主成分分析的心血管及代谢疾病风险预测方法及系统与流程

本技术实施例涉及数据处理，尤其涉及一种主成分分析的心血管及代谢疾病风险预测方法及系统。

背景技术：

1、心血管及代谢疾病（如高血压、糖尿病等）是全球范围内导致死亡和残疾的主要原因之一。早期预测和预防这些疾病对于改善公共健康至关重要。

2、目前，已有多种方法用于主成分分析的心血管及代谢疾病风险预测，主要包括传统的统计模型（如逻辑回归）和基于机器学习的方法（如随机森林、支持向量机），通过采取特征训练模型的方式以预测个体患心血管及代谢疾病的风险概念。

3、然而这些现有方法未能有效处理多重共线性问题，即多个特征之间高度相关的情况，导致模型复杂度增加，计算效率低下。

技术实现思路

1、本技术实施例提供一种主成分分析的心血管及代谢疾病风险预测方法及系统，用以解决现有技术中预测精度差的问题。

2、第一方面，本技术实施例提供了一种主成分分析的心血管及代谢疾病风险预测方法，包括：

3、获取包含多个健康相关变量的数据集，所述数据集来源于接受体检的个体，且每个健康相关变量中包含有多个原始特征；

4、利用随机森林分类器对所述原始特征的重要性进行排名，结合递归特征消除算法和交叉验证算法，通过多次迭代逐步移除重要性得分最低的原始特征，以确定出预设数量个重要性得分满足预设得分的原始特征作为初步特征，以构建初步特征集合；

5、构建所述初步特征集合中多个初步特征之间的相关性热图，基于所述相关性热图评估所述多个初步特征之间的相关性，识别并剔除存在多重共线性的多个初步特征，并应用主成分分析降低所述初步特征集合的维度，同时保留最大方差的初步特征组合，以形成目标特征集合；其中，所述多重共线性是指多个目标特征之间彼此高度相关的情况；

6、利用所述目标特征集合训练机器学习模型，并通过超参数调整优化模型性能、通过多个指标验证所述机器学习模型的区分能力和预测准确性、对所述机器学习模型进行敏感性分析，以评估所述目标特征集合内的目标特征对预测结果的影响程度，得到经过处理后的机器学习模型；

7、将新个体的健康相关变量输入经过处理后的机器学习模型，以输出所述新个体患心血管及代谢疾病的风险概率。

8、可选地，所述构建所述初步特征集合中多个初步特征之间的相关性热图，包括：

9、利用预设相关性计算公式，计算所述初步特征集合中每对初步特征之间的线性相关性及所述初步特征集合的相关系数矩阵；

10、基于所述每对初步特征之间的线性相关性及所述相关系数矩阵构建相关性热图，以通过所述相关性热图展示多个初步特征之间的线性关系强度，其中，所述相关性热图中的每个单元格表示两个初步特征之间的相关系数，且每个单元格设置不同颜色深浅用于反映线性关系强度的强弱。

11、可选地，所述基于所述相关性热图评估所述多个初步特征之间的相关性，识别并剔除存在多重共线性的多个初步特征的过程包括：

12、利用分层聚类分析算法，基于所述初步特征集合的相关系数矩阵生成树状图；

13、基于所述相关性热图和树状图，评估每对初步特征之间的相关性，并通过查询每对初步特征之间的相关系数是否满足预设系数，以确定出存在高度相关性的初步特征组合；

14、计算每个初步特征对应的方差膨胀因子，所述方差膨胀因子用于量化所述初步特征与剩余初步特征之间的线性相关程度，并通过判断所述方差膨胀因子是否大于预设阈值，以识别出存在多重共线性的初步特征；

15、针对已识别存在多重共线性的初步特征，采用条件指数和方差比例分解算法，评估所述初步特征对应的多重共线性的严重程度；

16、应用局部加权散点图平滑曲线，可视化每个初步特征与目标变量之间的非线性关系，若任一初步特征与目标变量之间的局部加权散点图平滑曲线存在满足预设条件的趋势，则确定所述初步特征为关键初步特征，所述目标变量是指个体患心血管及代谢疾病的风险概率；

17、针对每对存在高度相关性的初步特征组合，剔除多重共线性的严重程度满足预设阈值的初步特征，或者选择保留关键初步特征，或者保留其中最具代表性的初步特征，得到筛选后的初步特征组合。

18、可选地，所述应用主成分分析降低所述初步特征集合的维度，同时保留最大方差的初步特征组合，以形成目标特征集合，包括：

19、利用逐步回归结合交叉验证算法，对筛选后的初步特征组合进行优化处理，得到能够解释初步特征中大部分方差的最优初步特征组合；

20、应用主成分分析算法，通过线性变换将所述最优初步特征组合中的初步特征转换为新的正交特征作为主成分，按照解释初步特征的变异性大小对所述主成分进行排序，确保每个所述主成分按对应的解释初步特征变异性从大到小排列；

21、根据累积解释方差比例，选择能够解释初步特征中大部分方差的前预设数量个主成分，以降低特征空间的维度，生成降维后的主成分集合，确保保留最大方差的初步特征组合；

22、利用核函数，将所述降维后的主成分集合与目标变量存在非线性关系的初步特征映射到高维空间进行降维，并在降维过程中，选择能够解释最大方差的主成分，以优化降维后的主成分集合，并引入稀疏主成分分析，通过l1正则化减少所述降维后的主成分集合中主成分的数量，并将处理后的主成分集合作为目标特征集合。

23、可选地，所述利用随机森林分类器对所述原始特征的重要性进行排名，结合递归特征消除算法和交叉验证算法，通过多次迭代逐步移除重要性得分最低的原始特征，以确定出预设数量个重要性得分满足预设得分的原始特征作为初步特征，以构建初步特征集合，包括：

24、通过随机森林分类器评估所述原始特征对目标变量的贡献程度，以量化出原始特征的重要性得分；

25、结合递归特征消除算法和交叉验证算法，启动多轮迭代，并在每次迭代中逐步移除重要性得分最低的原始特征，并在每轮迭代后，基于剩余的原始特征重新构建随机森林分类器，并再次评估剩余的原始特征的重要性得分；

26、经过多轮迭代后，确定出预设数量个重要性得分满足预设得分的原始特征作为初步特征，以构建初步特征集合。

27、可选地，所述通过多个指标验证所述机器学习模型的区分能力和预测准确性，包括：

28、通过准确性、roc曲线下面积、c指数、f1分数、精确率、召回率的指标验证所述机器学习模型的区分能力和预测准确性。

29、可选地，所述利用所述目标特征集合训练机器学习模型，并通过超参数调整优化模型性能、通过多个指标验证所述机器学习模型的区分能力和预测准确性、对所述机器学习模型进行敏感性分析，以评估所述目标特征集合内的目标特征对预测结果的影响程度，得到经过处理后的机器学习模型，包括：

30、根据所述目标特征集合的特点，选择适合的心血管及代谢疾病风险预测的机器学习模型，包括随机森林、支持向量机或者梯度提升树；

31、将所述目标特征集合划分为训练集、验证集和测试集，并确保每个子集中的目标变量保持一致；

32、利用训练集，基于所述目标特征集合，对选定的机器学习模型进行初步训练；

33、采用网格搜索或随机搜索结合交叉验证，对所述机器学习模型的超参数进行系统化调整，通过多次迭代，尝试不同的超参数组合，寻找最优的超参数设置，以最大化模型的性能；

34、使用所述测试集，基于准确性、roc曲线下面积、c指数、f1分数、精确率、召回率的多个评价指标，评估所述机器学习模型的区分能力和预测准确性；

35、对所述机器学习模型进行敏感性分析，通过评估所述目标特征集合内的每个目标特征对目标变量的影响程度，以逐步移除影响程度满足设定条件的目标特征；

36、将经过超参数调整、性能验证和敏感性分析后的最优机器学习模型保存下来，形成经过处理后的机器学习模型。

37、第二方面，本技术实施例提供了一种主成分分析的心血管及代谢疾病风险预测系统，包括：

38、获取模块，用于获取包含多个健康相关变量的数据集，所述数据集来源于接受体检的个体，且每个健康相关变量中包含有多个原始特征；

39、构建模块，用于利用随机森林分类器对所述原始特征的重要性进行排名，结合递归特征消除算法和交叉验证算法，通过多次迭代逐步移除重要性得分最低的原始特征，以确定出预设数量个重要性得分满足预设得分的原始特征作为初步特征，以构建初步特征集合；

40、生成模块，用于构建所述初步特征集合中多个初步特征之间的相关性热图，基于所述相关性热图评估所述多个初步特征之间的相关性，识别并剔除存在多重共线性的多个初步特征，并应用主成分分析降低所述初步特征集合的维度，同时保留最大方差的初步特征组合，以形成目标特征集合；其中，所述多重共线性是指多个目标特征之间彼此高度相关的情况；

41、训练模块，用于利用所述目标特征集合训练机器学习模型，并通过超参数调整优化模型性能、通过多个指标验证所述机器学习模型的区分能力和预测准确性、对所述机器学习模型进行敏感性分析，以评估所述目标特征集合内的目标特征对预测结果的影响程度，得到经过处理后的机器学习模型；

42、处理模块，用于将新个体的健康相关变量输入经过处理后的机器学习模型，以输出所述新个体患心血管及代谢疾病的风险概率。

43、第三方面，本技术实施例提供了一种计算设备，包括处理组件以及存储组件；所述存储组件存储一个或多个计算机指令；所述一个或多个计算机指令用以被所述处理组件调用执行，实现如上述第一方面所述的一种主成分分析的心血管及代谢疾病风险预测方法。

44、第四方面，本技术实施例提供了一种计算机存储介质，存储有计算机程序，所述计算机程序被计算机执行时，实现如第一方面所述的一种主成分分析的心血管及代谢疾病风险预测方法。

45、本技术实施例，获取包含多个健康相关变量的数据集，所述数据集来源于接受体检的个体，其中，所述多个健康相关变量至少包括人口统计信息、临床测量数据、生物标志物水平以及生活方式因素 ，且每个健康相关变量中包含有多个原始特征； 利用随机森林分类器对所述原始特征的重要性进行排名，结合递归特征消除算法和交叉验证算法，通过多次迭代逐步移除重要性得分最低的原始特征，以确定出预设数量个重要性得分满足预设得分的原始特征作为初步特征，以构建初步特征集合，所述原始特征包括收缩压、年龄、舒张压、体重指数、甘油三酯、低密度脂蛋白胆固醇、总胆固醇、空腹血糖、肌酐和血尿素氮；构建所述初步特征集合中多个初步特征之间的相关性热图，基于所述相关性热图评估所述多个初步特征之间的相关性，识别并剔除存在多重共线性的多个初步特征，并应用主成分分析降低所述初步特征集合的维度，同时保留最大方差的初步特征组合，以形成目标特征集合；其中，所述多重共线性是指多个目标特征之间彼此高度相关的情况； 利用所述目标特征集合训练机器学习模型，并通过超参数调整优化模型性能、通过准确性、roc曲线下面积、c指数、f1分数、精确率、召回率的指标验证所述机器学习模型的区分能力和预测准确性、对所述机器学习模型进行敏感性分析，以评估所述目标特征集合内的目标特征对预测结果的影响程度，得到经过处理后的机器学习模型； 将新个体的健康相关变量输入经过处理后的机器学习模型，以输出所述新个体患心血管及代谢疾病的风险概率。

46、本技术的技术方案具有以下有益效果：

47、本发明通过收集来源于接受体检的个体的健康相关变量数据，包括人口统计信息、临床测量数据、生物标志物水平以及生活方式因素，确保了数据的全面性和代表性，为后续分析奠定了坚实的基础。结合递归特征消除算法和交叉验证算法，逐步移除重要性得分最低的原始特征，确定出预设数量个重要性得分满足预设得分的原始特征作为初步特征。这一过程不仅减少了冗余信息，提高了模型计算效率，还增强了模型的泛化能力，确保了初步特征集合的有效性和可靠性。基于初步特征集合中多个初步特征之间的相关性评估，识别并剔除存在多重共线性的特征，随后应用主成分分析降低特征维度，保留最大方差的初步特征组合。该步骤有效解决了特征冗余问题，简化了模型结构，同时保持了数据的主要信息，进一步提高了模型的稳定性和预测准确性。利用目标特征集合训练机器学习模型，并通过超参数调整优化模型性能。采用准确性、roc曲线下面积（auc-roc）、c指数、f1分数、精确率和召回率等多指标验证模型的区分能力和预测准确性，确保模型在不同评价标准下均表现出色。此外，敏感性分析评估了目标特征对预测结果的影响程度，增强了模型的透明度和可信度。将新个体的健康相关变量输入经过处理后的机器学习模型，以输出其患心血管及代谢疾病的风险概率。该方法不仅具备高预测准确性，还提供了详细的预测报告，帮助医生和患者做出更明智的健康管理决策，促进了个性化医疗的发展。

48、综上所述，本发明通过系统化的特征选择、降维和模型优化，显著提升了心血管及代谢疾病风险预测的准确性和可靠性。

49、本技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。