基于优化极限学习机的CVD预测模型研究

作者：逯鹏; 李奇航; 尚莉伽; 李新建; 张微

来源：郑州大学学报(工学版), 2019, 40(02): 1-5.

DOI：10.13705/j.issn.1671-6833.2018.05.005

• 心血管疾病
• 风险预测
• 极限学习机
• 粒子群

利用机器学习算法,改变传统心血管疾病(CVD)预测模型的严格数理化公式,以增加危险因素的纳入、降低数据格式的要求.首先提出利用基于单隐层前馈神经网络(SLFNs)的极限学习机(ELM)算法建立CVD预测模型;进一步通过五阶段连续变异方式建立增强领导粒子的粒子群算法(ELPSO),以粒子群(PSO)算法的优化策略,对SLFNs的隐层单元参数进行优化.通过对UCI数据库Statlog (heart)数据集和heart disease database分析结果显示,所提ELPSO-ELM模型测试正确率分别达到85. 71%、84. 00%,AUC(ROC曲线下面积)分别达到0. 902 4、0. 842 3,高于传统CVD预测模型,同时放松了数据线性化约束,能纳入更多的复杂危险因素.

• 单位
  郑州大学