一种基于特征权重的LARS糖尿病预测方法技术

本发明专利技术涉及一种基于特征权重的LARS糖尿病预测系统，该系统包括存储设备；基于特征权重的LARS糖尿病预测模块，其耦合到存储设备且被配置为：计算自变量特征权重向量和原始相关度向量；基于所述自变量特征权重向量和所述原始相关度向量，输出基于特征权重的LARS糖尿病模型的回归系数ω。从糖尿病数据集特征出发，筛选出糖尿病关键特征变量，简化了糖尿病预测模型；提高了糖尿病预测模型的准确性，从而有助于提供准确的糖尿病预防与治疗措施。

A prediction method of Lars diabetes based on feature weight

【技术实现步骤摘要】
一种基于特征权重的LARS糖尿病预测方法
本专利技术涉及医疗信息化
，尤其涉及一种基于特征权重的LARS糖尿病预测方法。
技术介绍
糖尿病作为一种与生活方式和环境因素密切相关的慢性非传染性疾病，影响人群范围广，并发症致残、致死率高，需要庞大的社会资源及医疗资源支出。如何更准确地预测、预防、减少糖尿病的发病，以及制定更有效的治疗方案以减少并发症的发生发展，成为目前面临的难题。糖尿病的不良预后往往与长期高血糖暴露相关，然而在患者血糖升高的初期往往临床症状不明显。如果能在血糖升高之前就对糖尿病发病进行精准的预测，则对于糖尿病的防治具有重大的意义。糖尿病个体发病预测模型能有效识别糖尿病高危人群、是选择干预方案的必要工具,可为健康管理、疾病预防决策以及干预方案效果评价提供依据，已经被广泛认可。糖尿病个体发病预测模型似乎使我们对于高危人群的发病有了一定的前瞻预测性，但更为重要的是，糖尿病的发病虽然有遗传因素的作用，其与生活方式以及环境因素密切相关。而目前所提出的大量预测模型，均只考虑了单一的因素，未能将各种因素整合，也尚未将环境与这些因素的相互作用考虑计算在内，并且往往是只在单一种族中验证。因此糖尿病个体发病预测模型的建立，必将伴随着特征越来越多、维数越来越大的庞大数据，带来了较多的非关键信息和冗余信息，预测模型也变得越来越复杂。传统糖尿病个体发病预测模型难于直接应用于糖尿病的预测中。针对该问题，目前最有效的处理手段之一就是数学建模，而建模之初，通常会尽可能多地选择自变量来减少因缺少自变量而出现的模型偏差，但在实际建模过程中需要寻找对因变量最具有解释性的自变量子集，这个过程称为特征选择，是建模过程中很重要的一个问题。常见的特征选择算法有如基于Lasso(LeastAbsoluteShrinkageandSelectionOperator，又译最小绝对值收敛和选择算子、套索算法、线性回归的L1正则化)的降维算法，其目的是抽取与分类任务相关度最高的特征，同时去除相关度低的特征来减少计算开销。Lasso算法是一种最小二乘法，用于建立低维的线性模型，来预测响应输出变量。该算法通过在损失函数中引入L1惩罚函数，在回归系数的绝对值之和小于一个常数的约束条件下，使残差平方和最小化，从而使一些指标的回归系数严格等于零，也就是说，Lasso算法具有变量稀疏的特性，能够消除冗余特征，发现问题需要且仅需要的变量，实现指标集合精简的同时得到对结果具有较强解释能力的模型。LASSO是一种最小二乘法，用于建立低维的线性模型，来预测响应输出变量。LARS算法用于决定哪些变量被选入模型并给出相应变量的参数估计。该算法不是在每一步前向逐步回归中直接加入某个变量，而是先找出和因变量相关度最高的那个变量，然后沿着最小平方误差的方向对变量的系数进行调整，在调整过程中，该变量和残差项的相关系数会逐渐减小直到出现新的变量与残差的相关性大于此时该变量与残差的相关性，然后重新沿着最小平方误差的方向进行调整，重复进行该过程，直至所有变量被选入自变量集合中，最终得到所求的参数估计。但是Lasso回归的损失函数不是连续可导的，由于L1范数用的是绝对值之和，导致损失函数有不可导的点，不能直接得到解析解，所以需要通过迭代算法来进行求解。对此，通常采用最小角回归(LeastAngleRegression，LARS)算法来求有这个L1范数的损失函数极小值。LARS算法是一个适用于高维数据的回归算法。现有文献如北京交通大学柯郑林等人在Lasso及其相关方法在多元线性回归模型中的应用一文中，将Lasso方法及其相关方法的思想运用于多元线性回归模型的变量选择，其中提出了多元线性回归模型的变量选择的传统LARS算法，并通过糖尿病统计数据和一个模拟生成的多元统计数据，给出了变量选择方法的具体实现。但由于在采用传统的LARS算法在求解Lasso回归系数时，存在逼近速度慢且准确度不高的问题，并且由于LARS算法的迭代方向是根据目标的残差而定，所以该算法对样本的噪声极为敏感，单一地使用LARS算法往往会得到过于稀疏的模型，因此，LARS算法难以直接用于数据特征越来越多、数据维数越来越大的糖尿病预测中。目前我国针对重大慢病的预防和控制的运动处方服务基本处于空白状态，糖尿病人群缺乏实质的运动康复指导，尤其是并发症发病风险处于高危及以上的糖尿病患者，临床康复手段单一，这主要是因为运动康复指导执行起来比较困难，运动风险较高。根据美国糖尿病协会《2016年ADA糖尿病诊疗标准》、2013年中华医学会糖尿病分会发布的《中国2型糖尿病防治指南》《中国糖尿病运动治疗指南》，上述文件中都明确了运动干预在糖尿病及糖尿病前期人群治疗中的重要地位，建议并鼓励对糖尿病前期人群制定个性化的运动治疗方案并贯穿治疗的全过程。运动康复方案的执行是一个长期、持续的过程，尤其是针对如老年糖尿病患者等高危糖尿病人群，运动康复时间长，运动风险高，运动治疗方案的执行需要实时监控和风险防控。患者在执行运动治疗方案时存在运动风险不可控，运动治疗方案的治疗效果无法实时评价等问题，尚未解决的这些问题限制了运动治疗方案在高危糖尿病人群中的推广和应用，无法切实地发挥运动治疗方案对此类人群的康复效益。现有技术中如公开号为CN110718302A的专利文献所提供的一种基于大数据的糖尿病管理路径的系统及方法，患者生成的管理计划中包括每日任务，通过患者每日管理任务获取不同体质测量数值，其中包括血糖、血压、体重、运动、饮食和用药，根据每日血糖数值测量提供患者危险预警如表四，并通过相关数值根据依从性评估规则如表五实现患者依从性评估。依从性评估报告结果差的需对患者进行重新筛查，保证患者管理的准确性。并且患者可对任务进行健康评价，同样可实现对系统的监控反馈。目前，糖尿病运动风险管理的常见方法是由医护人员或是家属等全程陪护，但对于没有任何糖尿病运动风险知识的家属来说，无法实现糖尿病运动风险管理以及运动康复的目的，而单个医护人员需要同时负责多名患者的运动康复过程，工作难度及强度较大，工作效率低且不利于患者的康复。此外，一方面由于对本领域技术人员的理解存在差异；另一方面由于专利技术人做出本专利技术时研究了大量文献和专利，但篇幅所限并未详细罗列所有的细节与内容，然而这绝非本专利技术不具备这些现有技术的特征，相反本专利技术已经具备现有技术的所有特征，而且申请人保留在
技术介绍
中增加相关现有技术之权利。
技术实现思路
针对现有技术之不足，本专利技术提供了一种系统，该系统适用于高危糖尿病患者的康复运动风险管理，该系统包括至少一个处理器，耦合至所述至少一个处理器的存储设备。至少一个处理器包括智能电子设备、传感器模块、糖尿病预测模块以及运动方案调整模块。该系统是由智能电子设备设定用于构建基于特征权重的LARS糖尿病预测模型的至少一个初始参数，并通过接口将所述初始参数传向糖尿病预测模块，然后由糖尿病预测模块构建基于特征权重的LARS糖尿病预测模型并调整运动方案中的配置参数，通过其与智能电子设备之间的接口，糖尿病预测模块将运行的中间结本文档来自技高网...

【技术保护点】
1.一种基于特征权重的LARS糖尿病预测系统，其特征是，该系统包括：/n存储设备；/n基于特征权重的LARS糖尿病预测模块(1)，其耦合至存储设备且被配置为：/n计算自变量特征权重向量和原始相关度向量；/n基于所述自变量特征权重向量和所述原始相关度向量，输出基于特征权重的LARS糖尿病模型的回归系数ω。/n

【技术特征摘要】
20190425 CN 20191034060051.一种基于特征权重的LARS糖尿病预测系统，其特征是，该系统包括：
存储设备；
基于特征权重的LARS糖尿病预测模块(1)，其耦合至存储设备且被配置为：
计算自变量特征权重向量和原始相关度向量；
基于所述自变量特征权重向量和所述原始相关度向量，输出基于特征权重的LARS糖尿病模型的回归系数ω。


2.根据权利要求1所述的预测系统，其特征是，计算特征自变量的特征权重的公式为：



其中，为特征方程的特征值。


3.根据权利要求2所述的预测系统，其特征是，所述特征方程中的R为糖尿病数据集矩阵X的协方差矩阵，其计算公式为：



其中，θi为第i个特征的均值。


4.根据权利要求3所述的预测系统，其特征是，基于所述自变量特征权重向量和所述原始相关度向量的回归系数ω的输出是通过以下至少一个步骤来实现的：
计算角平分向量、回归系数向量、新相关度向量和最大相关度；
更新回归系数向量，评估值向量、残差向量和指标集；
判断残差向量的L2范数是否小于容忍度，若是则结束，否则重复以上步骤。


5.根据权利要求4所述的预测系统，其特征是，列向量XA中向量的角平分线线uA是通过以下计算公式来得到的：




uA＝XAωA。


6.根据权利要求5所述的预测系统，其特征是，每个特征自变...

【专利技术属性】
技术研发人员：陈波，高秀娥，陈世峰，桑海涛，谢文学，
申请(专利权)人：岭南师范学院，
类型：发明
国别省市：广东;44