[发明专利]一种基于最大信息系数的脑自调节机制指标相干性获取方法

权利要求书

1.一种基于最大信息系数的脑自调节机制指标相干性获取方法，其特征在于，包括：

将平均血动脉压、脑组织氧饱和度两项指标信号的数据整合到二维散点图中，基于一定大小的网格对散点图进行划分，根据互信息计算公式计算互信息，不断改变网格大小分布得到最大互信息；

分别选取不同分割尺寸下的最大互信息，组成特征矩阵，并进行归一化；

将特征矩阵归一化的结果代入MIC计算公式，即将特征矩阵中的数据点放入三维空间形成一个曲面，该曲面最高点数值为所求得的最大互信息系数MIC；

将平均血动脉压、脑组织氧饱和度以及最大互信息系数MIC作为样本输入信息，采用逻辑回归LR方法、根据样本输入信息对分类边界线建立回归公式，寻找最优参数从而对样本输入信息进行相关性分类；

采用混淆矩阵得到真阳性TP、假阳性FP、假阴性FN和真阴性TN，基于上述参数获得逻辑回归LR方法的评价指标，其中评价指标包括准确率、精确率和召回率；

使用留一交叉验证法对输入样本信息进行逐一验证，设有K组样本输入信息，将其中一组作为测试对象，其余K-1组作为训练对象，采用上述方法依次测试K组输入样本信息，将所有组测试结果取平均值，得到整体的验证结果。

2.根据权利要求1所述的方法，其特征在于：将二维散点图分成m×n大小的网格，m代表网格行数，n代表网格列数，将落在某一网格的数据点的概率作为该网格的估计，设网格(a,b)的概率估计为P(a,b)，

根据互信息计算公式计算出互信息：

再按照2×2大小的网格对散点图进行划分，根据互信息计算公式计算出互信息，再不断改变网格的大小分布得到最大互信息记作x₂₂；

基于上述方式按照2×3网格进行划分，计算出最大互信息得到x₂₃；

以此类推直到获得m×n尺寸网格最大互信息为止。

3.根据权利要求2所述的方法，其特征在于：基于不同尺寸网格计算得到的最大互信息，将最大互信息输入至特征矩阵X中：

再将该特征矩阵中的最大互信息x_ab进行归一化处理。

4.根据权利要求3所述的方法，其特征在于：设已知平均血动脉压和脑组织氧饱和度的n个观测值为D，大小为a×b的二维网格集合用

Ω(a,b)来表示、且G∈Ω(a,b)，A(G)、B(G)表示基于网格的离散变量；

将获取的不同尺寸网格下的最大互信息进行理论计算，则平均血动脉压和脑组织氧饱和度之间的MIC公式为：

其中I(A(G),B(G))表示其互信息，B为最大网格数；

定义个限制变量B，使得m×nB，其中

B＝f(data_size)＝n^0.6

从而将二维特征矩阵X归一化的各个最大互信息放到一个三维空间中，形成一个曲面；

曲面将由(a-1)×(b-1)个数据点构成，而这个曲面最高点的数值即为这两个变量的最大信息系数MIC，其取值范围是[0,1]。

5.根据权利要求3所述的方法，其特征在于：获得逻辑回归LR方法的评价指标时：

其中准确率Accuracy是衡量算法对于预测结果总体分类正确的比例，Accuracy＝(TP+TN)/(TP+FP+FN+TN)；

其中精确率P是衡量算法正样本的预测准确率，P＝TP/(TP+FP)；

其中召回率R是衡量算法对所有正样本的预测全面性，R＝TP/(TP+FN)；

采用精确率P和召回率R的调和平均值衡量查准率对查全率的相对重要性，

通过上述评价指标从整体预测水平、正样本预测准确性、正样本的预测全面性对算法分类性能进行指标的可视化呈现。