最小绝对收缩和选择算子回归筛选急性缺血性脑卒中溶栓患者症状性脑内出血预测因素分析

目的探讨基于最小绝对收缩和选择算子(LASSO)回归筛选急性缺血性脑卒中溶栓患者症状性脑内出血(sICH)发生的预测因素。方法选取2019年6月至2022年6月于鄂州市中心医院收治的428例急性缺血性脑卒中患者作为研究对象,静脉溶栓后24 h采用CT观察脑内出血情况,根据有无sICH分为sICH组36例和无sICH组392例。记录两组人口社会学资料、溶栓前实验室检查资料、影像学相关资料,采用LASSO回归分析筛选变量初步筛选重要预测因素,将非零回归系数的变量纳入多因素Logistic回归分析,确定影响急性缺血性脑卒中溶栓后发生sICH的独立预测因素。结果36例(8.41%)患者在溶栓后24 h内出现sICH归为sICH组,其余392例(91.59%)未出现sICH归为无sICH组。两组患者发病至溶栓时间、糖尿病、心房颤动、入院时美国国立卫生研究院卒中量表(NIHSS)评分、入院时血糖、C反应蛋白、CT显示大动脉高密度征象比较差异有统计学意义(t/χ^(2)=2.163、3.911、4.092、3.087、3.156、3.937、8.553,均P<0.05);LASSO回归算法共筛选出入院NIHSS评分、入院时血糖、C反应蛋白、大动脉高密度征象4个具有非零系数的显著相关指标;进一步多因素Logistic回归分析显示:入院NIHSS评分、入院时血糖、C反应蛋白、大动脉高密度征象为急性缺血性脑卒中溶栓后sICH的危险因素[OR(95%CI)=1.123(1.029~1.226)、1.391(1.086~1.781)、1.901(1.362~2.652)、3.112(1.364~7.104),均P<0.05];ROC曲线显示,基于LASSO-Logistic构建的模型预测急性缺血性脑卒中溶栓后sICH发生的AUC为0.802(95%CI=0.722~0.882),特异度为61.20%,敏感度为88.90%。结论基于LASSO回归筛选出的入院NIHSS评分、入院时血糖水平、C反应蛋白、大动脉高密度征象为急性缺血性脑卒中溶栓后sICH的预测因素。

和广义微分算子相结合的最小最大算子(英文)

研究了一类和广义微分算式(在弱导数的意义下)相联系的最小算子和最大算子.证明了最小算子是对称的,并且最小算子的共轭算子是相应的最大算子.

非定常不可压N-S方程的最小二乘算子分裂有限元法数值求解

采用最小二乘算子分裂有限元法求解非定常不可压N-S(Navier-Stokes)方程,即在每个时间层上采用算子分裂法将N-S方程分裂成扩散项和对流项,这样既能考虑对流占优特点又能顾及方程的扩散性质。扩散项是一个抛物型方程,时间离散采用向后差分格式,空间离散采用标准Galerkin有限元法。对流项的时间项采用后向差分格式,非线性部分用牛顿法进行线性化处理,再用最小二乘有限元法进行空间离散,得到对称正定的代数方程组系数矩阵。采用Re=1000的方腔流对该算法的有效性进行检验,表明其具有较高的精度,能够很好地捕捉流场中的涡结构。同时,对圆柱层流绕流进行了数值研究,通过流线图、压力场、阻力系数、升力系数及斯特劳哈数等结果的分析与对比,表明本文算法对于模拟圆柱层流绕流是准确和可靠的。

基于最小二乘算子的混合计算智能辨识算法

基于非线性最小二乘（ＮＬＬＳ）法和遗传算法（ＧＡ）思想，通过定义ＮＬＬＳ算子、适应度以及混合数据结构，得到非线性回归模型非线性参数的混合计算智能辨识算法．该算法结合ＧＡ和ＮＬＬＳ法两者长处，既有较快收敛性，又能以较大概率求得全局（一致收敛）估计．计算结果表明该方法显著优于ＧＡ和ＮＬＬＳ法．

基于最小绝对收缩与选择算子模型稀疏恢复的多目标检测

针对地面多径环境下运动目标检测,使用最小绝对收缩与选择算子(LASSO)算法在参数估计时会出现伪目标的问题,提出一种基于LASSO模型框架的设计矩阵降维构造方法。首先,信号的多径传播能够带来目标检测的空间分集,信号在不同的多径上有不同的多普勒频移;此外,使用宽带正交频分复用(OFDM)信号能够带来频率分集。由于空间分集和频率分集的引入造成目标的稀疏特性。利用多径的稀疏性和对环境的先验知识,去估计稀疏向量。仿真结果表明,在一定信噪比(SNR,-5 d B)下,基于设计矩阵降维构造方法的改进的LASSO算法比基追踪算法(BP)、DS(Dantzig Selector)、LASSO等传统算法的检测性能有明显提高;在一定虚警率(0.1)条件下,改进的LASSO算法比原LASSO算法检测概率提高了30%。所提算法能够有效去除伪目标,提高雷达目标检测概率。

一类四阶对称微分算子的下方无界性

证明了如果四阶对称微分算式的首项系数在一个正的Lebesgue测度集上是负的,则最小算子(且该对称微分算式的任何自伴实现)是下方无界的.

基于多变量模式分析的飞行学员脑功能连接的识别研究

目的基于多变量模式分析(multivariate pattern analysis,MVPA)对飞行学员和健康的普通人的大脑功能连接进行有效识别。材料与方法采集了40名已经取得执照的飞行专业在校学生与39名地面专业在校学生的功能磁共振数据。通过网络功能连接分析得到功能连接矩阵作为特征,分别通过最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)算法与独立样本t检验方法对特征降维。使用不同核函数的支持向量机(support vector machine,SVM)进行训练和预测,使用留一交叉验证法进行模型性能评估,最终根据训练后SVM模型中的权重定位对应脑区之间的功能连接。结果使用LASSO特征筛选的线性(linear)核SVM模型准确率为81.82%,敏感度82.05%,特异度81.58%,曲线下面积(area under the curve,AUC)为0.88。核函数对模型准确率的影响不大。模型中右侧中央旁小叶、双侧中央后回、双侧顶下缘角回、右侧梭状回、左侧眶部额中回、左侧顶上回、右侧眶部额下回有较高的权重,模型中的权重集中在感觉运动网络(somatomotor network,SMN)与默认模式网络(default mode network,DMN),分别占用所有权重的25.62%和25.27%。结论结合LASSO算法进行特征筛选的SVM可以对飞行学员大脑进行有效识别,并且有更好的可解释性和更小的过拟合。模型权重信息反映了飞行学员主要在运动能力和感知能力有别于普通人。

加权模糊聚集算子研究

在数据挖掘、模糊专家系统和多Agent协同决策过程中,要经常面对信息聚集技术和对多个模糊数据来源进行聚集运算,一般用得最多的是合取、析取及加权平均等算子,但是不同的领域有着不同的需求,本文着重对加权聚集算子进行研究。首先,提出了加权平均关系与析取关系结合后的析取-加权平均算子,该算子解决了加权平均算子不能区分析取与合取的关系。然后,提出了一种最大加权平均算子和最小加权平均算子,该算子将最大最小值算子与加权平均算子进行了泛化,解决了同时考虑信息局部性特征与信息整体性特征的问题。理论分析表明,本文提出的加权模糊聚集算子对于模糊信息源的聚集运算起到了很好的补充和完善的功能。

基于Nomogram模型鉴别肺腺癌病理亚型的临床价值

目的 探讨基于最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归分析构建Nomogram模型预测原位腺癌(AIS)、微浸润腺癌(MIA)及浸润性腺癌(IAC)的价值。方法 选取本院97例经手术病理证实且病理亚型明确的肺腺癌患者,将AIS和MIA归为第1组,IAC为第2组,比较两组患者年龄、性别、吸烟史、长径、短径及免疫组化Ki-67等临床医学特征差异,采用3D Slicer软件进行图像分割,特征提取与选择,通过LASSO算法对特征进行降维,筛选影像组学特征构建预测模型。再采用R软件的rms工具包构建Nomogram模型,计算ROC曲线下面积(AUC),以评价Nomogram模型鉴别肺磨玻璃结节病理亚型的效能。结果 1)性别、吸烟史、长径、短径及免疫组化Ki-67等临床医学特征均差异无统计学意义(P>0.05);2)筛选7个CT影像组学特征:平面度、大依赖低灰度强调、小波变换LHL第十百分位、小波变换HLL第十百分位、小波变换最小值、小波变换均值及小依赖低灰度强度比较,差异均有统计学意义(P均<0.05);3)基于CT影像组学特征建立预测肺磨玻璃结节病理亚型的Nomogram模型,训练集中AUC为0.863,准确率为87.9%,灵敏度为67.9%,特异度为91.1%;验证集中AUC为0.792,准确率为75.0%,灵敏度为66.7%,特异度为90.5%,可见此Nomogram模型具有较好的预测效能。结论 对于预测肺腺癌浸润程度,Nomogram模型具有明显优势,可作为一种鉴别手段。

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明:传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。

早期帕金森病诊断评分模型构建及效能验证

目的构建早期帕金森病(PD)的诊断评分模型,并验证其效能。方法选择PD患者75例及性别、年龄与PD患者相匹配的健康志愿者75例,随机分为验证组(PD患者38例、健康志愿者37例)与训练组(PD患者37例、健康志愿者38例)。收集受试者病历资料。用最小绝对收缩和选择算子(LASSO)算法,通过十折交叉验证确定最优参数,从训练组相关资料中筛选出具有相关性的诊断因子,并根据各因子系数构建诊断评分模型。通过Logistic回归构建列线图;绘制受试者工作特征曲线,通过曲线下面积和校准曲线评价该模型的诊断效能以及拟合度。结果训练组与验证组相关资料比较差异无统计学意义(P均>0.05)。训练组经LASSO算法确定最佳参数λ=0.052,筛选出具鉴别能力的7个指标,诊断评分模型公式=-1.048+0.961×睡眠行为障碍筛查问卷(RBDSQ)评分+0.079×汉密尔顿焦虑量表14项(HAMA-14)评分-0.0002×神经元特异性烯醇化酶(NSE)-0.011×血管内皮生长因子(VEGF)-0.001×尿酸-0.046×各向异性(FA)+0.003×舒张末期血流速度(DFV)。多因素Logistic回归分析确认所筛选的7个指标可作为早期PD患者的独立诊断因子。在验证组中该诊断评分模型用于诊断早期PD患者的曲线下面积为0.91,高于7个因子单独诊断早期PD的曲线下面积;拟合曲线显示该模型有较好的拟合优度。结论基于RBDSQ评分、HAMA-14评分、VEGF、FA、NSE、尿酸及DFV构建了早期PD的诊断评分模型,该模型有较高的诊断效能。

凝血指标对髋部骨折患者血栓形成风险的预测

目的探讨凝血指标对髋部骨折患者围术期静脉血栓形成风险的预测价值。方法回顾性纳入2020年2月至2022年12月收入笔者医院的160例髋部骨折患者,采取随机数字表法将其分为训练集(n=112例)和验证集(n=48例),进一步根据训练集患者围术期是否发生深静脉血栓(deep vein thrombosis,DVT)划分为发生组和未发生组。使用最小绝对收缩与选择算子(least absolute shrinkage and selection operator,LASSO)选取变量形成LASSO回归模型;绘制受试者操作特征(receiver operating characteristic,ROC)曲线分析模型的预测效能;通过验证集数据实现验证模型的预测效能。结果训练集与验证集患者性别、年龄等一般及临床资料比较,差异均无统计学意义(P>0.05)。训练集内发生组与未发生组患者性别、年龄、骨折至入院时间、体质量指数、D-二聚体、纤维蛋白原、总蛋白、白蛋白、前白蛋白、球蛋白、血红蛋白、血清钙、红细胞体积、白细胞计数、红细胞体积分布宽度、活化部分凝血活酶时间、凝血酶原时间及淋巴细胞比率比较,差异有统计学意义(P<0.05)。通过组间相关系数(intraclass correlation coefficient,ICC)与LASSO筛选出6个非零系数的最优变量,分别是年龄、体质量指数、D-二聚体、纤维蛋白原、凝血酶原时间及活化部分凝血活酶时间,非零系数依次为9.104、1.792、1.270、2.447、3.037及-1.561。结论年龄、体质量指数、D-二聚体、纤维蛋白原、凝血酶原时间及活化部分凝血活酶时间变量联合形成的LASSO回归模型可作为预测髋部骨折患者围术期DVT形成风险的辅助工具。

基于LASSO回归和Cox比例风险模型探讨血红蛋白与颈动脉斑块形成的关联

目的利用体检人群数据库,通过最小化绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归算法筛选与颈动脉斑块形成的关键因子,并探索血红蛋白(hemoglobin,Hb)对颈动脉斑块形成的诊断价值,通过Cox比例风险模型验证HB与颈动脉斑块形成的关联及关联强度。方法采用海军青岛特勤疗养中心体检中心体检数据,以2014年体检人群资料为队列随访基线,以2020年为随访时间终点,随访事件结局为该人群新发颈动脉斑块,利用LASSO回归算法筛选颈动脉斑块影响因素,并通过Cox比例风险模型分析HB与颈动脉斑块的关联。结果共纳入977名未患有颈动脉斑块的体检人群,经过6年体检定期随访,随访新发颈动脉斑块326例,累计患病率为33.4%。LASSO回归筛选变量年龄和吸烟等9个变量时,模型均方根误差最小,其对应的λ=0.0113,LASSO回归模型筛选变量通过ROC预测新发颈动脉斑块的曲线下面积AUC为0.762。通过Cox比例风险模型进一步验证血红蛋白是颈动脉斑块发病的独立危险预测因素。结论体检人群高水平血红蛋白可能与颈动脉斑块发病相关,应重点关注中老年体检人群血红蛋白水平,提示较高的营养水平的人群是防控颈动脉斑块新发的重点人群。

改进随机蛙跳算法在大豆品种快速鉴别中的应用

大豆品种快速准确的鉴别,对于鉴定种子品质、净化种业市场以及保障粮食安全具有重要意义。为解决传统农作物品种鉴别方法中存在精度差和效率低等问题,采用拉曼光谱结合特征波长提取方法建立偏最小二乘(PLS)鉴别模型,对黑龙江省4个高蛋白大豆品种(黑农88、黑农98、绥农71以及绥农76)进行快速鉴别。随机蛙跳(RF)算法是一种通过迭代计算变量被选概率,以确定变量重要性的新型特征波长选择算法,可以有效剔除全光谱数据中的冗余信息。该方法存在初始变量集随机性、所需迭代次数大、阈值选取不确定的问题,因此提出一种基于最小绝对收敛与选择算子(LASSO)回归的改进随机蛙跳(MRF)算法。采用LASSO算法提取与属性变量最相关的特征波长点作为RF初始变量集F0,消除初始变量的随机性,在此基础上开始迭代计算,可以减少无用迭代次数,提高模型的预测精确度。RF算法通过设定阈值的方法选择变量,因此提取的特征波长往往具有不确定性。改进如下:首先去除被选概率为0的变量,对于排序后变量以10个波长点为间隔,每次增加1个间隔建立特征波长与大豆品种属性的偏最小二乘回归模型,当交叉验证均方根误差(RMSECV)取最小值时的建模波长为优选特征波长。以MRF优选特征波长作为输入变量建立PLS鉴别模型,并与全光谱以及常用的RF、LASSO和ElasticNet特征波长选择算法建模结果进行对比分析。结果表明,MRF算法提取300个特征波长点,仅占全谱波长的9.37%,有效筛选了关键特征变量,简化了模型复杂度。预测结果中均方根误差(RMSEP)和决定系数(Rp2)分别为0.246 9和0.951 2,识别准确率达到100%,为所有模型中最优。拉曼光谱结合MRF算法可以实现大豆品种的快速鉴别,同时也为其他农作物品种的快速鉴别提供了一种新思路。

大坝变形预测的最优因子长短期记忆网络模型

面对海量的大坝安全监测数据,快速合理地确定大坝变形预测模型的变量因子能够有效提高模型预测的效率和精度。为此,本文提出一种基于最小绝对值收缩和选择算子(least absolute shrinkage and selection operation,LASSO)变量选择和长短期记忆(long short-term memory,LSTM)网络的大坝变形预测模型。首先,通过大坝变形机理分析确定影响大坝变形的相关影响因子集。然后,通过LASSO算法剔除不显著的因子,筛选出最优影响因子作为模型输入变量,并利用LSTM网络建立大坝变形预测模型。最后,以皂市水利枢纽工程的碾压混凝土重力坝为例,对本文方法进行了验证和讨论。结果表明,本文方法具有较高的预测精度,其平均绝对误差(MAE)、均方误差(MSE)与均方根误差(RMSE)均相对较小;与常规预测模型相比,基于LASSO算法的变量选择使模型建立过程更加简单高效,有利于海量监测数据的处理分析。

基于WGCNA联合LASSO筛选宫颈癌预后枢纽基因

目的运用生物信息学方法筛选宫颈癌预后相关的分子标志物,为宫颈癌的预后预测提供依据。方法从GEO、TCGA和GTEx数据库下载宫颈癌转录组表达数据和相应的临床数据。在GSE9750和GSE52903数据集中,通过WGCNA和LASSO两种方法联合筛选宫颈癌枢纽基因,GEPIA数据库进一步筛选与预后相关的枢纽基因。在GEO数据集(GSE9750和GSE52903)和TCGA联合GTEx数据集中比较预后相关的枢纽基因在宫颈癌和正常宫颈组织中的表达情况,并在HPA数据库中验证其蛋白水平的表达。利用ssGSEA分析宫颈癌肿瘤微环境(tumor microenvironment,TME)中免疫细胞浸润情况,探究预后相关的枢纽基因与免疫细胞浸润和免疫检查点基因表达的相关性。结果WGCNA和LASSO两种方法共筛选出7个宫颈癌枢纽基因,GEPIA数据库进一步筛选得到3个预后相关的枢纽基因MCM2、APOD和RAD54L。在GEO数据集(GSE9750和GSE52903)和TCGA联合GTEx数据集中,与正常宫颈组织比较,MCM2和RAD54L在宫颈癌组织中表达上调,而APOD则表达下调,与HPA数据库中免疫组化结果基本一致。3个预后相关的枢纽基因与免疫细胞和免疫检查点的表达有相关性。结论MCM2、APOD和RAD54L基因可能是与宫颈癌预后相关的分子标志物,与TME中免疫浸润相关。

约束最大相关系数的高光谱影像目标探测研究

高光谱遥感影像具有高的空间分辨率和连续的光谱信息,在目标探测领域具有独特的优势。基于高光谱影像的目标探测技术是遥感理论与应用的重要领域之一。本文从统计学中的相关系数的概念出发,提出了基于约束最大相关系数的高光谱影像目标探测算法。利用高光谱影像的线性混合模型,在真实图像中添加目标光谱,获得不同含量的亚像素目标及大目标,利用实验室高光谱成像仪对大目标进行推扫成像获取真实大目标高光谱影像。对仿真图像与真实图像进行约束能量最小化算子和约束最大相关系数算子进行对比,实验结果表明,基于约束最大相关系数的高光谱影像目标探测算法在探测大目标中具有更稳健的探测性能。

物流模式选择的模糊多目标决策模型

在考虑物流服务商评价准则及限定条件的多样性和不确定性的前提下,在已有研究的基础上构建一种物流模式选择的模糊多目标决策模型,并且采用最大最小算子构建来属函数的方法对此模型进行规划求解。同时,还进一步提出了当考虑决策者对各个目标的偏好不同时,如何为各个目标赋予权重并求解,较好地保证了权重排序和隶属度排序具有较高的一致性,帮助决策者更好地选择出物流服务供应商。

重尾噪声环境下的扫描雷达稳健角超分辨方法

扫描雷达由于天线孔径受到平台尺寸限制,存在角分辨率低下的缺陷。角超分辨技术能够在不改变雷达硬件系统的前提下,通过信号处理方法,获得超越雷达实孔径波束宽度的角度分辨能力。近些年研究表明,基于最小绝对收缩和选择算子(LASSO)的稀疏角超分辨方法能够获得比传统方法更高的分辨能力。然而,该方法基于高斯白噪声假设,在残余项中主要基于l2范数进行约束。当回波数据中存在重尾分布的噪声时,该方法中的l2范数约束无法有效抑制重尾分布噪声,导致目标分辨能力下降,甚至产生虚假目标。针对该问题,本文提出一种扫描雷达抗重尾噪声角超分辨成像方法。首先,本文引入一种最小绝对偏差(LAD)-LASSO约束准则以抑制重尾分布噪声;更进一步的,针对模型中存在的正则化参数自适应选取难题,本文基于稀疏自相关迭代准则导出正则化参数的最优表达。最后,针对LAD-LASSO非平滑代价函数最优化求解难题,本文提出一种基于迭代重加权最小二乘(IRLS)算法的求解方法,通过将l1范数替换为重加权的l2范数,并在每次迭代中计算权值实现最优求解。仿真结果表明,相比传统稀疏角超分辨方法,本文提出的方法在不同信噪比下均能够有效抑制重尾分布噪声,并有效提升扫描雷达角分辨率。同时,本文采用岸基X波段雷达实测数据验证了本文提出方法的有效性。

Nomogram预测模型在针灸治疗卵巢功能不全妊娠结局中的价值

目的探讨基于最小绝对收缩和选择算子(LASSO)-Cox回归构建的Nomogram预测模型在针灸治疗卵巢功能不全(POI)妊娠结局中的价值。方法选取2019年1月至2021年1月在湖北省第三人民医院接受针灸治疗的POI病人137例,收集相关资料,采用LASSO回归与Cox回归相结合的方法筛选针灸对POI病人妊娠结局的主要影响因素,采用R软件(R3.6.3版)构建预测针灸对POI病人妊娠结局的Nomogram预测模型,采用受试者操作特征(ROC)曲线与校准曲线评估模型的预测效能。结果妊娠组与未妊娠组在月经情况、基础卵泡刺激素(FSH)水平、FSH与黄体生成素(LH)比值、基础AFC、行针次数、留针时间、针具方面比较,差异有统计学意义(P<0.05)。构建多因素Cox回归模型结果显示,月经情况、基础FSH水平、FSH与LH比值、基础窦卵泡计数(AFC)、行针次数为针灸对POI病人妊娠结局的独立影响因素。ROC曲线显示,6个月妊娠概率和12个月妊娠概率曲线下面积分别为0.78[95%CI:(0.69,0.88)]和0.74[95%CI:(0.63,0.85)],校准曲线显示该预测模型校准曲线与标准曲线极为接近。结论基于LASSO-Cox模型筛选出的月经情况、基础FSH水平、FSH与LH比值、基础AFC、行针次数等5个因素构建的Nomogram预测模型,能个体化预测POI病人针灸后妊娠结局。