【技术实现步骤摘要】
用于脑卒中分析的多智能体评价准则融合的特征选择系统
[0001]本专利技术涉及机器学习预测分析与医疗健康
,具体涉及一种基于多智能体多评价准则融合的特征选择方法。
技术介绍
[0002]脑卒中是常发生在中老年人群中的一种脑血管疾病,目前已经成为我国发病率非常高的疾病。目前,对脑卒中高危人群筛查是一项必不可少的工作,主要是是对长期吸烟、喝酒、高血压等患者进行风险评估及相关检查,以阻止脑卒中危险因素的进一步发展,预防脑卒中的发生。颈动脉粥样硬化与脑卒中发病有着密切的联系,因此通过有效的特征选择,从脑卒中高危人群的数据中找到影响颈动脉粥样硬化的相关因素,可以尽早预测和发现颈动脉斑块,并及时干预,对减少脑卒中疾病的发生具有重大意义。
[0003]传统的特征选择方法,如Filter、Wrapper等,都是采用单一的评价准则,存在一定的片面性,无法有效地评价特征选择的性能,导致所选特征子集的通用性差,分类精度低。近年来,也有一些研究提出使用多评价准则融合的方法,如将特征排序值进行求和、取最小值或者采用序关系分析法来确定融合系数,但这些融合方法在评价准则重要性程度的判断上有一定的主观性,而且参数的选择(如评价准则的权重、特征子集的维度等)存在很大的难度。
技术实现思路
[0004]专利技术目的:为了克服现有技术中存在的不足,本专利技术提供一种用于脑卒中分析的多智能体评价准则融合的特征选择系统,对脑卒中数据进行不同属性的处理,并通过多智能体强化学习将三种特征评价准则按照最优权重策略进行特征融合,进一步得 ...
【技术保护点】
【技术特征摘要】
1.一种用于脑卒中分析的多智能体评价准则融合的特征选择系统,其特征在于:包括数据输入单元、数据预处理单元、初始特征序列建立单元、多智能体强化单元、特征融合单元、逻辑回归模型单元,其中:所述数据输入单元用于输入原始脑卒中数据;所述数据预处理单元用于对输入原始脑卒中数据进行预处理,得到处理后的数据集;所述初始特征序列建立单元包括卡方检验模块、F检验模块和互信息检验模块,所述卡方检验模块用于根据数据集进行特征选择得到特征的权重,将特征权重降序排序得到特征序列一;所述F检验模块用于根据数据集进行特征选择得到特征的权重,将特征权重降序排序得到特征序列二;所述互信息检验模块用于根据数据集进行特征选择得到特征的权重,将特征权重降序排序得到特征序列三;Rank
Chi
={R
C
(1),R
C
(2),R
C
(3),...,R
C
(N)}Rank
F
={R
F
(1),R
F
(2),R
F
(3),...,R
F
(N)}Rank
Mu
={R
M
(1),R
M
(2),R
M
(3),...,R
M
(N)}其中,N表示为原始特征空间的特征维数,Rank
Chi
表示卡方检验准则下第i个特征在N维特征集中的权值排序序号,Rank
F
表示F检验验准则下第i个特征在N维特征集中的权值排序序号,Rank
Mut
表示互信息检验准则下第i个特征在N维特征集中的权值排序序号;根据卡方检验准则下第i个特征在N维特征集中的权值排序序号得到特征序列一,根据F检验验准则下第i个特征在N维特征集中的权值排序序号得到特征序列二,根据互信息检验准则下第i个特征在N维特征集中的权值排序序号得到特征序列三;所述多智能体强化单元使用多智能体强化学习,为卡方检验模块、F检验模块和互信息检验模块三种评价准则分配一个智能体,根据得到的特征序列一、特征序列二、特征序列三和环境反馈的奖励回报进行动作的调整,得到三种评价准则的最优权重分配方法;将特征序列一、特征序列二、特征序列三根据最优权重分配方法进行特征融合,得到最终特征重要性排序序列;所述多智能体强化单元中通过建立一个Q_Table来保存智能体c、不同的状态s和将会采取的动作a,即Q(c,s,a),智能体每次根据epsilon-贪心法选择当前最佳的动作,动作值决定其对应的评价准则在特征融合中对应的权重系数;所述多智能体强化单元随机初始化第一个状态s,智能体从Q_Table中使用epsilon-贪心法基于当前状态s选择动作a={a
Chi
,a
F
,a
Mut
}得到当前的权重,将三种评价准则进行特征融合,得到当前的融合特征序列Rank
Cur
,表示如下:Rank
Cur
={R
Cur
(1),R
Cur
(2),...,R
Cur
(N)}式中,R
Cur
(i)为融合后第i个特征在特征集中的排序值,R
Cur
(i)定义如下:R
Cu
(i)=ω
Chi
*R
C
(i)+ω
F
...
【专利技术属性】
技术研发人员:张雷,张晓雯,于凌霜,赵乐,余成,李宁,王崇骏,
申请(专利权)人:南京大学,
类型:发明
国别省市:
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。