机构名称：
¥ 1.0
收到日期 2022-01-15；修订日期 2022-04-01；接受日期 2022-04-05 摘要：阿尔茨海默病 (AD) 是最常见的痴呆症类型，是记忆丧失和其他认知障碍的常见术语。这种疾病非常危险，足以干扰日常生活。在早期阶段识别 AD 仍然是一项极具挑战性的任务，同时，其进展在观察到任何症状之前几年就已经发展起来了。诊断过程中解决的基本问题是数据的高维性。然而，并非所有特征都与解决问题相关，有时，包括一些不相关的特征可能会降低学习性能。因此，通过选择最相关的特征来进行特征减少是必不可少的。在这项工作中，提出了一种用于高维特征选择的混合方法随机森林部分群优化 (RF-PSO)。这项工作背后的根本原因是通过创建一种可临床转化的机器学习方法来支持老年病学家诊断 AD。为此，我们使用了阿尔茨海默病神经影像计划 (ADNI) 创建的数据集。ADNI 数据集包含 900 名患者，在基线评估后至少三年内可以进行诊断随访。之所以选择它们，是因为它们在解决具有高数据维度的大规模优化问题方面具有优势。实验表明，RF-PSO 优于文献中发现的大多数其他方法。与它们相比，它取得了更高的性能。该方法在所有 AD 阶段的准确率达到 95%。与达到 86% 的随机森林相比，部分群优化达到 89%。关键词：阿尔茨海默病、机器学习、特征选择、高维
一种用于诊断高维数据的有效混合方法...
主要关键词
相关文件推荐
