System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及生物医学领域,特别是指一种基于深度学习的肠道菌群预测癫痫的方法。
技术介绍
1、癫痫是一种经常表征为神经元兴奋性增加的神经活动障碍。由于大脑进入癫痫发作敏感状态是由于生理振荡(伴随着兴奋/抑制的改变)而引起的病理变化所导致的,肠道微生物组对单个神经元或神经网络的兴奋性的任何破坏性举动都很可能会在癫痫中发挥关键作用。微生物对大脑发挥作用的几条通路已经被广泛讨论,包括肠道微生物代谢物(如短链脂肪酸和神经递质)、色氨酸代谢、肠道激素信号传导、免疫/炎症系统和肠道/迷走神经通道等。
2、很多研究发现,癫痫患者及癫痫动物的肠道菌群及其代谢产物发生了改变。有学者认为:当各种原因导致的肠道菌群紊乱的时候,肠粘膜屏障受损,肠道中的毒物、细菌、病毒及其代谢产物会通过受损的肠壁进入体内血液,引起体内异常的免疫炎症反应,炎症因子通过血脑屏障进入脑内,或直接通过迷走神经激活大脑的免疫细胞,导致脑细胞受损,一部分神经细胞兴奋性升高而发生癫痫。癫痫患者的肠道菌群和健康人群不一样,有些菌多了,有些菌少了,还有些菌消失了。这样就会导致肠道菌群的不平衡,从而引起肠道的炎症,进而影响神经系统的功能,增加癫痫的风险。所以,肠道菌群的不平衡可能是癫痫的一个重要的原因。
3、目前,关于利用肠道菌群作为癫痫预测的研究还比较少,且预测模型的精度还有待进一步提高。
技术实现思路
1、本专利技术要解决的技术问题是提供一种精度高的基于深度学习的肠道菌群预测癫痫的方法。
2、为解决上述
3、基于深度学习的肠道菌群预测癫痫的方法,包括:
4、整个方法分为三个阶段:1)通过肠道菌群数据在整体数据中将对应数据选出并转置;2)对数据进行随机森林的特征选择,降低高维空间中的噪声和冗余信息,并对物种丰度进行归一化;3)对输入特征进行训练,并采用软投票的方式对分类器的结果进行整合。
5、为了压缩数据量,去除冗余信息,采用了常见的随机森林的方法对数据进行筛选、降维。随机森林的优点之一是可以估计每一个特征的重要性,并在分类过程中识别出最重要的特征,通过选取重要的菌作为输入,简化模型的复杂度,提高计算效率,同时降低模型的过拟合的风险。此专利技术中,使用随机森林计算每个特征的重要分数,并且对其进行排血,选取重要分数前40个作为模型的输入,之所以选取前40个,原因是,通过大量对比试验,发现40个特征的效果最好。
6、此专利技术中,选用了dnn神经网络作为分类器模型,首先,卷积神经网络(cnn)作为深度学习的经典算法之一,其擅长处理图像,是一个具有卷积结构的深度神经网络,但是cnn模型限制参数且只能挖取局部特点,对此次研究有很大的限制。其次,循环神经网络(rnn)擅长对时间序列上的变化进行建模,用来提取时间序列信息,其输入是不定长的时序型数据。而菌群物种丰度并非时序型的输入数据,因此不适用此类网络。所以最后,选择了dnn神经网络。
7、本专利技术具有以下有益效果:
8、本专利技术将兴起的肠道菌群与逐渐成熟的深度学习相结合,发挥人工智能的优势并将其用于实际生活中。以dnn基础,根据癫痫的肠道菌群对其进行改进,实现癫痫的自动分类,准确度高。
本文档来自技高网...【技术保护点】
1.基于深度学习的肠道菌群预测癫痫的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述预处理方法,其中包括对于数据的转置,随机森林的特征提取、筛选。
3.根据权利要求2所述的方法,其特征在于,所述特征提取、筛选方法中,随机森林按照重要分数进行排序选取前20个特征,作为输入特征。
4.根据权利要求1所述的方法,其特征子啊与,所述的分类器模型中,使用的是DNN作为分类器的模型,通过软投票的方式进行预测。
5.根据权利要求4所述的方法,其特征在于,所述的DNN中输入层的特征向量决定了输入层的神经元数,隐藏层包含了32个神经元。在向前传播的过程中,输入数据通过输入层和Relu激活函数,然后通过隐藏层和Relu激活函数,最后向输出层进行传播。
6.根据权利要求5所述的方法,其特征在于,所述方法采用了10倍交叉验证来评估模型的性能。首先,将整个数据集分成了10份,每份都会被轮流做为训练集,其余的作为测试集。然后,对数据集进行10轮训练,每轮的训练循环中,使用了一个内部的epoch来进行多轮训练,即将训练集分成小
...【技术特征摘要】
1.基于深度学习的肠道菌群预测癫痫的方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述预处理方法,其中包括对于数据的转置,随机森林的特征提取、筛选。
3.根据权利要求2所述的方法,其特征在于,所述特征提取、筛选方法中,随机森林按照重要分数进行排序选取前20个特征,作为输入特征。
4.根据权利要求1所述的方法,其特征子啊与,所述的分类器模型中,使用的是dnn作为分类器的模型,通过软投票的方式进行预测。
5.根据权利要求4所述的方法,其特征在于,所述的dnn中输入层的特征向量决定了输入层的神经元数,隐藏层包含了32个神经元。在向前传播的过...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。