一种基于梯度提升决策树模型算法的糖尿病足预测方法技术

本发明专利技术一种基于梯度提升决策树模型算法的糖尿病足预测方法，属于糖尿病足分析检测技术领域；所要解决的技术问题为：提供一种基于梯度提升决策树模型算法的糖尿病足预测方法的改进；解决该技术问题采用的技术方案为：在待测人员足底设置柔性压力传感器，采集相应的足底压力数据，再使用震动觉阈值检测仪对待测人员的双足趾骨关节头、内踝处进行震动感觉阈值检测，测试多次取均值记录；将足底压力数据构建足底总压力与时间变换曲线，并处理测试者单个步态周期的足底压力数据；将提取到的足底压力数据进行分区，对得到的特征值进行分区域成比例特征缩放，将特征值进行比例运算得到新的缩放后特征值；本发明专利技术应用于在医疗辅助诊断领域康复的步态预测。领域康复的步态预测。领域康复的步态预测。

【技术实现步骤摘要】
一种基于梯度提升决策树模型算法的糖尿病足预测方法


[0001]本专利技术一种基于梯度提升决策树模型算法的糖尿病足预测方法，属于糖尿病足分析检测


技术介绍

[0002]随着人们生活水平的不断改善，随之而来的是慢性病患病比例的不断提高，糖尿病足作为糖尿病常见的并发症，具有病程长、难治愈的特点，且长期发病将会导致截肢，严重时危及生命；目前可以通过早期筛查做到对糖尿病足风险的预防，也可以提高患病初期的治愈率，筛查预防的方式主要通过分析人体化验数据或简单观察，不能准确把握病情发展情况，缺少快速且相对准确的糖尿病足预测方法。
[0003]目前关于糖尿病足的研究证实了足底压力可用于预测糖尿病足溃疡，对糖尿病患者足底压力的筛查可以检测糖尿病足风险人群，采用缓解足底压力的干预治疗方式可以有效的防止和治疗足溃疡形成；针对足底压力分析主要采用震动感觉阈值VPT检测方法，是一种简单、易操作的能够有效筛查糖尿病周围神经病变DPN的方法，VPT也是一种有效的关于足部溃疡发生风险程度的评价手段，是预测糖尿病足发生风险的可靠指标，对糖尿病患者VPT检测，可帮助发现糖尿病足风险患者，及早采取相应的预见性护理措施；根据国内研究标准以震动阈值风险VPT≤10V为正常，VPT＞10V为异常，其中10V＜VPT≤15V为轻危，15V＜VPT≤25V为中危，VPT＞25V为高危，采用该检测方法可以有效减少患者糖尿病足的发生率。
[0004]但是，现有的糖尿病足预测技术仅根据足底压力各项特征对糖尿病足进行预测，单一特征来源使糖尿病足预测结果特别是在区分异常情况的风险等级结果方面的准确率受限。

技术实现思路

[0005]本专利技术为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于梯度提升决策树模型算法的糖尿病足预测方法的改进。
[0006]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于梯度提升决策树模型算法的糖尿病足预测方法，包括如下预测步骤：
[0007]步骤一：在待测人员足底设置柔性压力传感器，采集相应的足底压力数据，再使用震动感觉阈值检测仪对待测人员的双足趾骨关节头、内踝处进行震动感觉阈值检测，测试多次取均值记录；
[0008]步骤二：根据步骤1中采集的足底压力数据构建足底总压力与时间变换曲线，并处理测试者单个步态周期的足底压力数据；
[0009]在足底总压力与时间变换曲线最小值1s的领域内是足中部支撑期，根据足底压力最小值提取足部支撑期1s内的足底压力数据；
[0010]步骤三：将提取到的足底压力数据进行分区，具体分为：第1趾T1、第2
‑
5脚趾T2
‑
5、第1跖骨底M1、第2跖骨底M2、第3跖骨底M3、第4跖骨底Ml4、第5跖骨底M5、足弓MF、足后跟内
侧HM、足后跟外侧HL共十个区域；
[0011]分别提取计算上述十个区域相应的特征值，具体包括：足底压力峰值、压力时间积分、前足后足压力峰值比；
[0012]步骤四：对得到的特征值进行分区域成比例特征缩放，具体将步骤三中得到的特征值进行比例运算得到新的缩放后特征值；
[0013]步骤五：将足底压力特征值与缩放后的特征值进行特征交叉，求笛卡尔积形成的合成特征，并打上标签；
[0014]步骤六：特征选择消除不相关的变量，采用特征递归消除的随机森林算法把需要的特征集合初始化为整个数据集合，每次剔除一个排序准则分数最小的数据，直到获得最后的特征集；
[0015]步骤七：训练GBDT模型，将结果和对应标签定义为四类，分别为：
[0016]正常k＝1、异常
‑
低危风险k＝2、异常
‑
中危风险k＝3、异常
‑
高危风险k＝4；
[0017]步骤八：采用logloss作为损失函数将F
km
(xi)转成对应的概率
[0018]通过计算概率来预测结果分类；
[0019]式中F
km
表示梯度提升决策树过程拟合回归树的值，其中k表示分类转换成k个二分类后第k个类别，m表示拟合的第m颗回归树，e为自然常数欧拉数xi表示输入特征，i表示第i个特征，P
ki
(x
i
)表示F
km
(x
i
)对应类别的概率；
[0020]P
1i
对应预测结果为正常的概率；
[0021]P
2i
对应预测结果为异常
‑
低危的概率；
[0022]P
3i
对应预测结果为异常
‑
中危的概率；
[0023]P
4i
对应预测结果为异常
‑
高危的概率。
[0024]所述步骤三中提取计算足底压力峰值的具体方法为：
[0025]以抽样间隔为0.2s取样提取足中部支撑区域5个特征时间点，利用特征时间点选取得到5组足底压力矩阵，根据足底分区提取各区域足底压力峰值，提取计算公式为：
[0026]F＝max
n∈[1，N]P(n)|
L
，其中，n＝1,2,
…
,N，为足底压力信号长度，r＝1,2,
…
,8,9,10表示足底10个区域，P(n)为足底某个区域的足底压力值，L代表左脚；
[0027]得到5组区域峰值后再各自按区域分组取均值，得到特征数据峰值PP＝[p1,p2,p3,
……
,p10]；
[0028]所述步骤三中提取计算压力时间积分的具体方法为：
[0029]将压力时间积分值定义为PTI，根据足底压力积分公式：
[0030][0031]计算得到特征数组的压力时间积分PTI＝[i1,i2,i3,
……
,i10]，该特征用于检查足部功能是否受到损伤；
[0032]所述步骤三中提取计算前足后足压力峰值比的具体方法为：
[0033]将前足后足压力峰值比定义为F/R，根据公式计算得到前后足压力峰值比FR，式中r1是前足区域，包括T1、T2
‑
T5区域，r2是后足区域，包括MF、HL、HF区
域。
[0034]所述步骤四中成比例特征缩放运算的具体步骤为：
[0035]将步骤三中得到的PP和PTI数据进行比例运算，计算公式为：
[0036][0037]式中i＝1，2，3，
……
，10分别对应10个区域的PP和PTI数据；
[0038]分别得到新特征数组PP
’
＝[P1,P2,P3,
……
,P10]和PTI
’
＝[I1,I2,I3,
……
,I10]；
[0039]对于震动感觉阈值VPT和FR数据采用max标准化缩放计算公式：
[0040][0041]计算得到新特征数组VP本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于梯度提升决策树模型算法的糖尿病足预测方法，其特征在于：包括如下预测步骤：步骤一：在待测人员足底设置柔性压力传感器，采集相应的足底压力数据，再使用震动感觉阈值检测仪对待测人员的双足趾骨关节头、内踝处进行震动感觉阈值检测，测试多次取均值记录；步骤二：根据步骤1中采集的足底压力数据构建足底总压力与时间变换曲线，并处理测试者单个步态周期的足底压力数据；在足底总压力与时间变换曲线最小值1s的领域内是足中部支撑期，根据足底压力最小值提取足部支撑期1s内的足底压力数据；步骤三：将提取到的足底压力数据进行分区，具体分为：第1趾T1、第2
‑
5脚趾T2
‑
5、第1跖骨底M1、第2跖骨底M2、第3跖骨底M3、第4跖骨底Ml4、第5跖骨底M5、足弓MF、足后跟内侧HM、足后跟外侧HL共十个区域；分别提取计算上述十个区域相应的特征值，具体包括：足底压力峰值、压力时间积分、前足后足压力峰值比；步骤四：对得到的特征值进行分区域成比例特征缩放，具体将步骤三中得到的特征值进行比例运算得到新的缩放后特征值；步骤五：将足底压力特征值与缩放后的特征值进行特征交叉，求笛卡尔积形成的合成特征，并打上标签；步骤六：特征选择消除不相关的变量，采用特征递归消除的随机森林算法把需要的特征集合初始化为整个数据集合，每次剔除一个排序准则分数最小的数据，直到获得最后的特征集；步骤七：训练GBDT模型，将结果和对应标签定义为四类，分别为：正常k＝1、异常
‑
低危风险k＝2、异常
‑
中危风险k＝3、异常
‑
高危风险k＝4；步骤八：采用logloss作为损失函数将F
km
(xi)转成对应的概率通过计算概率来预测结果分类；式中F
km
表示梯度提升决策树过程拟合回归树的值，其中k表示分类转换成k个二分类后第k个类别，m表示拟合的第m颗回归树，e为自然常数欧拉数xi表示输入特征，i表示第i个特征，P
ki
(x
i
)表示F
km
(xi)对应类别的概率；P
1i
对应预测结果为正常的概率；P
2i
对应预测结果为异常
‑
低危的概率；P
3i
对应预测结果为异常
‑
中危的概率；P
4i
对应预测结果为异常
‑
高危的概率。2.根据权利要求1所述的一种基于梯度提升决策树模型算法的糖尿病足预测方法，其特征在于：所述步骤三中提取计算足底压力峰值的具体方法为：以抽样间隔为0.2s取样提取足中部支撑区域5个特征时间点，利用特征时间点选取得到5组足底压力矩阵，根据足底分区提取各区域足底压力峰值，提取计算公式为：F＝max
n∈[1，N]
P(n)|
L
，其中，n＝1，2，
…
，N，为足底压力信号长度，r＝1，2，
…
，8，9，10表示足底10个区域，P(n)为足底某个区域的足底压力值，L代表左脚；
得到5组区域峰值后再各自按区域分组取均值，得到特征数据峰值PP＝[p1，p2，p3，
……
，p10]；所述步骤三中提取计算压力时间积分的具体方法为：将压力时间积分值定义为PTI，根据足底压力积分公式：计算得到特征数组...

【专利技术属性】
技术研发人员：杨琨，桑胜波，张婕妮，吴玉广，穆汉栋，郝润芳，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：