Laplace周期图与关联性检验相结合的半监督信号异常检测方法

信号异常检测方法具有普遍的研究意义和广泛的实用价值.该文首先研究Laplace周期图的统计性质,再结合用于关联性检验的有力工具互信息的刀切估计(JMI),对两段信号的Laplace周期图对数比进行统计检验,可判断所检测信号是否具有相同的归一化动态特征.作为一种半监督的异常检测方法,可在已知正常信号标签的情况下,以动态特征检测出未知信号是否异常.统计模拟试验和滚动轴承数据的实例分析显示,该文所提的新方法优于Laplace周期图分别与B样条F检验(B-spline F test)、Ljung-Box Q检验(LBQ)、游程检验(run test)相结合的方法,兼顾了稳健性和较低的犯错概率,具备一定的实用性和有效性.

基于特征筛选与机器学习的医疗保险报销比例预测研究

目的对国家医疗保障疾病诊断相关分组中胸部大手术组的医疗保险报销比例进行数据驱动的辅助预测,为医疗保险经办机构及医疗机构精准有效地预测按病种分组医保支付情况提供参考。方法以四川省某大型三甲医院2020年的胸部大手术病例信息为样本,通过多元线性回归模型和基于特征筛选的机器学习改进方法,将全部数据集的70%作为训练数据集,30%作为测试数据集,对医保支出情况进行预测。结果随机森林、Logistic回归、支持向量机三种机器学习方法在筛选特征数量相同时,预测效果无统计学差异。预测效果最优的模型准确率为78.96%,敏感性为83.93%,特异性为71.27%,精确度为0.8188,AUC值为0.8414,Kappa值为0.6108。结论疾病诊断数量、手术操作数量及患者年龄对报销比例影响较大。治疗费、材料费、手术费及西药费为住院费用的主要方面。基于特征筛选的机器学习改进方法优于传统的统计线性模型,且选取合适的特征数量能够使模型在较高的效率下达到更好的预测效果。