自由瞬目条件下的眼表指标数据分类方法技术

本发明专利技术公开了一种自由瞬目条件下的眼表指标数据分类方法，包括获取历史数据中自由瞬目条件下的眼表指标数据、进行数据处理、进行混沌特性测试和映射相关运算，得到样本数据；对样本数据进行重要性权重排序和数据移除得到模型输入特征数据；将模型输入特征数据分为训练集和测试集并对分类模型进行训练、测试和修正得到自由瞬目条件下的眼表指标数据分类模型；利用自由瞬目条件下的眼表指标数据分类模型对待分类数据分类。本发明专利技术方法可靠性高、实用性好、稳定性强且适用范围广。

Classification of ocular surface index data under the condition of free blink

【技术实现步骤摘要】
自由瞬目条件下的眼表指标数据分类方法
本专利技术属于数据处理领域，具体涉及一种自由瞬目条件下的眼表指标数据分类方法。
技术介绍
随着经济技术的发展和人们生活水平的提高，眼睛相关的数据分类方法已经开始逐步受到人们的重视，也在相应的领域发挥着巨大的作用。目前眼睛数据相关的分类方法，已经广泛采用了机器学习技术和智能算法。例如，Kim等人获取了各种算法候选特征，然后提出了四种有效的机器学习模型来诊断青光眼，分别为：C5.0，随机森林(RF)，支持向量机(SVM)和k最近邻(KNN)，结果表明RF具有最佳的诊断性能和可解释性。An等人从每只眼睛中提取91个参数，并使用四个机器学习分类器建立青光眼视盘的分类模型，包括：神经网络(NN)，朴素贝叶斯(NB)，支持向量机(SVM)和梯度提升决策树(GBDT)。实验结果表明，NN算法具有最佳的分类性能。Fageeri等人运用三种机器学习算法对眼病的类型进行分类，结果表明，J48决策树分类器的性能优于朴素贝叶斯和SVM。眼表指标是眼睛数据中的一个重要部分，眼表指标的数据分类直接影响着眼表指标的数据应用。但是，目前并未见有相关的眼表指标数据分类方法出现，从而也直接影响了眼表指标的数据应用和进一步的数据挖掘工作。
技术实现思路
本专利技术的目的在于提供一种可靠性高、实用性好且适用范围广的自由瞬目条件下的眼表指标数据分类方法。本专利技术提供的这种自由瞬目条件下的眼表指标数据分类方法，包括如下步骤：S1.获取历史数据中，自由瞬目条件下的眼表指标数据并进行数据处理；S2.将步骤S1进行处理后的数据进行混沌特性测试；S3.将步骤S1进行处理后的数据进行映射相关运算，从而得到样本数据；S4.对步骤S3得到的样本数据进行重要性权重排序和数据移除，从而得到模型输入特征数据；S5.将步骤S4获取的模型输入特征数据分为训练集和测试集，并对分类模型进行训练、测试和修正，从而得到自由瞬目条件下的眼表指标数据分类模型；S6.利用步骤S5得到的自由瞬目条件下的眼表指标数据分类模型，对待分类的自由瞬目条件下的眼表指标数据进行分类。步骤S1所述的获取历史数据中，自由瞬目条件下的眼表指标数据并进行数据处理，具体为获取历史数据中，自由瞬目条件下的眼表指标数据中的客观散射指数和泪河高度数据；然后计算周期内瞬目频率与最长睁眼时长，并选取周期内维持最大睁眼时间的客观散射指数；最后将所获取的数据进行标识；从而构成原始样本数据。步骤S2所述的将步骤S1进行处理后的数据进行混沌特性测试，具体为对步骤S1获取的客观散射指数，采用C-C法优化后的Wolf算法，获取客观散射指数的最大李雅普诺夫指数。所述的采用C-C法优化后的Wolf算法，获取客观散射指数的最大李雅普诺夫指数，具体为采用如下步骤计算客观散射指数的最大李雅普诺夫指数：A.获取输入的客观散射指数；B.计算输入的客观散射指数的标准差，并设置参数范围；C.通过算法函数disjointfunction和correlationfunction计算C(1,N,r,t)；所述算法函数disjointfunction将时间序列分解成t个不相交的时间序列，算法函数correlationfunction为采用阶跃函数(heavisidefunction)和无穷范数(NORMfunction)计算关联积分值；结果C(1,N,r,t)的定义为原始时间序列的关联积分D.通过算法函数correlationfunction计算C(m,N,r,t)；所述结果C(m,N,r,t)的定义为嵌入时间序列的关联积分E.计算C(m,N,r,t)与C(1,N,r,t)之间的差值；F.根据步骤E的计算结果，分别计算测试统计值和Scor(τ)；其中表示平均检验统计量；表示平均差量；Scor(τ)表示与之和；G.获取最终参数值：延迟时间t和嵌入维度m；H.采用Wolf算法计算客观散射指数的最大李雅普诺夫指数；I.判断客观散射指数的混沌特性，从而获取分类候选特征。步骤S3所述的将步骤S1进行处理后的数据进行映射相关运算，从而得到样本数据，具体为计算得到中间数据：客观散射指数的中值、客观散射指数的极差、客观散射指数的平均值、客观散射指数的标准差、客观散射指数的相对全距、客观散射指数的变化率、客观散射指数的稳定性指数和泪膜客观散射指数的平均值；然后原始样本数据、最大李雅普诺夫指数和上述计算得到的中间数据一同构成样本数据。所述的客观散射指数的相对全距为客观散射指数极差与客观散射指数平均值的比值；所述的客观散射指数的变化率的计算公式为所述的客观散射指数的稳定性指数为客观散射指数的线性回归直线的斜率；所述的泪膜客观散射指数的平均值为总体客观散射指数平均值与基础客观散射指数平均值的差值。步骤S4所述的对步骤S3得到的样本数据进行重要性权重排序和数据移除，从而得到模型输入特征数据，具体为利用工作特征曲线ROC的曲线下面积AUC对总体样本数据进行重要性权重排序，并移除权重小于预设阈值的特征，从而获得模型输入特征数据。步骤S5所述的分类模型，具体为优化后的集成极限学习机算法；优化后的集成极限学习机算法采用旋转森林集成策略，包括利用遍历法获取极限学习机的最优隐含层数目，使用Bootstrap方法进行样本抽样，采用主成分分析法进行样本转换，并将集成数量设置为15。本专利技术提供的这种自由瞬目条件下的眼表指标数据分类方法，通过采集自由瞬目条件下的客观散射指数和泪河高度这两项眼表指标，并进行混沌特性测试和数据映射相关运算，得到全面的样本数据；其次，利用AUC对其进行重要性权重排序，选择AUC大于阈值的特征作为诊断模型输入变量；而后，采用旋转森林集成策略来提升特征多样性，以克服极限学习机的输出结果不稳定问题；再而，利用优化后的集成极限学习机算法对训练集中的每个样本进行训练，得到最优的集成极限学习机泪囊炎诊断训练模型；最后，利用训练模型对实际待测的眼表指标进行检测和分类，从而得到最终的分类结果。本专利技术方法可靠性高、实用性好、稳定性强且适用范围广。附图说明图1为本专利技术方法的方法流程示意图。图2为本专利技术方法的客观散射指数的测量结果示意图。图3为本专利技术方法的泪河高度的测量结果示意图。图4为本专利技术方法的旋转森林集成策略优化集成极限学习机的流程示意图。具体实施方式如图1所示为本专利技术方法的方法流程示意图：本专利技术提供的这种自由瞬目条件下的眼表指标数据分类方法，包括如下步骤：S1.获取历史数据中，自由瞬目条件下的眼表指标数据并进行数据处理；具体为获取历史数据中，自由瞬目条件下的眼表指标数据中的客观散射指数(包括基础客观散射指数和总体客观散射指数)和泪河高度数据(如图2和图3所示)；然后计算周期内瞬目频率与最长睁眼时长，并选取周期内维持最大睁眼时间的客观散射指数；最后将所获取的数据进行标识；从而构成原始样本数据；S本文档来自技高网...

【技术保护点】
1.一种自由瞬目条件下的眼表指标数据分类方法，包括如下步骤：/nS1.获取历史数据中，自由瞬目条件下的眼表指标数据并进行数据处理；/nS2.将步骤S1进行处理后的数据进行混沌特性测试；/nS3.将步骤S1进行处理后的数据进行映射相关运算，从而得到样本数据；/nS4.对步骤S3得到的样本数据进行重要性权重排序和数据移除，从而得到模型输入特征数据；/nS5.将步骤S4获取的模型输入特征数据分为训练集和测试集，并对分类模型进行训练、测试和修正，从而得到自由瞬目条件下的眼表指标数据分类模型；/nS6.利用步骤S5得到的自由瞬目条件下的眼表指标数据分类模型，对待分类的自由瞬目条件下的眼表指标数据进行分类。/n

【技术特征摘要】
1.一种自由瞬目条件下的眼表指标数据分类方法，包括如下步骤：
S1.获取历史数据中，自由瞬目条件下的眼表指标数据并进行数据处理；
S2.将步骤S1进行处理后的数据进行混沌特性测试；
S3.将步骤S1进行处理后的数据进行映射相关运算，从而得到样本数据；
S4.对步骤S3得到的样本数据进行重要性权重排序和数据移除，从而得到模型输入特征数据；
S5.将步骤S4获取的模型输入特征数据分为训练集和测试集，并对分类模型进行训练、测试和修正，从而得到自由瞬目条件下的眼表指标数据分类模型；
S6.利用步骤S5得到的自由瞬目条件下的眼表指标数据分类模型，对待分类的自由瞬目条件下的眼表指标数据进行分类。


2.根据权利要求1所述的自由瞬目条件下的眼表指标数据分类方法，其特征在于步骤S1所述的获取历史数据中，自由瞬目条件下的眼表指标数据并进行数据处理，具体为获取历史数据中，自由瞬目条件下的眼表指标数据中的客观散射指数和泪河高度数据；然后计算周期内瞬目频率与最长睁眼时长，并选取周期内维持最大睁眼时间的客观散射指数；最后将所获取的数据进行标识；从而构成原始样本数据。


3.根据权利要求2所述的自由瞬目条件下的眼表指标数据分类方法，其特征在于步骤S2所述的将步骤S1进行处理后的数据进行混沌特性测试，具体为对步骤S1获取的客观散射指数，采用C-C法优化后的Wolf算法，获取客观散射指数的最大李雅普诺夫指数。


4.根据权利要求3所述的自由瞬目条件下的眼表指标数据分类方法，其特征在于所述的采用C-C法优化后的Wolf算法，获取客观散射指数的最大李雅普诺夫指数，具体为采用如下步骤计算客观散射指数的最大李雅普诺夫指数：
A.获取输入的客观散射指数；
B.计算输入的客观散射指数的标准差，并设置参数范围；
C.通过算法函数disjointfunction和correlationfunction计算C(1,N,r,t)；所述算法函数disjointfunction将时间序列分解成t个不相交的时间序列，算法函数correlationfunction为采用阶跃函数(heavisidefunction)和无穷范数(NORMfunction)计算关联积分值；结果C(1,N,r,t)的定义为原始时间序列的关联积分<...

【专利技术属性】
技术研发人员：廖胜辉，韩付昌，蒋义勇，邹忠全，张凡荣，温小斌，刘姝，赵于前，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南;43