[发明专利]基于异构特征融合的冠心病风险预测方法、模型及系统

说明书

本发明公开了一种基于异构特征融合的冠心病风险预测方法、模型及系统，该冠心病风险预测模型通过以下步骤训练获得：S1、从多个来源采集批量病人的病理数据，并进行预处理；S2、对预处理后的多个来源的病理数据进行特征提取及筛选，获得多个与冠心病风险相关的特征集；S3、对获得的多个特征集进行特征筛选，对应获得筛选后的多个特征子集；S4、基于多个特征子集，采用阶段集成学习方法，完成多源异构特征信息的融合，逐步训练获得冠心病风险预测模型。本发明避免了人为主观因素对冠心病风险预测模型的影响，提高了冠心病风险预测模型的效率和精度，扩大了适用范围，而且降低了模型的构建成本，可广泛应用于数据处理领域中。

技术领域

本发明涉及数据处理领域，特别是涉及基于异构特征融合的冠心病风险预测方法、模型及系统。

背景技术

目前大多数冠心病风险预测模型都采用传统的基于统计分析的单特征或多特征建模方法，这类方法需要花费大量的时间去搜集和分析临床数据，并依靠有经验医生的先验知识来选取与疾病相关的危险因子，还需要通过定期的治后回访与调查来校检并修正模型，因此模型的建模过程将耗费大量的人力和财力。由于传统建模方法必须依赖医生的经验，而不同医生之间的经验水平往往差距较大，所以所选取的模型危险因子往往精度不高，从而导致冠心病风险预测模型的适用范围很窄，比如只适用于某个地区的人群，缺乏通用性。

总的来说，目前的冠心病风险预测模型存在效率低、成本高、精度低、适用范围窄以及受人为主观因素的干扰等问题。

名词解释

Haar：一种用于描述区域对比度变化幅度的特征，常用于提取较为明显的图像边缘特性，并且常与级联分类器组合来进行对象检测。

Tamura：一种基于人类视觉的自动纹理提取方法，根据人类视觉感知从心理学的角度采用一系列统计量对图像纹理进行描述。

NMF：非负矩阵分解，用于将训练集的数据矩阵分解为两个非负矩阵，执行降维操作时，根据所需下降的维度数，从左部的非负矩阵中选取一个子矩阵来实现数据的降维。

ESR级联形状回归器：一种基于形状索引的两级集成预测算法，由多个强回归器级联而成，强回归器可以灵活选择，通常需要通过多个弱回归器集成得到，常用于特征点检测。

VGG网络：一种使用小卷积核和多层卷积完成图像特征学习的深度网络，有五种经典配置，可以根据图像的像素范围灵活选取。

Adaboost：一种通过错判率去自适应调整弱学习器权重的集成学习算法，后续迭代训练的弱学习器会根据前面弱学习器提供的判别信息逐步得到提升。

随机森林：一种针对子特征集训练多个树状弱学习器，并通过加权投票集成来进行分类或预测的算法，弱学习器的训练相互独立、互不影响。

GBDT回归森林：一种通过迭代进行回归树集成的算法，迭代后期的回归树会根据前期回归树传递的梯度信息进行提升，有较好的泛化能力。

xgboost回归森林：一种大规模并行的集成回归树算法，每一棵回归树均可以在特征粒度上并行进行训练，同时不同回归树的训练也是并行的。

K近邻算法：一种通过样本空间中与输入样本距离最近的K个样本的类别分布来决定输入样本所属类别的“懒学习”机器学习算法，不需要通过训练样本来训练模型参数。

opencv：一个几乎包括了计算机视觉领域的所有经典算法和工具的重量级图像库，大部分的与图像处理各个流程相关的任务都可以使用它进行处理。

pandas：一个专门用于解决数据分析任务的python库，包含了大量快捷简便的数据处理工具与函数，适用于高效地操作大型数据集。

sklearn：一个标准机器学习算法库，包括了所有经典机器学习算法，可以通过它完成各种机器学习相关的算法研究和产品设计等任务。