一种基于卷积层特征重排和SVM的心力衰竭预测方法及装置制造方法及图纸

本发明专利技术涉及机器学习技术领域，公开了一种基于卷积层特征重排和SVM的心力衰竭预测方法及装置，S1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；S2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；S3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；S4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测。通过基于特征重排和支持向量机预测心力衰竭的死亡率，通过处理不平衡问题和实现更好的特征表示，提高了心力衰竭死亡率预测的性能，同时为医生的病理判断提供可靠的参考依据。

【技术实现步骤摘要】
一种基于卷积层特征重排和SVM的心力衰竭预测方法及装置
本专利技术涉及机器学习
，特别涉及一种基于卷积层特征重排和SVM的心力衰竭预测方法及装置。
技术介绍
心力衰竭是一种临床综合征，通常由任何结构或功能损害引起，心力衰竭指心脏不能泵出足够的血液来满足身体的需要，冠状动脉狭窄或阻塞被认为是心力衰竭的主要原因，冠状动脉是负责向心脏输送血液的动脉，心力衰竭的常见症状包括呼吸急促、双脚肿胀和身体虚弱，大约一半的心力衰竭(HF)患者在确诊后五年内死亡。现有技术利用基于机器学习的模型对患有心力衰竭的早期患者进行死亡率的预测，以此帮助心脏病学家对患有心力衰竭的患者进行治疗研究及其改进，然而，由于心力衰竭数据的不平衡性和较差的特征表示，使用一些简单的算法模型很难预测心力衰竭的死亡率。
技术实现思路
为了解决现有技术难以快速、准确的预测出心力衰竭患者的死亡率，本专利技术提出了一种基于卷积层特征重排和SVM的心力衰竭预测方法及装置。本专利技术的
技术实现思路
如下：一种基于卷积层特征重排和SVM的心力衰竭预测方法，包括以下步骤：S1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；S11：对电子健康档案记录的数据进行提取和清除处理，提取包括三种观测窗口，分别为住院死亡率、出院后30天死亡率及出院后1年死亡率；所抽取的心力衰竭患者的文本数据保存在医院的电子健康档案系统当中，一般用来研究早期检测心力衰竭死亡率。S12：提取年龄、性别及心率原始特征，引入热编码对原始特征进行转换，将原始特征映射到欧几里得空间，在空间中使用多种机器学习算法计算特征距离和相关度。每个心力衰竭患者都有不同的信息包括年龄、性别、心率、诊断、药物和实验室测试，其中，年龄、性别和心率是心力衰竭检测的正常特征，在建模之前需要对患者的特征进行预处理。S2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；S21：采用卡方检验获取原始特征的合理映射，通过卡方分析计算每个非负特征与样本类别之间的卡方统计量，给每个原始特征一个非负分数，表示估计的原始特征与类别的相关性，卡方检验的公式如下：S22：利用一类SVM模型解决正、负样本的比例失衡，使用高斯核函数将样本空间映射到核空间，在核空间找到一个能够包含所有数据的一个球体，进行判别时，测试数据是或否位于高维球体中，是则将其归为多数类，否则将其归为少数类。S3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；S31:支持向量机模型由样本点决定支持向量与超平面或超曲面之间的距离，距离小于或等于1；S32：通过支持向量机模型找到一个距离最远的超平面或超曲面使得支持向量与非支持向量均可以正确分类的置信度；S33：通过建立堆叠支持向量机模型提高预测心力衰竭死亡率的精度。S331：第一阶段使用线性L1正则化支持向量机模型，改变不相关系数，通过超参数值的差异消除不同的特征，产生不同的特征子集，从超参数的离散集合中选择最优解，得到最优的特征子集；S332：第二阶段使用L2支持向量机模型，将最优特征子集应用于其上，通过L2支持向量机模型预测心力衰竭死亡率。S4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测。S41：通过基于特征重排的卷积层对高频的原始特征向量进行重新排列和卷积，形成合理的特征；S42：使用批次归一化层防止过拟合；S43：REU激活函数将线性映射转换到非线性空间，采用最大层合并的方法对特征地图进行降维展开处理；S44：采用常规稠密神经网络进行预测。进一步地，所述S44包括：在训练训练过程中，通过迭代不同的重排方法，找出最佳的特征序列，再通过像等式一样，基于焦损对基于特征重排的卷积层模型进行训练。本专利技术提供了一种基于卷积层特征重排和SVM的心力衰竭预测设备，所述识别分类设备包括：存储器、处理器，通信总线以及存储在所述存储器上的识别分类程序，所述通信总线用于实现处理器与存储器间的通信连接；所述处理器用于执行所述基于卷积层特征重排和SVM的心力衰竭预测程序，以实现如上述中任意一项所述的基于卷积层特征重排和SVM的心力衰竭预测方法的步骤。本专利技术还提供了一种计算机可读存储介质，存储有可执行指令，所述存储介质上存储有基于卷积层特征重排和SVM的心力衰竭预测程序，所述基于卷积层特征重排和SVM的心力衰竭预测程序被处理器执行时实现上述中任意一项所述的基于卷积层特征重排和SVM的心力衰竭预测方法的步骤。本专利技术的有益效果至少包括：通过基于特征重排和支持向量机预测心力衰竭的死亡率，通过处理不平衡问题和实现更好的特征表示，提高了心力衰竭死亡率预测的性能，同时为医生的病理判断提供可靠的参考依据。附图说明图1为本专利技术的整体结构流程图。图2为本专利技术的堆叠向量机过程示意图。图3为本专利技术的特征重排卷积层网络结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。结合图1-3所示，本专利技术公开了一种基于卷积层特征重排和SVM的心力衰竭预测方法，包括以下步骤：S1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；S2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；S3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；S4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测。进一步地，S1包括以下步骤：S11：对电子健康档案记录的数据进行提取和清除处理，提取包括三种观测窗口，分别为住院死亡率、出院后30天死亡率及出院后1年死亡率；所抽取的心力衰竭患者的文本数据保存在医院的电子健康档案系统当中，一般用来研究早期检测心力衰竭死亡率。S12：提取年龄、性别及心率原始特征，引入热编码对原始特征进行转换，将原始特征映射到欧几里得空间，在空间中使用多种机器学习算法计算特征距离和相关度。每个心力衰竭患者都有不同的信息包括年龄、性别、心率、诊断、药物和实验室测试，其中，年龄、性别和心率是心力衰竭检测的正常特征，在建模之前需要对患者的特征进行预处理。卷积层的核心思想是从相邻特征中提取信息，CNN对特征的顺序很敏感，因此考虑将特征的顺序作为一种隐藏的特征应用在提高心力衰竭死亡率的方面，通过假设检验的方法找到原始特征的合理映射。进一本文档来自技高网...

【技术保护点】
1.一种基于卷积层特征重排和SVM的心力衰竭预测方法，其特征在于：包括以下步骤：/nS1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；/nS2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；/nS3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；/nS4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测。/n

【技术特征摘要】
1.一种基于卷积层特征重排和SVM的心力衰竭预测方法，其特征在于：包括以下步骤：
S1：基于特征重排的卷积层方法获取早期心力衰竭患者的电子健康档案数据并对数据进行预处理；
S2：通过基于特征重排的卷积层方法提取相邻特征中的信息与通过单一支持向量机处理样本比例不平衡问题；
S3：通过建立重叠支持向量机模型，合并两个模型的超参形成混合网络，形成最优预测模型；
S4：通过建立基于特征重排的卷积层模型，实现心力衰竭死亡率的预测。


2.根据权利要求1所述的基于卷积层特征重排和SVM的心力衰竭预测方法，其特征在于：
所述S1包括：
S11：对电子健康档案记录的数据进行提取和清除处理，提取包括三种观测窗口，分别为住院死亡率、出院后30天死亡率及出院后1年死亡率；
S12：提取年龄、性别及心率原始特征，引入热编码对原始特征进行转换，将原始特征映射到欧几里得空间，在空间中使用多种机器学习算法计算特征距离和相关度。


3.根据权利要求1所述的基于卷积层特征重排合SVM的心力衰竭预测方法，其特征在于：
所述S2包括：
S21：采用卡方检验获取原始特征的合理映射，通过卡方分析计算每个非负特征与样本类别之间的卡方统计量，给每个原始特征一个非负分数，表示估计的原始特征与类别的相关性，卡方检验的公式如下：



S22：利用一类SVM模型解决正、负样本的比例失衡，使用高斯核函数将样本空间映射到核空间，在核空间找到一个能够包含所有数据的一个球体，进行判别时，测试数据是或否位于高维球体中，是则将其归为多数类，否则将其归为少数类。


4.根据权利要求1所述的基于卷积层特征重排合SVM的心力衰竭预测方法，其特征在于：
所述S3包括：
S31:支持向量机模型由样本点决定支持向量与超平面或超曲面之间的距离，距离小于或等于1；
S32：通过支持向量机模型找到一个距离最远的超平面或超曲面使得支持向量与非支持向量均可以正确分类的置信度；
S33：通过建立堆叠支持向量机模型提高预测心力衰竭死亡率...

【专利技术属性】
技术研发人员：任振兴，李灯熬，赵菊敏，暴安颖，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14