[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

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:（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；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。本發明方法總體上處于靠前的水平。在靈敏度，特異度，準確度三個指標上保持了很好的性能，具有很好的均衡性，對心臟病診斷具有較好的推理性能和泛化能力。

技術領域：本發明提供一種基于粗糙集的知識獲取和推理的方法，屬于數據挖掘及不確定推理領域。本發明可以在知識獲取、故障診斷、專家系統等領域得到廣泛應用。

背景技術：隨著生活環境的改善與生活習慣的改變，癌癥、心臟疾病、糖尿病、高血壓等疾病逐漸成為威脅人類生命的主要殺手，而人類身體健康的問題并非一朝一夕，而是與日常生活緊密相關，不健康的生活所帶來的健康問題日益嚴重，不良的固定模式的生活習慣會導致各種身體問題。因此，對身體狀況的的早期關注、早期改善顯得尤為重要。

常規的模糊推理系統大多由專家經驗建立模糊規則，專家經驗帶有一定的主觀性，而且得到的信息往往不完備、不精確，癥狀也具有復雜性。

發明內容：

發明目的：本發明提供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，其目的是解決以往的知識庫的建立過程中所存在的數據不精確、不完備等問題。本發明首次把基于遺傳算法的粗糙集約簡方法運用到生活方式病的屬性約簡中，首次提出改進的基于屬性重要性的推理方法，考慮規則和每個條件屬性的重要性。

本發明首先利用粗糙集描述構建生理信息知識庫的過程，利用基于遺傳算法的粗糙集約簡方法約簡原有數據的冗余屬性，并提取有效規則構建確定知識庫和不確定知識庫。再利用粗糙集中屬性重要性的概念，得到匹配度概念，引入調解參數，做出正確的推理。

技術方案：

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)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，得到推理結果。

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。

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；