论文部分内容阅读
经颅多普勒超声（TCD）被广泛应用于临床脑卒中诊断中,应用人工智能技术对TCD数据进行分类,从而实现脑卒中辅助诊断,可以节约宝贵的医疗资源,具有重大的现实意义。本文重点研究了研究了极限学习机模型的改进及其在脑卒中TCD数据分类中的应用,所做的主要工作如下:针对极限学习机用于TCD数据分类时对隐含层输入权值和阈值参数选择敏感的缺点,利用蝙蝠算法对极限学习机的隐含层输入权值和阈值进行优化,提出一种基于蝙蝠算法优化极限学习机的脑卒中TCD数据分类模型,对采集于山西省人民医院的正常人与狭窄患者的TCD数据进行分类识别,并与PSO-ELM,DE-ELM和ELM模型进行对比,实验结果表明BA-ELM算法的分类准确率最高,算法稳定性最高,且所需隐含层神经元数最少,训练时间也比PSO-ELM,DE-ELM模型有所降低,表明了BA-ELM用于TCD数据分类时的有效性。对极限学习机衍生出来的核极限学习机进行了研究,并对蝙蝠算法进行了改进,用4个标准测试函数验证了改进蝙蝠算法较强的全局搜索能力和较快的收敛速度,接着用改进的蝙蝠算法结合5折交叉验证对核极限学习机的正则化系数和高斯核函数参数进行优化,建立IBA-KELM分类模型,与BA-KELM,BA-ELM,ELM模型进行对比,对4个TCD数据集进行测试,识别正常人和硬化病人,正常人和斑块病人,结果表明IBA-KELM模型的性能更优。针对医学数据多为不平衡数据的特点,对不平衡分类进行了研究,提出一种基于最大化Gmean的代价调整极限学习机的分类模型,以最大化Gmean为优化目标,利用改进的蝙蝠算法结合5折交叉验证对CCR-ELM的代价参数C（10）和C-进行优化,并用得到的MG-CCR-ELM模型对不平衡二分类数据集进行了测试,并用分类准确率和Gmean值两个评价指标对分类结果进行分析,验证了该模型优越的不平衡学习能力。最后用该模型对不平衡TCD数据集进行分类测试,取得了良好的分类结果,证明了该方法用于不平衡TCD数据分类时的有效性。