[發(fā)明專利]一種生理數(shù)據(jù)的臨床前處理方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201610952462.2
• 申請日: 2016-11-02
• 公開（公告）號: CN107358014B
• 公開（公告）日: 2021-01-26
• 發(fā)明（設(shè)計）人: 朱佳;趙淦森
• 申請（專利權(quán)）人: 華南師范大學
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06K9/62
• 代理公司: 廣州嘉權(quán)專利商標事務所有限公司 44205
• 代理人: 胡輝

1.一種生理數(shù)據(jù)的臨床前處理方法，其特征在于：包括以下步驟：

對基于時間序列的生理數(shù)據(jù)進行預處理，所述預處理包括標準化處理以及計算標準化處理后的生理數(shù)據(jù)中每項數(shù)據(jù)的突變得分和所有數(shù)據(jù)的總突變得分，所述生理數(shù)據(jù)包括文本數(shù)據(jù)以及圖像數(shù)據(jù)，其中，文本數(shù)據(jù)包括血糖、2小時血清胰島素、血壓、年齡、性別，圖像數(shù)據(jù)包括視網(wǎng)膜圖像；

根據(jù)計算的突變得分采用多維突變檢測模型和融合多分類器的集成學習算法進行關(guān)聯(lián)規(guī)則分析，并根據(jù)關(guān)聯(lián)規(guī)則分析的結(jié)果得出疾病關(guān)聯(lián)網(wǎng)絡(luò)；

在疾病關(guān)聯(lián)網(wǎng)絡(luò)中采用改進的聚類算法選取疾病關(guān)聯(lián)網(wǎng)絡(luò)特征，并根據(jù)疾病關(guān)聯(lián)網(wǎng)絡(luò)特征和歷史數(shù)據(jù)得出疾病的診斷結(jié)果，所述改進的聚類算法基于非負矩陣分解理論和自我學習機制，并通過調(diào)整子圖的密度從疾病關(guān)聯(lián)網(wǎng)絡(luò)的大圖數(shù)據(jù)中提取相應的連接子圖作為疾病關(guān)聯(lián)網(wǎng)絡(luò)特征；

所述在疾病關(guān)聯(lián)網(wǎng)絡(luò)中采用改進的聚類算法選取疾病關(guān)聯(lián)網(wǎng)絡(luò)特征，并根據(jù)疾病關(guān)聯(lián)網(wǎng)絡(luò)特征和歷史數(shù)據(jù)得出疾病的診斷結(jié)果這一步驟，其包括：

在疾病關(guān)聯(lián)網(wǎng)絡(luò)中采用自我學習機制確定非負矩陣分解理論最佳的劃分類數(shù)，其中，

自我學習機制先給予一個理論上最高的數(shù)字進行聚類，然后在聚類后通過分析各類所含有的核心點及其連接的附加點來不斷調(diào)整類數(shù)的上下邊界，最終得出非負矩陣分解理論最佳的劃分類數(shù)；

根據(jù)確定的劃分類數(shù)采用非負矩陣分解理論從疾病關(guān)聯(lián)網(wǎng)絡(luò)中選出疾病關(guān)聯(lián)網(wǎng)絡(luò)特征，所述非負矩陣分解理論選取關(guān)鍵子圖作為疾病關(guān)聯(lián)網(wǎng)絡(luò)特征；

根據(jù)疾病關(guān)聯(lián)網(wǎng)絡(luò)特征和歷史數(shù)據(jù)進行相似學習，得出疾病的診斷結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種生理數(shù)據(jù)的臨床前處理方法，其特征在于：所述對基于時間序列的生理數(shù)據(jù)進行預處理這一步驟，其包括：

對基于時間序列的生理數(shù)據(jù)進行標準化處理；

根據(jù)標準化處理后的生理數(shù)據(jù)的類型計算每項數(shù)據(jù)的突變得分和所有數(shù)據(jù)的總突變得分：若標準化處理后的生理數(shù)據(jù)為文本數(shù)據(jù)，則采用歐氏距離計算每項數(shù)據(jù)的突變得分和所有數(shù)據(jù)的總突變得分；若標準化處理后的生理數(shù)據(jù)為圖像數(shù)據(jù)，則采用DBSCAN算法來抽取圖像中心線的部分并對每兩個圖像中的每一個像素計算相似度，然后根據(jù)計算的相似度計算每項數(shù)據(jù)的突變得分和所有數(shù)據(jù)的總突變得分。

3.根據(jù)權(quán)利要求2所述的一種生理數(shù)據(jù)的臨床前處理方法，其特征在于：所述預處理還包括對圖像數(shù)據(jù)進行非線性降維的步驟，所述對圖像數(shù)據(jù)進行非線性降維這一步驟，其包括：

在通過DBSCAN算法將圖像數(shù)據(jù)轉(zhuǎn)換為高維空間中的數(shù)據(jù)集合后，對轉(zhuǎn)換后的數(shù)據(jù)進行非線性降維，得到降維后的數(shù)據(jù)；

從降維后的數(shù)據(jù)中找出圖像數(shù)據(jù)在高維數(shù)據(jù)流本征結(jié)構(gòu)中的一維表示向量，并以找出的一維表示向量作為圖像數(shù)據(jù)的特征表達向量。

4.根據(jù)權(quán)利要求1所述的一種生理數(shù)據(jù)的臨床前處理方法，其特征在于：所述根據(jù)計算的突變得分采用多維突變檢測模型和融合多分類器的集成學習算法進行關(guān)聯(lián)規(guī)則分析，并根據(jù)關(guān)聯(lián)規(guī)則分析的結(jié)果得出疾病關(guān)聯(lián)網(wǎng)絡(luò)這一步驟，其包括：

根據(jù)計算的突變得分構(gòu)建多維突變檢測模型；

將基于時間序列的生理數(shù)據(jù)作為源數(shù)據(jù)輸入到多維突變檢測模型中；

在多維突變檢測模型中采用融合多分類器的集成學習算法進行關(guān)聯(lián)規(guī)則分析；

根據(jù)關(guān)聯(lián)規(guī)則分析的結(jié)果得到疾病關(guān)聯(lián)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求4所述的一種生理數(shù)據(jù)的臨床前處理方法，其特征在于：所述在多維突變檢測模型中采用融合多分類器的集成學習算法進行關(guān)聯(lián)規(guī)則分析這一步驟，其包括：

采用不同的分類器對樣本進行分類學習和判斷；

根據(jù)分類器的全局準確率從所有分類方法中選擇效果最佳的前N個分類方法組成集成學習算法，其中，N為集成學習算法包含的分類方法總數(shù)；

根據(jù)集成學習算法中每種分類方法對樣本的判斷結(jié)果采用動態(tài)投票制計算每種分類方法的票數(shù)或權(quán)重，所述動態(tài)投票制在每次投票時綜合根據(jù)本地正確率、多樣化正確率和局部泛化誤差來計算每種分類方法的票數(shù)與權(quán)重，其中，本地正確率是指每次判斷的結(jié)果，

多樣化正確率是指分類器之間的判斷差異；

根據(jù)每種分類方法的票數(shù)或權(quán)重采用oracle方式來融合各分類方法的結(jié)果，得出最后的關(guān)聯(lián)分析結(jié)果。