[发明专利]一种基于集成学习的伤情多分类方法

说明书

本发明公开了一种利用基于集成学习的多分类技术来对伤情进行分类方法，包括：采集待处理伤员的生理数据，采用随机森林分类器、逻辑回归、朴素贝叶斯分类器和决策树分类器的集成学习策略构建基于DAG拆分策略的预测模型，将新伤员生理数据输入预测模型，输出伤情预测结果，在伤情计分规则的基础上，运用机器学习的方法，设计多分类模型，来代替人工打分的方式。首先，根据多分类器模型的特点进行设计模型，然后运用西京医院急诊数据进行模型训练，最后在进行模型测试。该方法充分发挥了集成分类器的特点，融合多种分类器的优点。通过测试表明，本模型设计具有良好的准确率，可以在大规模伤员救治时给予参考。

技术领域

本发明涉及伤情自动分类技术领域，更具体的涉及一种基于集成学习的伤情多分类方法。

背景技术

在机器学习的有监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个有偏好的模型(弱监督模型，在某些方面表现的比较好)。集成学习就是组合这里的多个弱监督模型以期得到一个更好更全面的强监督模型，集成学习潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。

集成方法是将几种机器学习技术组合成一个预测模型的元算法，以达到减小方差、偏差或改进预测的效果。

发明内容

本发明实施例提供一种基于集成学习的伤情多分类方法，包括：

采集待处理伤员的生理数据；

采用随机森林分类器、逻辑回归分类器、朴素贝叶斯分类器和决策树分类器，通过简单投票法合并，构造基于DAG策略的多类别集成分类器预测模型；

利用基于DAG策略的多类别与集成分类器预测模型，对伤员的生理数据进行分类识别。

进一步，采集待处理伤员的生理数据包括：病人的体温、脉搏、呼吸频率、血压、神智。

进一步，还包括：对基于DAG拆分策略的多类别与集成分类器预测模型的训练：

选取样本分别作为阳性样本、阴性样本；

采用机器学习方法构建第一级分类器；

将该分类器预测的阳性样本与剩余其他类样本放在一起作为新阳性样本；

从剩余其他类样本中选择一类作为阴性样本；

采用机器学习方法构建第二级分类器；

将第一级分类器预测为阴性样本与剩余其他类样本放在一起，并将其继续作为阴性样本；

从剩余其他样本中选择一类作为阴性样本；

采用特定的机器学习方法构建第二级分类器；

重复以上操作，直到所有类别的样本都被预测，得到输出结果。

进一步，随机森林分类器、逻辑回归分类器、朴素贝叶斯分类器和决策树分类器各自设计6个二分类器。

本发明实施例提供一种基于集成学习的伤情多分类方法，与现有技术相比，其有益效果如下：

1、可充分利用多种二分类器的各自优势，采用投票决策原则，实现更准确的多类别伤情预测；

2、提出了四种基于集成学习与多类别分类策略的伤情预测模型，可横向比较不同模型的准确性差异，实现模型优选以提升预测准确性。

3、该伤情预测技术能够与可穿戴物联网伤员体征监测设备有机结合，实现伤员的连续监护与伤情的实时预测。

附图说明

图1为本发明实施例提供的一种基于集成学习的伤情多分类方法的流程图。