CN111028944A - 一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型 - Google Patents

Abstract

本发明公开一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型，先从大数据平台中获取已经处理好的医疗结构化数据，对所有数据进行预处理后，采用如下特征提取方法：先构建特征，然后针对所有特征数据，提取有显著性差异的特征数据，接着采用核主成分分析将数据映射到高维度后再降维。最后构建基于逻辑回归、支持向量机、随机森林的脑卒中病情严重程度的机器学习模型。实验分别设置4个对照组，实践证明，该方法相比于对照组能够有效的提高各分类器对于脑血管病神经功能损伤程度的预测性能，相比于对照组，大大缩短了特征提取的时间。

Description

一种基于核主成分分析和多项式特征的脑血管病神经功能损 伤程度预测模型

技术领域

本发明涉及医疗大数据挖掘及疾病智能评估领域，尤其是一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型。

背景技术

脑血管病(cerebrovascular disease，CVD)是指由于各种脑血管病变所引起的脑部病变，包括出血性脑血管病和缺血性脑血管病，狭义的脑血管病即脑卒中。我国脑血管病负担居于世界前列，具有高发病率、高致残率、高死亡率、高复发率等特点，严重威胁人口健康，已经成为我国重大的公共卫生问题。

脑血管病神经功能损害的临床表现复杂，对患者神经功能缺损程度的准确评估有助于判断病情严重程度、预测短期及长期预后，为医务人员治疗决策及选择适合的康复方案提供指导，特异性神经功能缺损程度评估量表是必不可少的工具。脑血管病神经功能损伤程度评估主要基于量表评分，美国国立卫生研究院卒中量表(National Institutes ofHealth Stroke Scale，NIHSS)是全世界范围内应用最广泛的脑血管病神经功能损伤程度评估量表，其包括11项内容：1a.意识水平，1b.意识水平提问，1c.意识水平指令，2.凝视，3.视野，4.面瘫，5.上下肢运动，6.下肢运动，7.肢体共济失调，8.感觉，9.语言，10.构音障碍，11.忽视，总分0～42分，平均评估用时6min，各项目评分相加的和即为患者的NIHSS评分，根据分值的不同将病情分为2级，NIHSS评分1～5分为轻度脑卒中，预后良好；NIHSS评分≥6分为中重度脑卒中，提示预后不良。

近年来，随着医疗大数据的兴起，大部分医疗单位构建的传统疾病预测模型一般步骤即获取样本→数据预处理→集成学习器→输出结果，而这些模型过分依赖于集成学习器的性能，没有从特征的角度取挖掘数据的潜在信息。因此本发明从特征工程角度出发，先基于原始特征构建交互特征和多项式特征，结合单因素分析方法，提取差异有统计学意义的的特征。方法以及核主成分分析(kernel principal component analysis，KPCA)算法对数据特征进行处理，最后构建脑血管病神经功能损伤程度预测模型，实现脑卒中患者入院病情严重程度的智能评估，提高评定准确性，并能够为实施脑卒中的早期干预提供科学参考，提高脑卒中临床决策的准确率，降低脑卒中患者的死亡率以及患脑卒中并发症的风险。

发明内容

本发明的目的在于提供一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型，从特征的角度取挖掘数据的潜在信息，构建脑血管病神经功能损伤程度预测模型，为实施脑卒中的早期干预提供科学参考。

本发明的技术方案为：一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型，主要包括以下步骤：

1.数据获取：获取脑血管病患者的医疗结构化数据，其中包括连续型数据和字符串类型数据。

2.数据预处理：

2.1.字符串转换：针对所有字符串类型数据，二分类变量转化成0，1数据，多分类变量先转化成连续性变量后再转换成离散型变量；

2.2对数据缺失值和异常值的处理：对于异常和偏离正常值的数据，默认删除或者作为缺失值进行处理。对于缺失数据，连续型变量特征采用随机森林回归进行填补，离散型变量特征采用众数进行填补。

2.3.数据集的划分：将数据划分成训练集和测试集以及验证集。

2.4.NIHSS评分的等级(轻度，中重度)划分：根据NIHSS评分划分规则分成轻度卒中(记为0)和中重度卒中(记为1)，作为模型数据集的标签。

3.特征提取：

3.1.针对所有的离散型特征，构建两两交互特征，针对所有的连续型特征，构建多项式特征；

3.2.采用单因素分析的方法，提取差异有统计学意义(P<0.05)的特征。

3.3.采用核主成分分析(kernel principal component analysis，KPCA)算法将数据映射到高维度后再降维；

3.4.将训练集、验证集、测试集按统一的标准进行归一化，得到最终用于分类的数据。

4.对照组设置：

4.1.不做特征提取算法的数据；(对照组一)

4.2.只采用KPCA算法后的数据；(对照组二)

4.3.只构建多项式特征后的数据；(对照组三)

4.4.构建多项式特征后采用KPCA的数据；(对照组四)

5.模型构建：

以特征提取后的数据为基础，分别构建基于LR、SVM、RF的机器学习模型，对比各对照组和实验组的实验结果和训练所花时间。

本模型涉及的特征包括患者基本信息、生命体征、实验室检查、器械检查、临床用药、临床诊断及转归等临床诊治信息。

本发明的优点在于：先从大数据平台中获取已经处理好的医疗结构化数据，以美国国立卫生研究院卒中量表(National Institute of Health stroke scale，NIHSS)评分作为神经功能损伤程度的划分标准，对所有数据进行预处理后，采用如下特征提取方法：先构建特征(多项式特征和交互特征)，然后针对所有特征数据(原有特征和多项式特征)，提取有显著性差异的特征数据，接着采用核主成分分析(kernel principal componentanalysis，KPCA)将数据映射到高维度后再降维。最后构建基于逻辑回归(LogisticsRegression,LR)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)的脑卒中病情严重程度的机器学习模型。实验分别设置4个对照组，1.不做特征提取算法的数据；2.只采用KPCA算法后的数据；3.只构建多项式特征后的数据；4.构建多项式特征后采用KPCA的数据。本模型通过构建多项式特征以及采用KPCA算法，全面的挖掘数据里面的潜在信息，使得数据变得线性可分；考虑到数据特征维度过大导致的计算时间过长的问题，一方面，先采用单因素分析方法过滤一些无关的属性，另外一方面，KPCA算法能保留原始信息的同时，将特征数降到一个较低的维度，实践证明,该方法相比于对照组1、2、3、4，能够有效的提高各分类器对于脑血管病神经功能损伤程度的预测性能，相比于对照组4，大大缩短了特征提取的时间。

附图说明

图1为本发明流程示意图；

具体实施方式

一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测型，其步骤如下：

1.数据获取：获取大数据平台中所有脑血管病患者的医疗结构化数据，其中包括连续型数据和字符串类型数据。

2.数据预处理：

2.1.字符串转换：针对所有字符串类型数据，二分类变量转化成0，1数据，多分类变量先转化成连续性变量后再转换成离散型变量。例如在既往史中，有高血压史转化成数值1，没有高血压史转化成数值0。

2.2对数据缺失值和异常值的处理：对于异常和偏离正常值的数据，默认删除或者作为缺失值进行处理。对于缺失数据，离散型变量特征采用众数进行填补。连续型变量特征采用随机森林回归进行填补，其具体填补方式如下：

1对于所有特征，分无缺失特征集合F_W和缺失特征集合F_M，按缺失率对F_M从小到大排序F_M＝{f₁,f₂,....,f_K}，假设i＝1；

2特征f_i+1,...,f_K先采用平均值填充缺失值，将特征f_i中无缺失的数据作为训练标签，其对应位置在特征f_i+1,...,f_K和F_W中数据作为训练集，采用随机森林回归预测特征f_i中的缺失的数据得到无缺失特征f_i ^w，集合F_W加入f_i ^w，i＝i+1。

3重复步骤2，直到i＝K,所有特征数据缺失值均已补全。

2.3.数据集的划分：将数据按照7：1：2划分成训练集、验证集、测试集。

2.4.NIHSS评分的等级(轻度，中重度)划分：根据已知文献，将NIHSS评分0-5划分成轻度卒中，记为0，评分大于等于6划分成中重度卒中，记为1，作为模型的标签数据集。

3.特征提取：

3.1.针对所有的离散型特征，构建两两交互特征，例如，高血压史和糖尿病史可以构建四种特征，即存在高血压史不存在糖尿病史、不存在高血压史存在糖尿病史、既存在高血压史又存在糖尿病史、既不存在高血压史又不存在糖尿病史；针对所有的连续型特征，构建n项式特征(n＜＝5)，例如比如现在有特征A，特征B，特征C，那就可以得到二项式特征：(A^2)，A*B，A*C，B^2，B*C以及C^2，新生成的这些变量即原有变量的有机组合，将这些新构建的n项式特征加入原有的特征集F_A；

3.2.采用单因素分析方法，以P<0.05为差异有统计学意义，提取F_A中差异有统计学意义的特征得到M个样本x_k(k＝1,2,...,M)。对于符合正态分布的特征，采用t检验；对于不符合正态分布的特征，采用Mann Whitney U检验。；

3.3.采用核主成分分析(kernel principal component analysis，KPCA)算法将数据映射到高维度后再降维，其具体步骤如下：

对于输入空间的M个样本x_k，x_k∈R^N，使

引入非线性映射函数Φ，使输入空间中的样本点x₁,x₂...x_M变换为特征空间的样本点Φ(x₁),Φ(x₂),...,Φ(x_M)，并假设

则在特征空间F中的协方差矩阵为

因此，特征空间中的PCA的求解方程是

特征值λ和特征向量v∈F\{0}，进而有

而上式中ν可以由Φ(x_i)(i＝1,2,...,M)线性表示出，

其中a₁,a₂,....,a_N为常数。

定义一个N×N且满足Mercer条件的矩阵K:

K_ij＝Φ(x_i)·Φ(x_j) (6)

K称为核矩阵，由公式1-5可得：

Mλa＝Ka (7)

通过对公式7的求解，即获得要求的特征值和特征向量，对于测试样本在F空间向量V^k上的投影为

最后一个问题是假设式1在一般情况下是不成立的，此时公式7中的K由

代替。

式中l_ij＝1(对于所有的i,j)

选择高斯径向基(RBF)核函数:

输出矩阵

根据分类器的分类识别效果，确定最佳特征值和特征向量以及非线性主分量。

3.4.将训练集、验证集、测试集按统一的标准映射到到[0,1]区间，得到最终用于分类的数据；

4.对照组设置：

4.1.不做特征提取算法的数据；

4.2.只采用KPCA算法后的数据；

4.3.只构建多项式特征后的数据；

4.4.构建多项式特征后采用KPCA的数据；

5.模型构建：

以特征提取后的数据为基础，分别构建基于LR、SVM、RF的机器学习模型，以曲线下面积(Area Under Curve，AUC)作为衡量模型性能的标准，对比各对照组和实验组的实验结果和训练所花时间。

Claims (1)

1.一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型，其步骤如下：

数据获取：获取脑血管病患者的医疗结构化数据，其中包括连续型数据和字符串类型数据；

数据预处理：

2.1.字符串转换：针对所有字符串类型数据，二分类变量转化成0，1数据，多分类变量先转化成连续性变量后再转换成离散型变量；

2.2对数据缺失值和异常值的处理：对于异常和偏离正常值的数据，默认删除或者作为缺失值进行处理；对于缺失数据，连续型变量特征采用随机森林回归进行填补，离散型变量特征采用众数进行填补；

数据集的划分：将数据划分成训练集和测试集以及验证集；

NIHSS评分的等级（轻度，中重度）划分：根据NIHSS评分划分规则分成轻度卒中（记为0）和中重度卒中（记为1），作为模型数据集的标签；

特征提取：

针对所有的离散型特征，构建两两交互特征，针对所有的连续型特征，构建多项式特征；

采用单因素分析的方法，提取差异有统计学意义（P<0.05）的特征；

采用核主成分分析(kernel principal component analysis，KPCA）算法将数据映射到高维度后再降维；

将训练集、验证集、测试集按统一的标准进行归一化，得到最终用于分类的数据；

对照组设置：

不做特征提取算法的数据；（对照组一）

只采用KPCA算法后的数据；（对照组二）

只构建多项式特征后的数据；（对照组三）

构建多项式特征后采用KPCA的数据；（对照组四）

模型构建：

以特征提取后的数据为基础，分别构建基于LR、SVM、RF的机器学习模型，对比各对照组和实验组的实验结果和训练所花时间。

Images