欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023118249179
申请人: 苏州大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种高维医学数据特征子集筛选方法,其特征在于,当最优特征子集中特征变量的个数K未知时,包括:S1:获取高维医学数据集,基于随机采样策略,将所述高维医学数据集划分为训练集与测试集;重复划分,获取多对训练集及其对应的测试集;

S2:利用BeSS算法,在每个训练集中选取K个特征变量构成一个候选特征子集;基于多个训练集,获取多个候选特征子集,构成候选特征集合;其中,K的初始值为1;

S3:利用预设回归预测模型,计算每个候选特征子集在其对应的测试集中的预测表现;

S4:基于候选特征子集的预测表现,以及候选特征子集中每个特征变量在候选特征集合中的出现频次,构建一致性评分模型,获取一致性评分最高的候选特征子集,作为特征变量个数为K时的优选K特征子集;一致性评分模型,表示为:;

表示第 组候选特征子集的一致性评分,第 组候选特征子集为利用BeSS算法从第 组训练集中获取的; 表示第 组候选特征子集中的第i个特征变量, ,表示候选特征子集中特征变量总个数; 表示第 组候选特征子集, 表示特征变量 在候选特征集合中的出现频次,若 包含 ,则 为1,反之,则为0;

表示候选特征集合中候选特征子集的个数, , ; 表示权重;

S5:计算所述候选特征集合中所有候选特征子集的预测表现的截尾平均数,作为优选K特征子集的预测表现;

S6:判断优选K特征子集的预测表现是否收敛:

若收敛,则输出当前优选K特征子集,为最优特征子集,并确定最优特征子集的特征变量个数为K;

若不收敛,则更新K=K+1,返回执行步骤S1,获取多对训练集及其对应的测试集,选取新的优选K特征子集,直至优选K特征子集的预测表现收敛,获取当前优选K特征子集,为最优特征子集,并确定最优特征子集的特征变量个数为K。

2.根据权利要求1所述的高维医学数据特征子集筛选方法,其特征在于,所述获取高维医学数据集,基于随机采样策略,将所述高维医学数据集划分为训练集与测试集;重复划分,获取多对训练集及其对应的测试集,包括:随机抽取所述高维医学数据集中的预设个数的特征变量,形成一个训练集,剩余特征变量为对应的测试集;

重复随机抽取多次,获取多个新的训练集与多个对应的测试集。

3.根据权利要求1所述的高维医学数据特征子集筛选方法,其特征在于,所述利用BeSS算法,在每个训练集中选取K个特征变量构成一个候选特征子集,包括:基于BeSS算法,利用泰勒展开式,为训练集中每个特征变量赋予贡献值;按照贡献值由大到小排序,获取前K个贡献值所对应的特征变量,构成候选特征子集。

4.根据权利要求1所述的高维医学数据特征子集筛选方法,其特征在于,若所述高维医学数据为二分类结局时,所述预设回归预测模型为logistic模型。

5.根据权利要求4所述的高维医学数据特征子集筛选方法,其特征在于,所述计算每个候选特征子集在其对应的测试集中的预测表现,包括:利用候选特征子集所对应的训练集,训练logistic模型;

利用候选特征子集所对应的测试集,对训练好的logistic模型进行预测,获取预测表现;

所述预测表现包括logistic模型的准确性Acc和受试者工作特征曲线下面积AUC。

6.根据权利要求1所述的高维医学数据特征子集筛选方法,其特征在于,若所述高维医学数据为生存结局时,所述预设回归预测模型为Cox模型。

7.根据权利要求6所述的高维医学数据特征子集筛选方法,其特征在于,所述计算每个候选特征子集在其对应的测试集中的预测表现,包括:利用候选特征子集所对应的训练集,训练Cox模型;

利用候选特征子集所对应的测试集,对训练好的Cox模型进行预测,获取预测表现;

所述预测表现包括Cox模型的一致性指数C‑index与中位数生存时间的受试者工作特征曲线下面积AUC。

8.一种高维医学数据特征子集筛选方法,应用如权利要求1至7任一项所述的方法,其特征在于,当最优特征子集中特征变量的个数K为固定值时,包括:获取高维医学数据集,基于随机采样策略,将所述高维医学数据集划分为训练集与测试集;重复划分,获取多对训练集及其对应的测试集;

利用BeSS算法,在每个训练集中选取K个特征变量构成一个候选特征子集;基于多个训练集,获取多个候选特征子集,构成候选特征集合;

利用预设回归预测模型,计算每个候选特征子集在其对应的测试集中的预测表现;

基于候选特征子集的预测表现,以及候选特征子集中每个特征变量在候选特征集合中的出现频次,构建一致性评分模型,获取一致性评分最高的候选特征子集,作为最优特征子集。