"生物医学数据分析：基于后特征约简的神经模糊模型"

特征约简

PDF格式 | 1.14MB | 更新于2025-01-16 | 89 浏览量 | 举报

沙特国王大学学报

基于后特征约简的神经模糊模型的生物医学数据分析

Himansu Das

，

Bighnaraj Naik

，H.S.Behera

，Shalini Jaiswal

，Priyanka Mahato

，Minakhi Rout

a Veer Surendra Sai University of Technology

，

Burla

，

Sambalpur 768018

，

Odisha

，

India

印度奥里萨邦

Sambalpur 768018 Burla Veer Surendra Sai University of Technology

计算机应用系

计算机工程学院，

Kalinga

工业技术学院（

KIIT

），被视为大学，

Bhubaneswar 751024

，

Odisha

，印度

阿提奇莱因福奥

文章历史记录：

收到2019年

2019年12月29日修订

2020

年

月

日接受

2020

年

月

日在线提供

关键词：

生物医学研

究分类机器学习

特征约简

神经模糊

A B S T R A C T

如今，由于医学科学的快速技术进步，大量的生物医学数据不断地从各种生物医学设备和实验中产生。对这些

生物医学数据进行有效的分析，如提取生物学和诊断学上的重要特征，确实是一项具有挑战性的任务。本文提

出了一种后特征约简的神经模糊模型来分析这些复杂的生物医学数据。所提出的神经模糊方法使用输入模式的

类相似性模糊化来处理不确定性问题。然而，由于输入模式的这种模糊扩展另一方面，所有扩展的模糊化模式

可能并不总是对模型识别有意义为了解决这个问题，后特征约简已被用于模糊化模式，以过滤掉不相关的，冗

余的和嘈杂的功能。与预特征约简不同，这允许所有特征参与模糊化过程，然后从模糊化模式中识别不相关的

特征此外，这种方法允许从强和弱特征集中探索该模型的有效性已被测试和验证与各种基准生物医学数据收集

从各个领域。

CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。

介绍

生物医学研究（Hajian-Tilaki，2014; Kannampallil等人，2011

年）是一个新兴的研究领域，其中几种生物过程和疾病引起的疾病需要

进行分析，以获得有效的医疗保健治疗。它也是一个多学科的研究领

域，来自医学科学，计算机科学，生物学和数学等多个学科的研究人员

可以共同合作，以发展遗传学，医学和医疗保健。由于其在医学研究和

临床问题中的重要性，它吸引了研究人员。通常，这些生物医学数据本

质上是异质的，并且从定量源（基因数据、实验室数据、医学图像

通讯作者。

电子邮件地址：

gmail.com

（

H. Das

）。沙特国王大学负责

同行审查

制作和主办：Elsevier

和传感器数据）或定性来源（人口统计和文本）。由于医疗器械的技

术发展，不断产生大量临床数据用于处理和监测将这些生物医学数据

转换为相应的有意义的信息确实是一项具有挑战性的任务。生物医学

研究的主要目的是通过持续监测临床活动，提供有效治疗和准确疾病

诊断的优质医疗服务。在过去的几十年中，生物医学数据的数量和种

类（

Del CarmenLegaz-García

等人，

2016

年

; Wei

等人，

2018

年

;

Cohen

等人，

2017

年）由于技术的进步和医疗系统的自动化而迅速

增加。这些生物医学数据包含大量复杂的电子健康记录，最适合于生

物医学和临床研究。这些生物医学数据来自不同的来源，信息种类繁

多，难以检索和分析。在分析这些医学数据时，了解每个属性的详细

信息及其意义也很重要关键属性的选取在医学疾病分析系统的决策过

程中起着至关重要的作用

本文采用了两种技术，即预特征约简和后特征约简，来分析冗余

特征的重要性

https://doi.org/10.1016/j.jksuci.2020.01.007

这是一个在

CC BY-NC-ND

许可证下的开放获取文章（

http://creativecommons.org/licenses/by-nc-nd/4.0/

）。

可在ScienceDirect上获得目录列表

沙特国王大学学报

杂志首页：

www.sciencedirect.com

H. Das
等人
/
沙特国王大学学报
2541
或无关的信息。在预特征约简过程中，对原始特征进行特征约简，得到
变换后的特征。减少的变换特征被传递到分类（Das等人，2020; Sahoo
等人，2020年，用于预测疾病。这个过程的主要缺点是由于丢失了一些
完整的变换特征而丢失了一些信息。在预处理阶段被丢弃的特征可能包
含一些重要信息。在模型中处理之前直接丢弃这些变换的特征，这可能
导致信息丢失。然而，在这方面， 在后特征约简过程中，不是丢弃完
全变换的特征，而是允 许所有变换的特征参与模 糊化过程（Mrs.和
Mitra，1992）。该模糊化过程将为每个输入特征产生重要或不重要的
模糊化变换特征。有效的模糊变换特征在医学决策过程中起着关键作
用。然而，不重要的模糊化变换特征仅包含不相关或冗余的模糊化变换
特征。因此，有必要丢弃这些不重要的模糊化变换特征，而不是完整的
变换特征，并且在决策过程中允许所有重要的模糊化变换特征。在神经
模糊（NF）模型的类相似性模糊化过程中（Ghosh等人，2009），它
在决策过程（用于分类）中考虑重要和不重要的模糊化变换特征。对模
型贡献不大的模糊化变换特征应该被丢弃，以减少模型的计算时间。
本研究的动机是，大多数传统
模型在任何分类模型的预处理阶段使用特征缩减技术，这有助于减
少冗余或不相关的特征。在这些传统的模型中，首先使用特征约简
来过滤掉重要特征，然后将这些重要特征传递到模型进行分类。这
种传统的模型的主要缺陷是丢失了完整的特征，这可能会丢失一些
信息，从而影响分类模型的性能。为了克服这个问题，应该设计一
个模型来丢弃一些模糊化的变换特征，而不是完全丢弃特征。这项
研究的目的是，一个弱的功能可能有一些显着的，以及不显着的模
糊化转换功能。将模糊化的不重要的变换特征丢弃，而不是完整的
特征。为了解决上述问题，在
NF
模型的模糊化过程（后特征约简）
之后，将特征约简算法进行在该模型中，在
NF
模型的模糊化过程之
后应用特征约简算法以减少模糊化变换特征的数量。该模型允许所
有输入特征参与模糊化过程。该模糊化过程基于类别标签将每个输
入特征扩展为其它增加了模型的复杂性，需要更多的时间来训练模
型。为了克服这一缺点，特征约简算法被用来只选择相关的模糊化
变换的
fea-tures
是显着贡献的模型。它还消除了那些模糊化的转换
功能，是不相关的和冗余的性质，以产生减少模糊化的功能。这种
减少的模糊化特征再次被传递到基于神经网络（
NN
）的疾病分类模
型主要的观察结果是，运行所提出的
NF-FR
模型所需的总时间减
少，并且通过使用特征约简算法大大提高了分类本文的其余部分组
织如下：第
2
介绍了相关的工作，第
3
节介绍了基本概念，如类相似
性模糊化过程、特征约简过程
采用LDA、ANN-BP分类过程、问题陈述和本文提出的模型，第4节介
绍了所研究和提出的模型的实验设置和结果分析，第5节描述了所有分
类模型的统计分析，最后第6节总结了本文的工作和未来的范围。
2.
相关工作
机器学习（Alpaydin，2009年）是一种基于智能的技术，能够自动
从经验中学习某些类别的问题，并在没有明确编程的情况下提高性能。
它有能力 从数据中自动学习，以检测模式，并在最小的人为干预下做
出决策。近年来，各种机器学习技术的发展，例如预测（Makhoul，
1975）、聚类（Jain等人，1999）和分类（Duda等人，2012年）对决
策过 程有 很 大影 响。 分 类（ Das等 人，2015，2018; Sahani等人 ，
2018）是一种监督学习方法，从现实世界的问题中提取知识。它构建了
一个模型，准确地预测目标类从数据到不同的类水平。许多这样的单独
的技术，如模糊逻辑（FL）（Zadeh，1965），神经网络（Haykin，
1994），由于其结构的复杂性和庞大性，在性能上并没有表现得更好。
NN模型的主要挑战是存在不精确和模糊的输入信息，因此在分类过程
的任何阶段都可能出现一些不确定性（Zadeh，1996，1997）。在这方
面，FL是最适合处理不同方面的不完整性或不确定性的现实世界的问
题。 在FL中，每个特征都与成员值相关联，该成员值包含对该类的归
属度。它可以很容易地处理不确定和不精确的信息，其中的数学模型是
太复杂。FL的显著特点是，与其他数学模型相比，它可以有效地工作，
即使是不完整或不精确的数据集。因此，必须将两种单独的技术（FL和
NN）集成以形成称为NF模型的混合系统（Ghosh等人， 2014年）。
NF
模型使用类相似性模糊化过程
（Kazakhstan和Mitra，1999年; Kazakhstan和Ghosh，1996年）来
处理不确定性问题。它具有适应人类感知问题的方式以及学习能力的能
力，并且还成功地应用于若干应用中（Kar等人，2014年）。NF模型
从2000年到2017年的详细发展见（Shihabudheen和Pillaib，2018）。
这种NF模型提供了更好的性能比个别技术，但它增加了计算时间，由
于大量的冗余功能。这些冗余特征可能是由于输入模式的模糊扩展而产
生的。还应注意的是，所有模糊扩展特征可能并不总是对NF模型有显
著贡献（Meher，2017; Meher等人，2017）由于不相关和冗余的功能
（Azar和Hassanien，2015）影响模型的性能。因此，有必要通过使用
特征约简技术来消除这些冗余特征，以提高性能并减少模型的计算时
间。为了解决这个问题，一组特征约简算法，例如PCA（Smith，2002;
Wold等人， 1987; Abdi和Williams， 2010 ） 和 LDA （ Mika 等 人 ，
1999; Tharwat等人，2017）已被用于任何分类模型的预处理阶段。
Chattopadhyay（2017）提出了一种基于某些症状诊断人类抑郁症
的NF模型。该模型在预处理阶段使用主成分分析进行特征约简，只保
留与疾病识别决策过程相关且有意义的特征。Wang和Paliwal（2003）
提出了基于维数的特征提取方法

2542

H. Das

等人

沙特国王大学学报

j;i

你

好

！

V V V V

m-1

;

BCV

我

...

我

...

;

在元音识别的预处理阶段采用LDA和PCA等算法。它将输入参数转换为

相应的特征向量，并降低其维数，使分类过程更有效。类似地，针对疾

病分类已经完成了一组工作

（

Ibrahim

al.

，

2015

;

Polat

和

Gün

，

2007;

Nilashi等人，2018; Ubeyli，2009）使用NF模型。几种其他技

术的杂交应用于各种应用中，例如生物医学信号处理（Pradhan等人，

2018），云

优化（

Nayak

等人，

2018; Mishra

等人，

2018

年），预测

（Rout等人， 2020）和医疗保健（Dey等人， 2019 a，b;Sahoo

和类内方差（WCV）计算通过使用Eqs。（2）和（3）。

不

我我

WCV

第

页

1/1

这里，

表示第

类的样本的数量，

表示

例如，

2019

年）的报告。由于输入要素

的维数增加

在

模型中，计算成本增加。为了解决这个问题，在预处理阶段采

用各种特征约简技术。但是，在我们目前的研究中，通过对输入特

征的类相似性模糊化，

LDA

用于特征约简，

ANN

用于训练和测试算

法，通过

个生物医学数据集的实验

发送第

个类的平均值，

表示所有类的总平均值。从

LDA

生成的变换

矩阵（

）可以通过使用等式（

）来（四）、

T1/T2

WCV

-1

BCV

-4

变换矩阵的本征值和本征向量通过使用等式（1）从T的协方差矩阵

（CM）计算。（5）、

系统建模方法学

在那里，

。

是

特征

的

样本均值，

表示

要考虑的样本数量。

本节描述类可扩展性的基本概念

模糊化过程，LDA特征约简过程，ANN-BP

条纹

鲈

—

是

的

—

电子

邮件

分类过程、问题公式化和建议模型的详细解释分别在第3.1节、第3.2、

第3.3、第3.4和第3.5描述。

3.1.

类相似性模糊化

在这个模糊化过程中，输入模式的每个特征都被转换成其相应的

隶属度值的基础上的类标签。

型隶属函数用于计算输入模式的每个

特征的隶属度值。模糊化的特征矩阵示于方程。通过将输入特征的

数量乘以类标签来计算（

）

;

...

;

特征向量的元素基于特征值以非递增顺序排序将根据第

3.3

所述

ANN

模型的疾病分类和预测特征值选择具有显著贡献的特征子集

（称为简化矩阵）。

3.3. ANN-BP

分类法

将人工神经网络与反向传播（ANN-BP）模型用于疾病的分类和检

测。在这个模型中，输入层的所有权重都完全连接到隐藏层和隐藏层

也完全连接到

2 ···

6 7

另一个隐藏层或分配给输出层的

m;1

m;2

···

m;n

这里，

Xi ^

;

：

;

Fin

是具有数据集

的

个特征的第

个输入模式

，

并

且

;

确定类别标签

的第

个特征的第

个实例的隶属度值。该模糊

化矩阵被传递到使用

LDA

的特征约简过程，如第

3.2

节所述，以生成

约简矩阵。

3.2.

线性判别分析

在类相似度模糊化过程之后，基于原始输入特征的类标签倍来扩

展输入特征的维度由于输入特征的这种模糊扩展，模型的复杂性增

加。为了解决这个问题，一种称为

LDA

的特征约简技术被用来提取

对模型有显著贡献的特征。它只是丢弃不相关或冗余的模糊化特

征，只传递那些对模型有显著贡献的特征。在这里，我们解释了

LDA

的工作原理，即通过从原始模糊化特征中消除不重要的模糊化

特征，将高维空间转换为

LDA

的工作原理如下：（

）类间方差

(2)

类内方差（

）通过最大化类间方差和最小化类内方差来生成低

维空间。类间方差（

BCV

）

数据中可用的特征。输出层中输出神经元的数量取决于可用的类标签的

数量在数据中。在前馈阶段，根据输入信息对网络进行训练，根据分

配的权值加上偏置，将它们相加，计算出网络的净输入。在数学上，

第

个

神经元的净输入的性能可以通过使用等式来表示。其中n是输入神经

元的数量。

;

<$6

第

1页

这里，

是

第

个神经元的偏置，

;;I

是输入矩阵的输入模

式，

1;W

;

; ··· ;W

;

是

第

个

神经元的连接权重，

是网络的净输

入。类似地，计算每层的净输入，并将

形激活函数应用于在不同连

接层之间确定的输出的输出

输出层是通过使用方程中描述的S形激活函数来计算的。（七）、这

里，u是S形激活函数，O

是神经元的输出。

在反向传播步骤中，计算均方根误差，并在学习过程中更新权值

和偏差不同层之间的这些连接路径的权重为

;

在

[0-1]

范围内的随机权重。在输入层中创建的输入神经元的数量取

决于

剩余11页未读，继续阅读

cpongm

粉丝: 6

"生物医学数据分析：基于后特征约简的神经模糊模型"

基于模糊算法的数据分析

fuzzy_vault:生物特征数据模糊库算法的简化实现

基于神经模糊的模式识别的几个问题的研究

imagej-neural-fuzzy-plugins:基于神经网络和模糊逻辑的imagej插件

muhushenjing.zip_matlab 模糊回归_模糊 神经_模糊神经网络_神经模糊控制

基于BP神经网络的白酒评判模型的MATLAB实现.pdf

ECG信号预测分析：BP、RBF与模糊神经网络比较

ImageJ神经模糊插件：神经网络与模糊逻辑的图像处理新工具

基于FNN的心率失常判别方法：Sugen型模糊神经网络的应用

深度学习去模糊：基于各向异性双卷积层的视网膜OCT图像处理

最新资源

muhushenjing.zip_matlab 模糊回归_模糊神经_模糊神经网络_神经模糊控制