82、医学数据处理与分析：骨质疏松骨折风险预测与脑电信号评估

医学数据处理与分析：骨质疏松骨折风险预测与脑电信号评估

1. 骨质疏松骨折风险预测

1.1 数据预处理

在进行骨质疏松骨折风险预测时，数据预处理是关键的第一步。具体操作步骤如下：
1. 数据单位统一 ：为了确保数据的一致性和可比性，需要将所有数据转换为相同的测量单位。这里采用“Min - Max - Scaler”方法，将所有指标缩放到区间[0, 1]。
2. 归一化与正则化 ：为了避免过拟合，使训练过程更加稳定和快速，使用L2范数对数据进行归一化和正则化处理。
3. 缓解过采样问题 ：数据集中共有5230个案例，其中只有880个为阳性案例，阴性案例远多于阳性案例。为了解决这个问题，采用SMOTE算法来平衡阳性和阴性案例。

1.2 评估指标

一般使用五个指标来评估分类器的性能，具体公式如下：
| 指标 | 公式 |
| — | — |
| 准确率（Accuracy） | (Accuracy = \frac{TP + TN}{TP + FP + TN + FN}) |
| 精确率（Precision） | (Precision = \frac{TP}{TP + FP}) |
| 真阳性率（TPR） | (TPR = \frac{TP}{TP + FN}) |
| 假阳性率（FPR） | (FPR = \frac{FP}{TN + FP}) |
| 曲线下面积（AUC） | (AUC = \frac{\sum_{i\in positiveClass} rank_