一种诊断精神分裂症的系统及其应用的制作方法

1.本发明属于生物医学领域，具体涉及一种诊断精神分裂症的系统及其应用。


背景技术：

2.精神分裂症是最严重的精神疾病之一，全世界有2000万人受到影响。精神分裂症多在青壮年缓慢或亚急性起病，临床上往往表现为症状各异的综合征，涉及感知觉、思维、情感和行为等多方面的障碍以及精神活动的不协调。患者一般意识清楚，智能基本正常，但部分患者在疾病过程中会出现认知功能的损害。研究表明，认知缺陷是与精神分裂症相关的显著神经功能障碍的核心特征之一，并且通常与预后不良相关。此外，脉冲前抑制(ppi)被认为是反映精神分裂症患者信息处理缺陷的指标，脉冲前抑制是基于电生理测量得到的，ppi呈现中等效应大小。此外，脑电图(eeg)是一种非侵入性电生理测量方法，广泛应用于评估大脑对外部刺激的神经反应。eeg功率谱描述了每个频带的功率分布，通常用于精神分裂症研究。近年来出现了更先进的脑电分析方法，如dfa方法(detrended fluctuation analysis)、lrtc(long-range temporal correlations)方法。
3.目前的精神分裂症的诊断金标准是在国际疾病分类第11版(icd-11)或《精神疾病诊断和统计手册》第5版(dsm-5)的基础上建立的。这些诊断方法依赖于描述性精神病理学，在一定程度上受精神病医生的主观判断的影响。因此，客观地测量并诊断精神分裂症是临床医生的迫切需要。然而，由于病因和临床变异的异质性，我们仍然缺乏诊断精神分裂症的标志物。


技术实现要素：

4.为提供更适于临床使用的精神分裂症诊断系统，本发明基于logistics算法、随机森林算法、xgboost算法开发了包括神经认知特征和/或电生理特征的诊断系统。
5.特征组合
6.一方面，本发明提供了一种诊断精神分裂症的特征组合，所述特征组合包括属于神经认知特征或电生理特征中的至少两种特征；
7.所述神经认知特征选自imm(即刻记忆力，immediate memory)、lan(语言能力，language functioning)、att(注意力，attention)、dem(delayed memory，延迟记忆力)、int-c(颜色干扰下时长，color interference time)、int-w(字义干扰下时长，word interference time)。
8.所述电生理特征选自ppi，abs-t(θ频段绝对功率，absolute theta power)、abs-a(α频段相对功率)、abs-afp/ao(额枕区α频段绝对功比值，absolute power afp/ao ratio)、abs-(d+t)/(a+b)(绝对功率δ+θ/α+β)、rel-d(δ相对功率，relative delta power)、rel-t(θ相对功率，relative theta power)、rel-a/b(相对功率α/β)、dfa-a(α频段dfa)、dfa-b(β频段dfa)。
9.优选地，所述神经认知特征是通过rbans或stroop测试方法测量得到的。
10.优选地，所述电生理特征是通过脑电图检测后分析得到的。
11.优选地，所述ppi包括psc-ppi(知觉空间融合ppi，perceived spatial co-location prepulse inhibition)、pss-ppi(知觉空间分离ppi，perceived spatial separation prepulse inhibition)。
12.优选地，所述特征组合选自以下任意一组：
13.1)imm、lan、att、dem、int-c、int-w；
14.2)psc-ppi、pss-ppi、abs-t、abs-a、abs-afp/ao、abs-(d+t)/(a+b)、rel-d、rel-t、rel-a/b、dfa-a、dfa-b；
15.3)1)和2)的合集。
16.优选地，所述imm、lan、att、dem是通过rbans测量的到的。
17.优选地，所述int-c、int-w是通过stroop测试测量得到的。
18.优选地，所述psc-ppi、pss-ppi是通过震惊反射测试得到的。
19.优选地，所述abs-t、abs-a、abs-afp/ao、abs-(d+t)/(a+b)、rel-d、rel-t、rel-a/b、dfa-a、dfa-b是通过脑电图测试得到的。
20.系统
21.另一方面，本发明提供了一种诊断精神分裂症的系统，所述系统包括根据任意一种诊断特征或任意一种诊断特征组合的检测结果诊断受试者是否患有精神分裂症的计算装置；
22.所述诊断特征包括imm、lan、att、dem、int-w、ppi、dfa-a、dfa-b；
23.所述诊断特征组合选自nsf、esf、asf；
24.所述nsf包括imm、lan、att、dem、int-c、int-w；
25.所述esf包括psc-ppi、pss-ppi、abs-t、abs-a、abs-afp/ao、abs-(d+t)/(a+b)、rel-d、rel-t、rel-a/b、dfa-a、dfa-b；
26.所述asf是nsf和esf的合集。
27.优选地，所述ppi包括psc-ppi、pss-ppi。
28.以上诊断特征的cohen's d值皆大约0.5，auc皆大于0.7，单独作为诊断特征时就可以有较好的诊断效果。
29.本发明所述“nsf”是neurocognitive selected features的缩写，也称为神经认知特征子集。
30.本发明所述“esf”是electrophysiological selected features的缩写，也称为电生理特征子集。
31.本发明所述“asf”是all selected features的缩写，也就是nsf和esf的合集，也称为全特征集。
32.优选地，所述系统还包括神经特征检测装置和/或电生理检测装置：
33.所述神经特征检测装置包括：
34.1)用于运行rbans的第一神经特征检测装置；
35.2)用于运行stroop测试的第二神经特征检测装置；
36.所述电生理检测装置包括：
37.1)用于运行人类震惊反射系统检测的第一电生理检测装置；
38.2)用于运行脑电图系统的第二电生理检测装置；
39.优选地，所述系统还包括用于输入受试者信息的信息收集装置；
40.优选地，所述受试者信息包括任意一种诊断特征或任意一种诊断特征组合的检测结果、人口统计学信息、临床特征信息。
41.优选地，所述诊断结果包括患有精神分裂症、未患有精神分裂症。
42.优选地，所述系统还包括使用logistics算法、随机森林算法、xgboost算法中任意一种方法建模的建模装置。
43.所述logistics算法、随机森林算法、xgboost算法是指将前述神经认知特征子集、电生理特征子集或全特征集分别通过相关算法构建成模型。
44.优选地，所述系统还包括用于发送诊断结果的结果发送装置，所述结果发送装置可以将诊断结果发送到患者或医护人员可以查阅的信息通信终端装置。
45.本发明所述“算法”包括logistics算法、随机森林算法、xgboost算法。
46.设备
47.另一方面，本发明提供了一种诊断精神分裂症的设备，所述设备包括：存储器和处理器；
48.所述存储器用于存储程序指令；
49.所述处理器用于调用程序指令，当程序指令被执行时，用于执行建立模型和/或诊断的操作：
50.优选地，所述建立模型的操作步骤是使用logistics算法、随机森林算法、xgboost算法中任意一种方法处理诊断特征组合；
51.优选地，所述诊断的操作步骤是：
52.1)获得来着于受试者的任意一种诊断特征或任意一种诊断特征组合的检测结果；
53.2)根据任意一种诊断特征或任意一种诊断特征组合计算受试者是否患有精神分裂症；
54.3)显示诊断结果。
55.所述诊断特征包括imm、lan、att、dem、int-w。
56.所述诊断特征组合包括nsf、esf、asf；
57.所述nsf包括imm、lan、att、dem、int-c、int-w；
58.所述esf包括psc-ppi、pss-ppi、abs-t、abs-a、abs-afp/ao、abs-(d+t)/(a+b)、rel-d、rel-t、rel-a/b、dfa-a、dfa-b；
59.所述asf是nsf和esf的合集。
60.计算机可读存储介质
61.另一方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现建立模型的方法和/或诊断方法：
62.所述建立模型的方法包括使用logistics算法、随机森林算法、xgboost算法中任意一种方法处理诊断特征组合；
63.所述诊断方法包括以下步骤：
64.1)获得来着于受试者的任意一种诊断特征或任意一种诊断特征组合的检测结果；
65.2)根据任意一种诊断特征或任意一种诊断特征组合的检测结果计算受试者是否
患有精神分裂症；
66.3)显示诊断结果。
67.应用
68.另一方面，本发明提供了imm、lan、att、dem、int-w、psc-ppi、pss-ppi、dfa-a、dfa-b在制备诊断精神分裂症的产品中的应用。
69.另一方面，本发明提供了前述特征组合、系统、设备、计算机可读存储介质在制备诊断精神分裂症的产品中的应用。
70.方法
71.另一方面，本发明提供了一种建立诊断诊断精神分裂症的模型的方法，所述方法包括使用logistics算法、随机森林算法、xgboost算法中任意一种方法处理诊断特征组合；
72.所述诊断特征组合选自神经认知特征子集、电生理特征子集、全特征集。
73.同时，本发明提供了该方法建立的模型在制备诊断精神分裂症的产品中的应用。
74.另一方面，本发明提供了一种诊断精神分裂症的方法，所述方法包括：
75.1)获得来着于受试者的前述任意一种诊断特征或任意一种诊断特征组合的检测结果；
76.2)根据任意一种诊断特征或任意一种诊断特征组合的检测结果计算受试者是否患有精神分裂症。
附图说明
77.图1是nsf、esf、asf使用logistics算法构建的模型的诊断roc曲线，纵坐标为敏感性，横坐标为特异性。
78.图2是nsf、esf、asf使用随机森林算法构建的模型的诊断roc曲线，纵坐标为敏感性，横坐标为特异性。
79.图3是nsf、esf、asf使用xgboost算法构建的模型的诊断roc曲线，纵坐标为敏感性，横坐标为特异性。
80.图4是使用logistics算法构建的模型的诊断散点图，nsf拟合值作为水平坐标，esf拟合值作为纵向坐标。
81.图5是使用随机森林算法构建的模型的诊断散点图，nsf拟合值作为水平坐标，esf拟合值作为纵向坐标。
82.图6是使用xgboost算法构建的模型的诊断散点图，nsf拟合值作为水平坐标，esf拟合值作为纵向坐标。
具体实施方式
83.下面结合实施例对本发明做进一步的说明，以下所述，仅是对本发明的较佳实施例而已，并非对本发明做其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更为同等变化的等效实施例。凡是未脱离本发明方案内容，依据本发明的技术实质对以下实施例所做的任何简单修改或等同变化，均落在本发明的保护范围内。
84.实施例1、影响因素筛选及验证
85.1、实验对象
86.这项研究中共69名精神分裂症患者和50名健康对照者参与。研究人员通过美国精神障碍诊断统计手册第四版(dsm-iv)结构化临床访谈(scid)工具确认诊断。所有受试者均为右利手，听力评估(纯音测听，1000hz)正常。精神分裂症患者登记的纳入标准如下：
87.1)所有临床稳定受试者均无神经系统疾病或头部外伤史，
88.2)在过去六个月内无电休克治疗史，
89.3)无酒精/药物依赖或滥用史(烟草除外)。
90.由于病情不稳定或智商低于70，患者被排除在外。
91.在本研究期间，所有患者照常接受抗精神病药物治疗。健康对照组(con)与精神分裂症组(scz)性别、年龄、受教育年限和吸烟史匹配。健康对照组的排除标准包括药物滥用、自杀风险、重大头部创伤和神经精神障碍。
92.在签署知情同意书之前，每位受试者都收到了参与研究的目的和程序的详细说明。北京安定医院独立伦理委员会批准了本研究。采用阳性和阴性症状量表(panss)对患者进行精神病理学评估。详细人口统计学和临床特征如表1。
93.表1.健康对照组和精神分裂症组的人口学和临床特征
[0094][0095]
注：a表示卡方检验的p值；b表示独立样本t检验的p值。
[0096]
2、神经认知评估
[0097]
我们使用可重复的成套神经心理状态测量(rbans)对受试者的神经认知功能进行评估。rbans评估了五个认知领域：imm、dem、vc、att、lan。除rbans外，还进行了stroop测试。每个受试者被要求完成两个干扰任务，并记录颜色干扰下时长(int-c)和字义干扰下时长(int-w)。
[0098]
在这部分实验中，共提取了5个rbans特征(imm、dem、vc、att、lan)和2个stroop特征(int-c、int-w)。
[0099]
3、电生理评估
[0100]
3.1震惊反射测量(前脉冲抑制测量)
[0101]
受试者舒适地坐在躺椅上，手臂以自然姿势完全放松。利用人类震惊反射定制系统(北京天鸣宏远公司生产)通过记录右眼轮匝肌记录肌电信号测量听觉震惊反射。电极阻
抗保持在《5kω。此外，肌电图经带通滤波至100-1000hz，并放大10，000倍。听觉惊吓刺激通过两个耳机双耳呈现。利用声压校正仪(larson davis,audit and system 824)进行声压校正。
[0102]
实验环境：听觉隔音屏蔽室中进行，保持一定光亮和温度。
[0103]
声音素材：所需声音素材皆由使用matlab函数库中的“randn()”生成，抽样率为48khz。生成后的高斯噪声通过512阶、截止频率为10khz的低通数字滤波器得到宽带噪声，作为背景噪声。另外生成长度为150ms宽带噪声的前刺激声音，及长度为40ms宽带噪声的惊刺激声音。为避免能量飞溅现象，每个声音刺激都是在前脉冲刺激声音及惊跳刺激声音引入后再滤波。声音信号利用声卡(audio codec'97)输入到sennheiser hd600耳机呈现给被试。利用声压校正仪(larson davis，audit and system 824)进行声压校正。以下是各声音具体参数，a)背景声：白噪声，分为左声道或右声道领先3ms，持续时间15s，声压级60db；b)前刺激：白噪声，分为左声道或右声道领先3ms，持续时间150ms，声压级65db；c)惊刺激：白噪声，持续时间40ms，100db。
[0104]
测试流程：嘱被试坐在检查椅上，于右眼瞳孔下、外侧1.5cm贴2个ag/agcl电极记录眼轮匝肌电活动，于右乳突贴电极作为地线。眼睛距眼动仪显示器60cm。全身肌肉放松，嘱实验过程中尽量保持清醒，双眼注视屏幕，尽量保持头部固定不动。首先是对对各声音素材进行学习，每个声音素材学习3遍，对所有被试给予相同的指导语，背景声和前刺激需被试分辨左声道或右声道领先，对被试进行单眼3点刻度眼动校准，嘱被试注视前方十字，开始测试。
[0105]
测试范式：前刺激持续时间为150ms，分为左领先及右领先。前刺激与背景声(左领先和右领先)呈现出2种知觉空间分离状态(前刺激左领先，背景声右领先；前刺激右领先，背景声左领先)，每种状态重复5次。前刺激和惊刺激间隔120ms。仅有惊刺激的试次为7次。具体可见图2-1。
[0106]
统计指标：刺激前500ms记为基线s0；仅含惊刺激记为s1，同时含前刺激记为s2；计算肌电变化百分比1-(s2-s0)/(s1-s0)；肌电最大值潜伏期；肌电最大反应速度；持续注意水平(如持续盯住十字的时间)。
[0107]
在这部分实验中，共提取了2个特征知觉空间分离ppi和知觉空间融合ppi(psc-ppi，pss-ppi)。
[0108]
3.2脑电记录与处理
[0109]
3.2.1 eeg数据预处理
[0110]
受试者舒适地坐在躺椅上，闭上眼睛，保持放松和安静5分钟。使用脑电图系统(egi，electrical geodesics，inc.，america.)以1000hz采样率采集脑电数据，以cz作为参考。在matlab(matlab release 2017b，mathworks，inc.)中使用eeglab(v2019.1)和fieldtrip工具箱对eeg数据进行离线预处理。首先将eeg原始数据降采样至500hz，并将带通滤波至0.5-45hz.。对于每个受试者的脑电数据，使用eeglab通过独立成分分析(ica，算法：runica)进行伪迹去除。ica成分使用eeglab插件iclabel工具进行分类。眼动、眨眼、心跳、肌肉活动或其他伪迹通过ica算法分离，并插值坏导。然后，手动检查eeg数据以验证伪迹消除情况，剔除坏段。
[0111]
最后，将所有电极重参考至全脑平均。
[0112]
3.2.2功率谱特征
[0113]
使用快速傅里叶变换(fft、welch方法、2秒滑动窗口、50％重叠、0.5hz频率步长)评估每个电极的功率谱密度(psd)，得出范围为0.5-45赫兹。频带选择如下：δ(1.0-4.0hz)、θ(4.0-8.0 9/19hz)、α(8.0-14.0hz)、β(14.0-30.0hz)。d、t、a、b分别表示δ、θ、α和β频带。通过左半球(fp1、f3、c3、p3、o1、f7、t3、t5)和右半球(fp2、f4、c4、p4、o2、f8、t4、t6)α带的平均功率计算al和ar。(d+t)l和(d+t)r的平均值为左右半球δ和θ的总和。afp和ao通过平均fp通道(fp1，fp2)和o通道(o1，o2)中的α带功率计算。对于每个电极，计算每个频带的绝对功率(abs)和相对功率(rel)。
[0114]
在psd中，共提取了20个特征：abs-d、abs-t、abs-a、abs-b、abs-a/t、abs-a/b、abs-(d+t)/(a+b)、abs-(d+t)l/(d+t)r、abs-al/ar、abs-afp/ao、rel-d、rel-t、rel-a、rel-b、rel-a/t、rel-a/b、rel-(d+t)/(a+b)、rel-(d+t)l/(d+t)r、rel-al/ar、rel-afp/ao，具体参见表2。
[0115]
3.2.3去趋势波动(dfa)特征
[0116]
dfa是一种基于无标度理论的分析方法，用于估计幂律形式的长程时间相关性(lrtc)。也就是说，如果时间序列数据具有缓慢衰减的自相关的非随机时间结构，则dfa可以量化这些相关性衰减的速度，如dfa幂律指数所示。一些证据表明dfa反映了大脑的成熟，可能被证明是神经发育障碍病理生理学的潜在生物标志物。
[0117]
dfa的计算使用神经生理学生物标记物工具箱(nbt：http://www.nbtwiki.net/)。首先，所有电极分别以δ、θ、α和β振荡进行过滤。然后从每个频带生成振幅包络。
[0118]
最后，每个参与者估计每个电极的dfa值，并分别存储每个频带的dfa值。dfa-d、dfa-t、dfa-a、dfa-b通过在δ、θ、α和β频带中平均所有电极来计算。
[0119]
3.2.4分形维数(fd)特征
[0120]
大脑复杂性可以描述为在纯随机性(如白噪声)和无变异性(恒定性或纯周期性)之间的中间情况下，在eeg信号中观察到的高度结构化的时间结构。我们使用了eeglab插件myfractal(https://github.com/ramicodes/myfractal)计算每个电极的fd。
[0121]
最后，通过平均所有电极的fd值来提取fd特征。
[0122]
4、统计分析
[0123]
使用r软件(版本3.6.3)在rstudio(版本1.2.5033，rstudio，inc.)中进行统计。人口统计学和基本临床数据，包括性别、年龄、受教育年限、吸烟史、病程、发病年龄、氯丙嗪等效剂量，以及panss总分、panss阳性分、panss阴性分和panss一般精神病理学分。除性别和吸烟史外，所有人口统计学和临床变量均以平均值
±
sds表示。采用独立t检验和卡方检验评估con和scz在人口统计学、临床变量、神经认知和电生理学方面的潜在差异。根据benjamini-hochberg方法，计算错误发现率(fdr)以调整多次测试的p值。p《0.05被认为具有统计学意义。
[0124]
5、分类
[0125]
所有分析均使用r3.6.3进行。为了选择用于scz和con分类的最佳特征，我们首先评估了每个特征的分类能力。使用自编译函数计算每个特征的cohen’s d值。每个特征的受试者操作特征曲线(roc)分析是使用r中的proc软件包创建。每个特征的roc值包括准确性、敏感性、特异性和roc曲线下面积(auc)。
[0126]
将所有特征分为两类：神经认知特征和电生理特征。使用rfe函数(r caret软件包)用于通过多元递归特征消除方法选择特征。rfe首先使用bagged树算法使模型适合所有特征。根据每个特征对模型的重要性对其进行排序。在特征选择的每次迭代中，保留已排序的特征，重新装配模型并评估性能。每组特征的最终选择基于10倍交叉验证。
[0127]
然后得到了两个最佳子集(神经认知特征集nsf和电生理特征集esf)和一个组合特征集asf(包含前述神经认知特征集和电生理特征集)。
[0128]
在确定以上三个特征集合后，使用logistic算法(r统计数据包)、随机森林算法(r随机森林包)和xgboost算法(r xgboost包)从三个特征集中估计分类模型。
[0129]
最后，使用10倍交叉验证方法来验证这些模型的性能。然后对验证结果进行平均。通过准确性、敏感性和特异性评估分类性能。此外，还使用roc曲线评估了各模型的性能。
[0130]
实验结果1：scz和con之间所有特征的统计比较
[0131]
表2.从神经认知和电生理评估中提取的所有特征的统计比较结果
[0132]
[0133][0134]
注：*p《0.05；**p《0.01；***p《0.001。
[0135]
所有特征的统计分析结果如表2所示。总的来说，scz和con的所有神经认知特征在统计学上存在差异。还可以观察到，两组之间的所有ppi特征显著不同。在脑电功率谱特征中，只有abs-t、abs-afp/ao、rel-d、rel-t有统计学意义的差异。此外，con的θ波段dfa(dfa-t)低于scz，而在α和β波段con显著高于scz(dfa-a，dfa-b)。scz组和con组的fd无显著性差异。在所有功能中，imm、lan、att、dem、pss-ppi和dfa-b的p值均小于0.001。
[0136]
实验结果2：单特征的诊断性能
[0137]
为了选择区分scz和con的最佳特征，我们首先评估每个特征的cohen's d和roc值。roc值包括准确性(％)、敏感性(％)、特异性(％)和auc(％)。
[0138]
如表3所示，共有14个特征的cohen's d值大于0.5达到了中等效应以上的水平，包括imm、vc、lan、att、dem、int-c、int-w、psc-ppi、pss-ppi、abs-t、abs afp/ao、rel-t、dfa-a、dfa-b。其中，lan、tt、dem和pss-ppi的cohen’s d大于0.8，表示大效应水平；imm的cohen’s d达到1.42显示出非常大的效应水平。在roc值方面，神经认知特征表现出比电生理特征更好的表现。imm是最具神经认知特征的分类方法，准确度为84.03％，其auc达到91.87％。
[0139]
表3.cohen's d与单特征分类性能
[0140][0141]
注：*cohen's d值一列，灰色标注的表格代表cohen's d值》0.5，达到中等效应以上；
[0142]
*auc值一列，灰色标注的表格代表auc》70％，达到准确诊断的标准。
[0143]
有5个来自神经认知特征(imm、lan、att、dem、int-w)的auc大于70％，显示这些特
征具有可用于开发辅助诊断精神分裂症工具的潜力。pss-ppi是最佳的潜在电生理特征，准确度为80.67％，其auc为84.32％。
[0144]
有4个电生理特征(psc-ppi、pss-ppi、dfa-a、dfa-b)的auc大于70％，显示这些特征具有可用于开发辅助诊断精神分裂症工具的潜力。
[0145]
实验结果3：特征组合的分类性能
[0146]
使用多元递归特征消除方法选择神经认知特征集和电生理特征集，以求能最大程度的区分con和scz。此外，使用10倍交叉验证进行模型验证，以防止过度拟合。
[0147]
最终得到的神经认知特征子集(nsf子集)包含imm、lan、tt、dem、int-c、int-w。电生理特征子集(esf子集)包含psc-ppi、pss-ppi、abs-t、abs-a、abs-afp/ao、abs-(d+t)/(a+b)、rel-d、rel-t、rel-a/b、dfa-a、dfa-b。asf集是如上两个特征子集的合集。
[0148]
然后，使用logistics算法、随机森林算法、xgboost算法，从nsf子集、esf子集和asf集建立分类模型。在此基础上，采用10倍交叉验证法对这些模型进行评估。最后，精神分裂症患者概率的拟合值介于0到1之间。通过将截止值设置为0.5，计算准确度、敏感性、特异性，然后根据拟合值评估roc曲线并计算auc。
[0149]
这些模型评估指标(准确性、敏感性、特异性和auc)如表4所示。图1-3显示了每个模型的roc曲线。从表4和图1-3中可以看出，无论采用何种算法，通过包含所有选定特征集开发的模型都显示出较好的分类性能。nsf子集模型和esf子集模型显示出大致相当的分类准确度，但在auc值范围内，nsf子集模型显示出比esf子集更好的性能。
[0150]
此外，在所有比较的算法中，xgboost算法在精度和auc方面都表现得更加稳定和准确。采用xgboost算法的asf集合模型达到了最优的诊断效果。
[0151]
为了更好地展示这三种算法中分类能力的差异，我们使用nsf子集拟合值作为水平坐标，esf子集拟合值作为纵向坐标创建散点图(图4-6)。与logistic算法相比，random forest和xgboost算法的拟合值在该图中分布更为密集。这也表明random forest和xgboost算法在区分精神分裂症患者和健康人方面提供了更好的性能。
[0152]
表4.特征组合的分类性能
[0153]