[發明專利]一種用于輔助醫療系統的決策模型建立方法

在審

• 申請號: 202010376075.5
• 申請日: 2020-05-07
• 公開（公告）號: CN111564212A
• 公開（公告）日: 2020-08-21
• 發明（設計）人: 吳嘉;莊慶賀;陳煥澤;譚延林;田曉明
• 申請（專利權）人: 中南大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06K9/62;G06N3/04
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 曾志鵬

1.一種用于輔助醫療系統的決策模型建立方法，其特征在于包括以下步驟，

A、使用支持向量機構建第一分類器，使用有向無環圖支持向量機構建第二分類器；

B、使用神經網絡對支持向量機進行補充，實現在支持向量機出錯時對沖掉風險；

C、通過集成學習對支持向量機和神經網絡進行集成。

2.如權利要求1所述的用于輔助醫療系統的決策模型建立方法，其特征在于：步驟A中，

假設樣本集為{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}，x_i∈R^d，超平面的方程為：ω^Tx+b＝0，支持向量機的優化問題等價于找到一組適合的參數(ω，b)，使得下述方程組成立，

借助Lagrange函數和對偶問題將上述問題化簡為以下方程：

對于線性可分問題，引入懲罰系數C，則上述問題以下面的形式表示：

其中，C代表兩類數據的間隔，最終的模型形式表示為：

對于非線性可分問題，利用核函數κ(x_i，x_j)＝φ(x_i)^Tφ(x_j)在將樣本數據所在的空間映射到更高維的特征空間后，使得原樣本數據在新的空間中是線性可分的，而該平面在原空間對應著一個非線性可分的平面。

3.如權利要求2所述的用于輔助醫療系統的決策模型建立方法，其特征在于：所述核函數的選擇范圍如下表所示，

4.如權利要求3所述的用于輔助醫療系統的決策模型建立方法，其特征在于：步驟B中，

使用MLP神經網絡和RBF神經網絡對支持向量機進行補充；

MLP神經網絡包含一個輸入層，一個或多個隱藏層和一個輸出層，并使用線性整流函數f(x)＝max(0，x)作為激活函數；

RBF神經網絡包含一層隱藏層,同時使用徑向基函數f(x，c_i)＝exp(-β_i||x-c_i||²)作為激活函數，其中c_i是隱藏層內第i個神經元所對應的的中心；

MLP神經網絡和RBF神經網絡的輸入層和輸出層分別具有3個和4個單元；

三組MLP神經網絡的結構分別為：3-9-7-4、3-10-7-5-4、3-7-5-4，三組RBF神經網絡的結構是：3-10-4、3-14-4、3-16-4，上述數字表示每層的單元數；

通過k-means算法對樣本數據進行聚類之后，確定每個隱藏層單元的中心c_i。

5.如權利要求4所述的用于輔助醫療系統的決策模型建立方法，其特征在于：步驟C中，

使用stacking集成學習方法對支持向量機和神經網絡進行集成；采用算法的參數擾動來增大基學習器的差異,提升整體的泛化性能，通過指數線性回歸來學習各個分類器的權重；

數據集分為兩部分，其中訓練集占80％，測試集占20％；選擇對應的核函數和懲罰參數來訓練支持向量機；將支持向量機組和神經網絡組的輸出組合為指數線性回歸模型的輸入向量，選擇均方損失函數作為此回歸模型的損失函數，具體函數如下所示：

其中，EM_i是評估值，EM′_i是監督值。