CN111079824A - 一种通过比较向量距离对癫痫进行分类的方法 - Google Patents

一种通过比较向量距离对癫痫进行分类的方法 Download PDF

Info

Publication number
CN111079824A
CN111079824A CN201911281611.7A CN201911281611A CN111079824A CN 111079824 A CN111079824 A CN 111079824A CN 201911281611 A CN201911281611 A CN 201911281611A CN 111079824 A CN111079824 A CN 111079824A
Authority
CN
China
Prior art keywords
vector
epilepsy
classifying
comparing
judged
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
Application number
CN201911281611.7A
Other languages
English (en)
Inventor
冯维
胡创
刘浩
曹荻秋
吴端坡
夏晓威
吕耿
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201911281611.7A priority Critical patent/CN111079824A/zh
Publication of CN111079824A publication Critical patent/CN111079824A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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

本发明属于机器学习领域，具体涉及一种通过比较向量距离对癫痫进行分类的方法，包括以下步骤：S1、确定特征属性，获取训练样本；S2、将训练样本中癫痫发作个体与不发作个体分成两组，分别求两组数据的平均值向量a1和a0；S3、输入待判定个体，分别获取待判定个体特征属性向量与a1和a0之间的距离d1和d0；S4、比较d1和d0，输出较小的值所对应的分组，即为待判定个体的分组。本发明的通过比较向量距离对癫痫进行分类的方法，基于朴素贝叶斯分类器的思想，将比对概率换成比对距离，这种方法不需要依赖特征条件独立的假设，所以其不受特征属性相关性的影响，所以能够得到更好的结果。

Description

一种通过比较向量距离对癫痫进行分类的方法
技术领域
本发明属于机器学习领域，具体涉及一种通过比较向量距离对癫痫进行分类的方法。
背景技术
癫痫是一种常见的慢性脑部疾病。不仅在中国，乃至全世界都有许许多多的人深受癫痫的影响。通常的癫痫是通过脑电图来检测，在以往的研究过程中分析的工作由人工进行，弊端较多。故而，人们开始寻求通过自动化的检测来替代人工。
朴素贝叶斯算法是机器学习领域中非常经典的算法，它基于贝叶斯定理与特征条件独立假设。使用朴素贝叶斯方法对癫痫进行预测十分的简便。模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。
虽然属性加权的朴素贝叶斯方法针对此缺点进行了改善，但是，权值的确定是一个十分繁琐的过程。
因此，本领域亟需开发一种新的癫痫分类方法。
发明内容
不同于朴素贝叶斯算法，向量距离判定法是比较需要分类的个体的特征向量到基准向量之间的距离来完成分类的。
为了达到上述发明目的，本发明采用以下技术方案：
本发明采取如下技术方案：
一种通过比较向量距离对癫痫进行分类的方法，包括以下步骤：
S1、确定特征属性，获取训练样本；
S2、将训练样本中癫痫发作个体与不发作个体分成两组，分别求两组数据的平均值向量a1和a0；
S3、输入待判定个体，分别获取待判定个体特征属性向量与a1和a0之间的距离d1和d0；
S4、比较d1和d0，输出较小的值所对应的分组，即为待判定个体的分组。
作为优选方案，步骤S2中，将某一组下所有个体的特征向量求平均值，并作为基准向量。
作为优选方案，距离的计算方式为：
Figure BDA0002316910780000021
Figure BDA0002316910780000022
其中，i为向量中元素位置，n为向量维度。
本发明与现有技术相比有如下优点：
(1)本发明的通过比较向量距离对癫痫进行分类的方法，基于朴素贝叶斯分类器的思想，将比对概率换成比对距离，这种方法不需要依赖特征条件独立的假设，所以其不受特征属性相关性的影响，所以能够得到更好的结果。
(2)通过距离远近来分类，距离作为标准能够更敏锐地反应输入特征的变化。
(3)本发明的方法计算度小，能够更快的完成癫痫的分类。
附图说明
图1是本发明实施例的通过比较向量距离对癫痫进行分类的方法的流程图；
图2是本发明实施例的通过比较向量距离对癫痫进行分类的方法的测试结果比对图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
如图1所示，本发明实施例的通过比较向量距离对癫痫进行分类的方法，按以下流程进行：
确定特征属性，获取训练样本；
将训练样本中癫痫发作与不发作的分成两组，分别求两组数据的平均值向量a1和a0，将这里的a1和a0作为基准向量；
输入需要判定的个体，分别求出该个体特征属性向量与a1和a0之间的距离d1和d0；
比较d1和d0，输出较小的值所对应的分组，即为需要判定的个体的分组。
图2是使用CHBMIT的数据，比较了高斯模型朴素贝叶斯算法与本发明的通过比较向量距离对癫痫进行分类的方法的测试准确度；结合图2可知，本发明的通过比较向量距离对癫痫进行分类的方法，在癫痫分类处理上优于高斯朴素贝叶斯算法。
具体地，本发明实施例的通过比较向量距离对癫痫进行分类的方法，包括以下步骤：
步骤一：确定特征属性，获取训练样本。在本次方案中，癫痫预测的特征条件是病人多处脑电波的时域特征(方差和极差)。
步骤二：求两组数据的平均值向量a1和a0，作为基准向量。
步骤三：分别求出该个体特征属性向量与a1和a0之间的距离d1和d0，这里的距离的计算方式为：
Figure BDA0002316910780000031
Figure BDA0002316910780000032
其中，i为向量中元素位置，n为向量维度。
步骤四：比较d1和d0，输出较小的值所对应的分组，即为需要判定的个体的分组。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (3)

1.一种通过比较向量距离对癫痫进行分类的方法，其特征在于，包括以下步骤：
S1、确定特征属性，获取训练样本；
S2、将训练样本中癫痫发作个体与不发作个体分成两组，分别求两组数据的平均值向量a1和a0；
S3、输入待判定个体，分别获取待判定个体特征属性向量与a1和a0之间的距离d1和d0；
S4、比较d1和d0，输出较小的值所对应的分组，即为待判定个体的分组。
2.根据权利要求1所述的一种通过比较向量距离对癫痫进行分类的方法，其特征在于，步骤S2中，将某一组下所有个体的特征向量求平均值，并作为基准向量。
3.根据权利要求1所述的一种通过比较向量距离对癫痫进行分类的方法，其特征在于，距离的计算方式为：
Figure FDA0002316910770000011
Figure FDA0002316910770000012
其中，i为向量中元素位置，n为向量维度。
CN201911281611.7A 2019-12-13 2019-12-13 一种通过比较向量距离对癫痫进行分类的方法 Pending CN111079824A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911281611.7A CN111079824A (zh) 2019-12-13 2019-12-13 一种通过比较向量距离对癫痫进行分类的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911281611.7A CN111079824A (zh) 2019-12-13 2019-12-13 一种通过比较向量距离对癫痫进行分类的方法

Publications (1)

Publication Number Publication Date
CN111079824A true CN111079824A (zh) 2020-04-28

Family

ID=70314364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911281611.7A Pending CN111079824A (zh) 2019-12-13 2019-12-13 一种通过比较向量距离对癫痫进行分类的方法

Country Status (1)

Country Link
CN (1) CN111079824A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284192A1 (zh) * 2021-07-15 2023-01-19 北京鹰瞳科技发展股份有限公司 一种训练多疾病转诊模型的方法及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226190A (zh) * 2007-01-17 2008-07-23 深圳迈瑞生物医疗电子股份有限公司 流式细胞术的自动分类方法和装置
CN101751666A (zh) * 2009-10-16 2010-06-23 西安电子科技大学 基于谱聚类的半监督多光谱遥感图像分割方法
CN110222782A (zh) * 2019-06-13 2019-09-10 齐鲁工业大学 基于密度聚类的有监督二分类数据分析方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226190A (zh) * 2007-01-17 2008-07-23 深圳迈瑞生物医疗电子股份有限公司 流式细胞术的自动分类方法和装置
CN101751666A (zh) * 2009-10-16 2010-06-23 西安电子科技大学 基于谱聚类的半监督多光谱遥感图像分割方法
CN110222782A (zh) * 2019-06-13 2019-09-10 齐鲁工业大学 基于密度聚类的有监督二分类数据分析方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付金会: "《中国矿业大学出版社》", 30 April 2017 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023284192A1 (zh) * 2021-07-15 2023-01-19 北京鹰瞳科技发展股份有限公司 一种训练多疾病转诊模型的方法及设备

Similar Documents

Publication Publication Date Title
CN110309302B (zh) 一种结合svm和半监督聚类的不平衡文本分类方法及系统
CN106658590B (zh) 基于WiFi信道状态信息多人室内环境状态监控系统的设计与实现
CN104347068B (zh) 音频信号处理装置和方法以及监控系统
CN107818298B (zh) 用于机器学习物质识别算法的通用拉曼光谱特征提取方法
Sebe et al. Skin detection: A bayesian network approach
CN103902978B (zh) 人脸检测及识别方法
WO2012077476A1 (ja) 属性値推定装置、属性値推定方法、プログラム及び記録媒体
CN107527016B (zh) 室内WiFi环境下基于动作序列检测的用户身份识别方法
MX2012010637A (es) Procesador de informacion biologica.
KR101434170B1 (ko) 추출된 데이터 특징을 이용한 학습 방법 및 장치
Verma et al. Sample complexity of learning mahalanobis distance metrics
CN105447474B (zh) 人像识别方法和人像识别装置
CN111914709B (zh) 针对WiFi信号行为识别的基于深度学习的动作分割框架构建方法
CN110659378A (zh) 基于对比相似性损失函数的细粒度图像检索方法
CN108470194B (zh) 一种特征筛选方法及装置
Tu et al. A theoretical investigation of several model selection criteria for dimensionality reduction
CN107341514B (zh) 一种基于联合密度及角度的异常点和边缘点检测方法
CN111079824A (zh) 一种通过比较向量距离对癫痫进行分类的方法
Xu et al. Producing computationally efficient KPCA-based feature extraction for classification problems
CN106326927B (zh) 一种鞋印新类别检测方法
CN111027609B (zh) 一种图像数据加权分类方法和系统
CN106875402B (zh) 一种基于选取合适聚类数目的聚类算法的数字图像处理方法
CN107729945A (zh) 基于类间稀疏表示的鉴别回归、分类方法及系统
CN113951898B (zh) 数据迁移的p300脑电信号检测方法及装置、电子设备、介质
CN110276395A (zh) 基于正则化动态集成的不平衡数据分类方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200428