[发明专利]基于人工智能的脑卒中筛查方法及系统

权利要求书

1.一种基于人工智能的脑卒中筛查方法，其特征在于，包括如下步骤：

数据预处理步骤：选取历史数据，对历史数据进行预处理，得到预处理数据集；

特征选择步骤：基于预处理数据集，采用遗传算法来进行特征选择，得到特征选择数据集；

特征优化步骤：对特征选择数据集进行特征优化，得到特征优化数据集；

筛查步骤：对特征优化数据集进行预测，得到目标人群患脑卒中的风险概率。

2.根据权利要求1所述的基于人工智能的脑卒中筛查方法，其特征在于，所述数据预处理步骤包括：

去缺失和噪声数据步骤：采用均值和最近邻补差方法对历史数据的缺失值和噪声数据进行处理；

数据转化步骤：采用函数变换进行数据转化，进行数学函数变换将不具有正态分布的数据变换成具有正态性的数据；对于时间序列，采用对数变换或者差分运算，将非平稳序列转换为平稳序列；

数据规范化和离散化步骤：采用最小-最大规范化方法进行数据规范化，以消除量纲影响；采用不同离散方法对历史数据进行离散化，得到预处理数据集，以矩阵Dpre表示。

3.根据权利要求2所述的基于人工智能的脑卒中筛查方法，其特征在于，

所述数学函数变换方法包括平方、开方、取对数或者差分运算；

所述离散方法包括等宽法、等频法或者基于聚类分析的方法。

4.根据权利要求1所述的基于人工智能的脑卒中筛查方法，其特征在于，所述特征选择步骤包括：

特征组合获取步骤：基于不同特征选择方法得到不同的特征组合；

特征组合优化步骤：采用遗传算法对不同的特征组合进行处理，得到优化的特征组合，对优化的特征组合采用集合交的计算方式得到最终特征组合，并通过目标函数对最终特征组合进行评估，得出最优特征组合，形成特征选择数据集；

在所述特征优化步骤中，基于XGBoost方法对特征选择数据集进行特征优化；

在所述筛查步骤中，基于XGBoost方法对特征选择数据集进行特征优化。

5.根据权利要求4所述的基于人工智能的脑卒中筛查方法，其特征在于，

所述不同的特征选择方法包括：基于方差的特征选择方法、单变量特征选择方法、LS-SVM、Ridge、RFE、随机森林方法、Lasso或者稳定性特征选择方法；

所述目标函数为：

其中：

F是目标函数的修正项，为了保证特征与脑卒中相关，F为用于脑卒中筛查的风险因素集；N表示初始特征的个数；是自变量，的取值范围为：n表示特征选择方法的种类数；Z表示；X_i表示第i个特征选择方法的特征组合；newX_i是第i个特征选择方法产生的特征子集；目标函数的取值范围是0～1，值越接近于1，特征组合越优。

6.一种基于人工智能的脑卒中筛查系统，其特征在于，包括如下模块：

数据预处理模块：用于选取历史数据，对历史数据进行预处理，得到预处理数据集；

特征选择模块：用于基于预处理数据集，采用遗传算法来进行特征选择，得到特征选择数据集；

特征优化模块：用于对特征选择数据集进行特征优化，得到特征优化数据集；

筛查模块：用于对特征优化数据集进行预测，得到目标人群患脑卒中的风险概率。

7.根据权利要求6所述的基于人工智能的脑卒中筛查系统，其特征在于，所述数据预处理模块包括：

去缺失和噪声数据模块：用于采用均值和最近邻补差方法对历史数据的缺失值和噪声数据进行处理；

数据转化模块：用于采用函数变换进行数据转化，进行数学函数变换将不具有正态分布的数据变换成具有正态性的数据；对于时间序列，采用对数变换或者差分运算，将非平稳序列转换为平稳序列；

数据规范化和离散化模块：用于采用最小-最大规范化方法进行数据规范化，以消除量纲影响；采用不同离散方法对历史数据进行离散化，得到预处理数据集，以矩阵Dpre表示。