基于貝葉斯高斯CP分解在醫(yī)療數(shù)據(jù)插補(bǔ)中的應(yīng)用

陳雁聲

摘要：時(shí)間序列分析是在諸如氣象預(yù)報(bào)，交通流量預(yù)測(cè)等領(lǐng)域中的是常用的方法手段之一，但是在這些領(lǐng)域數(shù)據(jù)中經(jīng)常會(huì)發(fā)生觀測(cè)數(shù)據(jù)缺失的情況。本文使用了一種基于概率矩陣分解的改進(jìn)方法，醫(yī)療數(shù)據(jù)進(jìn)行插補(bǔ)，并評(píng)估了該方法對(duì)于時(shí)間序列缺失數(shù)據(jù)插補(bǔ)的準(zhǔn)確度。

關(guān)鍵詞：時(shí)間序列 數(shù)據(jù)插補(bǔ) 概率矩陣分解

1 引言

目前傳統(tǒng)的數(shù)據(jù)插補(bǔ)，如基于統(tǒng)計(jì)學(xué)的插補(bǔ)方法，在對(duì)于符合正態(tài)分布的隨機(jī)缺失類型的數(shù)據(jù)集進(jìn)行處理時(shí)較為常用。但這類方法會(huì)造成插補(bǔ)后的數(shù)據(jù)集的整體方差變小，造成數(shù)據(jù)大量的同質(zhì)化，樣本分布扭曲，不適用于大范圍的缺失情況。此外基于機(jī)器學(xué)習(xí)的插補(bǔ)方法，如極大似然補(bǔ)差（EM）和K鄰近插補(bǔ)（KNN），這類方法有著更高的插補(bǔ)精度，但這類方法應(yīng)在時(shí)間序列插補(bǔ)時(shí)還無(wú)法考慮到相鄰數(shù)據(jù)間的時(shí)序信息。

2 貝葉斯高斯CP分解

貝葉斯高斯CP分解（BGCP）是在由Salakhutdinov和Mnih于2008 年提出的貝葉斯矩陣分解（BMF）的基礎(chǔ)上，改進(jìn)而來(lái)的算法。該算法與一般的矩陣分解算法不同，是從貝葉斯理論而不是傳統(tǒng)概率學(xué)角度出發(fā);不再把系統(tǒng)參數(shù)當(dāng)作一個(gè)固定值估計(jì)，而是作為一個(gè)服從某種分布的隨機(jī)變量，轉(zhuǎn)而估計(jì)該分布的參數(shù)。并且將BMF算法中的觀測(cè)數(shù)據(jù)矩陣的標(biāo)準(zhǔn)差也視為未知量，并假設(shè)標(biāo)準(zhǔn)差服從于彈性共軛Gamma分布以提高模型的魯棒性。

2.1模型簡(jiǎn)介

2.2吉布斯采樣

接下來(lái)引入Gibbs采樣算法，以對(duì)提出的上述模型進(jìn)行迭代。Gibbs采樣的想法是在每次迭代中順序更新所有變量。對(duì)于一個(gè)變量，在所有其他變量都固定在當(dāng)前值下，從該布中采樣進(jìn)行采樣。Gibbs采樣算法的關(guān)鍵是為所有變量定義這種分布。這些條件分布通常稱為完全條件。

2.2.1對(duì)因子矩陣U（k）進(jìn)行采樣

本質(zhì)上，對(duì)因子矩陣采樣是為了獲得觀測(cè)值xi （i∈Ω）與超參數(shù)μ（k）及Λ（k）（k=1，2，3）之間的依賴關(guān)系。

給定部分觀測(cè)到的張量18689.jpg，我們首先定義一個(gè)標(biāo)志張量B，該張量B與張量X大小相同，且對(duì)于B中任意元素bi，如果i∈Ω則bi等1，否則bi取1。

對(duì)于矩陣U（1），可以由對(duì)所有的18695.jpg進(jìn)行以此采樣獲得。

對(duì)于三階張量還可以用相似的推導(dǎo)寫(xiě)出ui2（2）和ui3（3）的后驗(yàn)概率。

2.3插值算法

上一章推導(dǎo)了三階張量的吉布斯采樣中所有變量的全部條件。在吉布斯采樣算法達(dá)到平穩(wěn)狀態(tài)之后，可以從蒙特卡洛近似估計(jì)所有缺失值。

3 數(shù)據(jù)實(shí)驗(yàn)

3.1實(shí)驗(yàn)設(shè)置

3.1.1實(shí)驗(yàn)數(shù)據(jù)集

本次使用的實(shí)驗(yàn)室數(shù)據(jù)集為實(shí)驗(yàn)個(gè)體個(gè)體的白細(xì)胞變化趨勢(shì)。樣本分為死亡樣本和存活樣本，分別為121例和106例。每個(gè)樣本是由以每?jī)尚r(shí)為間隔所測(cè)量的個(gè)體體內(nèi)白細(xì)胞的數(shù)量所組成的長(zhǎng)度為7的時(shí)間序列。數(shù)據(jù)集的數(shù)據(jù)缺失率為45%。

3.1.2實(shí)驗(yàn)方法

由于數(shù)據(jù)集是不完整的，直接計(jì)算數(shù)據(jù)插補(bǔ)的準(zhǔn)確率是不可能的。本人使用不同的數(shù)據(jù)插補(bǔ)方法對(duì)該數(shù)據(jù)集進(jìn)行插補(bǔ)，再使用這些經(jīng)過(guò)數(shù)據(jù)插補(bǔ)的數(shù)據(jù)集訓(xùn)練同一個(gè)分類器。最終，數(shù)據(jù)插補(bǔ)的準(zhǔn)確率可以由分類器對(duì)于不同數(shù)據(jù)集的分類準(zhǔn)確率間接得出。本實(shí)驗(yàn)使用了KNN數(shù)據(jù)插補(bǔ)法、SVD插補(bǔ)法、矩陣分解插補(bǔ)法這三個(gè)數(shù)據(jù)插補(bǔ)方法與基于BGCP的數(shù)據(jù)插補(bǔ)法進(jìn)行比較。采用的分類器為基于線性核（Linear）和基于徑向基核（Radial Basis Function）的SVM分類器、隨機(jī)森林分類器和邏輯回歸分類器。對(duì)于訓(xùn)練集的劃分按樣本類別比例的分層抽樣，進(jìn)行10次10折交叉驗(yàn)證。

3.2對(duì)比實(shí)驗(yàn)

本文的BGCP算法建模是在Matlab下實(shí)現(xiàn)，其CP秩設(shè)置為10，輸入數(shù)據(jù)的形式為大小為227×7的二階張量。通過(guò)對(duì)實(shí)驗(yàn)和統(tǒng)計(jì)結(jié)果的分析，得出BGCP算法在插補(bǔ)精度與傳統(tǒng)的數(shù)據(jù)插補(bǔ)法的插補(bǔ)精度相比有2%的提升。

4 結(jié)論與展望

本文使用了BGCP對(duì)于醫(yī)療時(shí)序數(shù)據(jù)進(jìn)行插補(bǔ)，實(shí)驗(yàn)表明其結(jié)果不弱若于傳統(tǒng)的插補(bǔ)算法。理論上，該算法在3階張量下的插補(bǔ)效果最優(yōu)，但實(shí)驗(yàn)數(shù)據(jù)的表示方式為2階張量，所以算法性能可能受到影響。此外，該算法假設(shè)數(shù)據(jù)為高斯分布，該假設(shè)在對(duì)于現(xiàn)實(shí)中的數(shù)據(jù)不一定成立，所以將該算法推廣到不同的數(shù)據(jù)分布假設(shè)下，是今后需要開(kāi)展的工作之一。

參考文獻(xiàn)

[1]李圣瑜.調(diào)查數(shù)據(jù)缺失值的多重插補(bǔ)研究[D].河北經(jīng)貿(mào)大學(xué)，2015.

[2]孫曉麗，郭艷，李寧，宋曉祥.基于改進(jìn)RNN的多變量時(shí)間序列缺失數(shù)據(jù)填充算法[J].信息技術(shù)與網(wǎng)絡(luò)安全，2019，38（11）：47-53.

[3]駱科東.短時(shí)間序列挖掘方法研究[D].清華大學(xué)，2004.

[4]郭艷，宋曉祥，李寧，錢(qián)鵬.多變量時(shí)間序列中基于克羅內(nèi)克壓縮感知的缺失數(shù)據(jù)預(yù)測(cè)算法[J].電子與信息學(xué)報(bào)，2019，41（04）：858-864.