為初步研究面部運動神經(jīng)傳導檢查數(shù)據(jù),提出運用機器學習方法進行深度數(shù)據(jù)挖掘、分析,找出相關性最高的特征值,以研究其主要的影響因素及探討臨床診斷預測的可能性。收集成都中醫(yī)藥大學附屬醫(yī)院10個月的肌電檢查報告共2352份數(shù)據(jù),篩選符合標準的575份報告,制作數(shù)據(jù)集,利用編程的方式對其檢查數(shù)據(jù)和報告結論進行量化分析,分別建立KNN、邏輯回歸、隨機森林、stacking算法模型,經(jīng)過調參選取正確率最高的模型進行特征提取以研究其主要影響因素及研究臨床判讀預測的可能性。實驗結果表明,一方面在肌電圖臨床判讀中隨機森林算法正確率達到92.69%,精度為92.78%,召回率為100%,與邏輯回歸相比較P值為0.04271,與KNN相比較P值為0.00745,均具有顯著統(tǒng)計學意義,即隨機森林模型最適合于面部運動傳導神經(jīng)檢查數(shù)據(jù)分析。另一方面,運用隨機森林方法提取特征值,能夠更加清晰迅速地找出影響面部運動神經(jīng)病變的最主要因素。通過機器學習挖掘數(shù)據(jù),得出影響面部運動神經(jīng)傳導檢查的主要因素為顳支右側波幅數(shù)據(jù)和頰支右側波幅等8個特征點,并提出可使用臨床獲得的數(shù)據(jù)集進行判讀預測并通過隨機森林選取主要的特征點,具體以減... 

【文章來源】：成都信息工程大學學報. 2020,35(05)

【文章頁數(shù)】：5 頁

【部分圖文】：

收集的延遲數(shù)據(jù)分布情況

收集的波幅數(shù)據(jù)分布情況如圖2所示。如圖2所示，收集的RT＿L＿Amplitude檢查項的均值為1.635 m V，均方差為1.138,RT＿R＿Amplitude檢查項的均值為1.569 m V，均方差為0.889,BB＿L＿Amplitude檢查項的均值為1.944 m V，均方差為1.443,BB＿R＿Amplitude檢查項的均值為1.869 m V，均方差為1.461。

由于處理數(shù)據(jù)較多，方案較為繁瑣，由此以整體項目流程圖的方式對方案進行說明，總體流程如圖3所示。KNN(K nearest neighbor)是一種相對簡單、較常用的監(jiān)督學習分類方法[17]。算法的基本理念是通過訓練集樣本D中的相似度大小對D中樣本進行排序，取前K個樣本的標簽眾數(shù)作為測試樣本T的標簽。相似度由距離表達，計算公式如下:


本文編號：3137198