42、基于香农熵的多发性硬化症分类研究

基于香农熵的多发性硬化症分类研究

1. 研究背景与目标

多发性硬化症（MS）是一种影响中枢神经系统的神经退行性自身免疫性疾病，其病程在个体间差异较大，具有瞬态特性和动态变化的性质，同时伴有高度的不确定性。因此，及时诊断和预测MS的长期残疾进程是一个极具挑战性的复杂过程。本研究的目标是通过一系列方法，实现对MS的三个亚组（RRMS、SPMS和PPMS）以及健康个体的准确分类。

2. 研究方法与步骤

研究主要通过以下步骤实现目标：
1. 特征选择与转换 ：对MS数据集应用基于熵的特征选择方法（香农熵和MRMR）以及线性变换方法（PCA和LDA）。
2. 生成新数据集 ：基于MS数据集，得到四个具有新显著属性的新数据集，分别为香农熵 - MS数据集、MRMR - MS数据集、PCA - MS数据集和LDA - MS数据集。
3. 模型训练与评估 ：将每个新数据集作为输入，用于k - 近邻（k - NN）和决策树算法的训练过程，并比较这两种算法在新数据集上对MS亚组分类的准确率。

3. 实验结果分析

通过决策树算法分类器的混淆矩阵，评估了分类准确率。以下是不同特征选择方法下，k - NN和决策树算法的优化结果：
| 特征选择方法 | k - 近邻（%） | 决策树（%） |
| — | — | — |
| PCA - MS数据集（139 × 228） | 57.60 | 54 |
| LDA - MS数据集（139 × 228） | 51.80 | 48.90