基于机器学习的面部运动神经传导检查数据的研究及应用

发布时间：2021-04-14 10:59

　　为初步研究面部运动神经传导检查数据,提出运用机器学习方法进行深度数据挖掘、分析,找出相关性最高的特征值,以研究其主要的影响因素及探讨临床诊断预测的可能性。收集成都中医药大学附属医院10个月的肌电检查报告共2352份数据,筛选符合标准的575份报告,制作数据集,利用编程的方式对其检查数据和报告结论进行量化分析,分别建立KNN、逻辑回归、随机森林、stacking算法模型,经过调参选取正确率最高的模型进行特征提取以研究其主要影响因素及研究临床判读预测的可能性。实验结果表明,一方面在肌电图临床判读中随机森林算法正确率达到92.69%,精度为92.78%,召回率为100%,与逻辑回归相比较P值为0.04271,与KNN相比较P值为0.00745,均具有显著统计学意义,即随机森林模型最适合于面部运动传导神经检查数据分析。另一方面,运用随机森林方法提取特征值,能够更加清晰迅速地找出影响面部运动神经病变的最主要因素。通过机器学习挖掘数据,得出影响面部运动神经传导检查的主要因素为颞支右侧波幅数据和颊支右侧波幅等8个特征点,并提出可使用临床获得的数据集进行判读预测并通过随机森林选取主要的特征点,具体以减... 

【文章来源】：成都信息工程大学学报. 2020,35(05)

【文章页数】：5 页

【部分图文】：

收集的延迟数据分布情况

收集的波幅数据分布情况如图2所示。如图2所示，收集的RT＿L＿Amplitude检查项的均值为1.635 m V，均方差为1.138,RT＿R＿Amplitude检查项的均值为1.569 m V，均方差为0.889,BB＿L＿Amplitude检查项的均值为1.944 m V，均方差为1.443,BB＿R＿Amplitude检查项的均值为1.869 m V，均方差为1.461。

由于处理数据较多，方案较为繁琐，由此以整体项目流程图的方式对方案进行说明，总体流程如图3所示。KNN(K nearest neighbor)是一种相对简单、较常用的监督学习分类方法[17]。算法的基本理念是通过训练集样本D中的相似度大小对D中样本进行排序，取前K个样本的标签众数作为测试样本T的标签。相似度由距离表达，计算公式如下:


本文编号：3137198