Python预测二型糖尿病：逻辑回归、XGBoost、CNN、随机森林及BP神经网络融合加权线性回归细化变量及PCA降维创新

全文链接：https://tecdat.cn/?p=43572

原文出处：拓端数据部落公众号

分析师：Yue Lan

在当今慢性病防控领域，二型糖尿病的早期预测成为提升公共健康水平的关键一环。随着医疗数据采集技术的进步，基础信息、生活习惯、心电图以及血液蛋白等多源数据的整合应用，为疾病预测提供了新的可能。
我们团队在为医疗健康机构提供咨询服务时发现，单一数据源往往难以全面捕捉疾病风险特征。比如仅靠生活习惯数据，预测准确率常停留在 70% 左右；而加入心电图等生理信号后，模型性能能显著提升。基于这个实际需求，我们开展了多模态数据融合预测二型糖尿病的研究。
研究通过三个递进式任务展开：先用基础信息和生活习惯数据构建预测模型，再加入处理后的心电图数据提升性能，最后融入血液蛋白数据实现发病时间预测。过程中解决了数据缺失、噪声干扰、特征冗余等实际问题，提出的加权线性回归细化变量和类间 PCA 降维等方法，有效提升了模型的准确性和稳定性。

相关的专题项目数据代码文件已分享在交流社群，阅读原文进群和 600 + 行业人士共同交流和成长。

技术路线流程图

数据与方法

数据来源

研究整合了四类数据：基础信息（年龄、性别等）、生活习惯（吸烟、饮酒等）、12 导联心电图（ECG）以及血液蛋白（NMR）数据，总样本量 4000 例，含健康人群和二型糖尿病患者。

关键方法

1. 数据预处理

• 缺失值处理：对吸烟相关等缺失率高的变量，用加权线性回归融合后细化原离散变量值；对 NMR 数据，用随机森林基于其他数据预测填补缺失值。

• 降噪处理：对心电图数据，依次用巴特沃斯滤波器去除基线漂移和肌电干扰，用 IIR 陷波滤波器去除工频干扰，最后用离散小波变换处理残留噪声。

• 降维处理：对分类后的变量进行类间 PCA 降维，减少特征冗余。

1. 模型构建

• 逻辑回归：用于二分类任务，公式为 P=1/(1+e^-(w0 + w1x1 +…+ wnxn))，其中 P 为患病概率，w 为权重。

• XGBoost：集成学习模型，通过多棵决策树集成提升性能。

• 卷积神经网络（CNN）：用于提取心电图图像特征，含卷积层、池化层和全连接层。

• 随机森林：由多棵决策树组成，用于预测 NMR 缺失值。

• BP 神经网络：用于预测发病时间，通过前向传播和反向传播优化参数。

实现过程与结果

子任务 1：基础信息与生活习惯数据预测

处理生活习惯数据时，以吸烟情况为例，提取重度吸烟者样本，用加权线性回归融合相关变量：

1.  
   # 加权线性回归融合吸烟相关变量
2.  
   import numpy as np
3.  
   from sklearn.linear_model import LinearRegression
4.  
    
5.  
   # 准备数据，x为吸烟相关变量，y为目标变量
6.  
   x = np.array([[10, 2, 30, 5], [15, 3, 25, 4], [8, 1, 35, 6]]) # 示例数据
7.  
   y = np.array([0.2, 0.5, 0.1])
8.  
   weights = np.array([0.3, 0.4, 0.3]) # 权重
9.  
    
10.  
    # 加权处理
11.  
    x_weighted = x * weights[:, np.newaxis]
12.  
    model = LinearRegression()
13.  
    model.fit(x_weighted, y)
14.  
    fused_feature = model.predict(x_weighted) # 融合后的特征

 

融合后与原吸烟史变量结合，细化离散值。经 PCA 降维后，分别用逻辑回归和 XGBoost 建模，结果显示逻辑回归性能更优，AUROC 为 0.782。

子任务 2：加入心电图数据预测

对心电图数据进行降噪处理，处理前后对比图如下：
原始心电图：

去除基线漂移后：

去除工频干扰后：

去除肌电干扰后：

小波去噪后：

用 CNN 提取特征后与其他数据融合，代码片段如下：

1.  
   # CNN提取心电图特征
2.  
   from tensorflow.keras.models import Sequential
3.  
   from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten
4.  
    
5.  
   # 构建模型
6.  
   model = Sequential()
7.  
   model.add(Conv2D(16, (3, 3), activation='relu', input_shape=(224, 224, 1)))
8.  
   model.add(MaxPooling2D((2, 2)))
9.  
   model.add(Conv2D(32, (3, 3), activation='relu'))
10.  
    model.add(MaxPooling2D((2, 2)))
11.  
    model.add(Flatten())
12.  
     
13.  
    # 提取特征
14.  
    features = model.predict(ecg_images) # ecg_images为处理后的心电图图像

 

融合后用 XGBoost 建模，AUROC 达 0.97，准确率 0.94，优于逻辑回归。

---

相关文章

Python糖尿病数据分析：深度学习、逻辑回归、K近邻、决策树、随机森林、支持向量机及模型优化训练评估选择
全文链接：https://tecdat.cn/?p=39864

---

子任务 3：加入 NMR 数据预测发病时间

用随机森林填补 NMR 缺失值后，经 PCA 降维，与其他数据融合，用 BP 神经网络预测发病年龄。模型训练损失和测试损失曲线如下：
训练损失曲线：

测试损失曲线：

发病年龄分布：

结果显示，模型 R² 为 0.68，PCC 为 0.79，能较好预测发病时间。

创新点

1. 对缺失率高的变量，用加权线性回归融合后细化原离散值，而非直接剔除，保留更多信息。

2. 对分类后的变量进行类间 PCA 降维，针对性处理不同类型数据，提升降维效果。

3. 综合多种滤波方法处理心电图噪声，提升数据质量。

4. 用随机森林基于已有数据预测 NMR 缺失值，解决高缺失率问题。

应用价值

研究提出的多模态数据融合方法，能有效提升二型糖尿病预测准确性，为早期干预提供科学依据。模型可集成到医疗信息系统，辅助医生进行风险评估，具有实际应用意义。

 

分析师

在此对 Yue Lan 对本文所作的贡献表示诚挚感谢，她在广东财经大学完成了数据科学与大数据技术专业的学习，专注数据科学领域。擅长 Python、R 语言、SQL，在数据处理、机器学习、深度学习等方面具备扎实的专业能力。Yue Lan 在数据整合分析、算法模型构建及结果解读方面拥有丰富的实践经验，能够精准把握多模态医疗数据的处理要点，为本文的研究思路优化和技术实现提供了重要支持，有效提升了研究的科学性与实用性。