胸痛三联征计算机辅助诊断研究

发布时间：2020-08-24 10:33

【摘要】：研究背景胸痛三联征在临床上有相似的胸痛症状,均为急症重症,误诊率居高。近年来,数据分类技术广泛应用于疾病的诊断分析,效果显著;主要方法有决策树、人工神经网络、支持向量机等;其中,支持向量机在处理高维小样本数据集时性能优良。但传统分类方法解决非平衡数据分类问题效果欠佳,因此,基于混合特征选择的胸痛三联征计算机辅助诊断能辅助医生快速准确下诊断结果,制定合理的治疗策略。研究目的以主动脉夹层、肺栓塞、急性心肌梗死患者的病史资料及检验报告为研究对象,将CS-SVM与混合特征选择方法应用于胸痛三联征的分类诊断,以实现保证分类正确率的同时降低时间复杂度,为胸痛三联征的临床诊疗提供参考指引。研究方法在支持向量机与特征选择的基础上,提出了CS-SVM与混合特征选择分别应用于胸痛三联征的分类研究。其中CS-SVM应用于胸痛三联征的分类识别,混合特征选择应用于胸痛三联征数据集的降维,并采用分类正确率与时间复杂度对其效果进行评价。研究结果针对CS-SVM应用于胸痛三联征的分类研究,分别基于平衡数据集与非平衡数据集进行实验。基于平衡数据集时,采用经典SVM与CS-SVM的对比实验验证CS-SVM的优势;基于非平衡数据集时,采用经典SVM、PSO-SVM、GA-SVM与CS-SVM的对比实验验证CS-SVM的分类效果,并采用五折交叉与随机抽样保证实验的合理性与科学性。实验结果表明,CS-SVM在分类正确率上相比其他分类算法均有不同程度的提高,五折交叉正确率较稳定,时间复杂度低。针对混合特征选择应用于胸痛三联征数据集的降维,分别基于公开数据集与本研究数据集进行实验。即CS-SVM的分类正确率与混合特征选择后的分类正确率进行对比;实验结果显示,基于公开数据集,混合特征选择后的分类正确率大幅提升,时间复杂度大幅降低;基于本研究数据集,五折交叉正确率均有所提升,时间复杂度大幅降低。实验结果表明,混合特征选择方法能获取更少的、与分类相关的特征,获取更优的分类效果。
【学位授予单位】：宁夏医科大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.7;R459.7
【图文】：

分类图,特征选择,生物信息,胸痛

缺乏速度的动态调节，易陷入局部最优；GA 局部搜索能力较差，长，易受参数影响；ANN 的结构难以确定，当目标函数复杂时，收研究针对胸痛三联征此类非平衡数据集，结合 RBF、CS 和 SVM 胸痛三联征计算机辅助诊断模型，通过该模型进行分类识别。征选择在生物医学数据挖掘中起着至关重要的作用[30]。特征选择从有监督(Supervised Learning)、半监督(Semi-supervised Learningvised Learning)特征选择[31]；从方法角度大致可分为过滤式(Filte)、嵌入式(Embedding)特征选择；从特征子集的形成方式分类可分on)、启发法(Heuristic)以及随机法(Random)特征选择，一般多从图 1-1 为特征选择分类图。

示意图,特征选择,特征提取,示意图

(a)特征选择 (b)特征提取图 2-1 特征选择与特征提取示意图集搜索与评价没有任何领域知识作为先验假设，从初始的特征集合中选取一个包含了所特征子集，只能遍历所有可能的子集，但是特征个数稍多就无法进行，会问题，其可行方法是基于评价结果产生一个最优的候选子集。特征选择过丢失重要特征，因此，子集的搜索与评价是关键，否则后续学习过程会因息而性能欠佳。1）子集搜索集搜索即从给定特征集合 1, 2, 3, , 中，对个候选特征子集进行 2最优，于是将其作为第一轮的选定集；然后，在上一轮的选定集中加入成包含两个特征的候选子集，假定在 k+1 轮时，最优的候选(k+1)特征子

流程图,子集,流程图,样本

图 2-2 子集搜索流程图价给定数据集，假定中第类样本所占的比例为样本属性均为离散型，对属性子集，假定根据其, ，每个子集中的样本在上取值相同，于是我们 ( ) = ( ) ∑ =1 ( ) 义为： ( ) = ∑ =1log2 ( ) 越大，则特征子集包含的有助于分类的信息

【相似文献】