日常生活习惯的影响中风的危险因素基于决策树和相关矩阵

文摘

目的。探索的影响吸烟、饮酒、喝茶,饮食,睡眠,和运动对中风的危险因素之间的关系,提出相应的知识规则,为评估和干预提供科学依据中风的危险因素。方法。决策树C4.5算法进行优化,利用建立的模型对中风的风险评估;然后,中风的主要危险因素(包括高血压、血脂异常、糖尿病、心房纤颤、身体质量指数(BMI)、中风史,家族史的中风和短暂性脑缺血发作(TIA))和日常习惯(如吸烟、饮酒、喝茶、饮食、睡眠、运动)进行了分析;终于提出了相应的知识规则。建立相关矩阵的中风危险因素和分析中风危险因素之间的关系。结果。中风的风险评估模型建立的准确性为87.53%,kappa系数为0.8344,优于随机森林和物流的算法。此外,37知识规则,可用于预防中风的危险因素是派生和验证。根据患中风的危险因素,深入分析吸烟的值,运动,睡眠,喝茶、饮酒、饮食分别为6.00,7.00,8.67,9.33,10.00,10.60,和10.75,分别说明其影响中风的危险因素是依次降低;一方面,吸烟和锻炼与中风的其他危险因素密切相关;另一方面,睡眠,喝茶、饮酒,和饮食不坚定与中风的其他危险因素有关,他们相对与吸烟和运动紧密相关。结论。中风的风险评估,建立模型分析影响因素患中风的危险因素,分析这些因素之间的关系,推导基于知识的规则有助于中风的预防和治疗。

1。介绍

中风是一种急性脑血管疾病、关联特征的高发病率,高残疾,和高死亡率。它是一种难治性疾病,一个主要威胁人类健康和生命1]。目前,没有有效治疗中风。预防仍然是最可行的策略来降低中风的危害和减少社会负担,特别是对高全球发病率和中风的潜在危险因素2]。中风分为干预因素的危险因素(如吸烟、饮酒、体重指数(BMI))和不干涉因素(如年龄,性别,种族,和遗传属性)根据风险是否可以改变通过干预(3]。因此,研究干预预防中风的因素具有重要意义。此外,我们之前发现介入中风的危险因素更多的出现在人们的日常生活和行为习惯(4,5]。不健康的生活方式可以触发或增加中风的风险,和温和的生活方式的改变也可能降低中风的危险(6]。因此,很多学者认为应该进行进一步的研究提供有效的干预措施来引导和改善人们的生活方式,以降低中风的风险和发病率(7- - - - - -9]。然而,在2019年,Altobelli等人分析了相关文献,发现在这个领域的研究是在只进行有限数量的发达国家,很少有报道的影响,生活方式和饮食习惯在中风的危险因素10]。在中国,黄等人进行了相关的研究表明,健康的生活方式(高水果摄入,戒烟,做家务,和良好的睡眠质量)可以减少复发的机会来美最初缺血性中风(11]。虽然中风的危险因素在日常生活习惯不是中风的主要危险因素,他们与主要风险因素密切相关12]。

本研究针对中国人口,和大规模的中风和多维数据收集通过现代信息技术。优化决策树算法用于分析中风的危险因素在日常生活习惯,获得知识规则,中风的风险评估,建立模型来分析中风的危险因素之间的关系。

2。材料和方法

2.1。数据收集和预处理

我们建立了一个全程行程管理网络系统通过大规模数据集从上海郊区人口,涉及近10000人,5599年终于获得有效的数据。数据包括受试者的人口学特征、体检、家庭病史、治疗史,个人饮食和生活习惯,睡眠,呼吸,心理状态,生活质量,和中风的知识。为了促进中风的分类,我们还设计了一个快速中风筛选形式和执行统计分析。我们初步提取和集成数据,确定16患中风的危险因素进行进一步分析。如表所示1,在5599年收集的数据,有2491男性和3108女性受试者的最低和最高年龄是18岁和89岁,分别。年龄和性别的数据在图所示1。


类型的数据	中风的危险因素	场	数据分布

临床诊断	高血压	疯狂的	y: 1242 n: 3782,不确定:575
	血脂异常	Dysl	y: 511 n: 4508,不确定:580
	糖尿病	迪亚布	y: 403 n: 4618,不确定:578
	心房纤颤	房颤	y: 75 n: 4940,不确定:584

病史和家族病史	中风的家族史	FSH	y: 449 n: 4460,不确定:690
	中风的历史	上海	y: 165 n: 4730,不确定:704
	蒂雅	蒂雅	y: 95 n: 4350,不确定:1154

人口统计信息	性别	创	男:2491,女:3108
人口统计信息	年龄	年龄	参见图1

体格检查	身体质量指数	BMIc	B3 B1: 205 B2: 2926: 1760年,B4: 520年,B5: 150年,不确定:38

日常习惯	吸烟	Smok	y: 1192 n: 4379,零:28
	酒精消费	艾可	y: 1065 n: 4500,零:34
	喝茶	茶	y: 1563 n: 3997,零:39
	饮食	DT	C3 C1: 2812 C2: 263: 2181年,零:370
	睡眠	睡眠	TS: 366,结核病:4958,提单:205年,零:70
	运动运动	体育运动	C3 C1: 1518 C2: 1624: 2275年,零:182

“y”的意思是“是的”,“n”表示“不”,和定义的类型的BMI,饮食,睡眠,和运动呈现在图1。在图1,我们有时会使用字段表示相应的中风危险因素。

如图1(18、30)表明,年龄是18岁或以上,低于30岁;F和M表示男性和女性分别;和PN是个体的数量。

目前的研究分析吸烟的危险因素,饮酒、喝茶、饮食、睡眠、运动、体重指数。上述因素被定义如下:(我)吸烟:吸烟为6个月或更多的人在他们的一生中被标记为“y”;否则,他们被指示为“n”(2)饮酒:那些喝了每周不少于两次,每次不少于80毫升被标记为“y”;否则,他们被表示为“n”(3)喝茶:那些喝了茶至少3天/周被标记为“y”;否则,他们被表示为“n”(iv)饮食:每日食品主要是糖,脂肪,或蛋白质,标有“C1, C2,”和“C3,”(v)运动:那些锻炼运动超过3次/周,每次30分钟,说明常规的水平运动,标记为“C1”;那些锻炼运动2 - 3次/周,每次10 ~ 30分钟,反映出中等程度的运动,标记为“C2”;那些行使小于或等于1次/周,每次不到10分钟,表明低水平运动,标志着“C3”(vi)BMI:自世卫组织标准不是非常适合中国人,中国参考标准制定与参考标准,分为五种类型:B1, B2, B3, B4, B5(表2)(七)睡眠:睡眠时间在不同年龄可分为三种类型:短期,中期,长期,可贴上TS,结核病和TL,分别如图2


年龄	睡眠持续时间(小时)	马克

< 3(个月)	< 14	TS
	14 ~ 17	结核病
	> 17	TL

1 ~ 2(岁)	< 11	TS
	11 ~ 14	结核病
	> 14	TL

6 ~ 13岁)	< 9	TS
	9 ~ 11	结核病
	> 11	TL

14 ~ 17岁)	< 8	TS
	8 ~ 10	结核病
	< 10	TL

18 ~ 64(岁)	< 6	TS
	6 ~ 10	结核病
	< 10	TL

> 64(岁)	< 7	TS
	7 ~ 8	结核病
	< 8	TL

据的快速筛查患中风的危险因素(包括高血压、血脂异常、糖尿病、心房纤颤、吸烟史、体重指数、运动,中风历史、中风、家族史和短暂性脑缺血发作(TIA)),参考指南筛查、预防和控制的缺血性中风由中国卫生部(以下简称指南),本研究中风风险分为H, M, L, N, T,和Y水平,总结如表3。


类型	定义

Y	有一个中风的历史。
T	有一个之前的短暂性脑缺血发作。
H	中定义的主要风险因素指南2项以上,或主要危险因素包括1项,二级风险因素包括2项或更多。
米	中定义的指导方针的主要危险因素包括1项,和二级风险因素包括小于2项。
l	中定义的指导方针的主要危险因素包括0项,二级风险因素包括2项或更多。
N	中定义的指导方针的主要危险因素包括0项,和二级风险因素包括小于2项。

2.2。决策树

决策树是一种流行的、基于逻辑更容易解释的,简单的和广泛适用的方法13]。经典的决策树算法包括ID3、C4.5,和购物车。与ID3,只能处理离散变量,C4.5和购物车可以处理连续变量,他们不敏感,不完整的数据。此外,购物车生成二叉树和C4.5算法生成多个分支机构。决策树可以生成可判断的知识规则,它可以表达因素之间的关系。这是符合我们的目标探索中风的危险因素之间的关系。因此,本文选取C4.5算法在当前的研究。C4.5算法的细节在下面描述。

2.2.1。C4.5算法

1992年,罗斯昆兰发达C4.5决策树算法(14]。C4.5决策树构造一个数据样本作为学习模型。采用的分而治之的策略构建决策树模型使用一种称为信息增益的测量从树的数据集选择属性。

(1)信息增益。假设有在样本数据集类别的数据。信息熵公式如下: 在哪里代表了训练数据集,表示数据的类数在课堂上代表样本数量的比值所有样品。当属性选择决策树的节点,在信息熵的作用特性如下: 在哪里代表了数据样本分为部分。

(2)增益比率。信息增益代表数据集的信息熵的值减少后的行为特性。公式如下:

信息增益率是由

2.2.2。C4.5算法的改进和实现

我们使用决策树算法来分析上述16患中风的危险因素(见表1)。决策树生成使用Weka J48 (C4.5算法实现)的分类器算法。修剪的信心因子设置为0.25,每个叶和最小数量的实例(minNumObj)设置为1。另外使用10倍交叉验证选择和评估模型。

为了解决数据不平衡问题,提高系统的鲁棒性,我们在目前的研究中,提出了将算法改进模型。击杀算法是一种智能的过采样技术拉等人2002年提出的不平衡的数据集。它可以有效地改善传统的过采样技术造成的过度拟合现象和解决偏见问题的分类结果。如图3分类数据集预处理后,平衡的判断,记录的数量在每个类是首先计算找出最大值(max)和最小值(最小值)的记录的数量然后商最大和最小,如果。数据集被认为是平衡后,是直接进入C4.5分类器的分类。否则,它是判断,数据集是不平衡的,进了击杀处理器:首先,整个数据集采样,采样方法nonrepeatable抽样,等于数量数据集的数量,每个记录是随机排序,然后,击杀用于生成新的少数数据。过滤和排序等操作的影响,击杀算法预处理,消除,确保数据通过击杀获得通过随机结合主要数据和次要数据,以避免造成过度拟合数据生成的击杀只从较小的数据。然后,数据输入到分类模块。

3所示。结果

树的叶子的数量是98,而树的大小是171(数字4- - - - - -8)。树的性能指标如下:分类精度:87.5281%;kappa统计:0.8344;平均绝对误差:0.0567;和均方根误差:0.175。

来评估系统的性能对中风风险分类,精度,还记得,准确性,kappa计算,使用10倍交叉验证。方程(5)- (8)提出了计算精度,还记得,准确性,和k。

精密代表正确的积极的预测比整个阳性样本。回忆是正确的积极的预测比整个积极的预测。准确性是正确的预测比整个预测。真阳性(TPs)是正确预测阳性病例都是积极正面的。假阴性(fn)是积极的情况下,错误地预测是负面的。真正的底片(TNs)是负面的情况下正确地预测为负。假阳性(FPs)是消极的情况下,错误地预测是积极的。同时,kappa提供了一个更健壮的估计性能的系统相比,一个简单的协议,给出了一个综合评价的情况。相对观测到协议中提出系统和医生分析,然后呢的假设的概率是协议的机会。

表4介绍了分类结果的混淆矩阵使用C4.5算法进行了优化。为了评估的性能优化的C4.5算法,随机森林和逻辑算法实现进行比较。随机森林或者随机决定森林是一个学习方法的分类、回归等任务,操作通过构建多种决策树训练时间和输出模式的类的类(分类)或意味着预测(回归)个人的树15]。逻辑回归是一个广义线性回归分析模型,常用的数据挖掘、自动疾病诊断、经济预测等领域。逻辑回归善于分析的线性关系,并分析非线性关系比决策树。此外,它是敏感的极端值和容易受到极端值的影响,和决策树在这方面表现更好16]。


	风险水平分析了C4.5算法进行了优化						回忆
	H	米	Y	T	N	l	回忆

风险水平分析了医生
H	1288年	127年	0	0	0	0	0.910
米	44	1502年	0	0	0	0	0.972
Y	0	0	165年	0	0	0	1.000
T	2	0	0	51	0	0	0.962
N	0	0	0	0	679年	255年	0.727
L	0	0	0	0	182年	596年	0.766
精度	0.966	0.922	1.000	1.000	0.789	0.700
精度	87.53%
卡巴	0.8344

在最近的研究中,随机森林中树木的数量设置为100,每棵树,每片叶子的最小数量的实例被设置为1。物流将脊的值 ,和的最大迭代数设置为1。它们都使用10倍交叉验证决策树。表5和6总结分类结果的混淆矩阵使用随机森林和逻辑算法,分别。


	风险水平分析了随机森林算法						回忆
	H	米	Y	T	N	l	回忆

风险水平分析了医生
H	1300年	115年	0	0	0	0	0.919
米	72年	1473年	0	0	1	0	0.953
Y	6	0	158年	0	0	1	0.958
T	24	6	0	11	3	9	0.208
N	0	0	0	0	699年	235年	0.748
L	0	0	0	0	239年	539年	0.693
精度	0.927	0.924	1.000	1.000	0.742	0.688
精度	85.46%
卡巴	0.8063


	分析了物流风险水平						回忆
	H	米	Y	T	N	l	回忆

风险水平分析了医生
H	1289年	124年	0	1	0	1	0.911
米	97年	1446年	1	1	1	0	0.935
Y	0	0	164年	0	0	1	0.994
T	5	0	1	46	1	0	0.868
N	0	0	0	0	690年	244年	0.739
L	0	1	0	0	214年	563年	0.724
精度	0.927	0.920	0.988	0.958	0.762	0.696
精度	85.83%
卡巴	0.8119

不管准确性或kappa值,优化C4.5是最高的在三个算法。召回的风险“T”型使用随机森林算法仅能达到0.208,这是使用C4.5算法明显低于0.962。数据9- - - - - -11证明的错误“T”型风险最低的优化C4.5算法这三个算法之一。

相应的知识规则可以推导出决策树。有98知识规则推导出从目前情况。有37个相关规则6日常生活习惯(吸烟、饮酒、喝茶、饮食、睡眠、运动),补充说明的信息(可用在这里)。

4所示。讨论

根据前面的决策树,每个风险因素的平均深度和频率在决策树计算,如表所示7。中风的危险因素的值(中风史、高血压、血脂异常、糖尿病家族史的中风、TIA、吸烟、心房纤颤,运动,睡眠,性别、体重指数、喝茶、年龄、和饮酒)增加,表明他们的影响中风的危险因素是相对减少。同时,日常生活习惯的影响中风的危险因素相对无关紧要,证明生活习惯和饮食对中风的危险因素是间接的。


风险因素	深度/频率															平均深度
风险因素	0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	平均深度

上海	1															0.00
疯狂的			2													2.00
Dysl				2	1											3.33
迪亚布				4	2		1									3.71
FSH						4		1								5.40
蒂雅				1	1	1	2	2								5.43
Smok						1	2	1								6.00
房颤							7			2						6.67
体育运动					1			1	3							7.00
睡眠							1			1		1				8.67
创						1	1				3	2				9.00
身体质量指数										3	1					9.25
茶								1		1			1			9.33
年龄		1							2		1	3	3		1	10.00
艾可									1		2		1	1		10.60
DT											1	3				10.75

我们进一步分析上述98知识规则中风的风险因素,风险因素在提取知识规则。在每一组中,倒数之和的因素是用来表示每个因素的权重。所有因素集及其权重将描述的补充信息。在每一组中,每两个因素对形成因素;相同的因素对加权和总结在一起形成一个因素的关系矩阵,如表所示8。


	上海	疯狂的	Dysl	迪亚布	FSH	蒂雅	Smok	房颤	体育运动	睡眠	创	BMIc	茶	年龄	艾可

疯狂的	6.84
Dysl	6.34	6.34
迪亚布	5.71	5.71	5.46
FSH	5.71	4.95	4.95	4.64
蒂雅	3.91	3.91	3.66	3.46	3.29
Smok	4.16	4.16	4.16	4.16	3.85	3.03
房颤	0.45	0.45	0.45	0.45	0.45	0.33	0.20
体育运动	4.49	4.49	4.49	3.82	3.98	2.90	3.44	0.20
睡眠	0.42	0.42	0.42	0.42	0.27	0.08	0.42	0.00	0.27
创	1.74	1.74	1.74	1.43	1.43	1.05	1.05	0.00	1.74	0.08
BMIc	2.17	2.17	2.17	2.17	2.17	2.17	2.17	0.00	2.17	0.08	1.05
茶	0.60	0.60	0.60	0.60	0.60	0.48	0.48	0.13	0.48	0.00	0.22	0.38
年龄	6.84	6.84	6.34	5.71	4.95	3.91	4.16	0.45	4.49	0.42	1.74	2.17	0.60
艾可	0.70	0.70	0.70	0.70	0.70	0.40	0.70	0.00	0.70	0.19	0.22	0.40	0.14	0.70
DT	0.96	0.96	0.96	0.96	0.96	0.96	0.96	0.00	0.96	0.00	0.62	0.86	0.38	0.96	0.22

如表中所示8,公布了中风的危险因素,如中风历史(SH)、高血压(疯狂的),血脂异常(Dysl)、糖尿病(新),和年龄(岁),有最高的相关性。6我们检查日常习惯因素(吸烟、饮酒、茶,饮食,睡眠,和运动),只有吸烟的相关性(Smok)和体育(运动)高于平均(1.95)。这表明饮酒、喝茶、饮食和睡眠不是强相关的其他因素。此外,关于这个弱相关,相关值饮酒、喝茶,饮食,睡眠,吸烟,和运动接近强相关类别(SH,疯狂的,Dysl迪亚布和年龄),如表所示9。


Smok		体育运动		睡眠		茶		艾可		DT
因素	相关	因素	相关	因素	相关	因素	相关	因素	相关	因素	相关

上海	4.16	上海	4.49	上海	0.42	上海	0.60	上海	0.70	上海	0.96
疯狂的	4.16	疯狂的	4.49	疯狂的	0.42	疯狂的	0.60	疯狂的	0.70	疯狂的	0.96
Dysl	4.16	Dysl	4.49	Dysl	0.42	Dysl	0.60	Dysl	0.70	Dysl	0.96
迪亚布	4.16	年龄	4.49	年龄	0.42	年龄	0.60	年龄	0.70	年龄	0.96
年龄	4.16	FSH	3.98	迪亚布	0.42	迪亚布	0.60	迪亚布	0.70	迪亚布	0.96
FSH	3.85	迪亚布	3.82	Smok	0.42	FSH	0.60	FSH	0.70	FSH	0.96
体育运动	3.44	Smok	3.44	FSH	0.27	Smok	0.48	Smok	0.70	Smok	0.96
蒂雅	3.03	蒂雅	2.90	体育运动	0.27	体育运动	0.48	体育运动	0.70	体育运动	0.96
						蒂雅	0.48			蒂雅	0.96
										身体质量指数	0.86

6的影响日常习惯(吸烟、饮酒、喝茶、饮食、睡眠、运动)中风风险将在下一节中讨论。

4.1。吸烟和运动

37的知识规则上面所提到的,30规则包括“吸烟”因素,表明吸烟显著增加中风的危险因素。山等人证明,吸烟会增加中风的风险在高血压患者17),这是符合我们的发现。此外,雷达图表吸烟的危险比不吸烟也是图所示12(一个)。

(一)

(b)

(c)

(d)

(e)

(f)

37知识规则上面所提到的,35包含”运动。”作为显示在图12 (b),在高强度的影响无显著差异,中强度运动对中风的危险因素。运动是最常见的影响中风的危险因素,适度的运动有助于预防中风,符合麦克唐奈等人的研究结果(18]。

此外,28知识规则包含两个“吸烟”和“体育”因素,表明吸烟和运动紧密联系在一起,并进一步,锻炼吸烟者有利于降低中风的危险。

4.2。饮酒、喝茶

指出,喝酒的人有一个中风的风险明显高于nonalcohol消费者(图12 (c))。这是符合胡锦涛et al。”结果,大量饮酒会增加中风的风险,虽然适度饮酒无关紧要的影响中风的风险(19]。然而,它不是一个独立的因素,通常伴有高血压、糖尿病和高胆固醇血症。

知识规则表明,喝茶没有直接影响中风的危险(图12 (d)),类似于饮酒,它可以与体重指数相关。索萨等人表明,茶是非常有利于降低中风的危险在肥胖的人20.]。张等人进行了小鼠和实验得出结论,喝茶对出血性中风有神经保护作用[21]。此外,我们发现,“茶= y”和“艾可= y”不同时出现在同一个规则在目前的研究中,和相关值为0.14(表8)他们之间也非常微不足道,这表明喝茶和饮酒同时不影响中风的危险。

4.3。饮食

如图12 (e),三种类型的饮食的影响(主要是糖、脂肪、和蛋白质)中风的风险没有显著的不同。按照规定,这些类型更集中在“H”和“M”类型,表明饮食结构有一定的影响个人中风的风险高。此外,从相关性的角度值(表8),它有一个相对较高的相关性与其他因素相比,饮酒、喝茶,和睡眠。

4.4。睡眠

作为显示在图12 (f),中风的风险较低时睡眠时间是适当的。很长时间或短时间的睡眠不利于避免中风的风险,这是符合黄et al。年代发现,表达,一个好的睡眠质量有助于降低中风的危险(11,22]。从规则的角度来看,睡眠与吸烟、饮酒,和运动,从关联的角度来看,睡眠,吸烟,和锻炼相对关联在一起。锻炼的人越来越肥胖会增加中风的风险,如果他们的睡眠的持续时间非常长。锻炼的人少,除了吸烟者和饮酒有更高的患中风的风险,如果他们的睡眠的持续时间将低于正常水平。

如图12(一个),“YESp”代表“吸烟”和“Nop”代表“不吸烟。”如图12 (b)”C1p”、“C2p”和“供应商”代表三种运动:“C1, C2和C3。“在图12 (c)“YESp”代表“喝”,和“Nop”表示“不喝酒。”作为显示在图12 (d)“YESp”代表“喝茶”,和“Nop”表示“不喝茶。”如图12 (e)”C1p”、“C2p”和“供应商”代表C1, C2,”和“C3,”分别。照图12 (f),“TSp”、“真沸点”,“张力腿平台”表示“TS,”“结核”和“TL,”。

5。结论

在目前的研究中,我们评估和优化决策树C4.5算法分析中风的危险因素(中风史、高血压、血脂异常、糖尿病家族史的中风、TIA、吸烟、心房纤颤,运动,睡眠,性别、体重指数、喝茶、年龄、饮酒、饮食)通过收集5599份有效数据。分类结果显示有87.5281%的准确度,kappa系数0.8344。它也指出,分类性能高于随机森林算法和物流。然后,我们专注于日常生活6个影响因素,如吸烟、饮酒、喝茶、睡眠,运动,提出了一系列的知识规则,有利于指导患者调整个人的生活习惯。进一步分析的决策树和知识规则,每个独立的影响力因素和因素之间的关系进行了分析。不同于其他的研究中,我们分析了吸烟和运动之间的关系,在饮酒、喝茶、BMI,饮食,运动,和BMI,和睡眠,运动,吸烟和饮酒,发现虽然这些日常生活习惯不能直接确定中风的风险(独立的影响较低)他们可以用来干预中风的危险因素。一方面,吸烟和锻炼与中风的其他危险因素密切相关;另一方面,睡眠,喝茶、饮酒,和饮食不坚定与中风的其他危险因素有关,他们相对与吸烟和运动紧密相关。然而,还需要进行进一步的研究表明是否吸烟和锻炼发挥重要作用在日常习惯的中风的危险。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了中国国家重点研发项目(批准号2017 yfe0112000),和上海大学的合作创新关键项目(没有医学和健康科学和技术。e1 - 0200 - 18 - 201001)。

补充材料

相关补充材料1:37知识规则6日常生活习惯(吸烟、饮酒、喝茶、饮食、睡眠、运动)。材料2:表的因素集和权重。(补充材料)

引用

h . v . l .费金w . Wang傅et al .,“主中风预防在中国——一个新方法,”神经学研究,37卷,不。5,378 - 380年,2015页。视图:出版商的网站|谷歌学术搜索
b . Ovbiagele和m . n . Nguyen-Huynh卒中流行病学:推进我们的理解疾病机制和治疗,”神经病治疗,8卷,不。3、319 - 329年,2011页。视图:出版商的网站|谷歌学术搜索
j .郭t . j .关y沈et al .,“生活方式因素和性别在成人糖尿病患中风的风险:一项病例对照研究中,“中风和脑血管疾病杂志》上,27卷,不。7,1852 - 1860年,2018页。视图:出版商的网站|谷歌学术搜索
p . a .狼r b D \ ' agostino博士a . j . Belanger和w·b·有“中风的概率:从弗雷明汉风险研究中,“中风,22卷,不。3、312 - 318年,1991页。视图:出版商的网站|谷歌学术搜索
j.y.庄和r . l .焦点在于“中风的风险因素,风险评估,质量和高风险中风预防方法,”连续性:在神经学终身学习,11卷,不。4,18 - 34岁的2005页。视图:出版商的网站|谷歌学术搜索
p . m .球场骚乱,j . e .燃烧c . s .凯思耷拉下来,库尔思和t .“健康的生活方式和功能结果在女性中风,”美国医学杂志,卷129,不。7,715 - 724页。e2, 2016年。视图:出版商的网站|谷歌学术搜索
r·r·贝利a . Phad r·麦格拉思和d . Haire-Joshu”普遍存在的五个生活方式危险因素在美国成年人没有中风,”残疾和健康杂志,12卷,不。2、323 - 327年,2019页。视图:出版商的网站|谷歌学术搜索
诉希尔,b·g·维克瑞程e . m . et al .,“生活方式干预的试点试验中风幸存者:卒中后健康饮食和生活方式的设计(治愈),“中风和脑血管疾病杂志》上,26卷,不。12日,第2813 - 2806页,2017年。视图:出版商的网站|谷歌学术搜索
s . Lueders施克拉德,j . Baesecke et al .,“精英研究营养、生活方式和个人信息的预防中风、痴呆和心脏attack-study设计和心血管状态,”德意志Medizinische Wochenschrift,卷144,不。6,pp. e42-e50, 2019年。视图:谷歌学术搜索
e . Altobelli p . m . Angeletti l . Rapacchietta r·帕特塞利,“荟萃分析的概述:饮食生活方式对中风风险的影响,“国际环境研究和公共卫生杂志》上,16卷,不。19日,第3582页,2019年。视图:出版商的网站|谷歌学术搜索
z . x, x l .林h . k . Lu x y梁,l . j .风扇和x t·刘”的生活方式与中风复发在中国首次急性缺血性中风患者,”神经学期刊,卷266,不。5,1194 - 1202年,2019页。视图:出版商的网站|谷歌学术搜索
t·b·卡明e·霍利迪d·邓斯坦和c英语,“看电视时间和中风风险:澳大利亚糖尿病肥胖和生活方式研究(1999 - 2012),“中风和脑血管疾病杂志》上,28卷,不。4、963 - 970年,2019页。视图:出版商的网站|谷歌学术搜索
m .真正f . Tokatli,库尔特,“使用kaplan meier分析与决策树方法(C&RT; CHAID,追求,C4.5和ID3)在决定recurrence-free乳腺癌患者的生存,”专家系统与应用程序,36卷,不。2、2017 - 2026年,2009页。视图:出版商的网站|谷歌学术搜索
j·r·昆兰C4.5编程机器学习1993年,摩根•考夫曼。
j . Zhang z阴、陈平和s . Nichele”情感识别使用多模式数据和机器学习技术:教程和审查,”信息融合59卷,第126 - 103页,2020年。视图:出版商的网站|谷歌学术搜索
t·克利福德·j·布鲁斯、t . Obafemi-Ajayi和j .马特”特征选择方法的比较分析来确定生物标志物在中风相关的数据集”2019年IEEE会议在生物信息学和计算生物学计算智能(CIBCB)页,51-58锡耶纳,意大利,2019年7月。视图:出版商的网站|谷歌学术搜索
k山h Iso, a Kitamura et al .,“吸烟增加了总在高血压和缺血性中风的风险,”高血压的研究,26卷,不。3、209 - 217年,2003页。视图:出版商的网站|谷歌学术搜索
m·n·麦克唐纳s . l . Hillier s p·胡克a . Le s e·贾德和v . j .霍华德,“运动频率和风险事件发生中风的黑人和白人的美国国家研究,“中风,44卷,不。9日,第2524 - 2519页,2013年。视图:出版商的网站|谷歌学术搜索
d·d·胡j .黄y . Wang,瞿y,“乳制品和中风的风险:一个荟萃分析的前瞻性群组研究,“营养、代谢和心血管疾病,24卷,不。5,460 - 469年,2014页。视图:出版商的网站|谷歌学术搜索
下午索萨,m·a . de Souza, p . b . Mello-Carpes“绿茶和红茶来自茶树部分防止电动机赤字和在大鼠纹状体氧化损伤引起的出血性中风,”神经可塑性卷。2018年,8页,2018。视图:出版商的网站|谷歌学术搜索
j . c, h, y元et al .,“延迟治疗绿茶多酚EGCG促进神经发生在成年小鼠缺血性中风后,“分子神经生物学,54卷,不。5,3652 - 3664年,2017页。视图:出版商的网站|谷歌学术搜索
d . l .想一想de Oliveira迪尼斯那样不知满足、p . r . Barreto p . f . c . de熊和v . m . s . de熊先生,“唤醒中风:临床特点,久坐不动的生活方式,和白天嗜睡,”航空杂志上哒Associacao书Brasileira,卷62,不。7,628 - 634年,2016页。视图:出版商的网站|谷歌学术搜索

计算和数学方法在医学

机器学习和网络生物学和医学的方法2020

文摘