基于加权软投票融合模型的脉象信号识别研究

目的脉象识别是中医客观化、智能化的重要组成部分,这种无创、快速的诊断方法具有巨大的临床价值,然而数据不平衡和特征提取繁杂仍是具有挑战性的问题。方法利用tsfresh库对巴特沃兹带通滤波器后的一维脉象信号提取特征向量,并加入探索性数据分析所选出的9列医学辅助特征,共同进行特征筛选得出21列特征向量作为加权软投票融合模型的输入。通过边界合成少数类样本过采样技术,解决数据不平衡问题,构建基于XGBoost、随机森林、LightGBM、梯度提升决策树4种机器学习的加权软投票融合模型,最终模型将输出具体脉象类别,通过评价指标准确率、精确率、召回率和F1分数进行性能展示。结果实验结果表明,所筛选出的21项特征向量共六类脉象信号测试集,在五折交叉验证中取得准确率90.04%,且仅耗时65.9466 s。结论本论文能为脉象信号识别提供更精准、更智能的辅助参考,与常用脉象识别方法相比有更低的操作复杂性和更高的准确率,较短的训练时间也使其在多种类脉象信号识别中更具临床实用价值。

基于不平衡数据分类的中药肝毒性检测

药源性肝损伤是临床常见且易产生严重后果的药源性疾病。随着中药制剂的开发使用,中草药引发的药源性肝损伤也得到了更多的关注。微量元素作为人体一个组成部分,已经被证明与肝脏疾病密切相关。有记载的中草药数量超过了8 000种,其中约有1/5常见于临床治疗。这些药物中仅有少部分被证实具有肝毒性。通过元素特征对中草药肝毒性进行鉴别是一个重要方向。针对正负类样本数量不平衡的特性,提出一个基于权值的过采样方法并分别与两种集成学习模式整合起来,WSMOTE_Boosting和WSMOTE_Bagging。在数据集上采取对照试验评估,以AUC、F-score、G-mean为评估标准。实验表明,WSMOTE_Boosting和WSMOTE_Bagging算法优于传统集成分类算法。