帕金森病患者步态特征与机器学习模型参数协同优化研究

发布时间：2023-04-11 17:54

　　随着我国老龄化情况的凸显,老年人高发的帕金森病已成为了家庭和社会的一个巨大问题。在临床上医生多借助于量表和经验判断的方式对患者进行诊断,但这样会存在漏诊误诊的风险。因此,为了辅助医师对帕金森病患者进行更好的临床诊断,本文使用遗传算法和蚁群算法对患者的步态特征和支持向量机参数进行协同优化,提供基于患者步态特征的辅助诊断方法。本文的主要工作如下:(1)使用遗传算法研究患者步态特征和支持向量机参数的协同优化,以患者特征构成算法中的染色体,同时将支持向量机参数也编入其中,探究两者的协同优化。本文针对协同优化的结果还选取了部分特征选择算法,以及只使用遗传算法进行特征选择作为对照组,实验结果表明使用遗传算法来进行协同优化相对于对照组算法提高了模型的分类精度。(2)使用蚁群算法研究患者步态特征和支持向量机参数的协同优化,将患者特征作为蚂蚁算法搜寻路径上的节点,并将支持向量机参数作为特征的一部分一同进行搜寻,在特征选择过程中同时完成参数的选取。在与对照组的仅使用蚁群算法进行特征选择以及其他的选择算法相比时,实验结果显示使用蚁群算法进行协同优化具有明显的优势,具有较高的分类精度,平均准确率为85.77%...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 论文研究背景和意义
        1.1.1 研究背景
        1.1.2 研究目的和意义
    1.2 国内外研究现状
    1.3 本文主要工作和章节安排
        1.3.1 本文主要工作
        1.3.2 本文章节安排
    1.4 本章总结
第二章 帕金森病患者步态特征
    2.1 U型电子步道系统介绍
    2.2 帕金森病患者数据集和步态特征
    2.3 步态数据的预处理
        2.3.1 去量纲
        2.3.2 数据标准化
    2.4 本章总结
第三章 基于遗传算法的协同优化研究
    3.1 遗传算法、支持向量机与特征选择介绍
        3.1.1 遗传算法介绍
        3.1.2 支持向量机介绍
        3.1.3 特征选择介绍
    3.2 遗传算法相关设计和参数选取
        3.2.1 染色体编码
        3.2.2 适应度函数设计
        3.2.3 相关参数设计
    3.3 实验设计和评估指标
        3.3.1 评估指标
        3.3.2 实验设计
    3.4 实验结果和分析
    3.5 本章总结
第四章 基于蚁群算法的协同优化研究
    4.1 蚁群算法介绍
    4.2 算法相关设计
        4.2.1 蚁群算法在特征选择和协同优化中的应用
        4.2.2 蚂蚁的转移概率
        4.2.3 蚂蚁搜索的终止条件
        4.2.4 蚂蚁信息素的更新
        4.2.5 算法流程
    4.3 实验设计
    4.4 实验结果和分析
    4.5 本章总结
第五章 总结与展望
    5.1 本文总结
    5.2 未来展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3789505