基于AdaBoost的神經(jīng)網(wǎng)絡集成算法的聽力學篩查應用.pdf

1、聽力障礙是常見的耳鼻口腔疾病，隨著信息化技術的進步，通過計算機應用對聽力學篩查信息化，提高篩查效率和質量的研究日益更新?，F(xiàn)有的聽力學篩查信息化技術普遍是建立篩查聽力資料數(shù)據(jù)庫，方便管理與積累聽力損失的種類和發(fā)生頻率等基線數(shù)據(jù)資料，揭示聽力病人分布特點，探索聽力損失的危險因子及病因。全國各地在相繼建立起新生兒聽力學篩查的數(shù)據(jù)庫，不久將來在全國建立起統(tǒng)一的聽力學篩查網(wǎng)絡也是大勢所趨。如何整合及充分利用和挖掘大量信息化的聽力學篩查數(shù)據(jù)，必將成

2、為醫(yī)療數(shù)據(jù)挖掘的新熱點。
　　 基于傳統(tǒng)的數(shù)據(jù)挖掘技術在聽力學篩查中，包括支持向量機對ABR測試結果頻率的分類、基于神經(jīng)網(wǎng)絡的DPOAE的結果分類等是基于聽力學深度測試的數(shù)據(jù)挖掘應用，而沒有綜合考慮病人病史和其它信息。在病人的癥狀數(shù)據(jù)和基礎測聽數(shù)據(jù)潛藏的重要信息是值得挖掘。針對傳統(tǒng)應用的缺陷，在單個BP神經(jīng)網(wǎng)絡的基礎上，本文提出基于AdaBoost算法的聽力學篩查模型，并提出了一種針對陽性敏感度的權值調整改進的方法，有效地提高了

3、篩查預測的陽性識別率。
　　 本文首先討論了用于模型的聽力學數(shù)據(jù)形式，并對模型考慮的幾點問題作討論。接著，本文提出了利用AdaBoost算法集成BP神經(jīng)網(wǎng)絡，改善單個神經(jīng)網(wǎng)絡分類時的不穩(wěn)定性，提出了一種針對敏感樣本的結合誤差率與敏感度的權值調整的修改方法，在傳統(tǒng)的AdaBoost算法迭代中考慮了敏感度指標，并直接影響基分類器和樣本的權值更新中，提高了對陽性樣本分類的識別度，從而對最后的分類結果提高整體的敏感度。在此基礎上給出了基

4、于AdaBoost的神經(jīng)網(wǎng)絡集成的聽力學篩查模型。
　　 然后本文通過設置不同的參數(shù)，在Matlab上對提出的聽力篩查模型進行多次模擬實驗。在利用AdaBoost算法集成BP神經(jīng)網(wǎng)絡后，預測分類的準確度與穩(wěn)定性明顯得到提高，并且隨著AdaBoost算法迭代次數(shù)增加，分類的誤差有減小的趨勢。而在使用了考慮針對陽性樣本的權值更新方法后，從實驗結果看到最后集成的強分類器明顯比使用傳統(tǒng)的權值更新方法的AdaBoost有更高的敏感度，高出