[发明专利]一种基于多分类器融合的阿尔兹海默症分类预测方法

权利要求书

1.基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，该方法包括以下步骤：

步骤1：对所获得数据中含有的缺失数据和异常数据进行处理和评估，确保数据的有效性。

步骤2：结合专家知识和特征选择算法，从k个特征指标中选择出n个特征子集，n≤k，去掉冗余特征和无关特征，提高最终模型的预测效果。

步骤3：提出基于多分类器融合的预测模型，该模型利用Stacking集成学习的思想，将bagging集成方法和boosting集成方法相结合并作为基分类器，通过超参数优化自适应选择基分类器的数量和元分类器，最终提高模型的普适性和预测能力。

步骤4：将经过预处理的数据集输入到所提出的模型中，通过多种评估方法评估模型的性能。

2.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤1中，对所获得数据中含有的缺失数据和异常数据进行处理，具体步骤为：

步骤1-1判断数据集的类型，是属于数值型，字符型还是混合类型。

步骤1-2对于缺失比例较大的数据直接进行删除，缺失比例不大的根据数据类型找到相对应的缺失值插补方法进行插值。

步骤1-3用异常值检测方法找出数据集中的异常值并删除。

3.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤2中，结合专家知识和特征选择算法，具体步骤为：

步骤2-1通过专家知识选择与AD相关的认知衰退的潜在预测因子，包括评估/生物标志物和危险因素。

步骤2-2将递归特征消除法和随机森林相结合，评估最优的特征组合。

步骤2-3通过交叉验证选择出含有k个特征的数据子集。

4.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤3中，提出基于多分类器融合的预测模型，具体步骤为：

步骤3-1首先利用超参数优化算法重复多次计算bagging算法和boosting算法中每个超参数的取值，最终生成每个超参数的一个最优集合。

步骤3-2然后用Stacking集成思想生成n个bagging基分类器和m个boosting基分类器，并给每个基分类器中的超参数在得到的最优集合进行随机采样，以及选择i个不同元分类器。

步骤3-3再利用超参数优化确定n和m的值以及元分类器的最终选择。

5.根据权利要求1所述的基于多分类器融合的阿尔兹海默症分类预测方法，其特征在于，所述步骤4中，多种评估方法评估模型的性能，具体步骤为：

步骤4-1将经过特征选择确认的特征分为5种模式类型：1.CFA 2.MRI 3.PET 4.CSF 5.年龄，将特征分组的原因是为了确定是否具有成本效益和非侵入性的AD标记。

步骤4-2分析使用5种类型以及它们不同组合构建预测模型的性能。

步骤4-3将数据集分为80％训练集和20％测试集，通过交叉验证，以R-平方和均方根误差作为回归模型的度量标准，以准确度，灵敏度，特异性，AUC面积作为分类模型的度量标准。