基于Inter.iamb-Tabu混合算法的贝叶斯网络效果评价及在高脂血症相关因素研究中的应用

发布时间：2020-04-29 15:39

【摘要】：目的:针对MMHC混合算法构建贝叶斯网络性能的不足进行改进,提出MMPC-Tabu、Fast.iamb-Tabu以及Inter.iamb-Tabu三种混合算法,研究这三种算法构建贝叶斯网络的效果,并与MMHC混合算法进行比较;利用2013年山西省高脂血症及其危险因素的调查数据,研究山西省高脂血症的水平,采用其中最优的混合算法构建高脂血症的贝叶斯网络模型,研究与高脂血症直接或间接相关的因素和关联强度,并通过模型推理研究高脂血症发生的可能性,为慢性病与相关因素的研究提供更合理的方法。方法:首先利用两种标准的贝叶斯网络随机生成不同样本量的仿真数据,然后分别用MMHC、MMPC-Tabu、Fast.iamb-Tabu和Inter.iamb-Tabu混合算法构建贝叶斯网络,与原始模型进行比较,通过反向边,丢失边,多余边的数量及其之和来评价这四种算法构建的贝叶斯网络的效果;利用多阶段分层随机抽样对山西省8个调查点18岁以上居民高脂血症及相关因素的调查资料,采用多因素logistic回归对变量进行初步筛选,?_入=0.1,?_出=0.15;再以最优混合算法构建贝叶斯网络,利用极大似然估计来估计网络中节点的参数,并进行两种模型反映变量与疾病关系的效果比较。结果:(1)利用两种标准的贝叶斯网络随机生成不同样本量的数据集,采用四种算法所构建的贝叶斯网络结果显示:无论节点数多与少,样本量越大,所构建的贝叶斯网络结构与标准网络越一致;无论节点数和样本量的多少,Inter.iamb-Tabu算法所构建的贝叶斯网络与原网络的一致性都较高。(2)2013年山西省高脂血症的检出率是42.6%,95%置信区间为41.1%~44.1%。logistic回归模型初筛显示性别、年龄、城乡、新鲜蔬菜摄入水平、身体活动度、BMI、中心性肥胖、高血压和糖尿病与高脂血症有关。其中中心型肥胖与高脂血症的关联强度最大,OR值是1.688,其次是BMI,OR值为1.473。(3)将logistic回归初筛的变量采用Inter.iamb-Tabu算法构建高脂血症的贝叶斯网络模型,结果显示:性别、年龄、身体活动度、BMI、糖尿病、高血压与高脂血症直接相关,其中性别、BMI、身体活动度和年龄是高脂血症的父节点,即它们与高脂血症的发生有关;而糖尿病与高血压是高脂血症的子节点,即高脂血症与糖尿病、高血压的发生有关;地区、中心性肥胖、新鲜蔬菜摄入与高脂血症间接相关。(4)贝叶斯网络还可以根据某已知节点的状态推断某未知节点(高脂血症)的概率大小,进行高脂血症的风险判定。结果显示如果某个体缺乏运动,则患高脂血症的可能性为0.455;如果该个体还患有糖尿病,则其患高脂血症的可能性变为0.553;如果同时BMI28.0kg/m~2,则患高脂血症的可能性变为0.647;如果根据腰围该个体还属于中心性肥胖,则患高脂血症的可能性增加到0.649。结论:1.Inter.iamb-Tabu混合算法构建的贝叶斯网络性能相对较为理想。2.山西省高脂血症的检出率为42.6%,高于全国水平。3.贝叶斯网络不但可以揭示直接与高脂血症相关的因素和关联强度,也能揭示高脂血症间接相关的因素,因此,在疾病预防中更能有的放矢;在高脂血症直接相关的因素中,贝叶斯网络既能识别与高脂血症发生有关的因素,又能识别高脂血症与其他疾病的关系;贝叶斯网络的推理过程具有序贯性,在存在某些缺失信息时推理仍具有可行性。
【图文】：

条件熵,联合熵,互信息

联合熵，，条件熵与互信息之间的关系

贝叶斯网络,形式,点集合

9图 1.2 贝叶斯网络的三种形式设 Z为一节点集合，X 和 Y是不在 Z中的两个节点。考虑 X和 Y之间路 а。如果满足下面条件之一，则称 а被 Z所阻塞：
【学位授予单位】：山西医科大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R589.2;O212

【相似文献】