CN110473627B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110473627B
CN110473627B CN201910542751.9A CN201910542751A CN110473627B CN 110473627 B CN110473627 B CN 110473627B CN 201910542751 A CN201910542751 A CN 201910542751A CN 110473627 B CN110473627 B CN 110473627B
Authority
CN
China
Prior art keywords
layer
data
rule
value
excitation
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.)
Expired - Fee Related
Application number
CN201910542751.9A
Other languages
English (en)
Other versions
CN110473627A (zh
Inventor
琚生根
刘宁宁
孙界平
夏欣
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN201910542751.9A priority Critical patent/CN110473627B/zh
Publication of CN110473627A publication Critical patent/CN110473627A/zh
Application granted granted Critical
Publication of CN110473627B publication Critical patent/CN110473627B/zh
Expired - Fee Related 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Automation & Control Theory (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Epidemiology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及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，步骤如下：S1，搜集数据并进行缺失数据统计；S2，对步骤S1所述的数据进行分类整理；S3，将对步骤S1中缺失数据进行补全；S4，建立CS‑ELANFIS模型，并利用模型来实现糖尿病的预测。该基于代价敏感的自适应神经模糊推理糖尿病预测方法中利用了KMEANS‑EM算法来对缺失的数据进行补全，同时CS‑RELANFIS算法具有较高的准确率，能够提高整体准确率的同时降低了将糖尿病患者预测为正常人的概率，从而可以更好的帮助医生对糖尿病患者进行早期诊断和治疗，在临床上有很重要的意义。

Description

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
技术领域
本发明涉及糖尿病预测技术领域，具体为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。
背景技术
糖尿病是一种以高血糖为特征的慢性疾病，表现为多饮，多尿，多食等症状，是四大非传染性疾病之一，糖尿病主要受生活方式、环境因素、社会因素以及遗传因素等因素的影响，随着年龄的增长，患糖尿病的风险也会增加。
随着机器学习技术的不断发展，其在各个领域的应用中展示出良好的效果。相关研究人员将机器学习技术应用到糖尿病的诊断预测上，大多数算法都表现较好。目前关于糖尿病预测的相关方法通常是以提高准确率为目的，即降低总的分类错误数目，而没有考虑到不同分类错误的代价不同。
发明内容
为了解决上述问题，本发明的目的在于提供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。
为实现上述目的，本发明提供如下技术方案：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，步骤如下：
S1，搜集数据并进行缺失数据统计；
S2，对步骤S1所述的数据进行分类整理；
S3，将对步骤S1中缺失数据进行补全；
S4，建立CS-ELANFIS模型，并利用模型来实现糖尿病的预测。
优选的，所述步骤S3中的中缺失数据的补全用到KMEANS-EM算法；
循环选择聚类数目K；
使用K均值聚类的方法根据输入的K值将输入数据划分为K个簇，将每个簇的数据保存在一起，其中缺失值用NaN表示；
遍历每个簇中的数据，若数据存在缺失值，则运行EM算法，利用该数据所在的簇的其他信息将缺失值进行补全；
执行以上三步，直到选出使缺失值填充效果最优的K值。
优选的，所述步骤S4中的CS-ELANFIS模型中包括输入层、模糊化层、激励层、标准化层、后项参数层和输出层。
优选的，所述输入层为接收数据，X＝[X1,X2,X3,…,Xm]T代表一个输入样本X，Xi为该样本的第i个特征值；
模糊化层为利用隶属函数将输入变量进行模糊化，并输出对应的隶属度，Mfi j为针对Xi变量的第j条规则产生的隶属度，选用钟形隶属函数来产生隶属度；
激励层为根据第二层计算的隶属度可以求得每条规则的激励强度；
标准化层为将模糊规则的每个激励强度用公式进行标准化；
后项参数层为将上一层产生的标准化激励强度与输入变量、后项参数以公式的方式相结合；
输出层为将后项参数层产生的结果进行求和相加得到预测结果t，其中L代表产生的规则总数。
优选的，所述模糊化层中用到的钟形隶属函数为
Figure GDA0002616273860000021
其中隶属函数的形状是由参数ai,bi,ci决定的，并对参数进行选择，参数选择用到如下公式：
Figure GDA0002616273860000022
其中，
Figure GDA0002616273860000023
Ri代表第i个特征变量的变化范围，r表示隶属函数的个数，dcc为隶属函数中心点之间的距离，ci *为初始的隶属函数的中心值，其默认值是将输入变量的范围分为等间隔的值。
优选的，所述激励层用到一下公式：
Figure GDA0002616273860000031
其中Wj为第j条规则的激励强度，
Figure GDA0002616273860000032
表示针对变量Xi的第j条规则产生的隶属度，Xi表示样本的第i个特征值。
优选的，所述标准化层用到的公式为：
Figure GDA0002616273860000033
Wj为第j条规则的激励强度，L表示规则总数目，Wi为第i条规则的激励强度。
优选的，所述后项参数层所用到的公式为：
Figure GDA0002616273860000034
Figure GDA0002616273860000035
Wi为第i条规则的激励强度；
Figure GDA0002616273860000036
表示经过标准化后的第i条规则的激励强度，pim表示后项参数矩阵中的参数，m表示每个样本的属性个数，fi为第i个后项参数层。
优选的，所述输出层用的公式为：
Figure GDA0002616273860000037
其中：fi为第i个后项参数层，L表示规则总数目，Wi为第i条规则的激励强度。
与现有技术相比，本发明的有益效果是：该基于代价敏感的自适应神经模糊推理糖尿病预测方法利用了KMEANS-EM算法来对缺失的数据进行补全，同时CS-RELANFIS算法具有较高的准确率，能够提高整体准确率的同时降低了将糖尿病患者预测为正常人的概率，从而可以更好的帮助医生对糖尿病患者进行早期诊断和治疗，在临床上有很重要的意义。
附图说明
图1为本发明CS-ELANFIS模型整体框架图；
图2为不同缺失值补全方法的准确性示意图；
图3为本发明中不同算法在数据集1上的准确率对比实验结果图；
图4为本发明中不同算法在数据集1上的ER值对比实验结果图；
图5为本发明中不同算法在数据集2上的准确率对比实验结果图；
图6为本发明中不同算法在数据集2上的ER值对比实验结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-6，本发明提供一种技术方案：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，步骤如下：
S1，搜集数据并进行缺失数据统计；
S2，对步骤S1所述的数据进行分类整理；
S3，将对步骤S1中缺失数据进行补全；
S4，建立CS-ELANFIS模型，并利用模型来实现糖尿病的预测。
进一步的，所述步骤S3中的中缺失数据的补全用到KMEANS-EM算法；
循环选择聚类数目K；
使用K均值聚类的方法根据输入的K值将输入数据划分为K个簇，将每个簇的数据保存在一起，其中缺失值用NaN表示；
遍历每个簇中的数据，若数据存在缺失值，则运行EM算法，利用该数据所在的簇的其他信息将缺失值进行补全；
执行以上三步，直到选出使缺失值填充效果最优的K值。
进一步的，所述步骤S4中的CS-ELANFIS模型中包括输入层、模糊化层、激励层、标准化层、后项参数层和输出层。
进一步的，所述输入层为接收数据，X＝[X1,X2,X3,…,Xm]T代表一个输入样本X，Xi为该样本的第i个特征值；
模糊化层为利用隶属函数将输入变量进行模糊化，并输出对应的隶属度，Mfi j为针对Xi变量的第j条规则产生的隶属度，选用钟形隶属函数来产生隶属度；
激励层为根据第二层计算的隶属度可以求得每条规则的激励强度；
标准化层为将模糊规则的每个激励强度用公式进行标准化；
后项参数层为将上一层产生的标准化激励强度与输入变量、后项参数以公式的方式相结合；
输出层为将后项参数层产生的结果进行求和相加得到预测结果t，其中L代表产生的规则总数。所述模糊化层中用到的钟形隶属函数为
Figure GDA0002616273860000051
其中隶属函数的形状是由参数ai,bi,ci决定的，并对参数进行选择，参数选择用到如下公式：
Figure GDA0002616273860000052
其中，
Figure GDA0002616273860000053
Ri代表第i个特征变量的变化范围，r表示隶属函数的个数，dcc为隶属函数中心点之间的距离，ci *为初始的隶属函数的中心值，其默认值是将输入变量的范围分为等间隔的值。所述激励层用到一下公式：
Figure GDA0002616273860000054
其中Wj为第j条规则的激励强度，
Figure GDA0002616273860000055
表示针对变量Xi的第j条规则产生的隶属度，Xi表示样本的第i个特征值。所述标准化层用到的公式为：
Figure GDA0002616273860000056
Wj为第j条规则的激励强度，L表示规则总数目，Wi为第i条规则的激励强度。
所述后项参数层所用到的公式为：
Figure GDA0002616273860000061
Figure GDA0002616273860000062
Wi为第i条规则的激励强度；
Figure GDA0002616273860000063
表示经过标准化后的第i条规则的激励强度，pim表示后项参数矩阵中的参数，m表示每个样本的属性个数，fi为第i个后项参数层。所述输出层用的公式为：
Figure GDA0002616273860000064
其中：fi为第i个后项参数层，L表示规则总数目，Wi为第i条规则的激励强度，总共有N个样本，每个样本有m个属性，利用h个隶属函数来进行，则产生的规则数为L＝hm,可将上述输出层的公式写成如下形式：TN×1＝HN×L(m+1)βL(M+1)×1；其中，其中T代表标签向量，H代表前项参数矩阵，β代表后项参数矩阵；
Figure GDA0002616273860000065
Figure GDA0002616273860000066
故可将TN×＝HN×L(m+1)βL(M+1)×1写成
Figure GDA0002616273860000067
其中，δi表示对于第i个样本的输出值与预算值之间的误差，W是代价敏感矩阵,W是一个对角矩阵，每行代表一个样本，对角线上的值代表该样本分错所带来的代价。C是正则化参数，在公式中加入正则项参数可以有效提高模型的泛化能力，防止过拟合。
基于KKT条件，上述优化问题的解等价于解如下公式的对偶方程：
Figure GDA0002616273860000071
其中，αi为拉格朗日乘子，每个αi对应第i个训练样本，上式的KKT优化条件公式如下：
Figure GDA0002616273860000072
当训练样本数目不大时：
Figure GDA0002616273860000073
当训练样本数目很大时：
Figure GDA0002616273860000074
进一步的，进行试验验证；
选取如下两个糖尿病数据集：(1)UCI存储库的匹马印第安人糖尿病数据集；(2)来自Kaggle的糖尿病数据集；述两个数据集中每条数据包括以下8个数值型属性，分别是怀孕次数、口服葡萄糖耐受试验中2小时的血浆葡萄糖浓度、舒张压、三头肌皮肤褶层厚度、2小时血清胰岛素含量、身体质量指数、糖尿病家族史以及年龄，数据的详细信息如表1所示。
数据集 总样本量 正样本量 负样本量 属性数目
数据集1 768 268 500 8
数据集2 2000 648 1316 8
表一：试验数据其中数据集1中存在缺失值，详细的缺失值信息如表2所示。
Figure GDA0002616273860000075
Figure GDA0002616273860000081
表二：缺失值统计
二分类的混淆矩阵如表3所示，其中TP表示实际为正类预测为正类，FN表示实际为正类预测为负类，FP表示实际为负类预测为正类，TN表示实际为负类预测为负类。
Figure GDA0002616273860000082
表三：混淆矩阵
用以下两个指标对实验结果进行评价：
Figure GDA0002616273860000083
其中ACC表示准确率，即分类对的样本与总的样本的比值，该值越大代表预测的效果越好。ER代表将正例分为负例的数目与总的分类错误数目的比值，该值越小表明将糖尿病患者预测为正常人的概率越小。
将数据用4中常见的方法与本发明中KMEANS-EM进行处理比较，常见的4种方法为不处理缺失值、使用中值填充缺失值、使用平均数填充缺失值和使用众数填充缺失值，并选择常见的分类器来验证各种缺失值处理方法的优劣，这三种分类器分别是支持向量机(SVM)，决策树(DT)和朴素贝叶斯(NB)。本文在每个分类器上分别用四种常见的缺失值处理方法和本文提出的KMEANS_EM缺失值填充方法进行实验，实验结果如图2所示，实验结果表明尽管不同的缺失值处理方法在不同的分类器上的效果不同，但是利用本文提出的缺失值补全方法处理后的数据在三个分类器上均取得了最优的结果，故本文提出的缺失值补全方法是可行的。
将数据集1和数据集2中的数据输入到极限学习机(ELM)，自适应神经模糊推理系统(ANFIS)以及极限自适应神经模糊推理系统(ELANFIS)与本发明提出的CS-RELANFIS算法进行处理比较，实验结果如图3-6所示，CS-RELANFIS算法在两个数据集上均取得了最高的准确率和最低的ER值，表明了本文提出的方法不仅能够提高整体的预测准确率而且将糖尿病患者分为正常人的错误相对较少。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于代价敏感的自适应神经模糊推理糖尿病预测方法，其特征在于：步骤如下：
S1，搜集数据并进行缺失数据统计；
S2，对步骤S1所述的数据进行分类整理；
S3，对步骤S1中缺失数据进行补全；所述步骤S3中的缺失数据的补全用到KMEANS-EM算法；
循环选择聚类数目K；
使用K均值聚类的方法根据输入的K值将输入数据划分为K个簇，将每个簇的数据保存在一起，其中缺失值用NaN表示；
遍历每个簇中的数据，若数据存在缺失值，则运行EM算法，利用该数据所在的簇的其他信息将缺失值进行补全；
执行以上三步，直到选出使缺失值填充效果最优的K值；
S4，建立CS-ELANFIS模型，并利用模型来实现糖尿病的预测，CS-ELANFIS模型中包括输入层、模糊化层、激励层、标准化层、后项参数层和输出层；
所述输入层为接收数据，X＝[X1,X2,X3,…,Xm]T代表一个输入样本X，Xi为该样本的第i个特征值；
模糊化层为利用隶属函数将输入变量进行模糊化，并输出对应的隶属度，Mfi j为针对Xi变量的第j条规则产生的隶属度，选用钟形隶属函数来产生隶属度；
激励层根据第二层计算的隶属度求得每条规则的激励强度；
标准化层为将模糊规则的每个激励强度用公式进行标准化；
后项参数层为将上一层产生的标准化激励强度与输入变量、后项参数以公式的方式相结合；
输出层为将后项参数层产生的结果进行求和相加得到预测结果t。
2.根据权利要求1所述的基于代价敏感的自适应神经模糊推理糖尿病预测方法，其特征在于：所述模糊化层中用到的钟形隶属函数为
Figure FDA0002616273850000021
其中隶属函数的形状是由参数ai,bi,ci决定的，并对参数进行选择，参数选择用到如下公式：
Figure FDA0002616273850000022
其中，
Figure FDA0002616273850000023
Ri代表第i个特征变量的变化范围，r表示隶属函数的个数，dcc为隶属函数中心点之间的距离，ci *为初始的隶属函数的中心值，其默认值是将输入变量的范围分为等间隔的值。
3.根据权利要求1所述的基于代价敏感的自适应神经模糊推理糖尿病预测方法，其特征在于：所述激励层用到以下公式：
Figure FDA0002616273850000024
其中Wj为第j条规则的激励强度，
Figure FDA0002616273850000025
表示针对变量Xi的第j条规则产生的隶属度，Xi表示样本的第i个特征值。
4.根据权利要求1所述的基于代价敏感的自适应神经模糊推理糖尿病预测方法，其特征在于：所述标准化层用到的公式为：
Figure FDA0002616273850000026
Wj为第j条规则的激励强度，L表示规则总数目，Wi为第i条规则的激励强度。
5.根据权利要求1所述的基于代价敏感的自适应神经模糊推理糖尿病预测方法，其特征在于：所述后项参数层所用到的公式为：
Figure FDA0002616273850000027
Figure FDA0002616273850000028
Wi为第i条规则的激励强度；
Figure FDA0002616273850000029
表示经过标准化后的第i条规则的激励强度，pim表示后项参数矩阵中的参数，m表示每个样本的属性个数，fi为第i个后项参数层。
6.根据权利要求3所述的基于代价敏感的自适应神经模糊推理糖尿病预测方法，其特征在于：所述输出层用的公式为：
Figure FDA0002616273850000031
其中：fi为第i个后项参数层，L表示规则总数目，Wi为第i条规则的激励强度。
CN201910542751.9A 2019-06-21 2019-06-21 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 Expired - Fee Related CN110473627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910542751.9A CN110473627B (zh) 2019-06-21 2019-06-21 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910542751.9A CN110473627B (zh) 2019-06-21 2019-06-21 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

Publications (2)

Publication Number Publication Date
CN110473627A CN110473627A (zh) 2019-11-19
CN110473627B true CN110473627B (zh) 2020-09-18

Family

ID=68506929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910542751.9A Expired - Fee Related CN110473627B (zh) 2019-06-21 2019-06-21 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

Country Status (1)

Country Link
CN (1) CN110473627B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111128372A (zh) * 2019-12-02 2020-05-08 重庆邮电大学 基于rf-lr改进算法的疾病预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8700541B2 (en) * 2012-02-02 2014-04-15 I-Shou University Modeling method of neuro-fuzzy system
CN102930163A (zh) * 2012-11-01 2013-02-13 北京理工大学 一种2型糖尿病风险状态判定方法
CN103177088B (zh) * 2013-03-08 2016-05-18 北京理工大学 一种生物医学空缺数据弥补方法

Also Published As

Publication number Publication date
CN110473627A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
Ramesh et al. Predictive analysis of heart diseases with machine learning approaches
Misra et al. Improving the classification accuracy using recursive feature elimination with cross-validation
Hayashi et al. Rule extraction using Recursive-Rule extraction algorithm with J48graft combined with sampling selection techniques for the diagnosis of type 2 diabetes mellitus in the Pima Indian dataset
Patil et al. A comparative analysis on the evaluation of classification algorithms in the prediction of diabetes
Alirezaei et al. A bi-objective hybrid optimization algorithm to reduce noise and data dimension in diabetes diagnosis using support vector machines
Alex et al. Deep convolutional neural network for diabetes mellitus prediction
Bashir et al. A multicriteria weighted vote‐based classifier ensemble for heart disease prediction
Saha et al. A widespread study of diabetes prediction using several machine learning techniques
Kangra et al. Comparative analysis of predictive machine learning algorithms for diabetes mellitus
Pekel Özmen et al. Diagnosis of diabetes mellitus using artificial neural network and classification and regression tree optimized with genetic algorithm
Al-Zubaidi et al. Stroke prediction using machine learning classification methods
Zhou et al. A diabetes prediction model based on Boruta feature selection and ensemble learning
Atif et al. An ensemble learning approach for effective prediction of diabetes mellitus using hard voting classifier
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
Tiwari Early prediction of heart disease using deep learning approach
Gopi et al. IoT based disease prediction using mapreduce and LSQN 3 techniques
Zhong et al. Clinical charge profiles prediction for patients diagnosed with chronic diseases using Multi-level Support Vector Machine
Awe et al. Weighted hard and soft voting ensemble machine learning classifiers: Application to anaemia diagnosis
CN110265146B (zh) 一种基于Bagging-Fuzzy-GBDT算法的心脏病预测方法
Settouti et al. Interpretable classifier of diabetes disease
Chowdary et al. An enhanced naïve bayes classification algorithm to predict type II diabetes
Prajapati et al. Early Detection and Prediction of Diabetes Using Ensemble Classifier
PermankiGuthu et al. Early knowledge-driven prognostic reasoning model using effective data analytics approach
Alhmiedat et al. The Investigation of Employing Supervised Machine Learning Models to Predict Type 2 Diabetes Among Adults.
Talari et al. An Intelligent Medical Expert System Using Temporal Fuzzy Rules and Neural Classifier.

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200918