15、人工智能在膝关节疾病诊断与分布式资源分配中的应用

人工智能在膝关节疾病诊断与分布式资源分配中的应用

1. 膝关节疾病诊断的人工智能方法

1.1 数据来源与处理

在膝关节疾病诊断的研究中，采用了来自加拿大卡尔加里大学Rangayyan教授研究小组的VAG信号数据。该数据集包含89个样本，其中38个为正常数据样本，51个为异常数据样本。对这些信号数据运用信号处理方法进行处理。

1.2 特征选择

数据集共有25个特征，属于五个不同类别的特征。采用混合两阶段特征选择方法：
- 第一阶段 - 过滤方法 ：使用统计方法，计算特征之间的互信息，根据组件之间的依赖关系获得相关特征子集。将包含89个样本和25个特征的整个特征向量作为输入，得到一个包含15个属性的特征子集，如能量、熵、平滑度等。
- 第二阶段 - 嵌入式方法 ：使用L1正则化逻辑回归，将89个样本和16个指定特征作为输入，从相关特征子集中识别出明确的特征集。最终，通过回归分析得到9个明确的特征，包括熵、峰度、均方根等。

1.3 分类算法比较

提出的混合隔离森林（Hybrid Isolation Forest，HIF）算法与线性回归、KNN、多层感知器和SVM等现有分类算法进行了比较。比较指标包括准确率、灵敏度和特异性，结果如下表所示：
| 序号 | 分类器 | 准确率(%) | 灵敏度(%) | 特异性(%) |
| ---- | ---- | ---- | ---- | ---- |
| 1 | 线性回归 | 70.83 | 72.67 | 69.78 |
| 2 | KNN