一种基于优化算法的神经内科重症指标预测方法及系统

专利主权项内容

1.一种基于优化算法的神经内科重症指标预测方法，其特征在于，该神经内科重症指标方法包括以下步骤：S1、设定神经内科的重症指标，并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与所述重症指标相关的生理因素；S2、获取患者的基本信息以及基于所述生理因素检测得到的病历信息；S3、选取所述生理因素构建训练集与测试集，利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型，并进行模型训练与测试；S4、将所述病历信息作为模型输入并进行标准化处理，再代入所述指标预测模型中进行重症指标的分析预测，输出重症指标预测结果；其中，所述设定神经内科的重症指标，并利用相关性分析与随机森林算法结合的方式从医学数据库中提取与所述重症指标相关的生理因素包括以下步骤：S11、依据神经内科涉及的神经系统疾病类型，设定相应的重症指标；S12、获取医学数据库内医学知识信息，按照数据类型划分为不同因素；S13、利用皮尔逊相关性分析算法分析所述重症指标与各个所述因素之间的相关关系，经过初次筛选得到满足相关性要求的关联因素；S14、利用随机森林算法对所述关联因素对于所述重症指标的重要性进行分析，经过重要性筛选后得到与所述重症指标密切相关的生理因素；所述利用皮尔逊相关性分析算法分析所述重症指标与各个所述因素之间的相关关系，经过初次筛选得到满足相关性要求的关联因素包括以下步骤：S131、将所述重症指标与所述因素均作为变量，统计所述医学数据库中每个所述变量的样本数，再计算每个所述变量的均值；S132、利用所述均值分别计算两两所述变量之间的协方差与标准差；S133、利用所述协方差与所述标准差计算皮尔逊相关系数，该皮尔逊相关系数的表达式为：式中，ρ表示皮尔逊相关系数；X, Ycov表示协方差；σ表示标准差；X、Y分别表示重症指标与因素对应的变量；S134、设定相关性阈值，剔除所述皮尔逊相关系数低于所述相关性阈值的因素，保留满足相关性要求的因素作为关联因素；所述利用随机森林算法对所述关联因素对于所述重症指标的重要性进行分析，经过重要性筛选后得到与所述重症指标密切相关的生理因素包括以下步骤：S141、将所述重症指标作为目标，所述关联因素作为特征，并指定随机森林中决策树的数量构建随机森林模型，再进行模型训练与测试；S142、将所述随机森林模型建模过程中未参与训练的指标因素数据作为袋外数据，并利用所述袋外数据计算所述随机森林模型的原始袋外误差；S143、将所述袋外数据中的某个所述关联因素的顺序进行随机变换，再次计算所述随机森林模型的变换袋外误差；S144、利用所述原始袋外误差与所述变换袋外误差计算对应变换的所述关联因素的重要性，所述重要性的计算公式为：式中，I表示进行随机变换的关联因素的重要性；N表示决策树的数量，j＝1，2，3，…，m；C表示原始袋外误差；0C′表示变换袋外误差；S145、设定重要性阈值，按照所述重要性数值的大小进行排序，保留满足所述重要性阈值的所述关联因素作为所述重症指标的生理因素；所述选取所述生理因素构建训练集与测试集，利用混沌灰狼优化算法优化在线序列极限学习机建立指标预测模型，并进行模型训练与测试包括以下步骤：S31、从所述医学数据库中选取所述生理因素及其对应的所述重症指标作为指标预测模型的数据基础，进行标准化处理后划分为训练集与测试集；S32、初始化在线序列极限学习机的模型参数，再利用混沌灰狼优化算法对所述模型参数进行全局优化，实现最优个体向所述模型参数的赋值；S33、利用所述训练集建立在线序列极限学习机模型，再基于灰狼位置更新进行所述在线序列极限学习机模型的局部寻优；S34、采用最优模型参数建立指标预测模型，再对所述测试集进行预测。。 （来自 ）