CN117637154A - 一种基于优化算法的神经内科重症指标预测方法及系统 - Google Patents
一种基于优化算法的神经内科重症指标预测方法及系统 Download PDFInfo
- Publication number
- CN117637154A CN117637154A CN202410114027.7A CN202410114027A CN117637154A CN 117637154 A CN117637154 A CN 117637154A CN 202410114027 A CN202410114027 A CN 202410114027A CN 117637154 A CN117637154 A CN 117637154A
- Authority
- CN
- China
- Prior art keywords
- severe
- model
- index
- wolf
- factors
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 61
- 210000005036 nerve Anatomy 0.000 title description 2
- 241000282461 Canis lupus Species 0.000 claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000007637 random forest analysis Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 230000000739 chaotic effect Effects 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000010219 correlation analysis Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 29
- 230000000926 neurological effect Effects 0.000 claims description 22
- 241000282421 Canidae Species 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 14
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 208000012902 Nervous system disease Diseases 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 208000025966 Neurological disease Diseases 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 abstract 1
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000007917 intracranial administration Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 210000000653 nervous system Anatomy 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000003788 cerebral perfusion Effects 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002567 electromyography Methods 0.000 description 3
- 206010015037 epilepsy Diseases 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 208000005264 motor neuron disease Diseases 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 230000002232 neuromuscular Effects 0.000 description 3
- 208000018360 neuromuscular disease Diseases 0.000 description 3
- 206010048962 Brain oedema Diseases 0.000 description 2
- 206010010904 Convulsion Diseases 0.000 description 2
- 208000028399 Critical Illness Diseases 0.000 description 2
- 206010018985 Haemorrhage intracranial Diseases 0.000 description 2
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 2
- 208000026072 Motor neurone disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 230000036760 body temperature Effects 0.000 description 2
- 208000006752 brain edema Diseases 0.000 description 2
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 210000002161 motor neuron Anatomy 0.000 description 2
- 206010028417 myasthenia gravis Diseases 0.000 description 2
- 230000007830 nerve conduction Effects 0.000 description 2
- 230000004202 respiratory function Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 206010019233 Headaches Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010060860 Neurological symptom Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 206010070833 Respiratory muscle weakness Diseases 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000004820 blood count Methods 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 208000015114 central nervous system disease Diseases 0.000 description 1
- 238000002585 cerebral angiography Methods 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 238000007405 data analysis 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
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 208000028329 epileptic seizure Diseases 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 201000006417 multiple sclerosis Diseases 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010984 neurological examination Methods 0.000 description 1
- 230000004693 neuron damage Effects 0.000 description 1
- 230000004112 neuroprotection Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000035778 pathophysiological process Effects 0.000 description 1
- 230000010412 perfusion Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000009613 pulmonary function test Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 210000000278 spinal cord Anatomy 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种基于优化算法的神经内科重症指标预测方法及系统,涉及神经内科技术领域,该神经内科重症指标方法包括以下步骤:S1、设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与重症指标相关的生理因素;S2、获取患者的基本信息以及基于生理因素检测得到的病历信息;S3、选取生理因素构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型;S4、将病历信息作为模型输入并进行标准化处理。本发明通过设结合相关性分析与随机森林算法进行生理因素分析,再采用混沌灰狼优化算法优化在线序列极限学习机,有效提高了指标预测模型的准确性和泛化能力。
Description
技术领域
本发明涉及神经内科技术领域,尤其是涉及一种基于优化算法的神经内科重症指标预测方法及系统。
背景技术
神经内科是专注于诊断、治疗和管理与中枢神经系统(包括大脑、脊髓和周围神经)相关的疾病的医学分支,涵盖了多种神经系统疾病,如脑血管疾病、神经肌肉疾病、癫痫、头痛、多发性硬化症等。在神经内科的实践中,需要运用各种神经学检查和影像学技术,如脑电图、磁共振成像(MRI)、计算机断层扫描(CT)等,以全面了解患者的神经系统状况。
神经内科重症指标是用于评估神经系统严重疾病和危及生命情况的关键参数,它们提供了对患者神经状态和整体健康状况的重要信息,包括颅内压、脑电图(EEG)变化、神经肌肉功能状态、脑血管灌注情况等。颅内压是在中枢神经系统疾病中尤为重要的指标,其升高可能反映颅内出血、肿瘤或脑水肿等病理情况。脑电图作为监测神经活动的工具,能够检测癫痫状态、脑功能异常等,对神经内科重症患者的病情评估至关重要。此外,神经肌肉功能状态的监测,如肌电图(EMG)和神经传导速度(NCV)测试,对于诸如重症肌无力等神经肌肉疾病的分析评估提供了关键信息。在重症脑血管疾病中,血流动力学参数、脑血管造影等指标能够反映脑灌注状态,为神经保护提供依据。
神经内科重症指标的全面应用有助于及时干预和管理患者的身体状态,对于改善神经系统疾病患者的机体健康与生活质量具有重要意义。相应的,重症指标预测是一门迅速发展的领域,旨在通过现代医学技术和先进的数据分析方法,提前识别和预测患者可能发展成神经内科重症病情的迹象。尽管现有技术在神经内科重症指标预测方面取得了显著进展,但仍存在一些挑战和不足。首先,对于某些指标参数,其并不能直接通过设备检测直接获取,潜在性较强。其次,现有技术在对多因素交互作用的理解和综合分析方面仍有待加强,神经内科重症通常涉及多个系统和复杂的病理生理学过程,传统的预测方法存在数据相关性较差,求解方法困难且鲁棒性不强等问题。
发明内容
基于此,有必要针对上述技术问题,提供一种基于优化算法的神经内科重症指标预测方法及系统。
第一方面,本发明提供了一种基于优化算法的神经内科重症指标预测方法,该神经内科重症指标方法包括以下步骤:
S1、设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与重症指标相关的生理因素;
S2、获取患者的基本信息以及基于生理因素检测得到的病历信息;
S3、选取生理因素构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试;
S4、将病历信息作为模型输入并进行标准化处理,再代入指标预测模型中进行重症指标的分析预测,输出重症指标预测结果。
进一步的,设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与重症指标相关的生理因素包括以下步骤:
S11、依据神经内科涉及的神经系统疾病类型,设定相应的重症指标;
S12、获取医学数据库内医学知识信息,按照数据类型划分为不同因素;
S13、利用皮尔逊相关性分析算法分析重症指标与各个因素之间的相关关系,经过初次筛选得到满足相关性要求的关联因素;
S14、利用随机森林算法对关联因素对于重症指标的重要性进行分析,经过重要性筛选后得到与重症指标密切相关的生理因素。
进一步的,利用皮尔逊相关性分析算法分析重症指标与各个因素之间的相关关系,经过初次筛选得到满足相关性要求的关联因素包括以下步骤:
S131、将重症指标与因素均作为变量,统计医学数据库中每个变量的样本数,再计算每个变量的均值;
S132、利用均值分别计算两两变量之间的协方差与标准差;
S133、利用协方差与标准差计算皮尔逊相关系数,该皮尔逊相关系数的表达式为:;
式中,表示皮尔逊相关系数;cov表示协方差;/>表示标准差;X、Y分别表示重症指标与因素对应的变量;S134、设定相关性阈值,剔除皮尔逊相关系数低于相关性阈值的因素,保留满足相关性要求的因素作为关联因素。
进一步的,利用随机森林算法对关联因素对于重症指标的重要性进行分析,经过重要性筛选后得到与重症指标密切相关的生理因素包括以下步骤:
S141、将重症指标作为目标,关联因素作为特征,并指定随机森林中决策树的数量构建随机森林模型,再进行模型训练与测试;
S142、将随机森林模型建模过程中未参与训练的指标因素数据作为袋外数据,并利用袋外数据计算随机森林模型的原始袋外误差;
S143、将袋外数据中的某个关联因素的顺序进行随机变换,再次计算随机森林模型的变换袋外误差;
S144、利用原始袋外误差与变化袋外误差计算对应变换的关联因素的重要性,重要性的计算公式为:;
式中,I表示进行随机变换的关联因素的重要性;N表示决策树的数量,j=1,2,3,…,m;C 0 表示原始袋外误差;C′表示变换袋外误差;
S145、设定重要性阈值,按照重要性数值的大小进行排序,保留满足重要性阈值的关联因素作为重症指标的生理因素。
进一步的,选取生理参数构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试包括以下步骤:
S31、从医学数据库中选取生理参数及其对应的重症指标作为指标预测模型的数据基础,进行标准化处理后划分为训练集与测试集;
S32、初始化在线序列极限学习机的模型参数,再利用混沌灰狼优化算法对模型参数进行全局优化,实现最优个体向模型参数的赋值;
S33、利用训练集建立在线序列极限学习机模型,再基于灰狼位置更新进行在线序列极限学习机模型的局部寻优;
S34、采用最优模型参数建立指标预测模型,再对测试集进行预测。
进一步的,进行标准化处理的流程包括异常值处理、缺失值处理以及归一化处理,实现生理参数与重症指标的标准化;训练集与测试集的比例为70%:30%。
进一步的,初始化在线序列极限学习机的模型参数,再利用混沌灰狼优化算法对模型参数进行全局优化,实现最优个体向模型参数的赋值包括以下步骤:
S321、选择sigmoid函数作为在线序列极限学习机的激励函数,并设定在线序列极限学习机的隐含层节点数;
S322、初始化灰狼优化算法的种群参数,种群参数包括灰狼种群数、最大迭代次数、最大混沌搜索次数以及灰狼种群初始位置;
S323、利用灰狼种群中每个灰狼位置表示在线序列极限学习机的输入节点和隐含层间的权值和隐含层偏差,实现模型参数的赋值,利用灰狼位置赋值的表达式为:;
式中,R t,iter 表示在当前迭代中灰狼位置向量;a p,q 表示输入节点p到隐含层节点q之间随机产生的初始权值;b q 表示隐含层节点q随机产生的隐含层偏差;iter表示当前迭代的次数。
进一步的,利用训练集建立在线序列极限学习机模型,再基于灰狼位置更新进行在线序列极限学习机模型的局部寻优包括以下步骤:
S331、利用训练集建立在线序列极限学习机模型,并计算训练集中样本数据的均方根误差作为每只灰狼的适应度,适应度计算公式为:
;
式中,fit表示灰狼种群中灰狼的适应度;y 1 表示在线序列极限学习机模型的训练输出结果;y 2 表示相同生理参数对应的实际结果;W表示训练集中样本数据的总数,w=1,2,…,W;
S332、选取适应度的数值排列前三位的灰狼,并将三只灰狼个体位置进行标记,作为在线序列极限学习机模型的决策层;
S333、若当前迭代次数小于最大迭代次数时,则对灰狼种群中的每只灰狼个体位置进行更新;
S334、灰狼个体位置进行更新后,再次利用适应度计算公式计算每只灰狼的适应度,并将当前迭代次数加一次;
S335、判断当前迭代次数是否小于最大迭代次数,若小于最大迭代次数,则重复执行步骤S331至步骤S335,若不小于最大迭代次数,则返回全局最优位置,作为在线序列极限学习机模型的初始权值与隐含层偏差。
进一步的,若当前迭代次数小于最大迭代次数时,则对灰狼种群中的每只灰狼个体位置进行更新包括以下步骤:
S3331、分别计算适应度位于前列的三只灰狼参与位置更新的权重系数,权重系数的计算公式为:
;
式中,ω h 表示第h只灰狼的权重系数,h=α,β,δ;R h (t)表示第h只灰狼在t次迭代时的位置;R α 、R β 、R δ 分别表示三只灰狼;
S3332、利用三只灰狼各自的权重系数,计算灰狼种群中每只灰狼在下次迭代时的个体位置,实现位置更新,个体位置的计算公式为:
;
式中,R k (t+1)表示灰狼种群中第k值灰狼在t+1次迭代时的位置;R k,h 表示第k只灰狼相对于第h只灰狼的位置。
第二方面,本发明还提供了一种基于优化算法的神经内科重症指标预测系统,该神经内科重症指标预测系统包括:
指标参数生成模块,用于设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与重症指标相关的生理因素;
病历信息采集模块,用于获取患者的基本信息以及基于生理因素检测得到的病历信息
模型训练测试模块,用于选取生理因素构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试
指标预测分析模块,用于将病历信息作为模型输入并进行标准化处理,再代入指标预测模型中进行重症指标的分析预测,输出重症指标预测结果;
其中,指标参数生成模块、病历信息采集模块、模型训练测试模块及指标预测分析模块依次保持连接。
本发明的有益效果为:
1、通过设定神经内科的重症指标并结合相关性分析与随机森林算法,实现了从医学数据库中智能提取与指标相关的生理因素,为建立预测模型提供了全面的特征基础;其次,采用混沌灰狼优化算法优化在线序列极限学习机,不仅充分考虑了模型的全局搜索能力,还提高了模型的收敛性,从而有效提高了指标预测模型的准确性和泛化能力;同时,在构建训练集与测试集时,充分考虑了患者的基本信息和生理因素,提高了模型对个体差异的适应性,从而具备提高预测准确性、适应性和实用性的显著优势。
2、通过采用皮尔逊相关性分析算法对重症指标与各个因素之间的相关关系进行分析,通过初次筛选得到满足相关性要求的关联因素,有助于缩小研究范围,提高后续分析的效率,再配合引入随机森林算法对关联因素的重要性进行分析,进一步提炼与重症指标密切相关的生理因素,随机森林算法具有较强的适应性和鲁棒性,能够有效处理多因素交互的复杂关系,从而在研究中筛选出对重症指标具有显著影响的生理因素。
3、通过在初始化在线序列极限学习机的模型参数后,利用混沌灰狼优化算法进行全局优化,将最优个体的参数赋值给模型,有效提高了模型的整体性能,同时在模型建立的过程中,通过灰狼位置的更新进行在线序列极限学习机模型的局部寻优,进一步提高了模型的拟合能力和对潜在特征的抽取能力,从而使得模型更好地适应复杂的生理参数与重症指标之间的非线性关系,使得模型在未见过的数据上具有较好的泛化性能,为神经内科重症指标的准确预测提供了可靠的工具。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种基于优化算法的神经内科重症指标预测方法的流程图;
图2是根据本发明实施例的一种基于优化算法的神经内科重症指标预测系统的系统框图。
附图标号:1、指标参数生成模块;2、病历信息采集模块;3、模型训练测试模块;4、指标预测分析模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
请参阅图1,提供了一种基于优化算法的神经内科重症指标预测方法,该神经内科重症指标方法包括以下步骤:
S1、设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与重症指标相关的生理因素。
在本发明的描述中,设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与重症指标相关的生理因素包括以下步骤:
S11、依据神经内科涉及的神经系统疾病类型,设定相应的重症指标。
以下是与特定神经系统疾病相关的重症指标示例:
一、脑血管疾病(如中风):
颅内压:脑组织内的压力,可用于评估脑水肿和颅内出血。
脑灌注压:脑血流的压力,关联脑灌注状态。
脑电图(EEG):用于检测脑电活动异常,如癫痫发作。
二、神经肌肉疾病(如重症肌无力):
肌电图(EMG):测量肌肉电活动,可用于评估神经肌肉传导功能。
呼吸功能指标:如呼吸频率、潮气量、肺功能测试,用于监测呼吸系统功能。
三、神经系统感染:
脑脊液分析:检测脑脊液中的细胞、蛋白质等指标,有助于诊断感染。
体温:作为全身性感染的指标。
四、癫痫症状:
脑电图(EEG):检测癫痫发作的脑电活动异常。
五、运动神经元疾病(如运动神经元病):
运动神经元功能评估:包括肌力测试、反射测试,用于评估运动神经元损害程度。
呼吸功能评估:由于部分运动神经元疾病可导致呼吸肌无力。
S12、获取医学数据库内医学知识信息,按照数据类型划分为不同因素。
以下是按照不同数据类型划分为不同因素的示例:
一、影像学数据:
MRI、CT等影像学检查结果,用于评估脑结构、血管状况、肌肉状况等。
二、实验室检查数据:
血液学参数、生化指标、免疫学指标,包括血红蛋白、白细胞计数、炎症标志物等。
三、生理监测数据:
监测颅内压、心率、血压、呼吸频率等生理参数。
四、神经电生理学数据:
脑电图(EEG)、肌电图(EMG)、神经传导速度(NCV)等,用于评估神经系统功能。
五、临床评估数据:
病史、临床症状、神经系统体格检查等医师观察和评估的信息。
S13、利用皮尔逊相关性分析算法分析重症指标与各个因素之间的相关关系,经过初次筛选得到满足相关性要求的关联因素。
在本发明的描述中,利用皮尔逊相关性分析算法分析重症指标与各个因素之间的相关关系,经过初次筛选得到满足相关性要求的关联因素包括以下步骤:
S131、将重症指标与因素均作为变量,统计医学数据库中每个变量的样本数,再计算每个变量的均值。
S132、利用均值分别计算两两变量之间的协方差与标准差。其中,协方差的计算公式为:。
标准差的计算公式为:、。
式中,n表示变量的样本数,i=1,2,3,…,n;
、/>分表表示重症指标与因素对应变量的均值。
S133、利用协方差与标准差计算皮尔逊相关系数,该皮尔逊相关系数的表达式为:;
式中,表示皮尔逊相关系数;cov表示协方差;/>表示标准差;X、Y分别表示重症指标与因素对应的变量。
S134、设定相关性阈值,剔除皮尔逊相关系数低于相关性阈值的因素,保留满足相关性要求的因素作为关联因素。
相关性阈值的设定需要考虑研究领域的专业知识,依据哪些变量在理论上或实践中应该具有较高的相关性,将这些先验信息作为设定相关性阈值的依据。还需要观察数据的分布情况,了解变量之间的变异性。如果数据波动较小,相关性阈值可以适当降低,以便更敏感地检测到相关关系。反之,如果数据波动较大,可以考虑提高相关性阈值,以降低误认为显著相关的风险。
S14、利用随机森林算法对关联因素对于重症指标的重要性进行分析,经过重要性筛选后得到与重症指标密切相关的生理因素。
在本发明的描述中,利用随机森林算法对关联因素对于重症指标的重要性进行分析,经过重要性筛选后得到与重症指标密切相关的生理因素包括以下步骤:
S141、将重症指标作为目标,关联因素作为特征,并指定随机森林中决策树的数量构建随机森林模型,再进行模型训练与测试。
具体的,需要优先整理数据集,确保包含重症指标和关联因素的相关数据。将数据集划分为随机森林模型训练集和随机森林模型测试集,通常采用交叉验证或保留一部分数据用于测试。再指定随机森林中的决策树数量。决策树数量的选择通常是根据实际问题和计算资源进行调整的,一般情况下,随机森林中的树越多,模型的性能可能越好。使用随机森林模型训练集数据,构建随机森林模型。每个决策树都是根据不同的子样本和特征进行构建。在每个决策树节点上,随机选择一个子集的特征进行分裂。再使用随机森林模型训练集数据对随机森林模型进行训练。每个树都对数据进行拟合,并学习关联因素与重症指标之间的关系。
S142、将随机森林模型建模过程中未参与训练的指标因素数据作为袋外数据,并利用袋外数据计算随机森林模型的原始袋外误差。
其中,袋外数据(Out-of-Bag,简称OOB)是在随机森林模型训练过程中未参与训练的数据,可以用于评估模型的性能。在每次构建决策树的过程中,每个样本都有一定的概率未被选择进入当前决策树的训练样本集,这部分未被选择的数据即为袋外数据。
对于每个样本,通过模型预测得到其重症指标的预测值。将模型对于袋外数据的预测值与实际重症指标值进行比较,计算每个样本的误差。再对所有袋外数据的误差进行平均,得到模型的袋外误差。袋外误差反映了模型在未参与训练的数据上的预测性能。
原始袋外误差可以作为一个评估模型性能的指标,具有与交叉验证类似的效果,而无需划分额外的验证集。通过袋外误差的计算,可以更全面地评估模型的泛化性能,尤其在数据较少时尤为有用。
S143、将袋外数据中的某个关联因素的顺序进行随机变换,再次计算随机森林模型的变换袋外误差。
S144、利用原始袋外误差与变化袋外误差计算对应变换的关联因素的重要性,重要性的计算公式为:;
式中,I表示进行随机变换的关联因素的重要性;N表示决策树的数量,j=1,2,3,…,m;C 0 表示原始袋外误差;C′表示变换袋外误差。
S145、设定重要性阈值,按照重要性数值的大小进行排序,保留满足重要性阈值的关联因素作为重症指标的生理因素。
S2、获取患者的基本信息以及基于生理因素检测得到的病历信息。
其中,基本信息收集包括以下方面:
1、个人信息:包括患者的姓名、年龄、性别、联系方式等。
2、医疗历史:过去的疾病史、手术历史、用药历史等。
依据生理因素检测得到的病历信息记录包括以下方面:
1、生理参数:测量和记录患者的生理参数,如血压、心率、呼吸率、体温等。
2、实验室检查:进行必要的实验室检查,包括血液、尿液、影像学检查等。
3、生物学指标:包括血液中的生物标志物、遗传信息等。
4、症状描述:记录患者的主观症状,包括不适感、疼痛程度、持续时间等。
5、体征观察:记录医生观察到的客观体征,如皮肤颜色、眼底检查等。
6、医生诊断和建议:记录医生的诊断、治疗建议以及患者的反馈。
S3、选取生理因素构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试。
在本发明的描述中,选取生理参数构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试包括以下步骤:
S31、从医学数据库中选取生理参数及其对应的重症指标作为指标预测模型的数据基础,进行标准化处理后划分为训练集与测试集。
其中,进行标准化处理的流程包括异常值处理、缺失值处理以及归一化处理,实现生理参数与重症指标的标准化。训练集与测试集的比例为70%:30%。
S32、初始化在线序列极限学习机的模型参数,再利用混沌灰狼优化算法对模型参数进行全局优化,实现最优个体向模型参数的赋值。
在本发明的描述中,初始化在线序列极限学习机的模型参数,再利用混沌灰狼优化算法对模型参数进行全局优化,实现最优个体向模型参数的赋值包括以下步骤:
S321、选择sigmoid函数作为在线序列极限学习机的激励函数,并设定在线序列极限学习机的隐含层节点数。
S322、初始化灰狼优化算法的种群参数,种群参数包括灰狼种群数、最大迭代次数、最大混沌搜索次数以及灰狼种群初始位置。
S323、利用灰狼种群中每个灰狼位置表示在线序列极限学习机的输入节点和隐含层间的权值和隐含层偏差,实现模型参数的赋值,利用灰狼位置赋值的表达式为:;
式中,R t,iter 表示在当前迭代中灰狼位置向量;a p,q 表示输入节点p到隐含层节点q之间随机产生的初始权值;b q 表示隐含层节点q随机产生的隐含层偏差;iter表示当前迭代的次数。
S33、利用训练集建立在线序列极限学习机模型,再基于灰狼位置更新进行在线序列极限学习机模型的局部寻优。
在本发明的描述中,利用训练集建立在线序列极限学习机模型,再基于灰狼位置更新进行在线序列极限学习机模型的局部寻优包括以下步骤:
S331、利用训练集建立在线序列极限学习机模型,并计算训练集中样本数据的均方根误差作为每只灰狼的适应度,适应度计算公式为:
;
式中,fit表示灰狼种群中灰狼的适应度;y 1 表示在线序列极限学习机模型的训练输出结果;y 2 表示相同生理参数对应的实际结果;W表示训练集中样本数据的总数,w=1,2,…,W。
S332、选取适应度的数值排列前三位的灰狼,并将三只灰狼个体位置进行标记,作为在线序列极限学习机模型的决策层。
S333、若当前迭代次数小于最大迭代次数时,则对灰狼种群中的每只灰狼个体位置进行更新。
在本发明的描述中,若当前迭代次数小于最大迭代次数时,则对灰狼种群中的每只灰狼个体位置进行更新包括以下步骤:
S3331、分别计算适应度位于前列的三只灰狼参与位置更新的权重系数,权重系数的计算公式为:
;
式中,ω h 表示第h只灰狼的权重系数,h=α,β,δ;R h (t)表示第h只灰狼在t次迭代时的位置;R α 、R β 、R δ 分别表示三只灰狼。
S3332、利用三只灰狼各自的权重系数,计算灰狼种群中每只灰狼在下次迭代时的个体位置,实现位置更新,个体位置的计算公式为:
;
式中,R k (t+1)表示灰狼种群中第k值灰狼在t+1次迭代时的位置,R k,h 表示第k只灰狼相对于第h只灰狼的位置。
S334、灰狼个体位置进行更新后,再次利用适应度计算公式计算每只灰狼的适应度,并将当前迭代次数加一次。
S335、判断当前迭代次数是否小于最大迭代次数,若小于最大迭代次数,则重复执行步骤S331至步骤S335,若不小于最大迭代次数,则返回全局最优位置,作为在线序列极限学习机模型的初始权值与隐含层偏差。
S34、采用最优模型参数建立指标预测模型,再对测试集进行预测。
S4、将病历信息作为模型输入并进行标准化处理,再代入指标预测模型中进行重症指标的分析预测,输出重症指标预测结果。
S41、将从患者病历中提取的各种信息作为模型的输入。
S42、对输入数据进行预处理,包括缺失值处理、异常值处理等。确保输入数据的质量和完整性;再对输入数据进行标准化处理,使得各个特征具有相似的尺度。
S43、将标准化后的病历信息输入预先建立的指标预测模型中。
S44、模型对输入的病历信息进行分析,并预测与重症指标相关的结果。预测结果包括一个二元分类(例如,是否为重症患者)、多类分类(例如,重症程度的分级)或回归问题(预测具体数值)。
请参阅图2,还提供了一种基于优化算法的神经内科重症指标预测系统,该神经内科重症指标预测系统包括:
指标参数生成模块1,用于设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与重症指标相关的生理因素。
病历信息采集模块2,用于获取患者的基本信息以及基于生理因素检测得到的病历信息
模型训练测试模块3,用于选取生理因素构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试
指标预测分析模块4,用于将病历信息作为模型输入并进行标准化处理,再代入指标预测模型中进行重症指标的分析预测,输出重症指标预测结果。
其中,指标参数生成模块1、病历信息采集模块2、模型训练测试模块3及指标预测分析模块4依次保持连接。
综上所述,借助于本发明的上述技术方案,通过设定神经内科的重症指标并结合相关性分析与随机森林算法,实现了从医学数据库中智能提取与指标相关的生理因素,为建立预测模型提供了全面的特征基础;其次,采用混沌灰狼优化算法优化在线序列极限学习机,不仅充分考虑了模型的全局搜索能力,还提高了模型的收敛性,从而有效提高了指标预测模型的准确性和泛化能力;同时,在构建训练集与测试集时,充分考虑了患者的基本信息和生理因素,提高了模型对个体差异的适应性,从而具备提高预测准确性、适应性和实用性的显著优势。
通过采用皮尔逊相关性分析算法对重症指标与各个因素之间的相关关系进行分析,通过初次筛选得到满足相关性要求的关联因素,有助于缩小研究范围,提高后续分析的效率,再配合引入随机森林算法对关联因素的重要性进行分析,进一步提炼与重症指标密切相关的生理因素,随机森林算法具有较强的适应性和鲁棒性,能够有效处理多因素交互的复杂关系,从而在研究中筛选出对重症指标具有显著影响的生理因素。
通过在初始化在线序列极限学习机的模型参数后,利用混沌灰狼优化算法进行全局优化,将最优个体的参数赋值给模型,有效提高了模型的整体性能,同时在模型建立的过程中,通过灰狼位置的更新进行在线序列极限学习机模型的局部寻优,进一步提高了模型的拟合能力和对潜在特征的抽取能力,从而使得模型更好地适应复杂的生理参数与重症指标之间的非线性关系,使得模型在未见过的数据上具有较好的泛化性能,为神经内科重症指标的准确预测提供了可靠的工具。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
Claims (10)
1.一种基于优化算法的神经内科重症指标预测方法,其特征在于,该神经内科重症指标方法包括以下步骤:
S1、设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与所述重症指标相关的生理因素;
S2、获取患者的基本信息以及基于所述生理因素检测得到的病历信息;
S3、选取所述生理因素构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试;
S4、将所述病历信息作为模型输入并进行标准化处理,再代入所述指标预测模型中进行重症指标的分析预测,输出重症指标预测结果。
2.根据权利要求1所述的一种基于优化算法的神经内科重症指标预测方法,其特征在于,所述设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与所述重症指标相关的生理因素包括以下步骤:
S11、依据神经内科涉及的神经系统疾病类型,设定相应的重症指标;
S12、获取医学数据库内医学知识信息,按照数据类型划分为不同因素;
S13、利用皮尔逊相关性分析算法分析所述重症指标与各个所述因素之间的相关关系,经过初次筛选得到满足相关性要求的关联因素;
S14、利用随机森林算法对所述关联因素对于所述重症指标的重要性进行分析,经过重要性筛选后得到与所述重症指标密切相关的生理因素。
3.根据权利要求2所述的一种基于优化算法的神经内科重症指标预测方法,其特征在于,所述利用皮尔逊相关性分析算法分析所述重症指标与各个所述因素之间的相关关系,经过初次筛选得到满足相关性要求的关联因素包括以下步骤:
S131、将所述重症指标与所述因素均作为变量,统计所述医学数据库中每个所述变量的样本数,再计算每个所述变量的均值;
S132、利用所述均值分别计算两两所述变量之间的协方差与标准差;
S133、利用所述协方差与所述标准差计算皮尔逊相关系数,该皮尔逊相关系数的表达式为:;
式中,表示皮尔逊相关系数;
cov表示协方差;
表示标准差;
X、Y分别表示重症指标与因素对应的变量;
S134、设定相关性阈值,剔除所述皮尔逊相关系数低于所述相关性阈值的因素,保留满足相关性要求的因素作为关联因素。
4.根据权利要求3所述的一种基于优化算法的神经内科重症指标预测方法,其特征在于,所述利用随机森林算法对所述关联因素对于所述重症指标的重要性进行分析,经过重要性筛选后得到与所述重症指标密切相关的生理因素包括以下步骤:
S141、将所述重症指标作为目标,所述关联因素作为特征,并指定随机森林中决策树的数量构建随机森林模型,再进行模型训练与测试;
S142、将所述随机森林模型建模过程中未参与训练的指标因素数据作为袋外数据,并利用所述袋外数据计算所述随机森林模型的原始袋外误差;
S143、将所述袋外数据中的某个所述关联因素的顺序进行随机变换,再次计算所述随机森林模型的变换袋外误差;
S144、利用所述原始袋外误差与所述变化袋外误差计算对应变换的所述关联因素的重要性,所述重要性的计算公式为:
;
式中,I表示进行随机变换的关联因素的重要性;
N表示决策树的数量,j=1,2,3,…,m;
C 0 表示原始袋外误差;
C′表示变换袋外误差;
S145、设定重要性阈值,按照所述重要性数值的大小进行排序,保留满足所述重要性阈值的所述关联因素作为所述重症指标的生理因素。
5.根据权利要求2所述的一种基于优化算法的神经内科重症指标预测方法,其特征在于,所述选取所述生理参数构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试包括以下步骤:
S31、从所述医学数据库中选取所述生理参数及其对应的所述重症指标作为指标预测模型的数据基础,进行标准化处理后划分为训练集与测试集;
S32、初始化在线序列极限学习机的模型参数,再利用混沌灰狼优化算法对所述模型参数进行全局优化,实现最优个体向所述模型参数的赋值;
S33、利用所述训练集建立在线序列极限学习机模型,再基于灰狼位置更新进行所述在线序列极限学习机模型的局部寻优;
S34、采用最优模型参数建立指标预测模型,再对所述测试集进行预测。
6.根据权利要求5所述的一种基于优化算法的神经内科重症指标预测方法,其特征在于,所述进行标准化处理的流程包括异常值处理、缺失值处理以及归一化处理,实现所述生理参数与所述重症指标的标准化;
所述训练集与所述测试集的比例为70%:30%。
7.根据权利要求5所述的一种基于优化算法的神经内科重症指标预测方法,其特征在于,所述初始化在线序列极限学习机的模型参数,再利用混沌灰狼优化算法对所述模型参数进行全局优化,实现最优个体向所述模型参数的赋值包括以下步骤:
S321、选择sigmoid函数作为所述在线序列极限学习机的激励函数,并设定所述在线序列极限学习机的隐含层节点数;
S322、初始化灰狼优化算法的种群参数,所述种群参数包括灰狼种群数、最大迭代次数、最大混沌搜索次数以及灰狼种群初始位置;
S323、利用灰狼种群中每个灰狼位置表示所述在线序列极限学习机的输入节点和隐含层间的权值和隐含层偏差,实现模型参数的赋值,利用灰狼位置赋值的表达式为:
;
式中,R t,iter 表示在当前迭代中灰狼位置向量;
a p,q 表示输入节点p到隐含层节点q之间随机产生的初始权值;
b q 表示隐含层节点q随机产生的隐含层偏差;
iter表示当前迭代的次数。
8.根据权利要求7所述的一种基于优化算法的神经内科重症指标预测方法,其特征在于,所述利用所述训练集建立在线序列极限学习机模型,再基于灰狼位置更新进行所述在线序列极限学习机模型的局部寻优包括以下步骤:
S331、利用所述训练集建立在线序列极限学习机模型,并计算所述训练集中样本数据的均方根误差作为每只灰狼的适应度,适应度计算公式为:
;
式中,fit表示灰狼种群中灰狼的适应度;
y 1 表示在线序列极限学习机模型的训练输出结果;
y 2 表示相同生理参数对应的实际结果;
W表示训练集中样本数据的总数,w=1,2,…,W;
S332、选取所述适应度的数值排列前三位的灰狼,并将三只灰狼个体位置进行标记,作为所述在线序列极限学习机模型的决策层;
S333、若当前迭代次数小于最大迭代次数时,则对所述灰狼种群中的每只灰狼个体位置进行更新;
S334、所述灰狼个体位置进行更新后,再次利用适应度计算公式计算每只灰狼的适应度,并将当前迭代次数加一次;
S335、判断当前迭代次数是否小于所述最大迭代次数,若小于所述最大迭代次数,则重复执行步骤S331至步骤S335,若不小于所述最大迭代次数,则返回全局最优位置,作为所述在线序列极限学习机模型的初始权值与隐含层偏差。
9.根据权利要求8所述的一种基于优化算法的神经内科重症指标预测方法,其特征在于,所述若当前迭代次数小于最大迭代次数时,则对所述灰狼种群中的每只灰狼个体位置进行更新包括以下步骤:
S3331、分别计算所述适应度位于前列的三只灰狼参与位置更新的权重系数,所述权重系数的计算公式为:
;
式中,ω h 表示第h只灰狼的权重系数,h=α,β,δ;
R h (t)表示第h只灰狼在t次迭代时的位置;
R α 、R β 、R δ 分别表示三只灰狼;
S3332、利用三只灰狼各自的权重系数,计算灰狼种群中每只灰狼在下次迭代时的个体位置,实现位置更新,个体位置的计算公式为:
;
式中,R k (t+1)表示灰狼种群中第k值灰狼在t+1次迭代时的位置;
R k,h 表示第k只灰狼相对于第h只灰狼的位置。
10.一种基于优化算法的神经内科重症指标预测系统,用于实现权利要求1-9中任一项所述基于优化算法的神经内科重症指标预测方法,其特征在于,该神经内科重症指标预测系统包括:
指标参数生成模块,用于设定神经内科的重症指标,并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与所述重症指标相关的生理因素;
病历信息采集模块,用于获取患者的基本信息以及基于所述生理因素检测得到的病历信息
模型训练测试模块,用于选取所述生理因素构建训练集与测试集,利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型,并进行模型训练与测试
指标预测分析模块,用于将所述病历信息作为模型输入并进行标准化处理,再代入所述指标预测模型中进行重症指标的分析预测,输出重症指标预测结果;
其中,所述指标参数生成模块、所述病历信息采集模块、所述模型训练测试模块及所述指标预测分析模块依次保持连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114027.7A CN117637154B (zh) | 2024-01-27 | 2024-01-27 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114027.7A CN117637154B (zh) | 2024-01-27 | 2024-01-27 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117637154A true CN117637154A (zh) | 2024-03-01 |
CN117637154B CN117637154B (zh) | 2024-03-29 |
Family
ID=90032524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410114027.7A Active CN117637154B (zh) | 2024-01-27 | 2024-01-27 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117637154B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
CN112116952A (zh) * | 2020-08-06 | 2020-12-22 | 温州大学 | 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法 |
CN112652398A (zh) * | 2020-12-22 | 2021-04-13 | 浙江大学 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
WO2022198761A1 (zh) * | 2021-03-22 | 2022-09-29 | 江苏大学 | 一种基于决策树和改进smote算法的哮喘病诊断系统 |
US20230029947A1 (en) * | 2021-07-23 | 2023-02-02 | Wenzhou University | Medical disease feature selection method based on improved salp swarm algorithm |
CN116646078A (zh) * | 2023-07-19 | 2023-08-25 | 中国人民解放军总医院 | 一种基于人工智能的心血管急危重症临床决策支持系统及设备 |
WO2023241012A1 (zh) * | 2022-06-16 | 2023-12-21 | 南京医科大学 | 基于深度学习的脑卒中早期康复后功能预测模型建立方法 |
-
2024
- 2024-01-27 CN CN202410114027.7A patent/CN117637154B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
CN112116952A (zh) * | 2020-08-06 | 2020-12-22 | 温州大学 | 基于扩散及混沌局部搜索的灰狼优化算法的基因选择方法 |
CN112652398A (zh) * | 2020-12-22 | 2021-04-13 | 浙江大学 | 一种基于机器学习算法的新冠肺炎重症化预测方法及系统 |
WO2022198761A1 (zh) * | 2021-03-22 | 2022-09-29 | 江苏大学 | 一种基于决策树和改进smote算法的哮喘病诊断系统 |
US20230029947A1 (en) * | 2021-07-23 | 2023-02-02 | Wenzhou University | Medical disease feature selection method based on improved salp swarm algorithm |
WO2023241012A1 (zh) * | 2022-06-16 | 2023-12-21 | 南京医科大学 | 基于深度学习的脑卒中早期康复后功能预测模型建立方法 |
CN116646078A (zh) * | 2023-07-19 | 2023-08-25 | 中国人民解放军总医院 | 一种基于人工智能的心血管急危重症临床决策支持系统及设备 |
Non-Patent Citations (4)
Title |
---|
崔伟锋;刘萧萧;韩静旖;范军铭;: "基于随机森林的原发性高血压心血管风险预后模型", 中国老年学杂志, no. 04, 25 February 2020 (2020-02-25) * |
徐辰华;李成县;王尤军;林小峰;: "基于混沌灰狼优化算法的氧化铝质量指标预测模型", 广西大学学报(自然科学版), no. 06, 25 December 2016 (2016-12-25) * |
李惠萍;胡安民;: "基于KNN和RF算法构建危重患者全因死亡预测模型的研究", 中国卫生统计, no. 02, 25 April 2020 (2020-04-25) * |
潘思旭;廖吕钊;徐那菲;王希;江荣林;: "应用人工神经网络预测ICU患者院内感染", 全科医学临床与教育, no. 06, 30 June 2020 (2020-06-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117637154B (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020049267A1 (en) | Analysis of cardiac data | |
CN114999629B (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
CN112641451B (zh) | 基于单通道脑电信号多尺度残差网络睡眠分期方法及系统 | |
Ferrari et al. | Dealing with confounders and outliers in classification medical studies: The Autism Spectrum Disorders case study | |
Samant et al. | Evaluation of artificial neural networks in prediction of essential hypertension | |
CN111612278A (zh) | 生命状态预测方法、装置、电子设备及存储介质 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN116864104A (zh) | 基于人工智能的慢性血栓栓塞性肺动脉高压风险分级系统 | |
CN113571176A (zh) | 一种基于血常规检验数据的抑郁症识别方法 | |
JP2024027086A (ja) | 自己監督グラフクラスタリングに基づく慢性腎症亜型マイニングシステム | |
Manimurugan | Classification of Alzheimer's disease from MRI Images using CNN based Pre-trained VGG-19 Model | |
Deepak et al. | A novel and proposed triad machine learning-based framework for the prognosis of Huntington’s disease | |
Khan et al. | A novel hybrid GRU-CNN and residual bias (RB) based RB-GRU-CNN models for prediction of PTB Diagnostic ECG time series data | |
CN117637154B (zh) | 一种基于优化算法的神经内科重症指标预测方法及系统 | |
Sukaria et al. | Epileptic seizure detection using convolution neural networks | |
CN116013522A (zh) | 一种用于带状疱疹后遗神经痛的预测方法及系统 | |
Valton et al. | The importance of group specification in computational modelling of behaviour | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle | |
Chukwunweike et al. | Applying AI and machine learning for predictive stress analysis and morbidity assessment in neural systems: A MATLAB-based framework for detecting and addressing neural dysfunction | |
US20240156414A1 (en) | Method for Predicting Age from Resting-State Scalp EEG Signals Using Deep Convolutional Neural Networks | |
CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 | |
CN115148319B (zh) | 多临床分期疾病的辅助分类方法、设备及存储介质 | |
Ayub et al. | Deep 3D-CNN using Resonance Imaging for Diagnosing Alzheimer’s | |
Maweu | Validation and Interpretable Model Explanations for Synthesized Data in Healthcare | |
Surya et al. | Premature Discovery of Long-Term Prolonged Renal Disorder Using Machine Learning Algorithm |
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 |