优化极限学习机及其在脑卒中TCD数据分类应用

doi:10.3778/j.issn.1002-8331.1901-0261

计算机工程与应用 ›› 2020, Vol. 56 ›› Issue (10): 268-272.DOI: 10.3778/j.issn.1002-8331.1901-0261

优化极限学习机及其在脑卒中TCD数据分类应用

耿银凤，张雪英，李凤莲，胡风云，贾文辉，王超

1.太原理工大学信息与计算机学院，太原 030024
2.山西省人民医院神经内科，太原 030012

出版日期:2020-05-15 发布日期:2020-05-13

Optimized Extreme Learning Machine and Its Application in Classification of Stroke TCD Data

GENG Yinfeng, ZHANG Xueying, LI Fenglian, HU Fengyun, JIA Wenhui, WANG Chao

1.College of Information and Computer, Taiyuan University of Technology, Taiyuan 030024, China
2.Department of Neurology, Shanxi Province People’s Hospital, Taiyuan 030012, China

Online:2020-05-15 Published:2020-05-13

摘要/Abstract

摘要：

为提高脑卒中经颅多普勒（Transcranial Doppler，TCD）数据分类的效率和准确率，应用蝙蝠算法（Bat Algorithm，BA）优化极限学习机（Extreme Learning Machine，ELM）模型进行脑卒中分类预测。在训练ELM模型时，隐含层输入权值矩阵和隐含层阈值矩阵元素产生的随机性影响了模型性能。为此，利用BA对ELM参数中的输入权值矩阵和隐含层阈值矩阵进行了优化，并用BA-ELM模型对实验所用的TCD数据集进行分类。实验结果表明，BA-ELM模型的分类准确率比ELM提高了22.77%，能有效进行脑卒中预测。

关键词: 蝙蝠算法, 极限学习机, 经颅多普勒, 脑卒中

Abstract:

In order to improve the efficiency and accuracy of Transcranial Doppler（TCD）data classification for stroke prediction, an Extreme Learning Machine（ELM） optimized by Bat Algorithm（BA） model is proposed. The element values of input weight matrix and threshold matrix in hidden layer are randomly set in the process of training the ELM model, which badly affect the classification performance of the network. To solve this problem, BA is used to optimize the parameters mentioned above. The proposed BA-ELM model is further used to classify the stroke patient TCD data in the experiment. Experimental results indicate that, the accuracy of the BA-ELM model is improved by 22.77% compared with the typical ELM model for classifying TCD data set, so the proposed BA-ELM model can effectively be used for stroke prediction.

Key words: bat algorithm, extreme learning machine, transcranial Doppler, stroke

耿银凤，张雪英，李凤莲，胡风云，贾文辉，王超. 优化极限学习机及其在脑卒中TCD数据分类应用[J]. 计算机工程与应用, 2020, 56(10): 268-272.

GENG Yinfeng, ZHANG Xueying, LI Fenglian, HU Fengyun, JIA Wenhui, WANG Chao. Optimized Extreme Learning Machine and Its Application in Classification of Stroke TCD Data[J]. Computer Engineering and Applications, 2020, 56(10): 268-272.

[1]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[2]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[3]	陈瑶，陈思. 基于自适应多普勒及动态邻域的改进BA算法[J]. 计算机工程与应用, 2021, 57(22): 166-176.
[4]	黄泽英，李海艳，林景亮. 迁移学习下的极限学习机代理建模方法及应用[J]. 计算机工程与应用, 2021, 57(22): 257-262.
[5]	刘书轩，邱鹏，聂永琦，刘静，曹慧. 虚拟现实在脑卒中患者运动功能康复中的应用[J]. 计算机工程与应用, 2021, 57(21): 68-79.
[6]	李苗苗，王秋萍，惠蕙. 分数阶策略和带有Lévy飞行的螺旋蝙蝠算法[J]. 计算机工程与应用, 2021, 57(18): 75-81.
[7]	沈少禹，蔡满春，芦天亮，赵琪. 基于LFKPCA-DWELM的入侵检测方案[J]. 计算机工程与应用, 2021, 57(17): 130-137.
[8]	赵京霞，钱育蓉，南方哲，张晗，行艳妮. CNN多层特征融合与ELM的乳腺疾病诊断方法[J]. 计算机工程与应用, 2020, 56(4): 122-127.
[9]	赵童，黄钲，王秀超，李淼，张昀，郑秀娟，刘凯. 心理测试中掩饰行为的识别研究[J]. 计算机工程与应用, 2020, 56(20): 158-164.
[10]	杨锦朋，常俊，余江，李晓薇. 免校准的跨异构设备的室内定位方法[J]. 计算机工程与应用, 2020, 56(2): 248-254.
[11]	陈媛，陈晓云. 流形极限学习机自编码特征表示[J]. 计算机工程与应用, 2020, 56(17): 150-155.
[12]	陈瑶，陈思. 动态权重的蝙蝠算法在图像分割中的应用研究[J]. 计算机工程与应用, 2020, 56(14): 207-215.
[13]	杨彦荣，宋荣杰，周兆永. 基于GAN-PSO-ELM的网络入侵检测方法[J]. 计算机工程与应用, 2020, 56(12): 66-72.
[14]	邵良杉，李臣浩. 基于改进花粉算法的极限学习机分类模型[J]. 计算机工程与应用, 2020, 56(1): 172-179.
[15]	尹建津1，张贝克1，高东1，许欣2. 改进蝙蝠算法解决FFSP问题及其应用研究[J]. 计算机工程与应用, 2019, 55(9): 243-247.

优化极限学习机及其在脑卒中TCD数据分类应用

Optimized Extreme Learning Machine and Its Application in Classification of Stroke TCD Data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics