[发明专利]基于穴位敏化的心绞痛疾病预测模型构建方法

权利要求书

1.基于穴位敏化的心绞痛疾病预测模型构建方法，其特征在于，包括以下步骤：

S1、获取原始样本数据，并搭建样本数据集；

S2、基于多个神经网络模型搭建多个网络拓扑结构；

S3、在多个网络拓扑结构分别输入同样的样本数据集，并分别对多个网络拓扑结构进行反复优化；

S4、对多个优化后的网络拓扑结构进行评价，并确定最优的网络拓扑结构作为预测模型。

2.根据权利要求1所述的基于穴位敏化的心绞痛疾病预测模型构建方法，其特征在于，步骤S1中，所述原始样本数据包括同等数量的慢性稳定性心绞痛人群和健康人群的穴位敏化数据，所述穴位敏化数据包括热敏数据、形敏数据、痛敏数据和电敏数据。

3.根据权利要求1所述的基于穴位敏化的心绞痛疾病预测模型构建方法，其特征在于，步骤S1中，所述样本数据集搭建前，还需对原始样本数据进行预处理，所述预处理包括对原始样本数据进行归类、筛选、标记、清洗，去除内容不完整、有误的数据，并基于ROC曲线中的AUC(area under the curve)明确形态学检测值、体表感觉检测值和皮肤电阻值的最佳判定点(Cut-off point)；基于聚类分析、主成分分析等方法对原始数据进行降维，初步筛选穴位敏化表征下的CSA关键指标。

4.根据权利要求1所述的基于穴位敏化的心绞痛疾病预测模型构建方法，其特征在于，步骤S2中，多个所述神经网络模型包括多层感知器神经网络模型和卷积神经网络模型。

5.根据权利要求1所述的基于穴位敏化的心绞痛疾病预测模型构建方法，其特征在于，步骤S3中，所述网络拓扑结构优化包括：

将样本数据集8:2的比例分为训练集与验证集，通过深度学习算法进行训练与验证。

6.根据权利要求5所述的基于穴位敏化的心绞痛疾病预测模型构建方法，其特征在于，所述深度学习算法由信号的正向传播算法和误差的反向传播算法两个过程组成；

所述正向传播算法即输入向量通过若干个权值矩阵与若干偏重向量进行一系列线性运算和激活运算，从输入层开始，一层层的向后计算，一直运算到输出层，最终得到输出向量，其公式如下：

所述反向传播算法即通过链式法则逐层求出损失函数对各层权值(或偏重)的偏导数，构成损失函数对权值(或偏重)的梯度，然后通过优化方法对权值(或偏重)进行修改，公式如下：

其中，为从l-1层第j个神经元与第l层第i个神经元之间的连接权重；为第l第i个神经元的权值，为第l层第i个神经元的输入，σ(x)为神经元的激活函数。

7.根据权利要求1所述的基于穴位敏化的心绞痛疾病预测模型构建方法，其特征在于，步骤S4中，所述评价包括依据Precision、Recall、Accuracy三个指标对模型性能进行评价，并基于上述评价指标对网络结构、参数等进行反复优化或组合，最终得到表现优秀的模型作为预测模型。