[发明专利]一种基于数据重组的FVC级联预测算法

权利要求书

1.一种基于数据重组的FVC级联预测算法，其特征在于，包括以下步骤：

S10执行低难度用力肺功能测试，

用户通过进行低难度的肺功能测试，得到用户的特征向量包括FEV1、PEF、年龄和性别；

S20进行一级FVC预测，

将步骤一中得到的所述特征向量作为输入向量输入FVC一级预测模型，所述FVC一级预测模型将所述输入向量转为特征矩阵，将特征矩阵作为X，FVC值作为输出Y值，通过回归求出FVC值，所述FVC一级预测模型的输出结果为一级FVC预测值；

S30进行气流受限识别向量构建，

将得到的一级FVC预测值作为用户的FVC值，并与步骤S10中的特征向量FEV1进行合并，计算FEV1/FVC比值；

再将所述FEV1/FVC比值与步骤S10中的特征向量PEF、年龄和性别作为气流受限识别输入向量；将FEV1/FVC比值作为参数Z与步骤S20特征矩阵X合并为X’；

S40进行气流受限识别分类，

将所述特征矩阵X’作为输入参数输入XGBoost气流受限识别模型，所述XGBoost气流受限识别模型依据特征矩阵X’判断气流是否受限对用户的输入向量进行分流；

若气流受限，则进入患者FVC二级预测模型；

若是气流未受限，则进入健康人FVC二级预测模型；

S50得到FVC预测结果，

据步骤S40的分类结果，将步骤S10得到的特征向量输入到患者FVC二级预测模型或健康人FVC二级预测模型得到最终的FVC预测结果。

2.根据权利要求1所述的一种基于数据重组的FVC级联预测算法，其特征在于，所述FVC一级预测模型通过SVR算法训练而成，所述一级预测模型通过python内部库完成训练，基于“Scikit-learn”机器学习框架完成的FVC一级预测模型的搭建。

3.根据权利要求1所述的一种基于数据重组的FVC级联预测算法，其特征在于，所述FVC二级预测模型通过SVR算法由针对是否有气流受限的用户数据进行分类训练而成。

4.根据权利要求1所述的一种基于数据重组的FVC级联预测算法，其特征在于，所述XGBoost气流受限识别模型原始训练数据集中的受限标准采用国际金标准，FEV1/FVC的比值＜0.7则有气流受限。