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
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 Download PDFInfo
- Publication number
- CN111028944A CN111028944A CN201911291182.1A CN201911291182A CN111028944A CN 111028944 A CN111028944 A CN 111028944A CN 201911291182 A CN201911291182 A CN 201911291182A CN 111028944 A CN111028944 A CN 111028944A
- Authority
- CN
- China
- Prior art keywords
- data
- constructing
- features
- adopting
- principal component
- 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.)
- Pending
Links
- 208000026106 cerebrovascular disease Diseases 0.000 title claims abstract description 24
- 210000005036 nerve Anatomy 0.000 title claims abstract description 14
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000007637 random forest analysis Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000556 factor analysis Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 1
- 208000006011 Stroke Diseases 0.000 abstract description 18
- 238000007477 logistic regression Methods 0.000 abstract description 5
- 238000012706 support-vector machine Methods 0.000 abstract description 5
- 206010008190 Cerebrovascular accident Diseases 0.000 abstract description 2
- 230000002490 cerebral effect Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract description 2
- 206010020772 Hypertension Diseases 0.000 description 7
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 210000003141 lower extremity Anatomy 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 206010003591 Ataxia Diseases 0.000 description 1
- 206010013887 Dysarthria Diseases 0.000 description 1
- 208000004929 Facial Paralysis Diseases 0.000 description 1
- 238000000585 Mann–Whitney U test Methods 0.000 description 1
- 208000036826 VIIth nerve paralysis Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010837 poor prognosis Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000001364 upper extremity Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 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
- G16H50/20—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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
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
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FW和缺失特征集合FM,按缺失率对FM从小到大排序FM={f1,f2,....,fK},假设i=1;
2特征fi+1,...,fK先采用平均值填充缺失值,将特征fi中无缺失的数据作为训练标签,其对应位置在特征fi+1,...,fK和FW中数据作为训练集,采用随机森林回归预测特征fi中的缺失的数据得到无缺失特征fi w,集合FW加入fi 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FA;
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FA中差异有统计学意义的特征得到M个样本xk(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:
引入非线性映射函数Φ,使输入空间中的样本点x1,x2...xM变换为特征空间的样本点Φ(x1),Φ(x2),...,Φ(xM),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(xi)(i=1,2,...,M)线性表示出,
其中a1,a2,....,aN为常数。
定义一个N×N且满足Mercer条件的矩阵K:
Kij=Φ(xi)·Φ(xj) (6)
K称为核矩阵,由公式1-5可得:
Mλa=Ka (7)
式中lij=1(对于所有的i,j)
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291182.1A CN111028944A (zh) | 2019-12-16 | 2019-12-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911291182.1A CN111028944A (zh) | 2019-12-16 | 2019-12-16 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111028944A true CN111028944A (zh) | 2020-04-17 |
Family
ID=70209232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911291182.1A Pending CN111028944A (zh) | 2019-12-16 | 2019-12-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028944A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN112613985A (zh) * | 2020-12-28 | 2021-04-06 | 恒瑞通(福建)信息技术有限公司 | 一种信用评估模型的数据处理方法及终端 |
CN114176609A (zh) * | 2021-12-27 | 2022-03-15 | 杭州电子科技大学 | 基于脑电信号的卒中严重程度分类预测模型建立方法 |
CN114496209A (zh) * | 2022-02-18 | 2022-05-13 | 青岛市中心血站 | 一种献血智能决策方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160139160A1 (en) * | 2014-11-17 | 2016-05-19 | Boston Heart Diagnostic Corporation | Cardiovascular disease risk assessment |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN107506579A (zh) * | 2017-08-14 | 2017-12-22 | 西南大学 | 基于集成学习的脑出血预测模型建立方法及系统 |
CN107730893A (zh) * | 2017-11-30 | 2018-02-23 | 大连理工大学 | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 |
CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
CN109036568A (zh) * | 2018-09-03 | 2018-12-18 | 浪潮软件集团有限公司 | 一种基于朴素贝叶斯算法的预测模型的建立方法 |
CN109165160A (zh) * | 2018-08-28 | 2019-01-08 | 北京理工大学 | 基于核主成分分析算法的软件缺陷预测模型设计方法 |
-
2019
- 2019-12-16 CN CN201911291182.1A patent/CN111028944A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160139160A1 (en) * | 2014-11-17 | 2016-05-19 | Boston Heart Diagnostic Corporation | Cardiovascular disease risk assessment |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN107506579A (zh) * | 2017-08-14 | 2017-12-22 | 西南大学 | 基于集成学习的脑出血预测模型建立方法及系统 |
CN107909433A (zh) * | 2017-11-14 | 2018-04-13 | 重庆邮电大学 | 一种基于大数据移动电子商务的商品推荐方法 |
CN107730893A (zh) * | 2017-11-30 | 2018-02-23 | 大连理工大学 | 一种基于乘客出行多维特征的共享巴士站点客流预测方法 |
CN109165160A (zh) * | 2018-08-28 | 2019-01-08 | 北京理工大学 | 基于核主成分分析算法的软件缺陷预测模型设计方法 |
CN109036568A (zh) * | 2018-09-03 | 2018-12-18 | 浪潮软件集团有限公司 | 一种基于朴素贝叶斯算法的预测模型的建立方法 |
Non-Patent Citations (2)
Title |
---|
周文;王瑜;肖红兵;曹利红;: "基于KPCA算法的阿尔茨海默症辅助诊断" * |
耿银凤;张雪英;李凤莲;胡风云;贾文辉;王超;: "优化极限学习机及其在脑卒中TCD数据分类应用" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111613289A (zh) * | 2020-05-07 | 2020-09-01 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN111613289B (zh) * | 2020-05-07 | 2023-04-28 | 浙江大学医学院附属第一医院 | 个体化药物剂量预测方法、装置、电子设备及存储介质 |
CN112613985A (zh) * | 2020-12-28 | 2021-04-06 | 恒瑞通(福建)信息技术有限公司 | 一种信用评估模型的数据处理方法及终端 |
CN114176609A (zh) * | 2021-12-27 | 2022-03-15 | 杭州电子科技大学 | 基于脑电信号的卒中严重程度分类预测模型建立方法 |
CN114496209A (zh) * | 2022-02-18 | 2022-05-13 | 青岛市中心血站 | 一种献血智能决策方法及系统 |
CN114496209B (zh) * | 2022-02-18 | 2022-09-27 | 青岛市中心血站 | 一种献血智能决策方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028944A (zh) | 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 | |
Li et al. | Diabetes prediction based on XGBoost algorithm | |
Chaurasia et al. | Early prediction of heart diseases using data mining techniques | |
US20210296002A1 (en) | Long short-term memory model-based disease prediction method and apparatus, and computer device | |
CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
CN111968741B (zh) | 基于深度学习与集成学习的糖尿病并发症高危预警系统 | |
WO2022166158A1 (zh) | 一种基于卷积生存网络的血透并发症长期风险预测系统 | |
EP3859666A1 (en) | Classification device, classification method, program, and information recording medium | |
CN113487614A (zh) | 胎儿超声标准切面图像识别网络模型的训练方法和装置 | |
CN111863247B (zh) | 基于结构磁共振影像的大脑年龄级联精炼预测方法及系统 | |
CN116153495A (zh) | 一种食管癌患者免疫治疗预后生存预测方法 | |
CN114708903A (zh) | 一种基于自注意力机制的蛋白质残基间距离预测方法 | |
Febro | Utilizing feature selection in identifying predicting factors of student retention | |
CN115114445A (zh) | 细胞知识图谱构建方法、装置、计算设备及存储介质 | |
US20210158967A1 (en) | Method of prediction of potential health risk | |
Tahir et al. | Neural networks algorithm to inquire previous preeclampsia factors in women with chronic hypertension during pregnancy in childbirth process | |
CN112309571B (zh) | 数字病理图像的预后量化特征的筛选方法 | |
Pokharel et al. | Deep learning for predicting the onset of type 2 diabetes: enhanced ensemble classifier using modified t-SNE | |
CN116644378A (zh) | 一种基于双层嵌套lstm的超长多维时间序列分类方法 | |
CN115376614A (zh) | 基于卷积神经网络与注意力机制结合的关键路径识别方法 | |
Choubey et al. | Soft computing techniques for dengue prediction | |
Lantang et al. | Convolutional neural network for predicting the spread of cancer | |
KR20220083450A (ko) | 설명 가능한 인공지능을 이용한 법률 문서 유사도 분석 시스템 및 방법 | |
Kavya et al. | Heart Disease Prediction Using Logistic Regression | |
Kotiyal et al. | Diabetic Retinopathy Binary Image Classification Using Pyspark |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200417 |