1.一种基于图卷积神经网络的糖尿病预测方法,其特征在于,包括:获取糖尿病数据,并进行数据预处理;
将预处理后的数据分为训练数据以及测试数据,并通过独热编码对所述训练数据进行向量表示,获取一特征矩阵;
利用K紧邻算法构建拓扑图,并根据数据之间的潜在关系转化为邻接矩阵;
将所述特征矩阵与所述邻接矩阵输入至图卷积神经网络中,并构建二分类预测模型;
将所述测试数据输入至所述二分类预测模型,并获取预测结果,并筛选出隐性的糖尿病人群以及初期糖尿病人群,其中,所述获取糖尿病数据,并进行数据预处理的步骤,具体包括以下步骤:基于NHANES数据库获取糖尿病数据;
采用均值填充的算法对所述糖尿病数据进行预处理,其中,在所述采用均值填充的算法对所述糖尿病数据进行预处理的步骤中,具体包括以下步骤:当某一列空白值的属性为数值类型时,计算空白值所在列所有值的平均值,并利用平均值填充缺失的空白值;
当某一列空白值的属性为非数值类型时,选取属性列中频率最高的属性值,并将其填补缺失的空白值,其中,在所述将预处理后的数据分为训练数据以及测试数据的步骤中,针对预处理后的数据采用Sklearn库提供的train_test_split方法,并以8:2的比例将数据分为训练数据和测试数据,其中,所述利用K紧邻算法构建拓扑图的步骤,具体包括以下步骤:将每一个所述训练数据视为一样本;
利用每个样本的特征值计算样本之间的欧式距离dij,计算公式为:其中,dij为样本之间的欧氏距离,c为样本的特征个数,xic-xjc表示两个样本特征之间的差值。
2.根据权利要求1所述的基于图卷积神经网络的糖尿病预测方法,其特征在于,在所述根据数据之间的潜在关系转化为邻接矩阵的步骤中,邻接矩阵记录每个所述训练数据之间的邻接关系,A∈RN×N,其中A表示邻接矩阵,N表示训练数据的数量。
3.根据权利要求1所述的基于图卷积神经网络的糖尿病预测方法,其特征在于,所述将所述特征矩阵与所述邻接矩阵输入至图卷积神经网络中,并构建二分类预测模型的步骤中,具体包括以下步骤:将所述特征矩阵与所述邻接矩阵输入至图卷积神经网络,具体公式为:其中,是由邻接矩阵A+I得到,I为单位矩阵,是的度矩阵,H(l)是每一层的特征,当l为1时H为特征矩阵X,W(l)是l层中可训练滤波器的权重矩阵,σ是每层非线性激活函数;
计算每层网格的损失函数:
其中,yL是数据的索引集合,F是输出层的特征个数,Ylf是真实标签的索引矩阵,Zlf预测标签的索引矩阵;
在图卷积神经网络后接全连接层,最后一层用sigmoid做激活函数转化为0到1的数值;
判断该数值是否大于一预设阈值,若是,则判定为糖尿病。
4.根据权利要求1所述的基于图卷积神经网络的糖尿病预测方法,其特征在于,所述二分类预测模型采用Python构建,并通过集成算法库实现,其中包括Sklearn、PyTorch、Keras。
5.一种电子设备,其特征在于,包括
存储器,用于存储可执行程序代码;以及
处理器,连接至所述存储器,通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序,以执行如权利要求1-4中任一项所述的基于图卷积神经网络的糖尿病预测方法的步骤。
6.一种基于图卷积神经网络的糖尿病预测系统,其特征在于,包括权利要求5所述的电子设备。