基于AdaBoost的神經(jīng)網(wǎng)絡(luò)集成算法的聽(tīng)力學(xué)篩查應(yīng)用.pdf

1、聽(tīng)力障礙是常見(jiàn)的耳鼻口腔疾病，隨著信息化技術(shù)的進(jìn)步，通過(guò)計(jì)算機(jī)應(yīng)用對(duì)聽(tīng)力學(xué)篩查信息化，提高篩查效率和質(zhì)量的研究日益更新?，F(xiàn)有的聽(tīng)力學(xué)篩查信息化技術(shù)普遍是建立篩查聽(tīng)力資料數(shù)據(jù)庫(kù)，方便管理與積累聽(tīng)力損失的種類(lèi)和發(fā)生頻率等基線數(shù)據(jù)資料，揭示聽(tīng)力病人分布特點(diǎn)，探索聽(tīng)力損失的危險(xiǎn)因子及病因。全國(guó)各地在相繼建立起新生兒聽(tīng)力學(xué)篩查的數(shù)據(jù)庫(kù)，不久將來(lái)在全國(guó)建立起統(tǒng)一的聽(tīng)力學(xué)篩查網(wǎng)絡(luò)也是大勢(shì)所趨。如何整合及充分利用和挖掘大量信息化的聽(tīng)力學(xué)篩查數(shù)據(jù)，必將成

2、為醫(yī)療數(shù)據(jù)挖掘的新熱點(diǎn)。
　　 基于傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)在聽(tīng)力學(xué)篩查中，包括支持向量機(jī)對(duì)ABR測(cè)試結(jié)果頻率的分類(lèi)、基于神經(jīng)網(wǎng)絡(luò)的DPOAE的結(jié)果分類(lèi)等是基于聽(tīng)力學(xué)深度測(cè)試的數(shù)據(jù)挖掘應(yīng)用，而沒(méi)有綜合考慮病人病史和其它信息。在病人的癥狀數(shù)據(jù)和基礎(chǔ)測(cè)聽(tīng)數(shù)據(jù)潛藏的重要信息是值得挖掘。針對(duì)傳統(tǒng)應(yīng)用的缺陷，在單個(gè)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，本文提出基于AdaBoost算法的聽(tīng)力學(xué)篩查模型，并提出了一種針對(duì)陽(yáng)性敏感度的權(quán)值調(diào)整改進(jìn)的方法，有效地提高了

3、篩查預(yù)測(cè)的陽(yáng)性識(shí)別率。
　　 本文首先討論了用于模型的聽(tīng)力學(xué)數(shù)據(jù)形式，并對(duì)模型考慮的幾點(diǎn)問(wèn)題作討論。接著，本文提出了利用AdaBoost算法集成BP神經(jīng)網(wǎng)絡(luò)，改善單個(gè)神經(jīng)網(wǎng)絡(luò)分類(lèi)時(shí)的不穩(wěn)定性，提出了一種針對(duì)敏感樣本的結(jié)合誤差率與敏感度的權(quán)值調(diào)整的修改方法，在傳統(tǒng)的AdaBoost算法迭代中考慮了敏感度指標(biāo)，并直接影響基分類(lèi)器和樣本的權(quán)值更新中，提高了對(duì)陽(yáng)性樣本分類(lèi)的識(shí)別度，從而對(duì)最后的分類(lèi)結(jié)果提高整體的敏感度。在此基礎(chǔ)上給出了基

4、于AdaBoost的神經(jīng)網(wǎng)絡(luò)集成的聽(tīng)力學(xué)篩查模型。
　　 然后本文通過(guò)設(shè)置不同的參數(shù)，在Matlab上對(duì)提出的聽(tīng)力篩查模型進(jìn)行多次模擬實(shí)驗(yàn)。在利用AdaBoost算法集成BP神經(jīng)網(wǎng)絡(luò)后，預(yù)測(cè)分類(lèi)的準(zhǔn)確度與穩(wěn)定性明顯得到提高，并且隨著AdaBoost算法迭代次數(shù)增加，分類(lèi)的誤差有減小的趨勢(shì)。而在使用了考慮針對(duì)陽(yáng)性樣本的權(quán)值更新方法后，從實(shí)驗(yàn)結(jié)果看到最后集成的強(qiáng)分類(lèi)器明顯比使用傳統(tǒng)的權(quán)值更新方法的AdaBoost有更高的敏感度，高出