為初步研究面部運(yùn)動(dòng)神經(jīng)傳導(dǎo)檢查數(shù)據(jù),提出運(yùn)用機(jī)器學(xué)習(xí)方法進(jìn)行深度數(shù)據(jù)挖掘、分析,找出相關(guān)性最高的特征值,以研究其主要的影響因素及探討臨床診斷預(yù)測(cè)的可能性。收集成都中醫(yī)藥大學(xué)附屬醫(yī)院10個(gè)月的肌電檢查報(bào)告共2352份數(shù)據(jù),篩選符合標(biāo)準(zhǔn)的575份報(bào)告,制作數(shù)據(jù)集,利用編程的方式對(duì)其檢查數(shù)據(jù)和報(bào)告結(jié)論進(jìn)行量化分析,分別建立KNN、邏輯回歸、隨機(jī)森林、stacking算法模型,經(jīng)過調(diào)參選取正確率最高的模型進(jìn)行特征提取以研究其主要影響因素及研究臨床判讀預(yù)測(cè)的可能性。實(shí)驗(yàn)結(jié)果表明,一方面在肌電圖臨床判讀中隨機(jī)森林算法正確率達(dá)到92.69%,精度為92.78%,召回率為100%,與邏輯回歸相比較P值為0.04271,與KNN相比較P值為0.00745,均具有顯著統(tǒng)計(jì)學(xué)意義,即隨機(jī)森林模型最適合于面部運(yùn)動(dòng)傳導(dǎo)神經(jīng)檢查數(shù)據(jù)分析。另一方面,運(yùn)用隨機(jī)森林方法提取特征值,能夠更加清晰迅速地找出影響面部運(yùn)動(dòng)神經(jīng)病變的最主要因素。通過機(jī)器學(xué)習(xí)挖掘數(shù)據(jù),得出影響面部運(yùn)動(dòng)神經(jīng)傳導(dǎo)檢查的主要因素為顳支右側(cè)波幅數(shù)據(jù)和頰支右側(cè)波幅等8個(gè)特征點(diǎn),并提出可使用臨床獲得的數(shù)據(jù)集進(jìn)行判讀預(yù)測(cè)并通過隨機(jī)森林選取主要的特征點(diǎn),具體以減... 

【文章來源】：成都信息工程大學(xué)學(xué)報(bào). 2020,35(05)

【文章頁數(shù)】：5 頁

【部分圖文】：

收集的延遲數(shù)據(jù)分布情況

收集的波幅數(shù)據(jù)分布情況如圖2所示。如圖2所示，收集的RT＿L＿Amplitude檢查項(xiàng)的均值為1.635 m V，均方差為1.138,RT＿R＿Amplitude檢查項(xiàng)的均值為1.569 m V，均方差為0.889,BB＿L＿Amplitude檢查項(xiàng)的均值為1.944 m V，均方差為1.443,BB＿R＿Amplitude檢查項(xiàng)的均值為1.869 m V，均方差為1.461。

由于處理數(shù)據(jù)較多，方案較為繁瑣，由此以整體項(xiàng)目流程圖的方式對(duì)方案進(jìn)行說明，總體流程如圖3所示。KNN(K nearest neighbor)是一種相對(duì)簡(jiǎn)單、較常用的監(jiān)督學(xué)習(xí)分類方法[17]。算法的基本理念是通過訓(xùn)練集樣本D中的相似度大小對(duì)D中樣本進(jìn)行排序，取前K個(gè)樣本的標(biāo)簽眾數(shù)作為測(cè)試樣本T的標(biāo)簽。相似度由距離表達(dá)，計(jì)算公式如下:


本文編號(hào)：3137198