论文部分内容阅读
脑出血(Intracerebral Hemorrhage,ICH)也称出血性脑卒中,它是一种发病率高、致残率高、死亡率高的急性脑血管病。ICH严重威胁人类健康并影响人们的生活质量,同时也给患者及其家庭和社会带来了巨大的经济压力和沉重的生活负担。目前,ICH已成为中国乃至世界共同关注的问题。脑出血发病急剧,病情变化快,超过70%的患者在早期可发生血肿扩大或累及脑室,ICH的死亡率在发病1个月内可达40%,在1年巧高达54%,存活的患者中,在6个月末仍有80%遗留残疾。鉴于脑出血发病急剧,致残致死率极高,那么对于脑出血的提前预测与预防尤为重要。因此确定脑出血危险因素,建立脑出血预测模型,对脑出血提前预防具有重要意义。本文基于重庆西南医院神经外科提供的脑出血CT血管照影图像数据,通过软件提取相应特征值作为研究数据,利用统计学假设检验验证了对脑出血有影响的特征因素,并利用提出的混合集成学习方法建立了脑出血预测模型,为脑出血的预防和治疗起到了指导作用,同时为后续研究奠定了基础。本文的主要工作如下:(1)利用效能检验对样本量进行了估算。限于资源和道德原因,无法获得模型关键参数优化的无限样本量,但是又需要保证实验样本具有统计意义,本文利用效能检验对样本量进行了估算,通过确定样本的效应值来推算具有统计意义的样本数量,从而指导我们抽取足够数量的样本。(2)利用统计检验方法对提出的可能影响脑出血的十个因素进行了显著性检验。为了确定哪些因素对脑出血有影响,本文利用T检验和秩和检验方法对提取的脑出血数据和非脑出血数据进行了统计检验,确定均值有差异的特征,并将其数据作为后续研究的研究数据。(3)利用混合集成学习方法(HELM)建立脑出血预测模型。HELM算法是在传统的集成学习方法Adaboost的基础上进行的改进,该算法结合了传统的同态集成学习方法和异态集成学习方法的优点,首先将不同类型的基分类器利用Adaboost算法进行同态集成,然后再将得到的同态分类器进行异态集成,最终得到我们的混合集成学习方法。本文利用混合集成学习方法对提取部分数据进行训练,得到脑出血预测模型,然后利用剩下的数据对脑出血预测模型进行测试,并与其他方法和其他模型进行比较来确保脑出血预测模型的有效性。综上所述,本文利用统计检验方法确定了会影响脑出血的特征因素,同时利用混合集成学习方法对这些特征数据进行训练测试建立脑出血预测模型对患者进行分类预测,并通过与相关算法和模型进行比较,证明了脑出血预测模型的有效性和稳定性。