检索结果-维普期刊中文期刊服务平台

基于LightGBM算法的光伏并网系统孤岛检测及其集成的可解释研究被引量：10: 1; 作者朱春霖余成波《电力自动化设备》 EI CSCD 北大核心 2023年第7期80-86,150,共8页; 针对智能孤岛检测方法欠缺对数据集划分过程中标签分布不均问题的考虑,以及该领域尚未对复杂智能孤岛检测模型的决策进行可解释性分析,提出了一种基于轻梯度提升机(LightGBM)算法的孤岛检测模型。采用分层抽样的K折交叉验证检测模型的... 展开更多; 关键词光伏并网系统孤岛检测机器学习 LightGBM算法 shapley值可解释性; 在线阅读下载PDF 职称材料

基于机器学习构建全髋置换术患者术后谵妄风险的预测模型: 2; 作者王小锋蔡宁 +2 位作者王建彭杨芳芳王秋锋《临床麻醉学杂志》北大核心 2025年第10期1021-1027,共7页; 目的基于Shapley加性解释(SHAP)和机器学习(ML)模型构建预测全髋置换术(THA)患者术后谵妄(POD)风险预测模型并开发在线应用程序。方法选择2023年1月至2024年11月行THA的患者277例,男76例,女201例,年龄≥65岁,BMI 18.5~30.0 kg/m^(2),... 展开更多; 关键词全髋置换术术后谵妄机器学习 Boruta算法 shapley加性解释; 在线阅读下载PDF 职称材料

基于机器学习的青年人群颞下颌关节紊乱病风险预测模型的构建被引量：4: 3; 作者崔宇琛张晗 +3 位作者胡志强张琦袁佳敏朱宪春《口腔医学研究》 CAS CSCD 北大核心 2024年第10期867-872,共6页; 目的:本研究旨在探讨青年人群颞下颌关节紊乱病(temporomandibular disorders,TMD)的影响因素,并基于机器学习(machine learning,ML)方法构建一个针对青年人的TMD风险预测模型,以便为青年人提供更加准确和有效的TMD风险评估工具。方法:... 展开更多; 关键词颞下颌关节紊乱病机器学习预测模型 shapley加法解释算法; 在线阅读下载PDF 职称材料

基于机器学习构建急性心力衰竭患者易损期死亡或再入院风险预测模型被引量：4: 4; 作者曾竟何小龙 +5 位作者胡华娟罗晓宇郭志念陈运龙王敏王江《陆军军医大学学报》 CAS CSCD 北大核心 2024年第7期738-745,共8页; 目的应用不同机器学习算法构建急性心力衰竭(acute heart failure,AHF)患者易损期死亡或再入院的风险预测模型,并筛选出最优模型。方法选取2019年10月至2021年7月于陆军军医大学第二附属医院心血管内科住院治疗的651例AHF患者为研究对象... 展开更多; 关键词急性心力衰竭易损期机器学习预测模型 shapley加性解释算法; 在线阅读下载PDF 职称材料

题名基于LightGBM算法的光伏并网系统孤岛检测及其集成的可解释研究被引量：10: 1; 作者朱春霖余成波; 机构重庆理工大学电气与电子工程学院重庆市输变电设备物联网技术研究所; 出处《电力自动化设备》 EI CSCD 北大核心 2023年第7期80-86,150,共8页; 基金国家自然科学基金资助项目(61976030) 高端外国专家项目(GDW20165200063) 重庆市高校优秀成果转化项目(KJZH4213)。; 文摘针对智能孤岛检测方法欠缺对数据集划分过程中标签分布不均问题的考虑,以及该领域尚未对复杂智能孤岛检测模型的决策进行可解释性分析,提出了一种基于轻梯度提升机(LightGBM)算法的孤岛检测模型。采用分层抽样的K折交叉验证检测模型的分类性能,解决数据标签分布不均的问题;提出基于决策树的Shapley值加性解释方法为主干,融合累计局部效应图和局部代理模型的集成可解释分析框架,从全局性和局部性角度对光伏并网系统的孤岛状态检测进行归因分析。算例仿真结果表明,所提模型能在传统检测方法的检测盲区中实现精确且快速的动态孤岛检测,且在电压波动、系统故障等情况下均未发生误判。基于集成的归因分析方法解决了单一可解释方法的欠合理性问题,揭示了模型输入电气特征自变量与孤岛检测响应因变量之间的关系,提高了模型的可信度。; 关键词光伏并网系统孤岛检测机器学习 LightGBM算法 shapley值可解释性; Keywords grid-connected photovoltaic system islanding detection machine learning LightGBM algorithm shapley value interpretability; 分类号 TM761 [电气工程—电力系统及自动化] TM615 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名基于机器学习构建全髋置换术患者术后谵妄风险的预测模型: 2; 作者王小锋蔡宁王建彭杨芳芳王秋锋; 机构阜阳市人民医院麻醉科; 出处《临床麻醉学杂志》北大核心 2025年第10期1021-1027,共7页; 基金安徽医科大学校科研基金(2023xkj083) 蚌埠医科大学科技项目自然科学类(2023byzd214)。; 文摘目的基于Shapley加性解释(SHAP)和机器学习(ML)模型构建预测全髋置换术(THA)患者术后谵妄(POD)风险预测模型并开发在线应用程序。方法选择2023年1月至2024年11月行THA的患者277例,男76例,女201例,年龄≥65岁,BMI 18.5~30.0 kg/m^(2),ASAⅠ—Ⅲ级。通过Boruta算法筛选THA患者发生POD的风险因素。基于风险因素构建、训练和比较6种ML模型,使用受试者工作特征(ROC)曲线和校准曲线评估6种ML模型,筛选最佳预测性能模型。使用SHAP值对ML模型进行解释和可视化,并使用Shiny等R包开发预测THA患者POD风险的在线应用程序。结果有65例(23.8%)患者发生POD。Boruta算法筛选出麻醉时间、C-反应蛋白(CRP)浓度、年龄、顺式阿曲库铵用量、七氟醚用量、术中失血量、手术时间以及白蛋白(Alb)浓度是THA患者发生POD的风险因素。6种ML算法中,ROC曲线和校准曲线证实极端梯度提升(XGBoost)模型预测POD风险性能最高。基于SHAP值附加解释和可视化XGBoost模型能以极高准确度预测POD风险。在线应用程序网址https://mldynamic.shinyapps.io/PD-web/。结论麻醉时间、CRP浓度、年龄、顺式阿曲库铵用量、七氟醚用量、术中失血量、手术时间以及Alb浓度是THA患者发生POD的风险因素。基于SHAP值解释的XGBoost模型有极高的预测性能,基于此开发的在线应用程序能帮助使用者快捷计算THA患者POD风险,优化治疗方案。; 关键词全髋置换术术后谵妄机器学习 Boruta算法 shapley加性解释; Keywords Total hip arthroplasty Postoperative delirium Machine learning Boruta's algorithm shapley additive explanations; 分类号 R614 [医药卫生—麻醉学]; 在线阅读下载PDF 职称材料

题名基于机器学习的青年人群颞下颌关节紊乱病风险预测模型的构建被引量：4: 3; 作者崔宇琛张晗胡志强张琦袁佳敏朱宪春; 机构吉林大学口腔医院正畸科; 出处《口腔医学研究》 CAS CSCD 北大核心 2024年第10期867-872,共6页; 基金吉林省科技厅自然科学基金项目(编号:YDZJ202201ZYTS057)。; 文摘目的:本研究旨在探讨青年人群颞下颌关节紊乱病(temporomandibular disorders,TMD)的影响因素,并基于机器学习(machine learning,ML)方法构建一个针对青年人的TMD风险预测模型,以便为青年人提供更加准确和有效的TMD风险评估工具。方法:共纳入960例符合条件的大学生做为研究对象。使用单因素分析和最小绝对值收缩和选择算子回归算法筛选TMD风险因素。运用6种不同的ML方法构建TMD风险预测模型,并采用Shapley加法解释算法对最终模型进行解释。结果:共纳入12个预测因素进行模型的构建,随机森林模型在6种ML模型中表现最佳。该模型在外部测试集上的受试者工作特征曲线下面积为0.863(95%CI:0.812~0.915),准确度为0.732,灵敏度为0.898,特异度为0.728,阳性预测值为0.864,阴性预测值为0.703。校准曲线表明该模型预测效果和实际结果基本一致,决策曲线表明模型具有良好的临床适用性。结论:基于ML方法构建的青年人群TMD风险预测模型具有良好的预测性能及临床适用性,可辅助临床进行更高效的疾病管理和更精准的医疗干预。; 关键词颞下颌关节紊乱病机器学习预测模型 shapley加法解释算法; Keywords temporomandibular disorders machine learning prediction model SHAP algorithm; 分类号 R782.6 [医药卫生—口腔医学] TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于机器学习构建急性心力衰竭患者易损期死亡或再入院风险预测模型被引量：4: 4; 作者曾竟何小龙胡华娟罗晓宇郭志念陈运龙王敏王江; 机构陆军军医大学(第三军医大学)第二附属医院心血管内科西南财经大学统计学院; 出处《陆军军医大学学报》 CAS CSCD 北大核心 2024年第7期738-745,共8页; 基金重庆市科卫联合医学重点项目(2023ZDXM035)。; 文摘目的应用不同机器学习算法构建急性心力衰竭(acute heart failure,AHF)患者易损期死亡或再入院的风险预测模型,并筛选出最优模型。方法选取2019年10月至2021年7月于陆军军医大学第二附属医院心血管内科住院治疗的651例AHF患者为研究对象,收集入院生命体征、合并症和实验室检查结果等临床资料。复合终点事件定义为AHF患者出院后3个月内发生全因死亡或心衰加重再入院。采用简单随机抽样法将研究对象按8∶2拆分为训练集(521例)和测试集(130例),基于逻辑回归(logistic regression,LR)、随机森林(random forest,RF)、决策树(decision tree,DT)、轻量梯度提升(light gradient boosting machine,LGBM)、极端梯度提升(extreme gradient boosting,XGBoost)和神经网络(neural network,NN)6种机器学习算法分别构建预测模型。采用受试者工作特征曲线(receiver operating characteristic,ROC)和临床决策曲线(decision curve analysis,DCA)对模型的预测性能和临床获益进行评价,使用Shapley加性解释(Shapley additive explanation,SHAP)算法评估不同临床特征对模型的影响。结果651例AHF患者中发生复合终点事件203例(31.2%)。ROC曲线分析显示,LR、RF、DT、LGBM、XGBoost和NN模型的曲线下面积(area under curve,AUC)依次为0.707、0.756、0.616、0.677、0.768、0.681,XGBoost模型的AUC最高,DCA曲线中XGBoost模型的临床决策净获益也更大,整体预测效能最佳。SHAP算法分析得出,影响XGBoost模型输出结果的重要临床特征分别为血清尿酸、D-二聚体、平均动脉压、B型利钠肽、左房前后径、体质量指数和NYHA分级。结论XGBoost模型预测急性心力衰竭患者易损期死亡或再入院风险效果最佳。; 关键词急性心力衰竭易损期机器学习预测模型 shapley加性解释算法; Keywords acute heart failure vulnerable phase machine learning prediction model shapley additive explanation algorithms; 分类号 R181.32 [医药卫生—流行病学] R319 [医药卫生—基础医学] R541.6 [医药卫生—心血管疾病]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于LightGBM算法的光伏并网系统孤岛检测及其集成的可解释研究	朱春霖余成波	《电力自动化设备》 EI CSCD 北大核心	2023	10	在线阅读下载PDF 职称材料
2	基于机器学习构建全髋置换术患者术后谵妄风险的预测模型	王小锋蔡宁王建彭杨芳芳王秋锋	《临床麻醉学杂志》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于机器学习的青年人群颞下颌关节紊乱病风险预测模型的构建	崔宇琛张晗胡志强张琦袁佳敏朱宪春	《口腔医学研究》 CAS CSCD 北大核心	2024	4	在线阅读下载PDF 职称材料
4	基于机器学习构建急性心力衰竭患者易损期死亡或再入院风险预测模型	曾竟何小龙胡华娟罗晓宇郭志念陈运龙王敏王江	《陆军军医大学学报》 CAS CSCD 北大核心	2024	4	在线阅读下载PDF 职称材料