[發(fā)明專利]一種二元分類評(píng)價(jià)方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201310223662.0
• 申請(qǐng)日: 2013-06-07
• 公開（公告）號(hào): CN103310101A
• 公開（公告）日: 2013-09-18
• 發(fā)明（設(shè)計(jì)）人: 鄔霞;姚力;陳克偉
• 申請(qǐng)（專利權(quán)）人: 北京師范大學(xué)
• 主分類號(hào): G06F19/00
• 分類號(hào): G06F19/00
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

技術(shù)領(lǐng)域

本發(fā)明屬于統(tǒng)計(jì)檢驗(yàn)領(lǐng)域，具體是一種二元分類評(píng)價(jià)方法。

背景技術(shù)

ROC(Receiver?Operational?Characteristic，受試者工作特征)曲線是一種對(duì)于靈敏度進(jìn)行描述的功能圖像。它根據(jù)一系列不同的二分類方式(分界值)，以真陽(yáng)性率(敏感度)為縱坐標(biāo)，假陽(yáng)性率(特異度)為橫坐標(biāo)繪制的曲線。由于是通過(guò)比較兩個(gè)工作特征作為標(biāo)準(zhǔn)，ROC曲線也叫做相關(guān)工作特征曲線。

傳統(tǒng)的評(píng)價(jià)方法有一個(gè)共同的特點(diǎn)，必須將結(jié)果分為兩類，再進(jìn)行統(tǒng)計(jì)分析。ROC曲線的評(píng)價(jià)方法與傳統(tǒng)的評(píng)價(jià)方法不同，無(wú)須此限制，而是根據(jù)實(shí)際情況，允許有中間狀態(tài)，可以把試驗(yàn)結(jié)果劃分為多個(gè)有序分類，如正常、大致正常、可疑、大致異常和異常五個(gè)等級(jí)再進(jìn)行統(tǒng)計(jì)分析。因此，ROC曲線評(píng)價(jià)方法適用的范圍更為廣泛。

目前，常見的均為單變量ROC，參見圖1，其中橫軸為假陽(yáng)性率(特異度)，縱軸為真陽(yáng)性率(敏感度)，圖中一條從左下到右上對(duì)角線(也叫無(wú)識(shí)別率線)是完全隨機(jī)預(yù)測(cè)得到的，拋物線為通過(guò)單變量ROC評(píng)價(jià)方法測(cè)出的結(jié)果，也就是只采用一個(gè)指標(biāo)來(lái)做二元分類。事實(shí)上，經(jīng)常會(huì)有多個(gè)指標(biāo)可以做此分類。它的特點(diǎn)是簡(jiǎn)單直觀，但是由于只采用一個(gè)指標(biāo)，往往得出的分類結(jié)果并不是特別準(zhǔn)確。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)的問(wèn)題，本發(fā)明提出了一種二元分類評(píng)價(jià)方法，所述方法包括：

(1)將每一個(gè)可用于二元分類的單變量的觀測(cè)值分成k個(gè)子區(qū)間，k為所述子區(qū)間個(gè)數(shù)；

(2)將所述k個(gè)子區(qū)間的k-1個(gè)間斷點(diǎn)(即對(duì)觀測(cè)值的分段值)作為這個(gè)指標(biāo)的分界值；對(duì)于n個(gè)指標(biāo)而言，所述分界值就有(k-1)ⁿ個(gè)可能的組合；

(3)利用單變量的受試者工作特征ROC算法，計(jì)算所有(k-1)ⁿ分界點(diǎn)上的特異性和敏感性；

(4)利用梯形數(shù)值整合方法計(jì)算曲線下面積AUC；

(5)在所述ROC曲線上找到最靠近(0?1)點(diǎn)的所述特異性和所述敏感性取值，以及對(duì)應(yīng)的分界值組合。

其中，所述步驟(1)用于對(duì)所述子區(qū)間進(jìn)行均勻分類。

其中，所述步驟(2)中所有的n個(gè)指標(biāo)都取同樣的k值。

其中，所述步驟(3)具體用于從(k-1)ⁿ個(gè)組合中隨機(jī)挑選N個(gè)組合，并計(jì)算所述N個(gè)組合對(duì)應(yīng)的敏感性和特異性。

其中，對(duì)阿爾茲海默AD病人與正常被試者進(jìn)行二元分類。

利用該方法，對(duì)AD(阿爾茲海默)病人與正常被試進(jìn)行二元分類，取得了準(zhǔn)確度達(dá)到100％的分類效果。

附圖說(shuō)明

圖1為單變量ROC曲線示例；

圖2為多變量ROC算法流程圖；

圖3為數(shù)據(jù)集1的單變量、多變量ROC分類效果與線性鑒別方法的準(zhǔn)確度比較；

圖4為數(shù)據(jù)集2的單變量、多變量ROC分類效果與線性鑒別方法的準(zhǔn)確度比較。

具體實(shí)施方式

實(shí)施例一

我們將發(fā)明應(yīng)用于兩套數(shù)據(jù)集的二元分類。其中數(shù)據(jù)集1來(lái)自于美國(guó)的公開AD神經(jīng)影像數(shù)據(jù)集(ADNI，www.adni-info.org)，包括74名AD患者，根據(jù)他們?cè)?2個(gè)月內(nèi)的MMSE評(píng)分分為下降組(30名)和穩(wěn)定組(44名)。每名被試均有來(lái)自于代謝收斂指標(biāo)(HCI)、聽覺(jué)言語(yǔ)學(xué)習(xí)測(cè)試(AVLT)、長(zhǎng)時(shí)記憶評(píng)分(LTM)、阿爾茲海默病的認(rèn)知(ADAS)評(píng)分和臨床癡呆分級(jí)量表(CDR)評(píng)分。

依據(jù)方法流程，對(duì)于數(shù)據(jù)集1而言，變量個(gè)數(shù)n＝4，我們?nèi)＝200，N＝50000。先針對(duì)每一指標(biāo)進(jìn)行單變量ROC分析，然后進(jìn)行多變量組合，根據(jù)算法流程進(jìn)行計(jì)算，得到不同組合下的分類結(jié)果。并將多變量ROC的分類結(jié)果與線性Fisher鑒別結(jié)果進(jìn)行比較，線性Fisher鑒別在SPSS16.0軟件中進(jìn)行。結(jié)果如表2所示，觀察可得多變量ROC相比較線性鑒別算法而言，各項(xiàng)指標(biāo)都有了明顯的提升。

實(shí)施例二

我們將發(fā)明應(yīng)用于兩套數(shù)據(jù)集的二元分類。其中數(shù)據(jù)集2來(lái)自于我們?cè)谥袊?guó)北京天壇醫(yī)院采集的靜息態(tài)功能磁共振數(shù)據(jù)，包含15個(gè)AD病人和16個(gè)正常被試。我們從中提取了4個(gè)腦區(qū)的數(shù)據(jù)，這四個(gè)腦區(qū)包括：后扣帶回(PCC)、左側(cè)顳下回(LITC)、左側(cè)額眼區(qū)(LFEF)、顳頂結(jié)合部(TPJ)。