CN110265146B - 一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法 - Google Patents

一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法 Download PDF

Info

Publication number
CN110265146B
CN110265146B CN201910519177.5A CN201910519177A CN110265146B CN 110265146 B CN110265146 B CN 110265146B CN 201910519177 A CN201910519177 A CN 201910519177A CN 110265146 B CN110265146 B CN 110265146B
Authority
CN
China
Prior art keywords
fuzzy
algorithm
gbdt
bagging
heart 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
Application number
CN201910519177.5A
Other languages
English (en)
Other versions
CN110265146A (zh
Inventor
袁晓铭
王雪
韩建超
刘杰民
陈海宴
刘志刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Jixiang Pharmaceutical Logistics Co ltd
Original Assignee
Northeastern University Qinhuangdao Branch
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University Qinhuangdao Branch filed Critical Northeastern University Qinhuangdao Branch
Priority to CN201910519177.5A priority Critical patent/CN110265146B/zh
Publication of CN110265146A publication Critical patent/CN110265146A/zh
Application granted granted Critical
Publication of CN110265146B publication Critical patent/CN110265146B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • 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
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting

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

本发明公开了一种基于Bagging‑Fuzzy‑GBDT算法的心脏病预测方法，首先根据病人心脏病数据的特点，将数据中取值范围变化大的属性取出，利用模糊逻辑将这些数据进行模糊化；将模糊化的数据与GBDT算法相结合，组成Fuzzy‑GBDT心脏病预测算法；最后利用Bagging算法通过m次有放回的采样，增加数据的多样性，将Bagging算法与Fuzzy‑GBDT算法相结合，提出本文的Bagging‑Fuzzy‑GBDT心脏病预测算法。本发明降低了Fuzzy‑GBDT预测算法的方差，以此来增加数据的多样性，避免单个点造成过拟合，在兼顾预测算法高泛化性的同时提高预测算法的准确性。(4)本发明通过实验进行了性能评价，结果表明，本发明的Bagging‑Fuzzy‑GBDT心脏病预测算法同时具有较好的准确性和泛化性。

Description

一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法
技术领域
本发明属于医疗数据分析技术领域，特别涉及一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法。
背景技术
慢性病发病率的上升严重影响着人民的生活，造成了巨大的经济损失，严重阻碍了国家医疗卫生事业的发展。心脏病在慢性病中的的高发病率和高死亡率必须引起高度重视。根据世界卫生组织的统计数据，全世界三分之一的人口死于心脏病，目前，我国人口老龄化严重，患有心脏病的人数也逐渐增多。虽然大多数心脏病不能被完全治愈，但我们可以根据患者的实时健康数据，通过疾病预测算法，在发病前提供健康指导和干预。由于患者的健康数据会根据时间不断的变化，这就对预测算法的准确性和泛化性提出了高的要求。目前有很多用于心脏病预测的分类算法，主要有以下几种：
1、使用决策树算法对是否患有心脏病进行预测。如研究人员Tayefi M等(TayfiM.,Tajfard M.,Saffar S.,et al.Hs-CRP is Strongly Associated with CoronaryHeart Disease(CHD):A Data Mining Approach Using Decision TreeAlgorithm.Computer Methods and Programs in Biomedicine,2017,141:105-109.)提出了一种利用决策树算法进行心脏病预测的模型，但是基于决策树的预测算法不易处理连续型的数据，且容易过拟合。
2、使用神经网络算法对是否患有心脏病进行预测。如研究人员Dangare C.S等(Dangare C.S.,Apte S.S.Improved Study of Heart Disease Prediction SystemUsing Data Mining Classification Techniques.International Journal of ComputerApplications,2012,47(10):44-48.)使用神经网络算法对心脏病进行预测，虽然得到了准确率较高，但是需要调整大量的参数，模型的泛化能不高且模型的训练学习时间长。
3、使用朴素贝叶斯算法对是否患有心脏病进行预测。如研究人员Shaikh S等(Shaikh S.,Sawant A.,Paradkar S.,Patil K.Electronic Recording System-heartDisease Prediction System.In 2015International Conference on Technologies forSustainable Development(ICTSD),Mumbai,MH,India,Fer.4-6,2015:1-5.)使用贝叶斯算法开发了一个智能的系统对心脏病进行预测，从而帮助医生做出诊断决策。但是朴素贝叶斯算法需要知道先验概率，且先验概率很多时候取决于假设，因此在某些时候会由于先模型的原因导致预测准确率不高。
4、使用Bagging算法与简单分类器进行集成对是否有心脏病进行预测。如研究人员Bashir S等(Bashir S.,Qamar U.,Khan F.H.BagMOOV:A Novel Ensemble for HeartDisease Prediction Bootstrap Aggregation with Multi-objective OptimizedVoting.Australasian Physical&Engineering Sciences in Medicine,2015,38(2):305-323.)提出了一种使用Bootstrap Aggregating(Bagging)算法的新型的分类器集成框架，采用加权投票对心脏病进行预测。虽然利用Bagging算法增加了数据的多样性且降低了方差，但是并没有解决高泛化性的问题。
单纯的只提高预测算法的准确性或者泛化性不能很好的处理病人不断变化的健康数据，需要综合考虑两者的同时尽可能的使预测算法节省训练时间。Gradient BoostingDecision Tree(GBDT)算法不仅可以处理连续型数据，也能处理非连续型数据，不易过拟合且需要调整较少的参数。但是，GBDT及其相关算法用于心脏病预测领域的研究尚属空白。
发明内容
为了解决现有技术问题，本发明提供一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法，以提高心脏病预测的准确率，同时避免了过拟合和增加了泛化性，尽可能节省了算法的训练学习时间。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法，包括以下步骤：
S1.将开源心脏病数据集进行预处理后作为算法的训练集D，大小为N；
S2.根据心脏病数据集中属性的取值范围，将值域变化比较大的属性Aa取出，其中a＝1,2,3…,l,l为属性个数，利用模糊逻辑中的三角隶属度函数，将其模糊化处理,然后放回训练集D；
S3.设置有放回的采样次数g，对模糊化后的训练集D进行g次采样，每次采样组成新的子训练集Dk，其中k＝1,2,3...m，采样的数据条数为n'，其中n'<N；
S4.将模糊逻辑与GBDT算法相结合，组成Fuzzy-GBDT算法；
S5.根据步骤S4中定义的Fuzzy-GBDT算法，利用步骤S3中生成的子训练数据集Dk，采用Bagging算法并行的生成g个由Fuzzy-GBDT算法构成的弱分类器，由此构成Bagging-Fuzzy-GBDT算法；
S6.将步骤S5中生成的g个弱分类器的g个预测结果，采用投票选举法确定出最终Bagging-Fuzzy-GBDT算法构成的强分类器的预测结果。
进一步的，所述步骤S1中，所述的预处理包括对开源心脏病数据集进行进行归一化、删除异常值和空值。
进一步的，所述步骤S2中，利用如下模糊逻辑中的三角隶属度函数规则，将值域变化比较大的属性Aa模糊化为(ωa1,ωa2,ωa3)：
Figure GDA0003582482840000041
Figure GDA0003582482840000042
Figure GDA0003582482840000043
其中，max为属性取值变化最大的范围，min为属性取值变化最小的范围；
Figure GDA0003582482840000044
其中0<αa<1，a代表子区间的重合程度，
Figure GDA0003582482840000045
进一步的，所述的值域变化比较大的属性Aa为Chol、Tresthps、Thalach、Age，这四个属性的aa分别取值为0.2，0.3，0.2，0.4。
进一步的，所述步骤S4中，所述的Fuzzy-GBDT算法为：
S4-1.令aa、βa、γa分别代表第a个属性Aa的三个隶属子区间的代表值，并将它们映射到各自的隶属度函数(ωa1,ωa2,ωa3)，Ba＝max(ωa1,ωa2,ωa3)->(aa,βa,γa)，令Aa＝Ba，更新Aa；
S4-2.Fuzzy-GBDT算法数据输入的形式为：D＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)}，初始化弱Fuzzy-GBDT学习器：
Figure GDA0003582482840000051
S4-3.从1到t,t＝1,2,…,T,T为最大的迭代次数做如下操作：
1)计算负梯度值
Figure GDA0003582482840000052
Figure GDA0003582482840000053
Figure GDA0003582482840000054
其中，L为损失函数；
2)利用
Figure GDA0003582482840000055
去拟合一棵新的树，得到第t棵树，其对应的叶节点区域为Rtj,j＝1,2,...,J，其中J为叶子节点的个数；
3)根据每一个叶节点j里的样本，求出使损失函数最小，即拟合叶子节点最好的输出值ctj：
Figure GDA0003582482840000056
4)更新学习器，得到本轮的学习器表达式：
Figure GDA0003582482840000057
其中，I为指示函数，I∈[0,1])；
S4-4.得到强学习器f(xi)：
Figure GDA0003582482840000058
采用上述技术方案所产生的有益效果在于：
(1)本发明首先根据病人心脏病数据的特点，将数据中取值范围变化大的属性取出，利用模糊逻辑将这些数据进行模糊化。(2)将模糊化的数据与GBDT算法相结合，组成Fuzzy-GBDT心脏病预测算法。模糊逻辑多用于处理不确定的事情，对于不断变化的健康数据，Fuzzy-GBDT算法借助于模糊逻辑中的三角隶属度函数，将复杂的数据取值范围划分为简单的三类，以此来降低数据的复杂度，使原始数据更加标准规范，以此来提高心脏病预测算法的泛化性。(3)最后利用Bagging算法通过
次有放回的采样，增加数据的多样性，将Bagging算法与Fuzzy-GBDT算法相结合，提出本文的Bagging-Fuzzy-GBDT心脏病预测算法，降低了Fuzzy-GBDT预测算法的方差，以此来增加数据的多样性，避免单个点造成过拟合，在兼顾预测算法高泛化性的同时提高预测算法的准确性。(4)本发明通过实验进行了性能评价，结果表明，本发明的Bagging-Fuzzy-GBDT心脏病预测算法同时具有较好的准确性和泛化性。
附图说明
图1是Bagging-Fuzzy-GBDT算法整体流程图。
图2是不同属性的三角隶属度函数图。
图3是不同算法的评价指标对比图。
图4是不同算法的ROC曲线对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提出了一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法，包括以下步骤：
S1.将来自UCI的开源心脏病数据集作为原始数据，进行预处理后作为算法的训练集D，大小为N；预处理包括对开源心脏病数据集进行进行归一化、删除异常值和空值。
S2.根据心脏病数据集中属性的取值范围，将值域变化比较大的属性Aa取出，a＝1,2,3…,l，l为属性个数，利用模糊逻辑中的三角隶属度函数，将其数值模糊化处理，然后放回训练集D。
S3.设置有放回的采样次数g，对训练集D进行g次采样，每次采样组成新的子训练集Dk,k＝1,2,3...g，采样的数据条数为n',其中n'<N。
S4.将步骤S3中的子训练集中的数据模糊化，再将模糊逻辑与GBDT算法相结合，组成Fuzzy-GBDT算法。
S5.根据步骤S4中定义的Fuzzy-GBDT算法，利用步骤S3中生成的子训练数据集Dk，采用Bagging算法并行的生成g个由Fuzzy-GBDT算法构成的弱分类器，由此构成Bagging-Fuzzy-GBDT算法。
S6.将步骤S5中生成的g个弱分类器的g个预测结果，采用投票选举法确定出最终Bagging-Fuzzy-GBDT算法构成的强分类器的预测结果。
步骤S2中，值域变化比较大的属性Aa为Chol、Tresthps、Thalach、Age，利用如下模糊逻辑中的三角隶属度函数规则，将这四个属性Aa模糊化为(ωa1,ωa2,ωa3)：
Figure GDA0003582482840000081
Figure GDA0003582482840000082
Figure GDA0003582482840000083
其中，max为属性取值变化最大的范围，min为属性取值变化最小的范围；
Figure GDA0003582482840000084
0<αa<1，αa代表子区间的重合程度，
Figure GDA0003582482840000085
Chol、Tresthps、Thalach、Age四个属性的aa分别取值为0.2，0.3，0.2，0.4。模糊化后的三角隶属函数如图2所示。
步骤S4中，Fuzzy-GBDT算法为：
S4-1.令αa、βa、γa分别代表第a个属性Aa的三个隶属子区间的代表值，并将它们映射到各自的隶属度函数(ωa1,ωa2,ωa3)，Ba＝max(ωa1,ωa2,ωa3)->(αa,βa,γa)，令Aa＝Ba，更新Aa。
S4-2.Fuzzy-GBDT算法数据输入的形式为：D＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)}，初始化弱Fuzzy-GBDT学习器：
Figure GDA0003582482840000086
S4-3.从1到t，t＝1,2,…,T,T为最大的迭代次数做如下操作：
1)计算负梯度值
Figure GDA0003582482840000091
Figure GDA0003582482840000092
Figure GDA0003582482840000093
其中，L为损失函数。
2)利用
Figure GDA0003582482840000094
去拟合一棵新的树，得到第t棵树，其对应的叶节点区域为Rtj,j＝1,2,...,J，其中J为叶子节点的个数。
3)根据每一个叶节点j里的样本，求出使损失函数最小，即拟合叶子节点最好的输出值ctj：
Figure GDA0003582482840000095
4)更新学习器，得到本轮的学习器表达式：
Figure GDA0003582482840000096
其中，I为指示函数，I∈[0,1])。
S4-4.得到强学习器f(xi)：
Figure GDA0003582482840000097
为了验证本发明Bagging-Fuzzy-GBDT算法进行心脏病预测的合理性和有效性，采用经典的准确率、精确率、召回率等评价指标，对五种算法即决策树算法模型、GBDT算法模型、Fuzzy-GBDT算法模型、Bagging-GBDT算法模型和Bagging-Fuzzy-GBDT算法模型进行对比，不同算法的评价指标对比结果如图3所示。从图3中可以看出，与传统的决策树算法相比，GBDT算法具有较高的精确率和召回率，但是准确率相对较弱些；但当GBDT分别单独的结合Bagging算法和Fuzzy理论时，准确率等指标都相应的进行了提高；当将三种算法同时结合一起时，准确率、精确率、召回率都同时得到的明显的提高。这证明了本发明提出的Bagging-Fuzzy-GBDT算法拥有合理性和高准确性，所以当其应用在心脏病预测领域，具有更高的可靠性。
如图4所示为上述五种算法的AUC值对比结果。AUC值作为机器学习的评估指标非常重要。从图4中可以看出，本发明的Bagging-Fuzzy-GBDT算法拥有最高的AUC值，GBDT算法原本只比传统的决策树算法在AUC指标上拥有0.01的优势，但经过改进的GBDT算法的AUC值提高了0.11，比决策树算法高0.12，并且随着Fuzzy理论和Bagging算法的应用，AUC值朝递增的方向增加。这体现了本发明Bagging-Fuzzy-GBDT算法拥有更好的性能和更高的可靠性。

Claims (3)

1.一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法，其特征在于：包括以下步骤：
S1.将开源心脏病数据集进行预处理后作为算法的训练集D，大小为N；
S2.根据心脏病数据集中属性的取值范围，将值域变化比较大的属性Aa取出，其中a＝1,2,3…,l,l为属性个数，利用模糊逻辑中的三角隶属度函数，将其模糊化处理，然后放回训练集D；
所述步骤S2中，利用如下模糊逻辑中的三角隶属度函数规则，将值域变化比较大的属性Aa模糊化为(ωa1,ωa2,ωa3)：
Figure FDA0003582482830000011
Figure FDA0003582482830000012
Figure FDA0003582482830000013
其中，max为属性取值变化最大的范围，min为属性取值变化最小的范围；
Figure FDA0003582482830000014
0<αa<1，αa代表子区间的重合程度，
Figure FDA0003582482830000015
S3.设置有放回的采样次数g，对训练集D进行g次采样，每次采样组成新的子训练集Dk，其中k＝1,2,3...g，采样的数据条数为n'，n'<N；
S4.将模糊逻辑与GBDT算法相结合，组成Fuzzy-GBDT算法；
所述的Fuzzy-GBDT算法为：
S4-1.令αa、βa、γa分别代表第a个属性Aa的三个隶属子区间的代表值，并将它们映射到各自的隶属度函数(ωa1,ωa2,ωa3)，Ba＝max(ωa1,ωa2,ωa3)->(αa,βa,γa)，令Aa＝Ba，更新Aa；
S4-2.F u z z y-G B D T算法数据输入的形式为：D＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xn,yn)}，初始化弱Fuzzy-GBDT学习器：
Figure FDA0003582482830000021
S4-3.从1到t，t＝1,2,…,T,T为最大的迭代次数做如下操作：
1)计算负梯度值
Figure FDA0003582482830000022
i＝1,2,3…,n：
Figure FDA0003582482830000023
Figure FDA0003582482830000024
其中，L为损失函数；
2)利用
Figure FDA0003582482830000025
去拟合一棵新的树，得到第t棵树，其对应的叶节点区域为Rtj,j＝1,2,...,J，其中J为叶子节点的个数；
3)根据每一个叶节点j里的样本，求出使损失函数最小，即拟合叶子节点最好的输出值ctj：
Figure FDA0003582482830000026
4)更新学习器，得到本轮的学习器表达式：
Figure FDA0003582482830000031
其中，I为指示函数，I∈[0,1]；
S4-4.得到强学习器f(xi)：
Figure FDA0003582482830000032
S5.根据步骤S4中定义的Fuzzy-GBDT算法，利用步骤S3中生成的子训练数据集Dk，采用Bagging算法并行的生成g个由Fuzzy-GBDT算法构成的弱分类器，由此构成Bagging-Fuzzy-GBDT算法；
S6.将步骤S5中生成的g个弱分类器的g个预测结果，采用投票选举法确定出最终Bagging-Fuzzy-GBDT算法构成的强分类器的预测结果。
2.根据权利要求1所述的基于Bagging-Fuzzy-GBDT算法的心脏病预测方法，其特征在于：所述步骤S1中，所述的预处理包括对开源心脏病数据集进行归一化、删除异常值和空值。
3.根据权利要求1所述的基于Bagging-Fuzzy-GBDT算法的心脏病预测方法，其特征在于：所述的值域变化比较大的属性Aa为Chol、Tresthps、Thalach、Age，这四个属性的αa分别取值为0.2，0.3，0.2，0.4。
CN201910519177.5A 2019-06-17 2019-06-17 一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法 Active CN110265146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910519177.5A CN110265146B (zh) 2019-06-17 2019-06-17 一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910519177.5A CN110265146B (zh) 2019-06-17 2019-06-17 一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法

Publications (2)

Publication Number Publication Date
CN110265146A CN110265146A (zh) 2019-09-20
CN110265146B true CN110265146B (zh) 2022-05-27

Family

ID=67918577

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910519177.5A Active CN110265146B (zh) 2019-06-17 2019-06-17 一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法

Country Status (1)

Country Link
CN (1) CN110265146B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116936106B (zh) * 2023-09-18 2023-12-22 天津医科大学第二医院 一种透析中危险事件风险的评估方法和系统
CN117894481A (zh) * 2024-03-15 2024-04-16 长春大学 基于贝叶斯超参数优化梯度提升树心脏病预测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116707A (zh) * 2013-03-04 2013-05-22 北京工业大学 一种基于案例推理的心脏病智能诊断方法
CN108091397B (zh) * 2018-01-24 2021-09-14 浙江大学 一种缺血性心脏病患者的出血事件预测方法
CN109086412A (zh) * 2018-08-03 2018-12-25 北京邮电大学 一种基于自适应加权Bagging-GBDT的不平衡数据分类方法
CN109300121B (zh) * 2018-09-13 2019-11-01 华南理工大学 一种心血管疾病诊断模型的构建方法、系统及该诊断装置
CN109350032B (zh) * 2018-10-16 2022-03-18 武汉中旗生物医疗电子有限公司 一种分类方法、系统、电子设备及存储介质
CN109637663A (zh) * 2018-11-14 2019-04-16 浙江大学山东工业技术研究院 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置

Also Published As

Publication number Publication date
CN110265146A (zh) 2019-09-20

Similar Documents

Publication Publication Date Title
Patil et al. A comparative analysis on the evaluation of classification algorithms in the prediction of diabetes
Cheruku et al. Rst-batminer: A fuzzy rule miner integrating rough set feature selection and bat optimization for detection of diabetes disease
US20210089922A1 (en) Joint pruning and quantization scheme for deep neural networks
Yuan et al. A stable AI-based binary and multiple class heart disease prediction model for IoMT
CN110265146B (zh) 一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法
CN115985503B (zh) 基于集成学习的癌症预测系统
Al-Zubaidi et al. Stroke prediction using machine learning classification methods
CN114743037A (zh) 一种基于多尺度结构学习的深度医学图像聚类方法
Vigneswari et al. Parkinson's disease Diagnosis using Voice Signals by Machine Learning Approach
Jain et al. Machine learning-based monitoring system with IoT using wearable sensors and pre-convoluted fast recurrent neural networks (P-FRNN)
Kumari et al. Machine Learning based Diabetes Detection
Nemade et al. Diabetes prediction using BPSO and decision tree classifier
Devi et al. Coronary artery disease prediction using machine learning techniques
Jaiswal et al. GLSTM: a novel approach for prediction of real & synthetic PID diabetes data using GANs and LSTM classification model
Sande et al. Statistical Learning in Medical Research with Decision Threshold and Accuracy Evaluation.
ІЗОНІН An unsupervised-supervised ensemble technology with non-iterative training algorithm for small biomedical data analysis
Ambrews et al. Ensemble based machine learning model for heart disease prediction
Azam et al. Classification of COVID-19 symptoms using multilayer perceptron
Bhattacharya et al. Diabetes Prediction using Logistic Regression and Rule Extraction from Decision Tree and Random Forest Classifiers
Shiuh et al. Prediction of Thyroid Disease using Machine Learning Approaches and Featurewiz Selection
CN110473627B (zh) 一种基于代价敏感的自适应神经模糊推理糖尿病预测方法
Angelin A roc curve based k-means clustering for outlier detection using dragon fly optimization
Yang et al. A novel rhinitis prediction method for class imbalance
Kumar et al. A hybrid data mining approach for diabetes prediction and classification
Juliet et al. An improved prediction model for type 2 diabetes mellitus disease using clustering and classification algorithms

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
TR01 Transfer of patent right

Effective date of registration: 20240202

Address after: Building 20, Qingwang Science and Technology Park, Kaiyuan Avenue, Chuanhui District, Zhoukou City, Henan Province, 466000

Patentee after: Henan Jixiang Pharmaceutical Logistics Co.,Ltd.

Country or region after: China

Address before: 066004 No. 143, Taishan Road, Qinhuangdao economic and Technological Development Zone, Hebei, China

Patentee before: NORTHEASTERN University AT QINHUANGDAO

Country or region before: China

TR01 Transfer of patent right