基于L_(2,1)范数机器学习方法的头晕经颅多普勒超声血流特征参数识别

摘要

目的运用基于L_(2,1)范数的机器学习方法的经颅多普勒超声(Transcranial Doppler,TCD)技术,探究TCD血流特征参数在头晕中的诊断价值。方法选取在北京中医药大学东直门医院门诊就诊的头晕患者41例和健康体检者21例作为研究对象,采用TCD诊断仪分别记录所有研究对象双侧大脑中动脉、双侧颈内动脉终末段、双侧颈内动脉虹吸段、双侧大脑前动脉、双侧大脑后动脉、双侧椎动脉、基底动脉近远端的血流信号,同时测量以上14个血管部位的收缩期峰值流速、舒张期末期流速、平均流速、搏动指数、阻力指数,并采用L_(2,1)范数方法将上述参数和年龄作为特征,进行特征选择后输入到机器学习分类器中,对头晕患者进行分类及预测,以总体正确率、ROC曲线下面积(Area Under Curve,AUC)值作为模型评价指标。结果右侧椎动脉舒张期末期流速、右侧大脑中动脉收缩期峰值流速、右侧椎动脉收缩期峰值流速、右侧椎动脉阻力指数、右侧大脑中动脉舒张期末期流速等重要特征对头晕患者分类贡献较大,基于集成学习算法构建模型的分类效果最好,AUC值达到了0.906。结论集成学习算法更适合于头晕患者TCD血流特征的分类,头晕患者脑血流动力学改变以椎基底动脉系统为主,也可能累及大脑中动脉等颈内动脉系统。