典型文献
Stacking集成学习算法验证动脉损伤对糖尿病早期检测的意义
文献摘要：
背景:糖尿病可引起广泛的动脉结构和功能病理变化,导致动脉僵硬度增加、顺应性降低和动脉弹性降低.本研究从动脉损伤的角度,实现对尚未出现临床表现但有动脉损伤的糖尿病患者的早期检测.方法:动脉损伤会导致血管的力学参数发生变化,而脉搏信号的波形变化与心血管系统的力学参数变化密切相关.通过9级小波对糖尿病患者脉搏信号进行分解,提取cD8、cD7、cD6系数(中高频成分,代表信号细节特征),作为能够反映动脉损伤程度的特征,将特征矩阵输入到10折交叉验证模型的Stacking集成学习模型中,设置第一层的4个基学习器为SVM、Random Forest、XGBoost、Extra Trees,第二层的元学习器是KNN.结果:单个机器学习模型可以达到90％以上的准确率.Stacking集成学习算法的准确率比单一机器学习模型高4％～5％,ROC曲线下面积提高1％～6％.结论:小波分解得到的脉搏信号cD8、cD7、cD6系数可以有效反映糖尿病引起的动脉损伤程度,因此动脉损伤对糖尿病的早期检测具有一定的指导意义.Stacking集成学习算法将多个模型的优势结合起来生成一个新模型,可以获得比单一模型更好的性能.
文献关键词：
糖尿病;脉搏信号;小波分解;集成算法;动脉损伤
中图分类号：
作者姓名：
张明伟;张天逸;钟鸣;程云章
作者机构：
上海理工大学健康科学与工程学院,上海200093;上海介入医疗器械工程技术研究中心,上海200093;复旦大学附属中山医院,上海200032
文献出处：
引用格式：
[1]张明伟;张天逸;钟鸣;程云章-.Stacking集成学习算法验证动脉损伤对糖尿病早期检测的意义)[J].中国医学物理学杂志,2022(08):1003-1009
A类：
cD8,cD7,cD6
B类：
Stacking,集成学习算法,算法验证,动脉损伤,早期检测,结构和功能,病理变化,动脉僵硬度,顺应性,动脉弹性,糖尿病患者,数发,脉搏信号,心血管系统,参数变化,中高频,细节特征,特征矩阵,交叉验证,验证模型,集成学习模型,第一层,基学习器,Random,Forest,XGBoost,Extra,Trees,第二层,元学习,KNN,机器学习模型,小波分解,来生,集成算法
AB值：
0.276
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
