CN111202526A - 对多维度老年听觉功能评估系统进行精简优化的方法 - Google Patents
对多维度老年听觉功能评估系统进行精简优化的方法 Download PDFInfo
- Publication number
- CN111202526A CN111202526A CN202010063178.6A CN202010063178A CN111202526A CN 111202526 A CN111202526 A CN 111202526A CN 202010063178 A CN202010063178 A CN 202010063178A CN 111202526 A CN111202526 A CN 111202526A
- Authority
- CN
- China
- Prior art keywords
- test
- auditory
- elderly
- dimensional
- testing
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012360 testing method Methods 0.000 claims abstract description 225
- 230000006870 function Effects 0.000 claims abstract description 112
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000003066 decision tree Methods 0.000 claims abstract description 35
- 238000012795 verification Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 230000035945 sensitivity Effects 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 230000008451 emotion Effects 0.000 claims description 23
- 230000008447 perception Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 16
- 230000019771 cognition Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000005056 compaction Methods 0.000 claims description 10
- 230000001149 cognitive effect Effects 0.000 claims description 8
- 230000008717 functional decline Effects 0.000 claims description 8
- 208000016354 hearing loss disease Diseases 0.000 claims description 8
- 208000009205 Tinnitus Diseases 0.000 claims description 6
- 231100000886 tinnitus Toxicity 0.000 claims description 6
- 238000010200 validation analysis Methods 0.000 claims description 5
- 230000008909 emotion recognition Effects 0.000 claims description 4
- 238000012074 hearing test Methods 0.000 claims description 4
- 230000006996 mental state Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012030 stroop test Methods 0.000 claims description 4
- 208000027060 subjective cognitive decline Diseases 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000002996 emotional effect Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/12—Audiometering
- A61B5/121—Audiometering evaluating hearing capacity
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/12—Audiometering
- A61B5/128—Audiometering evaluating tinnitus
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Otolaryngology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供了一种对多维度老年听觉功能评估系统进行精简优化的方法,具有这样的特征,包括以下步骤:步骤S1,分别采用多维度老年听觉功能评估系统的各种测试工具对受试者进行听觉功能测试,得到测试数据,利用测试数据构建第一机器学习数据库,该第一机器学习数据库包括第一训练集和第一验证集;步骤S2,对第一训练集进行决策树建模;步骤S3,根据第一判断节点判断第一验证集的敏感度是否达到90%,若判断为是,则提取第一阈值,步骤S4,根据第一阈值得到第一简化版的多维度老年听觉功能评估系统,其中,第一简化版的多维度老年听觉功能评估系统包括测试步骤经过精简的20项测试工具。
Description
技术领域
本发明属于AI机器学习算法应用领域,具体涉及一种对多维度老年听觉功能评估系统进行精简优化的方法。
背景技术
我国老年人口众多,听觉功能减退发生率极高(≥40%),使老年痴呆和抑郁症的发生几率提高了2~5倍,增加了社会的不必要经济负担。老年人听觉功能减退是可以早期预防和干预的,前提是要早发现。然而,各级医疗机构均缺乏科学实用的听觉系统完整功能筛查评估的成套工具,无法早期发现和预防,遗留了大量未识别和未干预老年人群(发达国家干预率<10%,我国<5%),阻碍了老人和医护人员对听觉功能减退的认识和重视。
国际上近20年对老年听觉功能的研究中提出了40多种涉及感知、认知和情感多维度的评估方法,然而每种方法都步骤繁多,耗时较长。由于时间、人力和成本等限制,即使在少数有听力中心的大型医院目前也最多只能开展单一维度的4~5项测试,尚未能形成一套公认标准的测试项目组合作为完整多维度系统性听觉功能评估工具。基层社区医疗机构直接服务大量社区老人,对简化的筛查评估工具的需求极大。
发明人针对以上情况遴选出了一套符合公认科学测试范式的多维度老年听觉功能评估系统,该评估系统包括听觉感知测试单元、听觉认知测试单元以及听觉情感测试单元。听觉感知测试单元包括8项测试工具,这8项测试工具分别为:老年听力障碍评分筛查评估、耳鸣功能指数测试、耳鸣视觉模拟评分、纯音测试、心理声学敏感度测试、易混淆音素辨别言语测试、噪音下言语测试、耳鸣匹配测试,通过这8项测试工具能够实现对感知维度的听觉评估测试;听觉认知测试单元包括7项测试工具,这7项测试工具分别为:简明精神状态检查、主观认知下降评分、双耳分听测试、时间压缩言语测试、聆听广度测试、听觉Stroop测试、语言理解色块测试,通过这7项测试工具能够实现对认知维度的听觉评估测试;听觉情感测试单元包括5项测试工具,这5项测试工具分别为:老年抑郁评分、认知需求评分、情感需求评分、语音情感识别测试、情感偏倚测试,通过这5项测试工具能够实现对情感维度的听觉评估测试。
发明人分析,仅仅将上述测试简单组合成老年听觉功能评估系统会存在以下问题:由于每项测试的目的不同且步骤繁多耗时偏长,整套评估系统测试完成需要至少3个小时的时间,临床应用和社区普及起来很不现实。而如果为了缩短整套评估系统的测试时间,就去随机、或凭经验、凭直觉等地删减单个测试项目的测试步骤或者剔除某些测试,又很难保证整套评估系统的测试结果的科学性、完整度、高敏感度以及稳健性。
因此,亟需研究一种科学、有效的优化方法,来对上述多维度老年听觉功能评估系统进行简化。
发明内容
本发明是为了解决多维度老年听觉功能评估系统的步骤繁琐耗时而无法得以应用的问题而进行的,目的在于提供一种对多维度老年听觉功能评估系统进行精简优化的方法。
本发明提供了一种对多维度老年听觉功能评估系统进行精简优化的方法,多维度老年听觉功能评估系统包括听觉感知测试单元、听觉认知测试单元以及听觉情感测试单元,听觉感知测试单元包括8项测试工具,听觉认知测试单元包括7项测试工具,听觉情感测试单元包括5项测试工具,具有这样的特征,包括以下步骤:
步骤S1,分别采用多维度老年听觉功能评估系统的各种测试工具对受试者进行听觉功能测试,得到测试数据,利用测试数据构建第一机器学习数据库,该第一机器学习数据库包括第一训练集和第一验证集;
步骤S2,对第一训练集进行决策树建模,该决策树建模包括:
步骤S2-1,判断第一训练集中的测试数据是否属于同一类别的听觉功能减退,若判断为是,则进入步骤S2-9,若判断为否,则进入步骤S2-2,
步骤S2-2,从第一训练集中提取检查项集合F,
步骤S2-3,判断检查项集合F是否为空集,若判断为是,则进入步骤S2-4,若判断为否,则进入步骤S2-5,
步骤S2-4,选择检查项集合F中多数数据集属于的听觉功能减退类别,然后进入步骤S2-9,
步骤S2-5,对检查项集合F选择最优划分检查项划分数据集,
步骤S2-6,剔除步骤S2-5的数据集中的第一检查项,从而生成子数据集,
步骤S2-7,利用子数据集对第一训练集进行更新,
步骤S2-8,重复步骤S2-1~步骤S2-7,直到步骤S2-1的判断结果为是,则进入步骤S2-9,
步骤S2-9,生成该听觉功能减退类别对应的第一判断节点;
步骤S3,根据第一判断节点判断第一验证集的敏感度是否达到90%,若判断为是,则提取第一阈值,
步骤S4,根据第一阈值得到第一简化版的多维度老年听觉功能评估系统,
其中,第一简化版的多维度老年听觉功能评估系统包括测试步骤经过精简的20项测试工具。
在本发明提供的对多维度老年听觉功能评估系统进行精简优化的方法中,还可以具有这样的特征:其中,受试者为听觉功能正常的人或听觉功能减退类别已明确的有听障的人。
在本发明提供的对多维度老年听觉功能评估系统进行精简优化的方法中,还可以具有这样的特征:其中,听觉感知测试单元包括的8项测试工具分别为:老年听力障碍评分筛查评估、耳鸣功能指数测试、耳鸣视觉模拟评分、纯音测试、心理声学敏感度测试、易混淆音素辨别言语测试、噪音下言语测试、耳鸣匹配测试,听觉认知测试单元包括的7项测试工具分别为:简明精神状态检查、主观认知下降评分、双耳分听测试、时间压缩言语测试、聆听广度测试、听觉Stroop测试、语言理解色块测试,听觉情感测试单元包括的5项测试工具分别为:老年抑郁评分、认知需求评分、情感需求评分、语音情感识别测试、情感偏倚测试。
在本发明提供的对多维度老年听觉功能评估系统进行精简优化的方法中,还可以具有这样的特征:其中,步骤S2-5中,对检查项集合F选择最优划分检查项划分数据集所采用的函数为决策树分支划分函数、信息熵函数或基尼函数中的任意一种。
在本发明提供的对多维度老年听觉功能评估系统进行精简优化的方法中,还可以具有这样的特征:其中,步骤S3中,若判断为否,则从算法ID3、算法C4.5以及算法CART中任选一种算法来对步骤S2的决策树建模进行优化。
在本发明提供的对多维度老年听觉功能评估系统进行精简优化的方法中,还可以具有这样的特征:其中,机器学习数据库的第一训练集和第一验证集的比例为2:1。
在本发明提供的对多维度老年听觉功能评估系统进行精简优化的方法中,还可以具有这样的特征,还包括:
步骤S7,对第一简化版的多维度老年听觉功能评估系统进行进一步优化,包括:
步骤S7-1,对测试数据进行过滤提取,仅保留包含精简的测试检查项的数据,并计算每人每个测试的结果,从而得到一组新的测试数据,利用这些测试数据构建第二机器学习数据库,该第二机器学习数据库包括第二训练集和第二验证集;
步骤S7-2,对第二训练集进行决策树建模,该决策树建模包括:
步骤S7-2-1,判断第二训练集中的测试数据是否属于同一类别的听觉功能减退,若判断为是,则进入步骤S7-2-9,若判断为否,则进入步骤S7-2-2,
步骤S7-2-2,从第二训练集中提取检查项集合F1,
步骤S7-2-3,判断检查项集合F1是否为空集,若判断为是,则进入步骤S7-2-4,若判断为否,则进入步骤S7-2-5,
步骤S7-2-4,选择检查项集合F1中多数数据集属于的听觉功能减退类别,然后进入步骤S7-2-9,
步骤S7-2-5,对检查项集合F1选择最优划分检查项划分数据集,
步骤S7-2-6,剔除步骤S7-2-5的数据集中的第二检查项,在该剔除的过程中,最大提出项数设为6,从而生成子数据集,
步骤S7-2-7,利用子数据集对第二训练集进行更新,
步骤S7-2-8,重复步骤S7-2-1~步骤S7-2-7,直到步骤S7-2-1的判断结果为是,则进入步骤S7-2-9,
步骤S7-2-9,生成该听觉功能减退类别对应的第二判断节点;
步骤S7-3,根据第二判断节点判断第一验证集的敏感度是否达到80%,若判断为是,则提取第二阈值,
步骤S7-4,根据第二阈值得到第二简化版的多维度老年听觉功能评估系统,
其中,第二简化版的多维度老年听觉功能评估系统包括测试步骤经过删减的6项测试工具。
在本发明提供的对多维度老年听觉功能评估系统进行精简优化的方法中,还可以具有这样的特征:其中,步骤S7-3中,若判断为否,则从算法ID3、算法C4.5、算法CART、支撑向量机、随机森林、神经网络模型中任选一种算法来对步骤S7-2的决策树建模进行优化。
在本发明提供的对多维度老年听觉功能评估系统进行精简优化的方法中,还可以具有这样的特征:其中,第二简化版的多维度老年听觉功能评估系统包括的6项测试工具包括:听觉感知维度8项测试中的2项,听觉认知维度7项测试中的2项,听觉情感维度5项测试中的2项。
发明的作用与效果
根据本发明所涉及的对多维度老年听觉功能评估系统进行精简优化的方法,因为该方法包括步骤S1,建立包括第一训练集和第一验证集的第一机器学习数据库;步骤S2,对第一训练集进行决策树建模;步骤S3,根据决策树建模的结果(对不同程度听觉功能减退的每个检查项的阈值)判断第一验证集的敏感度是否达到90%,当判断为是时,从第一检查项中提取第一阈值;步骤S4,根据第一阈值得到包括测试步骤经过精简的20项测试工具的第一简化版的多维度老年听觉功能评估系统。所以,通过本发明的方法能够借助AI机器学习算法来精简20项测试工具中每一项的繁琐测试步骤,以实现对多维度老年听觉功能评估系统的优化,所得到的第一简化版的多维度老年听觉功能评估系统具有高敏感度和稳健性,解决了多维度老年听觉功能评估系统在临床难以实施应用的问题。
附图说明
图1是本发明的实施例中对多维度老年听觉功能评估系统进行优化的流程图;
图2是本发明的实施例中对第一训练集进行决策树建模的流程图;
图3是本发明的实施例中对第一简化版的多维度老年听觉功能评估系统进行进一步优化,得到第二简化版的多维度老年听觉功能评估系统的流程图;以及
图4是本发明的实施例中对第二训练集进行决策树建模的流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明对多维度老年听觉功能评估系统进行精简优化的方法作具体阐述。
本实施例提供了一种对多维度老年听觉功能评估系统进行精简优化的方法,该方法用于对多维度老年听觉功能评估系统进行优化。其中,多维度老年听觉功能评估系统包括听觉感知测试单元、听觉认知测试单元以及听觉情感测试单元。
听觉感知测试单元包括8项测试工具,这8项测试工具分别为:老年听力障碍评分筛查评估、耳鸣功能指数测试、耳鸣视觉模拟评分、纯音测试、心理声学敏感度测试、易混淆音素辨别言语测试、噪音下言语测试、耳鸣匹配测试,通过这8项测试工具能够实现对感知维度的听觉评估测试;听觉认知测试单元包括7项测试工具,这7项测试工具分别为:简明精神状态检查、主观认知下降评分、双耳分听测试、时间压缩言语测试、聆听广度测试、听觉Stroop测试、语言理解色块测试,通过这7项测试工具能够实现对认知维度的听觉评估测试;听觉情感测试单元包括5项测试工具,这5项测试工具分别为:老年抑郁评分、认知需求评分、情感需求评分、语音情感识别测试、情感偏倚测试,通过这5项测试工具能够实现对认知维度的听觉评估测试。也就是说多维度老年听觉功能评估系统共计包括20项测试工具,每项测试工具实际包括多个测试步骤。其中,听觉感知测试单元的8项测试工具测试完成需要约2个小时,听觉认知测试单元的7项测试工具测试完成需要约2个小时,听觉情感测试单元的5项测试工具测试完成需要约1.5个小时。
图1是本发明的实施例中对多维度老年听觉功能评估系统进行优化的流程图。
如图1所示,本实施例的对多维度老年听觉功能评估系统进行精简优化的方法包括以下步骤:
步骤S1,分别采用多维度老年听觉功能评估系统的各种测试工具(共计20种)对每个受试者进行听觉功能测试,得到测试数据,利用测试数据构建第一机器学习数据库,并将该第一机器学习数据库划分为第一训练集和第一验证集。其中,受试者包括听觉功能正常的人或听觉功能减退类别已明确的有听觉功能减退的人,在本实施例中,受试者的人数为1000人。第一训练集和第一验证集的测试数据比例为2:1,其中,第一训练集用来训练模型,第一验证集用来对训练模型进行验证。第一训练集其中,是样本自变量的向量表示,即需要纳入的测试变量。yn是样本因变量,即受试者的听力功能状况。n是训练集样本的总容量,按训练测试比2:1做实验设计,此处n=1000。
图2是本发明的实施例中对第一训练集进行决策树建模的流程图。
步骤S2,对第一训练集D进行决策树建模从而建立训练模型。如图2所示,该决策树建模包括以下步骤:
步骤S2-1,判断第一训练集中的测试数据是否属于同一类别的听觉功能减退,若判断为是,则进入步骤S2-9,若判断为否,则进入步骤S2-2,
步骤S2-2,从第一训练集中提取检查项集合F。检查项F={f1,f2,...fi}其中,fi表示样本空间的检查项,比如某项测试的打分情况,i为所有测试情况的总数,随机将检查项集合F划分为m个子集,子集间的成员可以有重复。
步骤S2-3,判断检查项集合F是否为空集,若判断为是,则进入步骤S2-4,若判断为否,则进入步骤S2-5。
步骤S2-4,选择检查项集合F中多数数据集属于的听觉功能减退类别,然后进入步骤S2-9。
步骤S2-5,对检查项集合F的每个子集通过函数来选择最优划分检查项fi *划分数据集。函数为以下函数中的任意一种:
步骤S2-6,用fi *划分生成子数据集,剔除步骤S2-5的检查项集合F的最优划分检查项fi *,从而生成子数据集。
步骤S2-7,利用子数据集对第一训练集进行更新。
步骤S2-8,重复步骤S2-1~步骤S2-7,直到步骤S2-1的判断结果为是,则进入步骤S2-9。
步骤S2-9,生成该听觉功能减退类别对应的第一判断节点。
步骤S3,检查项集合F的每个子集经过决策树建模后对应生成的第一判断节点构成结果集,将结果集的交集部分作为输出的特征项,根据该特征项计算和判断第一验证集的敏感度是否达到90%,若判断为是,然后进入步骤S5;若判断为否,然后进入步骤S4。其中,第一验证集的敏感度的计算公式为:
步骤S4,从算法ID3、算法C4.5以及算法CART中任选一种算法来对步骤S2的决策树建模进行优化,直到第一验证集的敏感度达到90%,然后进入步骤S5。
步骤S5,提取第一阈值,然后进入步骤S6。
提取第一阈值的过程为:第一阈值设为根据结果集数据拟合的高斯分布的均值,可信度设为根据结果集数据拟合的高斯分布的方差。
步骤S6,根据第一阈值得到第一简化版的多维度老年听觉功能评估系统。具体来说,第一阈值对应的特定评估项目中的测试项即为第一简化版的多维度老年听觉功能评估系统。
其中,第一简化版的多维度老年听觉功能评估系统包括测试步骤经过精简的20项测试工具。其中,听觉感知测试单元的8项测试工具测试完成缩短到15分钟,听觉认知测试单元的7项测试工具测试完成缩短到10分钟,听觉情感测试单元的5项测试工具测试完成短到10分钟。
图3是本发明的实施例中对第一简化版的多维度老年听觉功能评估系统进行进一步优化,得到第二简化版的多维度老年听觉功能评估系统的流程图。
步骤S7,如图3所示,对第一简化版的多维度老年听觉功能评估系统进行进一步优化,包括以下步骤:
步骤S7-1,对原1000名受试者的测试数据(步骤一中的)进行过滤提取,仅保留包含精简的测试检查项的数据,并计算每人每个测试的结果,从而得到一组新的测试数据,利用这些测试数据构建第二机器学习数据库,在该数据库中,每个受试者对应20个评估得分。该第二机器学习数据库包括第二训练集和第二验证集;
图4是本发明的实施例中对第二训练集进行决策树建模的流程图。
步骤S7-2,对第二训练集进行决策树建模,如图4所示,该决策树建模包括以下步骤:
步骤S7-2-1,判断第二训练集中的测试数据是否属于同一类别的听觉功能减退,若判断为是,则进入步骤S7-2-9,若判断为否,则进入步骤S7-2-2,
步骤S7-2-2,从第二训练集中提取检查项集合F1。随机将检查项集合F1划分为m个子集,子集间的成员可以有重复。
步骤S7-2-3,判断检查项集合F1是否为空集,若判断为是,则进入步骤S7-2-4,若判断为否,则进入步骤S7-2-5,
步骤S7-2-4,选择检查项集合F1中多数数据集属于的听觉功能减退类别,然后进入步骤S7-2-9,
步骤S7-2-5,对检查项集合F1的每个子集通过函数来选择最优划分检查项划分数据集。所使用的函数为决策树分支划分函数、信息熵函数或基尼函数中的任意一种函数。其中,这三种函数的具体公式与步骤S2-5中同样名称的函数的公式相同。
步骤S7-2-6,剔除步骤S7-2-5的检查项集合F1中的第二检查项,在该剔除的过程中,最大提出项数设为6,即3个维度测试项目中每个维度提取2项,从而生成子数据集。
步骤S7-2-7,利用子数据集对第二训练集进行更新。
步骤S7-2-8,重复步骤S7-2-1~步骤S7-2-7,直到步骤S7-2-1的判断结果为是,则进入步骤S7-2-9。
步骤S7-2-9,生成该听觉功能减退类别对应的第二判断节点。
步骤S7-3,检查项集合F1的每个子集经过决策树建模后对应生成的第二判断节点构成结果集,将该结果集的交集部分作为输出的特征项,根据特征项判断第二验证集的敏感度是否达到80%,若判断为是,然后进入步骤S7-5;若判断为否,然后进入步骤S7-4。第二验证集的敏感度计算公式与第一验证集的敏感度计算公式相同。
步骤S7-4,从算法ID3、算法C4.5、算法CART、支撑向量机、随机森林、神经网络模型中任选一种算法来对步骤S7-2的决策树建模进行优化,直到第一验证集的敏感度达到90%,然后进入步骤S7-5。
步骤S7-5,提取第二阈值,然后进入步骤S6。
提取第二阈值的过程为:第二阈值设为根据结果集数据拟合的高斯分布的均值,可信度设为根据结果集数据拟合的高斯分布的方差。
步骤S7-6,根据第二阈值得到第二简化版的多维度老年听觉功能评估系统。具体来说,第二阈值所对应的6个测试项目即为第二简化版的多维度老年听觉功能评估系统所要包含的测试项目。
其中,第二简化版的多维度老年听觉功能评估系统包括测试步骤经过删减的6项测试工具。这6项测试工具分别为各个维度中对最终听觉功能诊断最为敏感和重要的2项(每个维度中哪2项敏感度、准确度最高的测试最终被选中组成第二简化版评估系统,由算法决策步骤S7-3和S7-5决定)。这6项测试工具能够进一步地将感知测试单元的测试时间从15分钟缩短到4分钟,将认知测试单元的测试从10分钟缩短到3分钟,将情感测试单元的测试从10分钟缩短到3分钟。
通过本实施例的对多维度老年听觉功能评估系统进行精简优化的方法能够将包含3个维度的20项测试项目缩减为包含3个维度的6个测试项目,并且将测试的总时间由4.5小时缩短为10分钟。此外,本实施例的优化方法是通过对1000个受试者的测试数据进行的建模和验证,因此该方法的结果非常可靠。另外,该简化策略能够不受评估系统内测试项目变化的影响,始终可靠地为听觉功能评估执行者提供最优最敏感的测试工具组合。
实施例的作用与效果
根据本实施例所涉及的对多维度老年听觉功能评估系统进行精简优化的方法,因为该方法包括步骤S1,建立包括第一训练集和第一验证集的第一机器学习数据库;步骤S2,对第一训练集进行决策树建模;步骤S3,根据决策树建模的结果(对不同程度听觉功能减退的每个检查项的阈值)判断第一验证集的敏感度是否达到90%,当判断为是时,从第一检查项中提取第一阈值;步骤S4,根据第一阈值得到包括测试步骤经过精简的20项测试工具的第一简化版的多维度老年听觉功能评估系统。所以,通过本发明的方法能够借助AI机器学习算法来实现对多维度老年听觉功能评估系统的优化从而科学简化20项测试工具的繁琐测试步骤,所得到的第一简化版的多维度老年听觉功能评估系统具有高敏感度和稳健性,解决了多维度老年听觉功能评估系统难以用于临床应用的现实问题。
进一步地,步骤S3中若判断为否,则从算法ID3、算法C4.5以及算法CART中任选一种算法来对步骤S2的决策树建模进行优化,这样可以提高决策树建模的模型的精度。
进一步地,本发明的方法还包括步骤S7,对第一简化版的多维度老年听觉功能评估系统进行进一步优化,优化后的第二简化版的多维度老年听觉功能评估系统包括测试步骤经过精简的6项测试工具,所得到的第二简化版评估系统仍具有较高敏感度和稳健性,解决了多维度老年听觉功能评估难以向基层卫生机构推广普及的问题,能够实质性推动老年人听觉功能减退的早发现、早诊断、早干预。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
例如,在本实施例中,对多维度老年听觉功能评估系统进行精简优化的方法的步骤S1以及步骤S5-2-1中均包括对受试者进行测试从而得到测试数据再将测试数据划分为训练集和验证集,但在实际应用中,该优化方法的步骤S1以及步骤S5-2-1中还可以不包含测试过程,而仅包括对测试数据划分为训练集和验证集的过程。
Claims (9)
1.一种对多维度老年听觉功能评估系统进行精简优化的方法,所述多维度老年听觉功能评估系统包括听觉感知测试单元、听觉认知测试单元以及听觉情感测试单元,所述听觉感知测试单元包括8项测试工具,所述听觉认知测试单元包括7项测试工具,所述听觉情感测试单元包括5项测试工具,其特征在于,包括以下步骤:
步骤S1,分别采用所述多维度老年听觉功能评估系统的各种测试工具对受试者进行听觉功能测试,得到测试数据,利用所述测试数据构建第一机器学习数据库,该第一机器学习数据库包括第一训练集和第一验证集;
步骤S2,对所述第一训练集进行决策树建模,该决策树建模包括:
步骤S2-1,判断所述第一训练集中的所述测试数据是否属于同一类别的听觉功能减退,若判断为是,则进入步骤S2-9,若判断为否,则进入步骤S2-2,
步骤S2-2,从所述第一训练集中提取检查项集合F,
步骤S2-3,判断所述检查项集合F是否为空集,若判断为是,则进入步骤S2-4,若判断为否,则进入步骤S2-5,
步骤S2-4,选择所述检查项集合F中多数所述数据集属于的听觉功能减退类别,然后进入步骤S2-9,
步骤S2-5,对所述检查项集合F选择最优划分检查项划分数据集,
步骤S2-6,剔除步骤S2-5的数据集中的第一检查项,从而生成子数据集,
步骤S2-7,利用所述子数据集对所述第一训练集进行更新,
步骤S2-8,重复步骤S2-1~步骤S2-7,直到步骤S2-1的判断结果为是,则进入步骤S2-9,
步骤S2-9,生成该听觉功能减退类别对应的第一判断节点;
步骤S3,根据所述第一判断节点判断所述第一验证集的敏感度是否达到90%,若判断为是,则提取第一阈值,
步骤S4,根据所述第一阈值得到第一简化版的多维度老年听觉功能评估系统,
其中,第一简化版的所述多维度老年听觉功能评估系统包括测试步骤经过精简的20项测试工具。
2.根据权利要求1所述的对多维度老年听觉功能评估系统进行精简优化的方法,其特征在于:
其中,所述受试者为听觉功能正常的人或听觉功能减退类别已明确的有听障的人。
3.根据权利要求1所述的对多维度老年听觉功能评估系统进行精简优化的方法,其特征在于:
其中,所述听觉感知测试单元包括的8项测试工具分别为:老年听力障碍评分筛查评估、耳鸣功能指数测试、耳鸣视觉模拟评分、纯音测试、心理声学敏感度测试、易混淆音素辨别言语测试、噪音下言语测试、耳鸣匹配测试,
所述听觉认知测试单元包括的7项测试工具分别为:简明精神状态检查、主观认知下降评分、双耳分听测试、时间压缩言语测试、聆听广度测试、听觉Stroop测试、语言理解色块测试,
所述听觉情感测试单元包括的5项测试工具分别为:老年抑郁评分、认知需求评分、情感需求评分、语音情感识别测试、情感偏倚测试。
4.根据权利要求1所述的对多维度老年听觉功能评估系统进行精简优化的方法,其特征在于:
其中,步骤S2-5中,对所述检查项集合F选择最优划分检查项划分数据集所采用的函数为决策树分支划分函数、信息熵函数或基尼函数中的任意一种。
5.根据权利要求1所述的对多维度老年听觉功能评估系统进行精简优化的方法,其特征在于:
其中,步骤S3中,若判断为否,则从算法ID3、算法C4.5以及算法CART中任选一种算法来对步骤S2的决策树建模进行优化。
6.根据权利要求1所述的对多维度老年听觉功能评估系统进行精简优化的方法,其特征在于:
其中,所述机器学习数据库的所述第一训练集和所述第一验证集的比例为2:1。
7.根据权利要求1所述的对多维度老年听觉功能评估系统进行精简优化的方法,其特征在于,还包括:
步骤S7,对第一简化版的多维度老年听觉功能评估系统进行进一步优化,包括:
步骤S7-1,对所述测试数据进行过滤提取,仅保留包含精简的测试检查项的数据,并计算每人每个测试的结果,从而得到一组新的测试数据,利用这些测试数据构建第二机器学习数据库,该第二机器学习数据库包括第二训练集和第二验证集;
步骤S7-2,对所述第二训练集进行决策树建模,该决策树建模包括:
步骤S7-2-1,判断所述第二训练集中的所述测试数据是否属于同一类别的听觉功能减退,若判断为是,则进入步骤S7-2-9,若判断为否,则进入步骤S7-2-2,
步骤S7-2-2,从所述第二训练集中提取检查项集合F1,
步骤S7-2-3,判断所述检查项集合F1是否为空集,若判断为是,则进入步骤S7-2-4,若判断为否,则进入步骤S7-2-5,
步骤S7-2-4,选择所述检查项集合F1中多数所述数据集属于的听觉功能减退类别,然后进入步骤S7-2-9,
步骤S7-2-5,对所述检查项集合F1选择最优划分检查项划分数据集,
步骤S7-2-6,剔除步骤S7-2-5的数据集中的第二检查项,在该剔除的过程中,最大提出项数设为6,从而生成子数据集,
步骤S7-2-7,利用所述子数据集对所述第二训练集进行更新,
步骤S7-2-8,重复步骤S7-2-1~步骤S7-2-7,直到步骤S7-2-1的判断结果为是,则进入步骤S7-2-9,
步骤S7-2-9,生成该听觉功能减退类别对应的第二判断节点;
步骤S7-3,根据所述第二判断节点判断所述第一验证集的敏感度是否达到80%,若判断为是,则提取第二阈值,
步骤S7-4,根据所述第二阈值得到第二简化版的多维度老年听觉功能评估系统,
其中,第二简化版的所述多维度老年听觉功能评估系统包括测试步骤经过删减的6项测试工具。
8.根据权利要求1所述的对多维度老年听觉功能评估系统进行精简优化的方法,其特征在于:
其中,步骤S7-3中,若判断为否,则从算法ID3、算法C4.5、算法CART、支撑向量机、随机森林、神经网络模型中任选一种算法来对步骤S7-2的决策树建模进行优化。
9.根据权利要求1所述的对多维度老年听觉功能评估系统进行精简优化的方法,其特征在于:
其中,第二简化版的所述多维度老年听觉功能评估系统包括的6项测试工具包括:听觉感知维度8项测试中的2项,听觉认知维度7项测试中的2项,听觉情感维度5项测试中的2项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010063178.6A CN111202526A (zh) | 2020-01-20 | 2020-01-20 | 对多维度老年听觉功能评估系统进行精简优化的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010063178.6A CN111202526A (zh) | 2020-01-20 | 2020-01-20 | 对多维度老年听觉功能评估系统进行精简优化的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111202526A true CN111202526A (zh) | 2020-05-29 |
Family
ID=70780978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010063178.6A Pending CN111202526A (zh) | 2020-01-20 | 2020-01-20 | 对多维度老年听觉功能评估系统进行精简优化的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111202526A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550697A (zh) * | 2022-01-17 | 2022-05-27 | 苏州大学 | 一种联合混合采样和随机森林的语音样本均衡方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2238899A1 (en) * | 2009-04-06 | 2010-10-13 | GN Resound A/S | Efficient evaluation of hearing ability |
CN103392183A (zh) * | 2010-12-20 | 2013-11-13 | 皇家飞利浦电子股份有限公司 | 用于识别处于转化为阿尔茨海默病的风险中的具有轻度认知障碍的患者的方法和系统 |
US20190192285A1 (en) * | 2017-12-21 | 2019-06-27 | The Chinese University Of Hong Kong | Neural predictors of language-skill outcomes in cochlear implantation patients |
-
2020
- 2020-01-20 CN CN202010063178.6A patent/CN111202526A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2238899A1 (en) * | 2009-04-06 | 2010-10-13 | GN Resound A/S | Efficient evaluation of hearing ability |
CN103392183A (zh) * | 2010-12-20 | 2013-11-13 | 皇家飞利浦电子股份有限公司 | 用于识别处于转化为阿尔茨海默病的风险中的具有轻度认知障碍的患者的方法和系统 |
US20190192285A1 (en) * | 2017-12-21 | 2019-06-27 | The Chinese University Of Hong Kong | Neural predictors of language-skill outcomes in cochlear implantation patients |
Non-Patent Citations (1)
Title |
---|
张春艳: "《基于神经网络的决策树模型在听力学辅助诊疗中的应用》", 《万方数据库》, 29 October 2010 (2010-10-29), pages 17 - 32 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550697A (zh) * | 2022-01-17 | 2022-05-27 | 苏州大学 | 一种联合混合采样和随机森林的语音样本均衡方法 |
CN114550697B (zh) * | 2022-01-17 | 2022-11-18 | 苏州大学 | 一种联合混合采样和随机森林的语音样本均衡方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101969540B1 (ko) | 인지 기능 재활 훈련 방법 및 장치 | |
Vassend et al. | Validation of the NEO Personality Inventory and the five‐factor model. Can findings from exploratory and confirmatory factor analysis be reconciled? | |
CN107705807A (zh) | 基于情绪识别的语音质检方法、装置、设备及存储介质 | |
Posthuma et al. | Comparison of MMPI—2 responses of child custody and personal injury litigants. | |
Dubno et al. | Confidence limits for maximum word-recognition scores | |
CN106897570A (zh) | 一种基于机器学习的慢性阻塞性肺疾病测试系统 | |
Gideon et al. | Emotion recognition from natural phone conversations in individuals with and without recent suicidal ideation | |
CN106960387A (zh) | 个人信用风险评估方法及系统 | |
KR20210062456A (ko) | 맞춤형 인지 기능 검사 및 재활 훈련 평가 방법 | |
CN111985751A (zh) | 人机聊天体验评估体系 | |
CN111202526A (zh) | 对多维度老年听觉功能评估系统进行精简优化的方法 | |
CN113017650A (zh) | 一种基于功率谱密度图像的脑电特征提取方法和系统 | |
CN117409819A (zh) | 一种基于人工智能的人体嗓音检测分析方法 | |
CN111736937B (zh) | 业务处理方法及装置 | |
CN116012205B (zh) | 一种老年护理师的智能培训管理方法及系统 | |
CN116303642A (zh) | 一种科技成果测试中测试专家优选与回避的方法及装置 | |
CN111160263B (zh) | 一种获取人脸识别阈值的方法及系统 | |
CN113470819A (zh) | 基于随机森林的非平衡小样本压疮不良事件早期预测方法 | |
CN109190556B (zh) | 一种公证意愿真实性鉴别方法 | |
CN111564212A (zh) | 一种用于辅助医疗系统的决策模型建立方法 | |
Singh et al. | Gauging stress, anxiety, depression in student during covid-19 pandemic | |
Jeon et al. | Soundscape assessment with classification of human perception to sound environment | |
Astrida et al. | Prediction of the Quality of Prospective Student Graduation for Determining New Student Selection Using the C4. 5 Decisson Tree Algorithm | |
Hardiani et al. | The influence of socioeconomic characteristics and family support on the quality of life and well-being of the elderly in Jambi Province, Indonesia | |
Rediy et al. | Validation of the Amharic Version of the Father-Adolescent Conflict Scale with School Adolescent Sample in Addis Ababa |
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 |