申请/专利权人：南京大学

申请日：2020-11-25

公开（公告）日：2024-03-19

公开（公告）号：CN112434737B

主分类号：G16H50/30

分类号：G16H50/30;G16H10/60;G06V10/771;G06N20/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.03.19#实质审查的生效;2021.03.02#公开

摘要：本发明公开了一种用于脑卒中分析的多智能体评价准则融合的特征选择系统，包括数据输入单元、数据预处理单元、初始特征序列建立单元、多智能体强化单元、特征融合单元、逻辑回归模型单元，通过对脑卒中数据进行不同属性的处理，并通过多智能体强化学习将三种特征评价准则按照最优权重策略进行特征融合，进一步得到所有特征的重要性排序序列和最优的特征子集，本发明在提高准确率的前提下减少特征子集，得到与脑卒中最相关的影响因素，进而从特征选择的角度提高对脑卒中疾病的预测性能。

主权项：1.一种用于脑卒中分析的多智能体评价准则融合的特征选择系统，其特征在于：包括数据输入单元、数据预处理单元、初始特征序列建立单元、多智能体强化单元、特征融合单元、逻辑回归模型单元，其中：所述数据输入单元用于输入原始脑卒中数据；所述数据预处理单元用于对输入原始脑卒中数据进行预处理，得到处理后的数据集；所述初始特征序列建立单元包括卡方检验模块、F检验模块和互信息检验模块，所述卡方检验模块用于根据数据集进行特征选择得到特征的权重，将特征权重降序排序得到特征序列一；所述F检验模块用于根据数据集进行特征选择得到特征的权重，将特征权重降序排序得到特征序列二；所述互信息检验模块用于根据数据集进行特征选择得到特征的权重，将特征权重降序排序得到特征序列三；RankChi＝{RC1，RC2，RC3，...，RCN}RankF＝{RF1，RF2，RF3，...，RFN}RankMu＝{RM1，RM2，RM3，...，RMN}其中，N表示为原始特征空间的特征维数，RankChi表示卡方检验准则下第i个特征在N维特征集中的权值排序序号，RankF表示F检验验准则下第i个特征在N维特征集中的权值排序序号，RankMut表示互信息检验准则下第i个特征在N维特征集中的权值排序序号；根据卡方检验准则下第i个特征在N维特征集中的权值排序序号得到特征序列一，根据F检验验准则下第i个特征在N维特征集中的权值排序序号得到特征序列二，根据互信息检验准则下第i个特征在N维特征集中的权值排序序号得到特征序列三；所述多智能体强化单元使用多智能体强化学习，为卡方检验模块、F检验模块和互信息检验模块三种评价准则分配一个智能体，根据得到的特征序列一、特征序列二、特征序列三和环境反馈的奖励回报进行动作的调整，得到三种评价准则的最优权重分配方法；将特征序列一、特征序列二、特征序列三根据最优权重分配方法进行特征融合，得到最终特征重要性排序序列；所述多智能体强化单元中通过建立一个Q_Table来保存智能体c、不同的状态s和将会采取的动作a，即Qc，s，a，智能体每次根据epsilon-贪心法选择当前最佳的动作，动作值决定其对应的评价准则在特征融合中对应的权重系数；所述多智能体强化单元随机初始化第一个状态s，智能体从Q_Table中使用epsilon-贪心法基于当前状态s选择动作a＝{aChi，aF，aMut}得到当前的权重，将三种评价准则进行特征融合，得到当前的融合特征序列RankCur，表示如下：RankCur＝{RCur1，RCur2，...，RCurN}式中，RCuri为融合后第i个特征在特征集中的排序值，RCuri定义如下：RCui＝ωChi*RCi+ωF*RFi+ωMut*RMi其中，ωChi表示根据卡方检验准则得到的特征在融合时的权重，ωF表示根据F检验准则得到的特征在融合时的权重，ωMut表示根据互信息检验准则得到的特征在融合时的权重，RCi表示根据卡方检验准则得到的第i个特征在N维特征集中的权值排序序号，RFi表示根据F检验准则得到的第i个特征的权值排序序号，RMi表示根据互信息检验准则得到的第i个特征的权值排序序号；根据当前的融合特征序列RankCur得到新的特征空间，将新特征空间输入环境中，构建逻辑回归模型进行训练，得到新的特征子集和对应的准确率，作为环境对智能体当前采取的动作反馈的奖励回报Rc，s，a；更新进入新状态s′，基于状态s′，使用epsilon-贪心法选择新动作a′；对每一个智能体ci，使用Q-learning算法更新表中Qci，s，a的值，计算方法如下：Qci，s，a←Qci，s，a+α[Rci，s，a+Qci，s′，a′-Qci，s，a]其中，Qci，s，a表示智能体ci在当前状态s下执行动作a后更新得到的Q值，←表示将右边的值赋值给左边，α表示学习率，Rci，s，a表示智能体ci在当前状态s下执行动作a后获得的奖励回报，Qci，s′，a′表示智能体ci在新状态s′下执行新动作a′后得到的Q值，Qci，s，a表示智能体ci在当前状态s下执行动作a后得到的Q值；继续循环到指定的训练轮数为止，得到最终特征重要性排序序列；所述逻辑回归模型单元用于将最终特征重要性排序序列输入逻辑回归模型进行训练，得到最优的特征子集和最佳分类准确率。

全文数据：

权利要求：

百度查询： 南京大学 用于脑卒中分析的多智能体评价准则融合的特征选择系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD