[發明專利]基于粗糙集的醫療輔助檢查系統知識獲取和推理方法

有效

• 申請號: 201610032248.5
• 申請日: 2016-01-18
• 公開（公告）號: CN105718726B
• 公開（公告）日: 2019-01-11
• 發明（設計）人: 于霞;李鐵鑫
• 申請（專利權）人: 沈陽工業大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06N5/04
• 代理公司: 沈陽智龍專利事務所(普通合伙) 21115
• 代理人: 周智博;宋鐵軍

1.一種基于粗糙集的醫療輔助檢查系統知識獲取和推理方法，其特征在于該方法的步驟如下：

(1)利用粗糙集理論對生理信息數據進行數據挖掘，構建知識庫:

1)進行數據預處理，即對采集到的原始數據進行量化處理，根據數據離散化準則處理數據，確定條件屬性和決策屬性，形成決策數據表；

2)進行屬性約簡，即在保持屬性分類能力不變的前提下，利用基于遺傳算法的粗糙集約簡方法進行屬性約簡，刪除其中不相關或不重要的屬性；

3)進行屬性值約簡，即去除每條規則中冗余的屬性值，得到簡化的決策數據表；

4)進行規則提取，即根據約簡后的屬性決策數據表，合并相同或相關的規則，計算規則的支持度和準確度，提取出支持度高的規則；

5)進行知識庫的構建，根據支持度，構建確定醫學知識庫和非確定醫學知識庫；

(2)由構建的知識庫根據改進的基于屬性重要性的推理方法得到推理結果；

1)分別計算當前輸入與確定醫學知識庫和非確定醫學知識庫中的已有規則的匹配度；

2)分別將確定醫學知識庫和非確定醫學知識庫匹配度進行降序排列，取前三個匹配度高的結果，引入調節參數k，得到推理結果；

該方法的實現過程分為兩部分：基于粗糙集理論的生理信息知識庫的構建；改進的基于屬性重要性的推理方法：

輸入數據與知識庫中規則進行匹配，有下列三種情況：

1)只有一條規則的前件與輸入數據完全匹配；

2)多條規則的前件與輸入數據完全匹配；

3)多條規則的前件與輸入數據部分匹配；

所以，考慮規則每一個前件的重要性非常有必要，而且屬性重要性完全可以作為一種啟發知識應用到推理過程中：

屬性重要性的定義：δ_CD(C')＝γ_C(D)-γ_C-C'(D)其中C代表條件屬性，D代表決策屬性；

支持度的定義：α＝Support(R_i),R為規則，α匹配相應規則的對象數目；

定義匹配度：其中β為準確度，f代表條件屬性與規則屬性匹配上；

推理過程：

(1)當前輸入與一條規則前件匹配，每個屬性依次匹配，并將之求和temp_ε，即temp_ε+＝temp_ε，則temp_ε為當前規則中能夠匹配上的所有前件的屬性重要性之和；獲得所有約簡屬性重要性之和，記做rule_ε；

(2)計算匹配度ε＝temp_ε/rule_ε*β_i；

(3)重復步驟1和步驟2，直到遍歷了所有的規則；

(4)為獲得的所有匹配度進行降序排列，取前三個匹配度較高的用作推理；進行歸一化處理：求出三個匹配度之和記作sum，求出輸出為0的匹配度之和記作sum₀，求出輸出為1的匹配度之和記作sum₁；

(5)輸出γ＝sum₀/sum*0+sum₁/sum*1；

(6)分別在確定規則數據庫和不確定數據庫就行(1)－(5)步驟，得到輸出γ₁，γ₂，引入調節參數k＝∑Support(R_確定)/Support(R)，則最終輸出γ＝k*r₁+γ₂*(1-k)，0<k<1；γ介于0和1之間。

2.根據權利要求1所述的基于粗糙集的醫療輔助檢查系統知識獲取和推理方法，其特征在于：步驟(1)的步驟2)中利用基于遺傳算法的粗糙集約簡方法進行屬性約簡，以及首次利用改進的基于屬性重要性的推理方法并引入確定醫學知識庫和不確定醫學知識庫。

3.根據權利要求2所述的基于粗糙集的醫療輔助檢查系統知識獲取和推理方法，其特征在于：利用基于遺傳算法的粗糙集約簡方法進行屬性約簡，其過程如下：

1)計算核屬性；

2)利用核屬性進行種群的初始化；

3)根據適應度函數計算適應度；

4)如果達到最大迭代次數或者適應度平均值在連續若干代沒有發生變化的時刻作為終止條件，返回最優染色體，否則進行遺傳操作。

4.根據權利要求2所述的基于粗糙集的醫療輔助檢查系統知識獲取和推理方法，其特征在于：首次利用改進的基于屬性重要性的推理方法，其過程如下：

1)分別計算當前輸入與確定醫學知識庫和非確定醫學知識庫中的已有規則的匹配度；然后分別將確定醫學知識庫和非確定醫學知識庫匹配度進行降序排列，取前三個匹配度高的結果，引入調節參數k，考慮規則的重要性，得到推理結果。