公开(公告)号：CN114550941A

公开(公告)日：2022-05-27

申请号：CN202210106377.X

申请日：2022-01-28

Applicant: 南京信息工程大学

Inventor： 杨旻荟 ,  陈子涵 ,  蒋松言 ,  温宇航 ,  刘文军 ,  黄辉

IPC: G16H50/50 ,  G16H50/30 ,  G16H50/70 ,  G06K9/62 ,  G06F17/18

Abstract: 本发明公开了基于狄克斯特拉算法的低冗余度动脉粥样硬化风险预测方法，所述方法包括：采集原始数据集，并对原始数据集进行预处理；基于狄克斯特拉算法的低冗余度特征筛选方法对原始数据挑选出数据冗余度低、有代表性的特征作为最优特征集，将残留特征记为残留特征集；基于机器学习算法将最优特征集作为基分类器A、将残留特征集作为基分类器B，分别建立预测模型，记为预测模型A、预测模型B；基于贝叶斯网络计算预测模型A、预测模型B的权重；将预测模型A预测模型B所得到的预测结果加权集成，输出最优预测结果。

公开(公告)号：CN114388129B

公开(公告)日：2024-09-17

申请号：CN202111455856.4

申请日：2021-12-01

Applicant: 南京信息工程大学

Inventor： 刘文军 ,  尤欢 ,  黄辉 ,  白雪 ,  陈子涵 ,  杨旻荟 ,  蒋松言 ,  温宇航

IPC: G16H50/30 ,  G06F18/241 ,  G06N20/20 ,  G16H50/70

Abstract: 本发明为基于动态信息价值准则和集成学习的动脉粥样硬化风险预测方法，公开了所述方法包括：基于动态信息价值准则对采集的数据集进行筛选，分为最优特征集和残留特征集；基于机器学习算法将最优特征集与残留特征集作为基分类器A、基分类器B；根据基分类器A、基分类器B建立预测模型A和预测模型B；将最优特征集和残留特征集输入预测模型A和预测模型B，将所得到的预测结果加权集成，输出最终集成学习预测结果，本发明在使用机器学习算法进行动脉粥样硬化风险预测的基础上，由模型预测效果优劣来进行特征筛选，挑选出数据冗余度低、有代表性的特征，考虑到了更为优秀的特征、提高了模型预测效果。

公开(公告)号：CN114550941B

公开(公告)日：2024-09-17

申请号：CN202210106377.X

申请日：2022-01-28

Applicant: 南京信息工程大学

Inventor： 杨旻荟 ,  陈子涵 ,  蒋松言 ,  温宇航 ,  刘文军 ,  黄辉

IPC: G16H50/50 ,  G16H50/30 ,  G16H50/70 ,  G06F18/2415 ,  G06F18/22 ,  G06F18/27

Abstract: 本发明公开了基于狄克斯特拉算法的低冗余度动脉粥样硬化风险预测方法，所述方法包括：采集原始数据集，并对原始数据集进行预处理；基于狄克斯特拉算法的低冗余度特征筛选方法对原始数据挑选出数据冗余度低、有代表性的特征作为最优特征集，将残留特征记为残留特征集；基于机器学习算法将最优特征集作为基分类器A、将残留特征集作为基分类器B，分别建立预测模型，记为预测模型A、预测模型B；基于贝叶斯网络计算预测模型A、预测模型B的权重；将预测模型A预测模型B所得到的预测结果加权集成，输出最优预测结果。

公开(公告)号：CN114388129A

公开(公告)日：2022-04-22

申请号：CN202111455856.4

申请日：2021-12-01

Applicant: 南京信息工程大学

Inventor： 刘文军 ,  尤欢 ,  黄辉 ,  白雪 ,  陈子涵 ,  杨旻荟 ,  蒋松言 ,  温宇航

IPC: G16H50/30 ,  G06Q10/04 ,  G06N20/00 ,  G06K9/62

Abstract: 本发明为基于动态信息价值准则和集成学习的动脉粥样硬化风险预测方法，公开了所述方法包括：基于动态信息价值准则对采集的数据集进行筛选，分为最优特征集和残留特征集；基于机器学习算法将最优特征集与残留特征集作为基分类器A、基分类器B；根据基分类器A、基分类器B建立预测模型A和预测模型B；将最优特征集和残留特征集输入预测模型A和预测模型B，将所得到的预测结果加权集成，输出最终集成学习预测结果，本发明在使用机器学习算法进行动脉粥样硬化风险预测的基础上，由模型预测效果优劣来进行特征筛选，挑选出数据冗余度低、有代表性的特征，考虑到了更为优秀的特征、提高了模型预测效果。