目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和...目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和伴有听力损伤人群的受试者(200耳)为研究对象,根据年龄和听力水平将受试者分为组1(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组2(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组3(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL)、组4(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL),每组25例。收集受试者纯音测听和ABR数据,提取ABR信号时域和频域特征,与受试者年龄、性别、纯音听阈,刺激声强度以及原始信号序列拼接得到特征向量。分别使用逻辑回归、支持向量机分类、伯努利朴素贝叶斯分类、高斯朴素贝叶斯分类、高斯过程分类、决策树、随机森林、表格网络、轻量化梯度提升框架、极致梯度提升框架和局部级联集成。等机器学习模型对ABR波形进行识别训练,并对整体数据和分组数据分别计算不同模型下波形识别的准确率。结果高斯过程分类模型的整体准确率达到了94.89%,超过了其他机器学习模型。其中95.62%为<60岁听力正常受试者、92.19%为≥60岁听力正常受试者、92.92%为<60岁伴有听力损失受试者、92.50%为≥60岁且伴有听力损失受试者。结论机器学习技术在ABR波形的自动识别方面具有良好的应用前景,高斯过程分类模型优于其他机器学习模型。展开更多
时间序列早期分类(ETSC)有两个矛盾的目标:早期性和准确率。分类早期性的实现,总是以牺牲它的准确率为代价。现有基于优化的多变量时间序列(MTS)早期分类方法,虽然在成本函数中考虑了错误分类成本和延迟决策成本,却忽视了MTS数据集样本...时间序列早期分类(ETSC)有两个矛盾的目标:早期性和准确率。分类早期性的实现,总是以牺牲它的准确率为代价。现有基于优化的多变量时间序列(MTS)早期分类方法,虽然在成本函数中考虑了错误分类成本和延迟决策成本,却忽视了MTS数据集样本之间的局部结构对分类性能的影响。针对这个问题,提出一种基于正交局部保持映射(OLPP)和成本优化的MTS早期分类模型(OLPPMOAE)。首先,使用OLPP将MTS样本前缀映射到低维空间,保持原数据集的局部结构;其次,在低维空间训练一组高斯过程(GP)分类器,生成训练集每个时刻的类概率;最后,使用粒子群优化(PSO)算法从这些类概率中学习停止规则中的最优参数。在6个MTS数据集上的实验结果表明,在早期性基本持平的情况下,OLPPMOAE的准确率显著高于基于成本的R1_C_(lr)(stopping Rule and Cost function with regularization term l_(1)and l_(2))模型,平均准确率能够提升11.33%~15.35%,调和均值(HM)能够提升4.71%~9.01%。因此,所提模型能够以较高的准确率尽早地分类MTS。展开更多
文摘目的训练多种机器学习模型用于听性脑干反应(auditory brainstem response,ABR)波形的自动识别,并确定准确率最高的模型,使ABR自动识别技术更好地应用于临床实践。方法选取2021年6月至2022年6月北京清华长庚医院收治的100例听力正常和伴有听力损伤人群的受试者(200耳)为研究对象,根据年龄和听力水平将受试者分为组1(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组2(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈≤25 dB HL)、组3(年龄18~59岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL)、组4(年龄≥60岁,500、1000、2000、4000 Hz频率平均听阈>25 dB HL),每组25例。收集受试者纯音测听和ABR数据,提取ABR信号时域和频域特征,与受试者年龄、性别、纯音听阈,刺激声强度以及原始信号序列拼接得到特征向量。分别使用逻辑回归、支持向量机分类、伯努利朴素贝叶斯分类、高斯朴素贝叶斯分类、高斯过程分类、决策树、随机森林、表格网络、轻量化梯度提升框架、极致梯度提升框架和局部级联集成。等机器学习模型对ABR波形进行识别训练,并对整体数据和分组数据分别计算不同模型下波形识别的准确率。结果高斯过程分类模型的整体准确率达到了94.89%,超过了其他机器学习模型。其中95.62%为<60岁听力正常受试者、92.19%为≥60岁听力正常受试者、92.92%为<60岁伴有听力损失受试者、92.50%为≥60岁且伴有听力损失受试者。结论机器学习技术在ABR波形的自动识别方面具有良好的应用前景,高斯过程分类模型优于其他机器学习模型。
文摘时间序列早期分类(ETSC)有两个矛盾的目标:早期性和准确率。分类早期性的实现,总是以牺牲它的准确率为代价。现有基于优化的多变量时间序列(MTS)早期分类方法,虽然在成本函数中考虑了错误分类成本和延迟决策成本,却忽视了MTS数据集样本之间的局部结构对分类性能的影响。针对这个问题,提出一种基于正交局部保持映射(OLPP)和成本优化的MTS早期分类模型(OLPPMOAE)。首先,使用OLPP将MTS样本前缀映射到低维空间,保持原数据集的局部结构;其次,在低维空间训练一组高斯过程(GP)分类器,生成训练集每个时刻的类概率;最后,使用粒子群优化(PSO)算法从这些类概率中学习停止规则中的最优参数。在6个MTS数据集上的实验结果表明,在早期性基本持平的情况下,OLPPMOAE的准确率显著高于基于成本的R1_C_(lr)(stopping Rule and Cost function with regularization term l_(1)and l_(2))模型,平均准确率能够提升11.33%~15.35%,调和均值(HM)能够提升4.71%~9.01%。因此,所提模型能够以较高的准确率尽早地分类MTS。
