弓士龙;吴全玉;胡鸣瑛;刘宇;潘玲佼;张琳;针对传统血液检测方法侵入性强、成本高等缺陷,采用自适应噪声完备集合经验模态分解算法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)对脉搏波波形进行分析,并结合改进后的蜣螂优化算法(Dung Beetle Optimization based on T distribution,TDBO)优化随机森林(Random Forest,RF)方法,以实现对糖尿病的分类识别。通过CEEMDAN、排列熵(Permutation Entropy,PE)和小波阈值方法对信号进行预处理,提取29个关键特征,构建全面的特征集合。对提取后的特征向量进行缺失值处理和样本均衡。在模型选择与分类识别过程中,为了优化模型的分类性能,采用TDBO对随机森林分类器中的决策树数量和特征选择进行了改进,并通过Henon映射、莱维飞行、可变螺旋策略和基于迭代次数的T分布变异对DBO算法进行进一步优化。实验结果显示,本文算法与其他机器学习算法相比,在测试集上的准确率达到了94.4%,显著高于RF的88.3%、DBO-RF的92.7%、麻雀搜索算法-随机森林(Sparrow Search AlgorithmRandom Forest,SSA-RF)的90.9%以及北方苍鹰优化算法-随机森林(Northern Goshawk Optimizer-Random Forest,NGO-RF)的89.4%。这些结果证实了非侵入性脉搏波分析在糖尿病早期检测中的潜力,为未来的临床应用提供了新的可能性。
2025年05期 v.31;No.170 121-130页 [查看摘要][在线阅读][下载 6106K]