[發明專利]一種基于多分類器融合的阿爾茲海默癥分類預測方法

在審

• 申請號: 202110589378.X
• 申請日: 2021-05-28
• 公開（公告）號: CN113096814A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 鄭旭陽;苗世迪;程可;李靜
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06K9/62;G06N20/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于多分類器融合的阿爾茲海默癥分類預測方法。本發明首先對所獲得數據中含有的缺失數據和異常數據進行處理和評估，確保數據的有效性；然后結合專家知識和特征選擇算法，從k個特征指標中選擇出n個特征子集，n≤k，去掉冗余特征和無關特征，提高最終模型的預測效果；提出基于多分類器融合的預測模型；將經過預處理的數據集輸入到所提出的模型中，通過多種評估方法評估模型的性能。本發明對阿爾茲海默癥的分類預測具有更好的效果和普適性。

技術領域：

本發明涉及一種基于多分類器融合的阿爾茲海默癥分類預測方法，該方法在阿爾茲海默癥分類預測方面有著很好的應用。

背景技術：

阿爾茲海默癥是一種破壞性神經退行性疾病，其病因學特征不完全，目前尚無有效的治療方法，阿爾茲海默癥及其前驅階段-輕度認知障礙，與多種發病機制、標志物和風險相關，例如，年齡是發生阿爾茲海默癥的著名風險指標，神經系統疾病的病史也與較高的阿爾茲海默癥風險有關。

目前對于阿爾茲海默癥早期診斷的方式主要集中在神經心理學測驗、神經影像學檢查、腦電圖分析，以及腦脊液檢測等，最近幾年隨著計算機技術和影像技術的發展，利用機器學習方法對阿爾茲海默癥核磁共振圖像進行分析，從而輔助醫生前期診斷已經成為主流趨勢，近年來，使用機器學習方法分析MRI圖像來預測患者病癥階段取得了較好的效果，如隨機森林，支持向量機，boosting算法等，對MRI的分析起到了很重要的作用，現已經開發出許多用于阿爾茲海默癥診斷的預測方法，其中大多數使用Cox回歸和Logistic回歸得出，在過去的十年中，人們對隨機森林，支持向量機以及用于阿爾茲海默癥診斷的深度神經網絡模型的應用也越來越感興趣，上述研究通過各種方法展開對阿爾茲海默癥預測的研究，也取得了較為完整的研究成果，但是單一的機器學習算法可能會存在過擬合問題，泛化能力較弱的問題，因此采用模型融合方法能夠有效的避免單一算法產生的過擬合問題，其泛化能力和準確率也有很大的保障，基于卷積神經網絡和集成學習的多切片集成分類模型用于阿爾茲海默癥早期診斷，更充分地利用MRI包含的有效信息，從而提高分類的準確率和穩定性，雖然大多數深度學習模型在診斷分類方面表現出很好的表現，但它們的解釋仍然是一個新興的研究領域。

發明內容：

為了解決阿爾茲海默癥分類預測問題，本發明公開了一種基于多分類器融合的阿爾茲海默癥分類預測方法。

為此，本發明提供了如下技術方案：

1.基于多分類器融合的阿爾茲海默癥分類預測方法，其特征在于，該方法包括以下步驟：

步驟1：對所獲得數據中含有的缺失數據和異常數據進行處理和評估，確保數據的有效性。

步驟2：結合專家知識和特征選擇算法，從k個特征指標中選擇出n個特征子集，n≤k，去掉冗余特征和無關特征，提高最終模型的預測效果。

步驟3：提出基于多分類器融合的預測模型，該模型利用Stacking集成學習的思想，將bagging集成方法和boosting集成方法相結合并作為基分類器，通過超參數優化自適應選擇基分類器的數量和元分類器，最終提高模型的普適性和預測能力。

步驟4：將經過預處理的數據集輸入到所提出的模型中，通過多種評估方法評估模型的性能。

2.根據權利要求1所述的基于多分類器融合的阿爾茲海默癥分類預測方法，其特征在于，所述步驟1中，對所獲得數據中含有的缺失數據和異常數據進行處理，具體步驟為：

步驟1-1判斷數據集的類型，是屬于數值型，字符型還是混合類型。

步驟1-2對于缺失比例較大的數據直接進行刪除，缺失比例不大的根據數據類型找到相對應的缺失值插補方法進行插值。

步驟1-3用異常值檢測方法找出數據集中的異常值并刪除。