目的:为精准有效地预测便携式医疗设备的电池剩余寿命,提出一种基于反向传播(back propagation,BP)神经网络和麻雀搜索(sparrow search algorithm,SSA)算法的SSA-BP算法.方法:首先,通过BP神经网络的结构确定权值以及阈值的总数;其次,利用SSA算法优化初始权值和阈值,并赋值给BP神经网络;最后,通过对输入样本的训练获取预测的输出值.选取不同环境温度(4、24、43℃)下的18650型号锂电池数据进行测试,通过平均绝对误差、均方根误差、平均绝对百分比误差验证SSA-BP神经网络算法和BP神经网络算法对医疗设备电池剩余寿命的预测精度.结果:SSA-BP神经网络算法预测医疗设备电池剩余寿命的平均绝对误差、均方根误差、平均绝对百分比误差均低于BP神经网络算法.结论:SSA-BP神经网络算法能够精准有效地对电池的使用寿命进行预测,提高了电池在实际应用中的可靠性.

目的 为实现个性化的肿瘤治疗和提高治疗效果,开发一种精确预测放射疗法中腮腺剂量的模型.方法 采用长短期记忆神经网络(Long Short-Term Memory,LSTM)结合麻雀搜索算法(Sparrow Search Algorithm,SSA)进行参数优化,建立腮腺剂量预测模型.收集多种与剂量预测相关的数据因素,并与其他模型进行比较和分析,验证模型的精度和预测误差.结果 SSA-LSTM模型在腮腺D15、D30、D45和Dmean的剂量预测方面表现出更高的准确性和稳定性.其中,在预测腮腺D15测试集时,SSA-LSTM的平均绝对误差(Mean Absolute Error,MAE)为0.2966,拟合优度R2为0.9663.SSA-LSTM相对于LSTM、基于遗传算法优化的LSTM、利用灰狼优化算法的LSTM的MAE下降率分别为40.93%、33.39%、25.51%,R2提升率分别为8.06%、4.49%和3.03%,证明了SSA-LSTM模型相对于其他优化算法在放射疗法中对腮腺剂量预测方面的优越性.泰勒图的分析也证实了SSA-LSTM模型的可靠性和稳定性.结论 采用SSA算法优化的LSTM模型可显著提高腮腺剂量的预测准确性.该模型有望扩展到其他放射疗法领域,对医疗领域具有积极的社会意义.

目的 利用特征选择及Likert分级法量化肺癌病历数据,构建基于麻雀搜索算法优化的深度极限学习机模型,对肺癌中医病历数据进行证型分类与预测,为中医证型分类研究提供科学有效手段.方法 从江西中医药大学附属医院收集了2015年1月-2021年12月诊断为肺癌的497例病历,筛选412例病历作为研究对象.利用特征选择和特征重要性排序等方法归纳出不同证型的证型因子,并使用Likert分级法量化证型因子.构建基于麻雀搜索算法优化的深度极限学习机,对模型进行训练、测试.最后把本研究所建模型与其他机器学习模型按照3种评价标准进行比较.结果 本研究建立的SSA-DELM模型的平均分类准确率为88.44%,而采用支持向量机和贝叶斯网络的平均准确率分别为83.39%和84.53%.SSA-DELM模型在5种证型上的召回率及F1值大部分在80%以上,也优于其他传统的机器学习模型.结论 研究结果表明,利用特征选择结合Likert分级法量化后的肺癌病历数据,相比于0-1化处理的数据更能显现出数据的特征,提高了分类模型的准确率,SSA-DELM新模型相比其他传统的机器学习分类模型,有更好的表征学习能力及学习速度.该模型不仅为临床治疗肺癌的研究提供了科学的技术手段,也为中医辨证论治的信息化、智能化发展提供有益的借鉴.

背景 糖尿病肾病(DN)是糖尿病常见的微血管并发症之一,发病率高,危害性大.早期发现DN对预防相关疾病非常重要.目前大多研究基于传统的统计预测方法,数据需满足其所要求的前提假设条件.近年来已无法很好满足其在DN预测领域的需求,有必要尝试开展机器学习等新方法在DN预测领域的应用.目的 利用LASSO回归和麻雀搜索算法(SSA)优化的BP神经网络(SSA-BP神经网络)构建DN预测模型.方法 本研究时间为 2023年 4-8 月,数据来源于公开的伊朗 133 例糖尿病患者的并发症数据.采用SPSS 26.0 软件进行单因素分析,采用LASSO回归筛选变量.以是否患DN为因变量,分别用 8∶2 和 7∶3 的比例划分训练集和测试集,使用SSA-BP神经网络进行建模与分析,并与经典的机器学习模型对比预测性能以分析较优的DN模型.基于准确率、精确率、灵敏度、特异度、F1-score和受试者工作特征曲线下面积(AUC)指标进行模型评价.结果 剔除 9 例 1 型糖尿病患者,本研究纳入的有效样本量为124例2型糖尿病(T2DM)患者,其中73例(58.9%)被诊断为DN患者.单因素分析显示年龄、BMI、糖尿病持续时间、空腹血糖(FBG)、糖化血红蛋白(HbA1c)、低密度脂蛋白(LDL)、高密度脂蛋白(HDL)、三酰甘油(TG)、收缩压(SBP)和舒张压(DBP)的T2DM患者DN危险因素(P<0.05).训练集∶测试集=8∶2时,训练集(n=100)中有 59 例DN患者,测试集(n=24)含有 14 例DN患者.LASSO回归筛选出年龄、糖尿病持续时间、HbA1c、LDL和SBP共 5 个影响因素.Logistic回归(LR)、K近邻(KNN)、支持向量机(SVM)、BP神经网络、SSA-BP神经网络模型在测试集的准确率分别为 83.33%、79.17%、79.17%、87.50%、95.83%.F1-score分别为0.846 2、0.800 0、0.800 0、0.888 9、0.960 0.训练集∶测试集=7∶3 时,训练集(n=88)中有 52 例DN患者,测试集(n=36)含有 21 例DN患者.LASSO回归筛选出年龄、BMI、糖尿病持续时间、LDL、HDL、SBP和DBP这 7 个影响因素.LR、KNN、SVM、BP神经网络、SSA-BP神经网络模型在测试集的准确率分别为 86.11%、86.11%、86.11%、72.22%、91.67%.F1-score分别为0.871 8、0.871 8、0.864 9、0.705 9、0.909 1.结论 LR、KNN和SVM模型在训练集∶测试集=7∶3 时性能较好,BP神经网络和SSA-BP神经网络模型在训练集∶测试集=8∶2 时性能较好.相较于BP神经网络模型和传统机器学习模型,SSA-BP神经网络模型的预测性能更佳,可及时准确识别T2DM DN患者,实现DN的早发现和早治疗,从而预防并减缓对其身体带来的危害.

目的 睡眠呼吸暂停综合征(sleep apnea syndrome,SAS)是由于睡眠时上气道通气不畅或堵塞引起的呼吸暂停或低通气,严重影响人类健康和生活.目前的检测方法是多导睡眠仪,检测过程较为复杂,影响患者正常睡眠.为此本文提出了一种针对血氧饱和度信号的引入交叉变异的全局混沌人工蜂群(cross global chaos artificial bee colony,CGCABC)算法优化支持向量机(support vector machine,SVM)的SAS检测方法.方法 从数据集ISRUC-SLEEP中提取 25 名SAS患者整晚 8h的脉搏血氧饱和度数据,经预处理后对每段数据计算 5 种非线性特征,包括近似熵、模糊熵、信息熵、排列熵和样本熵.比较发病片段信号特征和未发病片段信号特征之间的差异,使用CGCABC算法优化的SVM模型进行分类检测,并与人工蜂群(artificial bee colony,ABC)算法、粒子群(particle swarm optimization,PSO)算法、麻雀搜索(sparrow search,SS)算法优化SVM模型的检测结果进行对比.结果 使用CGCABC算法优化的SVM模型在准确率、特异度、敏感度以及收敛时间上均有较好的效果,优于ABC算法、PSO算法和SS算法优化SVM模型的检测.结论 本文提出的方法对SAS这一疾病的识别和检测具有重要价值,在医疗领域上具有广泛的应用前景.

目的 提出一种基于离散型麻雀搜索算法的食品抽检路径高效优化方法.方法 通过对抽检点编码,不同编码间路径计算及优化,构建离散型麻雀搜索算法并与其他已知算法进行比较与验证.结果 本研究构建的离散型麻雀搜索算法,对于Burma14、Bays29、Oliver30和Att48等实例,本算法都可以求得已知最优解.对于Kioa100和Ch130等实例,本算法得到的偏差率,分别是0.1％和1％,优于传统的遗传算法(偏差率分别是3％和4.2％).结论 本研究创建的基于离散型麻雀搜索算法的食品抽检路径优化方法,在求解精度和收敛速度方面有更好的表现,有助于双随机抽检点生成和抽检路径优化的实际工作,为"双随机"抽检信息系统的实用化提供了可行的算法支撑.