首页 > 文献资料
-
基于贝叶斯分类器的脉象自动识别方法
传统脉诊依靠医生按压腕部挠动脉脉搏进行脉象识别,具有很强的主观性和模糊性,其准确性与可靠性依赖于医生个人的主观感觉与经验积累,缺乏客观和量化的诊断指标.针对脉象信号复杂性以及脉象特征与脉象类别之间非线性等特点,提出一种基于贝叶斯分类器的脉象自动识别方法,并据此建立脉象定量诊断模型.首先,提取脉象信号的特征参数,创建脉象特征参数-脉象类别数据库,采用少数类合成过采样技术SMOTE结合Tomek links的方法,对数据库进行均衡,使不同的脉象类别具有大致相同的样本;然后基于均衡后的数据库学习贝叶斯网络结构,将得到的马尔可夫毯选择为特征集合并作为贝叶斯分类器的输入,创建脉象信号与类别之间的映射关系模型.通过创建的脉象样本数据库和交叉验证方法,对所提出的方法进行验证.结果表明:所提出的方法可有效识别脉象类型,对于脉位、脉率和脉律的预测准确率都超过90%,是一种有效的脉象定量诊断方法.
-
基于重采样技术在医学不平衡数据分类中的应用研究
目的 以代谢综合征为例,探讨不平衡数据对分类算法的影响,并运用重采样技术对数据进行平衡化处理,比较神经网络、决策树的分类性能.方法 采用随机过采样、随机欠采样、混合采样和人工合成数据四种重采样技术,比较数据重采样前后及四种数据重采样间使用神经网络、决策树分类的性能,以F-Measure,G-mean和AUC作为模型评价指标.结果 (1)分类算法性能随不平衡数据集不平衡比例的加剧而降低;(2)四种重采样技术中随机过采样后作用于BP神经网络、C4.5决策树分类性能大.结论 分类性能随数据集中患病率的降低而下降.采用随机过采样提高了算法的分类性能.建议在应用分类算法对医学不平衡数据分类前,采用随机过采样技术以提高分类性能.
-
常用分类算法在不同样本量和类分布的不平衡数据中的分类效果比较
目的：比较常用分类算法在不同样本量和稀有类比例的不平衡数据集中的分类效果。方法采用Monte Carlo模拟,产生不同样本量和稀有类比例的随机样本,并分别用各分类算法进行分类,比较各算法的F1值和AUC值。结果各算法的分类效果均随样本量和稀有类比例增加而增加,F1值的变化更明显,稀有类占30%和20%时,F1值变化幅度<0.2,且均达到0.6以上(AUC>0.83)。 logistic回归和神经网络在样本量为150和500时要优于其它三种算法,样本量5000稀有类占5%和3%时,随机森林的F1值要明显高于其它算法。结论 F1值受样本量和类分布影响较大,稀有类比例不太低时各算法仍具有可接受的分类效果,小样本时logistic回归和神经网络效果较好,稀有类比例较低且样本量大时随机森林效果要优于其余算法。
关键词： 不平衡数据集 分类算法 Monte Carlo -
基于AdaBoost法在代谢综合征不平衡数据分类中的应用
目的 (1)针对医疗数据不平衡的特点,以代谢综合征为例,通过比较单纯决策树与AdaBoost+决策树分类代谢综合征的性能,从而确定AdaBoost+决策树在医疗不平衡数据挖掘中的优点,为计算机辅助诊断代谢综合征提供方法学参考.(2)采用决策树探讨代谢综合征的影响因素.方法 采用AdaBoost平衡代谢综合征数据,并比较数据平衡前后决策树建模的性能,采用F-value,G-mean和AUC分析评价模型.结果 (1)相较于单纯决策树,AdaBoost+决策树的F-value值提高6.3％,G-mean提高3.5％,AUC提高0.4％,分别表明采用AdaBoost+决策树分类代谢综合征患者识别的性能提高6.3％,数据整体的分类精度提高3.5％;模型的综合分类能力提高0.4％.(2)探讨决策树影响因素均显示:空腹血糖、高密度脂蛋白、收缩压、年龄、体重指数是代谢综合征的主要影响因素.此外,在本研究中,决策树提示:若FPG＞6.02,BMI＞ 24.99,SBP＞ 139,age≤46,则患有代谢综合征;若FPG≤6.02,HDL-C≤0.99,BMI≤24.99,age≤61,则不患代谢综合征.结论 采用AdaBoost+决策树的性能优于决策树,使用决策树所得结果与相关专业研究中代谢综合征影响因素相同.
-
基于SMOTEboost的大肠癌不平衡数据集的症型分类研究
目的 利用机器学习算法处理大肠癌中医症状与证型数据,建立适用于大肠癌不平衡数据集的虚实证型分类模型.方法 量化收集的大肠癌中医临床病案数据以及文献检索数据,首先采用人工合成过采样技术对数据集进行平衡处理,再结合集成学习算法Adaboost,将症状作为输入,证型作为输出,对比传统机器学习算法分类效果,探讨大肠癌的SMOTEboost分类模型在虚实证型中的分类性能.结果 SMOTEboost分类算法在大肠癌虚实证型分类模型中,F-mean较Adaboost提高了25.40％,G-mean提高了16.60％,表明构建的分类器具有较高的分类性能与泛化能力.结论 SMOTEboost复合分类器为大肠癌中医证型分类提供很好的计算机网络模型,也为其他中医病症的临床证型判定提供借鉴意义.
