识别方法 |
Non-Patent Citations (1)
Title |
---|
支持向量机与证据理论在信息融合中的结合;周皓等;《传感技术学报》;20080930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108492877A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108492877B (zh) | 一种基于ds证据理论的心血管病辅助预测方法 | |
Hassantabar et al. | CovidDeep: SARS-CoV-2/COVID-19 test based on wearable medical sensors and efficient neural networks | |
Sahu et al. | FINE_DENSEIGANET: Automatic medical image classification in chest CT scan using Hybrid Deep Learning Framework | |
JP2023164839A (ja) | 呼吸器疾患を診断するために疾患シグネチャを使用して咳音を分析するための方法 | |
Dissanayake et al. | Geometric deep learning for subject independent epileptic seizure prediction using scalp EEG signals | |
CN113040711B (zh) | 一种脑卒中发病风险预测系统、设备、存储介质 | |
Chen et al. | A robust deep learning framework based on spectrograms for heart sound classification | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
SenthilPandi et al. | Multi-Level Interpretable and Adaptive Representation of EEG Signals for Sleep Scoring Using Ensemble Learning Multi Classifiers | |
CN109512423A (zh) | 一种基于确定学习与深度学习的心肌缺血危险分层方法 | |
CN108847285A (zh) | 基于机器学习的孕前期及孕中期唐氏综合征筛查方法 | |
CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
CN108090509A (zh) | 一种数据长度自适应的心电图分类方法 | |
CN112101413A (zh) | 面向脑卒中风险预测的智能系统 | |
CN111986814A (zh) | 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法 | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
Adi et al. | Stroke risk prediction model using machine learning | |
CN116259415A (zh) | 一种基于机器学习的患者服药依从性预测方法 | |
CN114300126A (zh) | 一种基于早癌筛查问卷与前馈神经网络的癌症预测系统 | |
Orlandic et al. | A semi-supervised algorithm for improving the consistency of crowdsourced datasets: The COVID-19 case study on respiratory disorder classification | |
CN112084935B (zh) | 一种基于扩充高质量脑电样本的情绪识别方法 | |
Dhanamithra et al. | A Comparison Study on Machine Learning Approaches for Thyroid Disease Prediction | |
Nia et al. | Abnormal Heart Sound Detection using Time-Frequency Analysis and Machine Learning Techniques | |
Ambrews et al. | Ensemble based machine learning model for heart disease prediction | |
CN116509335A (zh) | 一种逐步进化自动睡眠分期方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |