韓 亮 楊 婷 蒲秀娟② 黃 謙

①(重慶大學(xué)微電子與通信工程學(xué)院 重慶 400044)

②(生物感知與智能信息處理重慶市重點(diǎn)實(shí)驗(yàn)室 重慶 400044)

1 引言

阿爾茨海默癥(Alzheimer’s Disease, AD)，俗稱老年癡呆癥，是一種慢性的進(jìn)展性神經(jīng)退行性疾病，常發(fā)生于老年群體[1]。迄今為止，還沒(méi)有藥物能有效治愈AD。因此，AD分類的研究有助于推動(dòng)AD預(yù)防和治療手段的進(jìn)步，降低老年群體的AD發(fā)病率，延緩疾病進(jìn)展。

特征選擇能夠提升分類模型的性能及魯棒性，同時(shí)可以提供數(shù)據(jù)的特征重要性解釋，已被廣泛地應(yīng)用于AD分類中[2]。傳統(tǒng)的特征選擇方法往往采用單一的評(píng)價(jià)標(biāo)準(zhǔn)，存在較多局限性，為此，本文提出一種改進(jìn)的高斯模糊邏輯特征選擇方法，采用改進(jìn)的高斯模糊邏輯算法對(duì)由互信息量(Mutual Information, MI)和方差齊性分析(ANalysis Of VAriance, ANOVA)兩種方法計(jì)算得到的特征重要性評(píng)分進(jìn)行加權(quán)，在此基礎(chǔ)上進(jìn)行特征選擇，以提升AD分類模型性能并進(jìn)行特征重要性分析。

目前AD分類的常用分類模型包括邏輯回歸(Logistic Regression, LR)[3]、隨機(jī)森林(Random Forest, RF)[4]、LightGBM(LGB)[5]、支持向量機(jī)(Support Vector Machine, SVM)[6]和深度學(xué)習(xí)(Deep Learning, DL)[7]等。集成學(xué)習(xí)可結(jié)合使用單個(gè)分類器來(lái)提高其分類性能，特別適用于各個(gè)領(lǐng)域，包括數(shù)據(jù)挖掘、運(yùn)輸系統(tǒng)、天氣預(yù)報(bào)、醫(yī)學(xué)診斷、銀行業(yè)務(wù)和模式識(shí)別。異質(zhì)集成學(xué)習(xí)方法[8]使用不同種類的分類器實(shí)現(xiàn)集成學(xué)習(xí)。本文采用LR,RF, LGB, SVM和深度前饋網(wǎng)絡(luò)(Deep Feedforward Networks, DFN)作為初級(jí)分類器，使用多項(xiàng)式樸素貝葉斯(Multinomial Naive Bayes, MultinomialNB)分類器作為次級(jí)分類器，構(gòu)建異質(zhì)集成分類器，對(duì)經(jīng)改進(jìn)的高斯模糊邏輯特征選擇方法處理后得到的數(shù)據(jù)進(jìn)行AD分類，以提高AD分類的準(zhǔn)確率。

2 模糊邏輯特征選擇方法

2.1 常用特征選擇方法

常用特征選擇算法分為過(guò)濾法(Filter)、封裝法(Wrapper)和嵌入法(Embedded)3類[2]。其中，Wrapper和Embedded兩種特征選擇方法均與分類器直接相關(guān)，必須使用特定分類器分類后才能得到特征重要性評(píng)價(jià)結(jié)果，且該結(jié)果均是針對(duì)所使用的特定分類器而言的。Filter法與特定分類器無(wú)關(guān)，無(wú)需事先分類，因此具有更廣泛的適應(yīng)性，本文使用互信息(MI)和方差齊性分析(ANOVA)兩種Filter法。

MI是兩個(gè)變量之間相互依賴的度量，量化了通過(guò)觀察一個(gè)隨機(jī)變量而獲得的關(guān)于另一個(gè)隨機(jī)變量的信息量，當(dāng)且僅當(dāng)兩個(gè)隨機(jī)變量獨(dú)立時(shí)等于0。ANOVA也被稱為F檢驗(yàn)，它是一種在0假設(shè)之下，統(tǒng)計(jì)值服從F分布的檢驗(yàn)，一般用于檢驗(yàn)兩類樣本在某個(gè)特征上是否存在顯著性差異。

2.2 改進(jìn)的高斯模糊邏輯特征選擇方法

模糊邏輯提供了一種表示確定程度的方法，可以靈活地處理不確定的問(wèn)題[9]。本文提出一種改進(jìn)的高斯模糊邏輯特征選擇方法，具體步驟如下：

步驟 1 對(duì)輸入的數(shù)據(jù)，由MI與ANOVA兩種方法分別計(jì)算特征重要性評(píng)分。

步驟 2 對(duì)由MI與ANOVA兩種方法計(jì)算得到的特征重要性評(píng)分結(jié)果分別進(jìn)行歸一化，如式(1)和式(2)所示

其中，M為特征總數(shù)；對(duì)于第j個(gè)特征，SMI(j)為由MI得到的特征重要性評(píng)分，SF(j)為由ANOVA得到的特征重要性評(píng)分，CMI(j)和CF(j)為歸一化后的特征重要性評(píng)分。

步驟 3 采用模糊邏輯方法對(duì)每一特征的兩種歸一化后的特征重要性評(píng)分進(jìn)行加權(quán)，得到最終的特征重要性評(píng)分C(j)，如式(3)所示

ηMI為 最終得到MI評(píng)分的高斯隸屬度，ηF為最終得到的ANOVA評(píng)分的高斯隸屬度。采用該改進(jìn)方法計(jì)算高斯隸屬度，充分考慮了兩種高斯隸屬度計(jì)算方法的重要性等同，實(shí)質(zhì)上是對(duì)以MI評(píng)分為基礎(chǔ)和以ANOVA評(píng)分為基礎(chǔ)計(jì)算得到的高斯隸屬度進(jìn)行了平均加權(quán)。

步驟 4 依據(jù)步驟3計(jì)算出的特征重要性評(píng)分選擇特征。

3 基于多項(xiàng)式樸素貝葉斯融合的AD分類方法

3.1 AD分類常用分類器

目前AD分類常用分類器有邏輯回歸(LR)、隨機(jī)森林(RF)、LightGBM(LGB)、支持向量機(jī)(SVM)和深度前饋網(wǎng)絡(luò)(Deep Feedforward Networks, DFN)等。LR能夠評(píng)估輸入特征與輸出結(jié)果的關(guān)聯(lián)程度，但是它通常假設(shè)輸入特征是相互獨(dú)立的，這在實(shí)際情況中難以完全滿足。RF[10]以決策樹(shù)(Decision Tree, DT)為基學(xué)習(xí)器，并在DT的訓(xùn)練過(guò)程中引入了隨機(jī)屬性選擇，具有簡(jiǎn)單、容易實(shí)現(xiàn)、計(jì)算開(kāi)銷小的優(yōu)點(diǎn)，但是RF容易過(guò)擬合且不穩(wěn)定。LGB采用基于梯度的單邊采樣和互斥特征捆綁在不損失分類精度的同時(shí)提升了計(jì)算效率。但也存在容易過(guò)擬合的問(wèn)題。SVM[11]具有較強(qiáng)的逼近能力和泛化能力，但需要大量的計(jì)算機(jī)資源，且存在數(shù)值不穩(wěn)定的問(wèn)題。DFN是典型的深度學(xué)習(xí)模型，與人工神經(jīng)網(wǎng)絡(luò)等淺層機(jī)器學(xué)習(xí)方法相比，它具有更好的非線性估計(jì)性能，但存在確定最佳架構(gòu)和調(diào)整超參數(shù)困難等缺陷[8]。

3.2 樸素貝葉斯分類器

樸素貝葉斯分類器假定樣本每個(gè)特征與其他特征都不相關(guān)[12]，因此可以分別學(xué)習(xí)每個(gè)屬性的參數(shù)，這極大地簡(jiǎn)化了學(xué)習(xí)。樸素貝葉斯分類器使用條件概率確定具有特定類別的實(shí)例的概率，以此確定實(shí)例所屬類的概率，并將概率最大的類標(biāo)記為該實(shí)例所屬類。高斯樸素貝葉斯(Gaussian Naive Bayes, GaussianNB)和多項(xiàng)式樸素貝葉斯(MultinomialNB)是常用的兩種樸素貝葉斯分類器。MultinomialNB適用于離散變量，假設(shè)各個(gè)特征在各個(gè)類別下服從多項(xiàng)式分布，因此每個(gè)特征值不能是負(fù)數(shù)，計(jì)算概率為

其中，Nykxi表 示特征xi在 類別為yk的樣本中出現(xiàn)的次數(shù)；Nyk表示類別為yk的樣本中，所有特征出現(xiàn)的次數(shù)；α表示平滑系數(shù)，取值為1時(shí)為拉普拉斯平滑(Laplace smoonthing)；n表示特征數(shù)量。

3.3 基于多項(xiàng)式樸素貝葉斯融合的異質(zhì)集成學(xué)習(xí)

集成學(xué)習(xí)將多個(gè)初級(jí)分類器的輸出組合起來(lái)，以獲得更好的預(yù)測(cè)或分類精度。異質(zhì)集成學(xué)習(xí)[8]的初級(jí)分類器使用不同的學(xué)習(xí)算法，它利用初級(jí)分類器的多樣性來(lái)增加不同錯(cuò)誤類型的概率，以提高整體預(yù)測(cè)精度。堆疊法是一種用于異質(zhì)集成學(xué)習(xí)的常用融合策略，具有較好的魯棒性，它首先使用初始數(shù)據(jù)集訓(xùn)練初級(jí)分類器，然后“生成”一個(gè)新數(shù)據(jù)集用于訓(xùn)練次級(jí)分類器，在這個(gè)新數(shù)據(jù)集中，初級(jí)分類器的輸出作為次級(jí)分類器的輸入，而初始樣本的標(biāo)簽仍作為樣本標(biāo)簽[13]。

多個(gè)分類器融合的方法能勝過(guò)單個(gè)分類器方法的原因在于其分類決策是基于分類器的組合[13]。集成多樣性是指分類器之間的差異，初級(jí)分類器的多樣性越高，其集成學(xué)習(xí)的性能越好。由3.1節(jié)的分析可知，LR, RF, LGB, SVM和DFN分類器已成功地應(yīng)用于AD分類，具有一定的精確性，但均存在各自不同的缺陷。LR基于回歸模型，RF和LGB均基于決策樹(shù)學(xué)習(xí)模型，SVM基于統(tǒng)計(jì)學(xué)習(xí)模型，DFN基于深度學(xué)習(xí)模型，本文選擇LR, RF, LGB,SVM和DFN分類器作為初級(jí)分類器，具有較高的多樣性，有利于克服單一分類器存在的缺陷，以提高分類精度。本文所提多項(xiàng)式樸素貝葉斯融合異質(zhì)集成分類器如圖1所示。

圖1 多項(xiàng)式樸素貝葉斯融合異質(zhì)集成分類器

具體步驟如下：

步驟 1 首先將輸入數(shù)據(jù)作為原始訓(xùn)練集數(shù)據(jù)，分別訓(xùn)練各個(gè)初級(jí)分類器，得到訓(xùn)練好的LR,RF, SVM, LGB, DFN分類器；

步驟 2 再次將輸入數(shù)據(jù)分別輸入到訓(xùn)練好的LR, RF, SVM, LGB, DFN分類器，得到各個(gè)初級(jí)分類器輸出的預(yù)測(cè)概率PLR,PRF,PSVM,PLGB,PDFN；

步驟 3 將各個(gè)初級(jí)分類器輸出的預(yù)測(cè)概率PLR,PRF,PSVM,PLGB,PDFN和個(gè)體對(duì)應(yīng)的真實(shí)標(biāo)簽組合成新的訓(xùn)練集數(shù)據(jù)，采用該數(shù)據(jù)訓(xùn)練次級(jí)分類器，得到訓(xùn)練好的MultinomialNB分類器；

步驟 4 將訓(xùn)練好的初級(jí)分類器LR, RF,SVM, LGB, DFN和次級(jí)分類器MultinomialNB按圖1的方式組合起來(lái)，構(gòu)建多項(xiàng)式樸素貝葉斯融合異質(zhì)集成分類器。

本文所提基于多項(xiàng)式樸素貝葉斯融合的AD分類方法，首先對(duì)AD數(shù)據(jù)進(jìn)行顱內(nèi)體積標(biāo)準(zhǔn)化和Z-score標(biāo)準(zhǔn)化[1]；然后使用2.2節(jié)提出的改進(jìn)的高斯模糊邏輯特征選擇方法對(duì)預(yù)處理后的AD數(shù)據(jù)集進(jìn)行特征選擇；最后采用本節(jié)所述基于多項(xiàng)式樸素貝葉斯融合的AD分類器實(shí)現(xiàn)AD分類。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)數(shù)據(jù)

TADPOLE[14]挑戰(zhàn)賽數(shù)據(jù)集隸屬于ADNI，旨在為阿爾茨海默癥(AD)分類與預(yù)測(cè)研究提供標(biāo)準(zhǔn)數(shù)據(jù)集，它包含119個(gè)大腦皮層與皮層下的感興趣區(qū)域體積特征，特征標(biāo)簽及描述見(jiàn)Cross-Sectional FreeSurfer (6.0)[15]。由于AD患者在特定腦結(jié)構(gòu)的體積上會(huì)發(fā)生明顯變化，因此本文采用TADPOLE挑戰(zhàn)賽數(shù)據(jù)集中D1和D2數(shù)據(jù)集中的體積特征作為AD分類的特征。首先去掉D1與D2中個(gè)體相同的數(shù)據(jù)，得到新的D1數(shù)據(jù)集(正常/AD:453/628)作為訓(xùn)練集；D2(正常/AD:563/52)作為測(cè)試集；其中，同一個(gè)體的不同時(shí)間點(diǎn)的數(shù)據(jù)視為不同樣本。

4.2 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)所使用的計(jì)算機(jī)CPU為AMD Ryzen3 2200 G @3.5 GHz，內(nèi)存為16 GB，操作系統(tǒng)為Windows10，編程工具為Python，機(jī)器學(xué)習(xí)庫(kù)使用Scikit-learn和Lightgbm3.3.0。所有實(shí)驗(yàn)均使用如4.1節(jié)所述TADPOLE挑戰(zhàn)賽數(shù)據(jù)集。所使用的DFN分類器4個(gè)隱藏層單元數(shù)分別為70, 80, 100和120。利用網(wǎng)格搜索法對(duì)LR的l1_ratio參數(shù)、RF的n_estimators和max_depth參數(shù)、SVM的C和gamma參數(shù)以及LGB的max_depth參數(shù)進(jìn)行尋優(yōu)。各分類器其余參數(shù)均使用默認(rèn)值。

本文使用正確率(ACCuracy, ACC)、精確率(PREcision, PRE)、召回率(RECall, REC)、F1分?jǐn)?shù)、AUC 5個(gè)指標(biāo)對(duì)分類模型進(jìn)行綜合評(píng)價(jià)[5,7]。ACC, PRE, REC, F1分?jǐn)?shù)和AUC越高，說(shuō)明分類器性能越好。

4.2.1 特征選擇實(shí)驗(yàn)

采用如2.2節(jié)所述改進(jìn)的高斯模糊邏輯特征選擇方法進(jìn)行實(shí)驗(yàn)，對(duì)應(yīng)特征重要性評(píng)分排序前10的特征如表1所示。

表1 特征重要性評(píng)分排序前10的特征

實(shí)驗(yàn)結(jié)果表明與AD分類相關(guān)的皮層及皮層下體積特征主要集中于海馬體、內(nèi)嗅皮層、顳葉、杏仁核這幾個(gè)區(qū)域，左側(cè)結(jié)構(gòu)比右側(cè)相應(yīng)結(jié)構(gòu)重要性更高，這與前期的醫(yī)學(xué)研究得到的結(jié)論是一致的。但是，在左側(cè)和右側(cè)分別存在一個(gè)具有高特征重要性評(píng)分的未定義區(qū)域，其醫(yī)學(xué)意義有待醫(yī)學(xué)專家進(jìn)一步深入研究。

按特征重要性評(píng)分由高到低對(duì)特征進(jìn)行排序，分別選擇特征重要性排序最高的前10%～100%數(shù)量的特征，采用第3節(jié)所述基于多項(xiàng)式樸素貝葉斯融合的AD分類方法進(jìn)行AD分類實(shí)驗(yàn)，結(jié)果如圖2所示。

由圖2可知，AD分類的正確率(ACC)隨特征數(shù)量占比增大整體呈先上升、后下降的趨勢(shì)，在特征數(shù)量占比為0.7時(shí)，所選取特征的累計(jì)特征重要性評(píng)分高達(dá)0.96，此時(shí)AD分類的ACC達(dá)到最高。這說(shuō)明篩除部分特征重要性評(píng)分較低的特征后，分類性能反而有所上升，本文所提改進(jìn)的高斯模糊邏輯特征選擇方法是有效的。此外，有很大比例的排序靠后的特征的重要性評(píng)分極低，這一部分特征對(duì)AD分類價(jià)值不高。

圖2 不同特征數(shù)量占比下累計(jì)特征重要性評(píng)分與分類精度

4.2.2 融合策略實(shí)驗(yàn)

采用2.2節(jié)所述改進(jìn)的高斯模糊邏輯特征選擇方法進(jìn)行特征選擇，采用第3節(jié)所述AD分類方法，使用不同融合策略進(jìn)行對(duì)比實(shí)驗(yàn)，對(duì)比的融合策略包括平均法、投票法、高斯樸素貝葉斯方法和本文提出的AD分類方法使用的多項(xiàng)式樸素貝葉斯(MultinomialNB)方法，實(shí)驗(yàn)結(jié)果如圖3所示。

由圖3可知，在不同特征數(shù)量占比的情況下，MultinomialNB融合策略在正確率(ACC)和召回率(REC)上均明顯優(yōu)于Average, Vote和GaussianNB策略。4種融合策略的精確率(PRE)在不同特征數(shù)量占比下的差異均小于1%，差距極小。盡管在PRE上MultinomialNB融合策略與其他3種方法相比略小，但它的ACC, REC,F1分?jǐn)?shù)和AUC均上明顯優(yōu)于其他3種策略，這表明本文采用的MultinomialNB融合策略是有效的，且性能較好。

圖3 不同融合策略對(duì)比實(shí)驗(yàn)

此外，隨特征數(shù)量占比的增大，各融合策略下分類評(píng)價(jià)指標(biāo)均有不同程度變化。在Multinomial-NB融合策略下，ACC, REC和F1分?jǐn)?shù)整體均是先明顯上升，在特征數(shù)量占比為0.7時(shí)達(dá)到最大值后開(kāi)始逐漸下降；PRE和AUC雖在特征數(shù)量占比為0.5時(shí)出現(xiàn)震蕩，但整體也是呈現(xiàn)先升后降的趨勢(shì)，且在特征數(shù)量占比為0.6時(shí)達(dá)到最大值。

4.2.3 分類方法對(duì)比實(shí)驗(yàn)

采用第3節(jié)所述AD分類方法和傳統(tǒng)的LR[7],RF[8], SVM[9], LGB[10], DFN[11]進(jìn)行AD分類實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖4所示。由圖4可知：在不同特征數(shù)量占比的情況下，本文所提MultinomialNB融合異質(zhì)集成分類器在正確率(ACC)和召回率(REC)上均明顯優(yōu)于傳統(tǒng)的LR, RF, SVM, LGB, DFN分類器。MultinomialNB融合異質(zhì)集成分類器與其他5種分類器的精確率(PRE)在不同特征數(shù)量占比的情況下都表現(xiàn)十分良好且極為接近，它們之間的差異小于2%，且在F1分?jǐn)?shù)和AUC上相對(duì)與其他5種傳統(tǒng)分類器也有較大優(yōu)勢(shì)，這說(shuō)明MultinomialNB融合異質(zhì)集成分類器是有效的，其在不同特征數(shù)量占比下AD分類性能均明顯優(yōu)于傳統(tǒng)的LR, RF, SVM,LGB, DFN分類器。

圖4 不同分類方法對(duì)比實(shí)驗(yàn)

4.2.4 特征重要性分析方法對(duì)比實(shí)驗(yàn)

Wrapper法和Embedded法均與分類器相關(guān)，用于特征選擇的分類器與最終使用的分類器相同時(shí)，理論上分類效果最好。采用2.2節(jié)所述改進(jìn)的高斯模糊邏輯特征選擇方法分別結(jié)合LR和LGB分類器，Wrapper-LR和Embedded-LR特征選擇方法[2]分別結(jié)合LR分類器，Wrapper-LGB和Embedded-LGB特征選擇方法[2]分別結(jié)合LGB分類器進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖5所示。

圖5 特征選擇方法對(duì)比實(shí)驗(yàn)1

由圖5可知，在不同特征數(shù)量占比的情況下，本文所提改進(jìn)的高斯模糊邏輯特征選擇方法結(jié)合LGB分類器的AD分類性能最優(yōu)；且本文提出的改進(jìn)的高斯模糊邏輯特征選擇方法結(jié)合LR分類器的AD分類性能均明顯優(yōu)于Wrapper-LR和Embedded-LR分別結(jié)合LR分類器。因此，本文所提改進(jìn)的高斯模糊邏輯特征選擇方法性能優(yōu)于Wrapper和Embedded特征選擇方法。

進(jìn)一步采用本文所提改進(jìn)的高斯模糊邏輯特征選擇方法Wrapper-LR, Embedded-LR, Wrapper-LGB, Embedded-LGB分別進(jìn)行特征選擇，再使用SVM分類器進(jìn)行AD分類實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖6所示。

由圖6可知，在不同特征數(shù)量占比的情況下，本文所提改進(jìn)的高斯模糊邏輯特征選擇方法使用SVM作為分類器用于AD分類的性能最優(yōu)。這充分表明本文所提改進(jìn)的高斯模糊邏輯特征選擇方法能有效克服Wrapper法和Embedded法固有的與分類器緊密相關(guān)的缺陷，更適合應(yīng)用于各種不同的分類器。

圖6 特征選擇方法對(duì)比實(shí)驗(yàn)2

綜上所述，本文所提改進(jìn)的高斯模糊邏輯特征選擇方法在各種分類器上均能夠明顯提升AD分類效果，其性能優(yōu)于傳統(tǒng)的Wrapper和Embedded特征選擇方法。

4.2.5 時(shí)間復(fù)雜度分析

采用2.2節(jié)所述的高斯模糊邏輯特征選擇方法確定AD分類所使用的特征后，初級(jí)分類器LR,RF, SVM, LGB和DFN、次級(jí)分類器Multinomial-NB和本文所提多項(xiàng)式樸素貝葉斯融合異質(zhì)集成分類器的訓(xùn)練時(shí)間如表2所示。

由表2可知，在初級(jí)分類器訓(xùn)練中，LR訓(xùn)練所用時(shí)間最短；SVM, RF和LGB訓(xùn)練所用時(shí)間比LR高1個(gè)數(shù)量級(jí)，且LGB比RF訓(xùn)練所用時(shí)間稍短；DFN訓(xùn)練所用時(shí)間最長(zhǎng)。次級(jí)分類器MultinomialNB訓(xùn)練所用時(shí)間僅為0.0001 s。異質(zhì)集成分類器時(shí)間復(fù)雜度依賴于初級(jí)分類器與次級(jí)分類器的時(shí)間復(fù)雜度，本文提出的多項(xiàng)式樸素貝葉斯融合異質(zhì)集成分類器訓(xùn)練所用時(shí)間為各初級(jí)分類器與次級(jí)分類器訓(xùn)練所用時(shí)間之和，即2.9641 s。

表2 分類器時(shí)間復(fù)雜度分析

綜上所述，本文所提以LR, RF, SVM, LGB和DFN作為初級(jí)分類器，MultinomialNB作為次級(jí)分類器的異質(zhì)集成分類器訓(xùn)練所用時(shí)間主要集中在初級(jí)分類器上，MultinomialNB作為次級(jí)分類器訓(xùn)練所用時(shí)間極短，總體訓(xùn)練所用時(shí)間不超過(guò)3 s，其時(shí)間復(fù)雜度較低。

5 結(jié)論

本文提出一種結(jié)合改進(jìn)的高斯模糊邏輯特征選擇和多項(xiàng)式樸素貝葉斯融合異質(zhì)集成分類器的分類方法，先采用改進(jìn)的高斯模糊邏輯特征選擇方法對(duì)AD數(shù)據(jù)集進(jìn)行特征選擇，再采用多項(xiàng)式樸素貝葉斯融合異質(zhì)集成分類器進(jìn)行AD分類。使用TADPOLE數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，在AD分類上，本文所提改進(jìn)的高斯模糊邏輯特征選擇方法的性能優(yōu)于Wrapper和Embedded法，且多項(xiàng)式樸素貝葉斯模型融合異質(zhì)集成分類器的性能優(yōu)于傳統(tǒng)的LR, RF, SVM, LGB, DFN分類方法，本文所提方法更適用于AD分類。