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

本發(fā)明公開(kāi)了一種生理數(shù)據(jù)的臨床前處理方法及系統(tǒng)，方法包括：對(duì)基于時(shí)間序列的生理數(shù)據(jù)進(jìn)行預(yù)處理；根據(jù)計(jì)算的突變得分采用多維突變檢測(cè)模型和融合多分類器的集成學(xué)習(xí)算法進(jìn)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(jìn)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(jìn)的聚類算法基于非負(fù)矩陣分解理論和自我學(xué)習(xí)機(jī)制，并通過(guò)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(yīng)的連接子圖作為疾病關(guān)聯(lián)網(wǎng)絡(luò)特征。本發(fā)明具有適用性廣、靈活、方便、效率高和精度高的優(yōu)點(diǎn)，可廣泛應(yīng)用于數(shù)據(jù)處理領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，尤其是一種生理數(shù)據(jù)的臨床前處理方法及系統(tǒng)。

背景技術(shù)

人體生理數(shù)據(jù)的常規(guī)處理領(lǐng)域，通常采用基于能量代謝守恒法來(lái)檢測(cè)處理人體相關(guān)生理參數(shù)并建立相關(guān)數(shù)學(xué)模型，從而間接地測(cè)量人體的某項(xiàng)指標(biāo)。目前的代謝熱整合法數(shù)據(jù)模型比較成熟，但該模型只能針對(duì)某一項(xiàng)參數(shù)或者某一類參數(shù)進(jìn)行處理，而不能統(tǒng)籌處理多種數(shù)據(jù)，該局限性注定其不適合用來(lái)進(jìn)行多用途監(jiān)測(cè)，特別是不適用于海量數(shù)據(jù)的監(jiān)測(cè)，因其數(shù)據(jù)處理成本較高。

許多復(fù)雜的疾病（如II型糖尿病的形成原因）尚未被鑒定出來(lái)，但是許多醫(yī)學(xué)研究人員認(rèn)為復(fù)雜疾病是由遺傳，環(huán)境和生活方式等幾個(gè)因素的組合引起的。由于復(fù)雜疾病不具備明顯的臨床癥狀，所以越早發(fā)現(xiàn)這些復(fù)雜疾病可以起到預(yù)防病情加重和提早治療的作用。現(xiàn)代醫(yī)療數(shù)據(jù)庫(kù)中復(fù)雜疾病數(shù)據(jù)量越來(lái)越多，大大增加了數(shù)據(jù)的可用性，如患者的血糖歷史數(shù)據(jù)；傳統(tǒng)的人工分析手段已經(jīng)略顯不足，因此應(yīng)用數(shù)據(jù)挖掘技術(shù)來(lái)發(fā)現(xiàn)病情的趨勢(shì)，可以盡早地發(fā)現(xiàn)潛在疾病并推薦有效的診斷決定。

目前數(shù)據(jù)挖掘已被廣泛地應(yīng)用到醫(yī)學(xué)上。關(guān)聯(lián)規(guī)則分析，作為數(shù)據(jù)挖掘的方法之一，已被應(yīng)用到包括生物醫(yī)學(xué)在內(nèi)的很多領(lǐng)域。然而由于其以真實(shí)世界的遺傳學(xué)和生理數(shù)據(jù)變化測(cè)量作為定量屬性，目前基于關(guān)聯(lián)規(guī)則分析的解決方案是不夠的，因?yàn)樗鼈儾荒芙忉尷鄯e效應(yīng)，只能獲取一個(gè)變更集內(nèi)的變化關(guān)系。因此，我們需要一個(gè)變化檢測(cè)模型用于捕捉多個(gè)變更集分布在每一個(gè)時(shí)間間隔的變化關(guān)系。

有人提出了一個(gè)圖形理論框架，可以從一個(gè)有已知紊亂基因和疾病的關(guān)聯(lián)網(wǎng)絡(luò)中探索所有已知表型和疾病基因關(guān)系。然而，由于當(dāng)前臨床醫(yī)生和醫(yī)學(xué)研究人員是基于二分圖來(lái)分享共性病因或病理的，這種框架不能用來(lái)處理像圖像、文字、視頻和數(shù)據(jù)流等復(fù)雜的輸入數(shù)據(jù)，適用性不廣。

也有人針對(duì)復(fù)雜的生理和遺傳數(shù)據(jù)提出了一種關(guān)聯(lián)規(guī)則分析框架。雖然他們的工作可以處理復(fù)雜的輸入數(shù)據(jù)，并檢測(cè)復(fù)雜數(shù)據(jù)的變化，但他們?cè)诟麝P(guān)聯(lián)規(guī)則所設(shè)立的閾值仍然是基于專家的知識(shí)，所以其并不能有效地根據(jù)具體需要進(jìn)行優(yōu)化，不夠靈活和方便。

還有人提出了利用支持向量機(jī)（SVM）的檢測(cè)方法，從病人的醫(yī)療記錄歷史數(shù)據(jù)獲取信息。該方法提供了一個(gè)為醫(yī)生和其他人早期發(fā)現(xiàn)II型糖尿病患者決策支持的方案。實(shí)驗(yàn)結(jié)果表明支持向量機(jī)有比其他分類算法更好的精度。然而，該方法是基于純粹的醫(yī)療記錄的，并不適用于新診斷患者和醫(yī)療的突變情況。

另外，目前大多數(shù)數(shù)據(jù)挖掘算法僅針對(duì)生理參數(shù)進(jìn)行處理，并使用預(yù)定義的閾值來(lái)產(chǎn)生關(guān)聯(lián)規(guī)則，效率不高。

而在對(duì)生理信號(hào)處理過(guò)程中，現(xiàn)有的機(jī)器學(xué)習(xí)算法無(wú)法完全有效解決基因名稱的消歧問(wèn)題（原因在于每種方法都有各自局限性，一種方法對(duì)一個(gè)數(shù)據(jù)集有效但不一定對(duì)另一個(gè)數(shù)據(jù)集有效），導(dǎo)致現(xiàn)有的算法在學(xué)習(xí)的過(guò)程中無(wú)法有效控制該算法的本地行為，精度不高。

發(fā)明內(nèi)容

為解決上述技術(shù)問(wèn)題，本發(fā)明的目的在于：提供一種適用性廣、靈活、方便、效率高和精度高的，生理數(shù)據(jù)的臨床前處理方法。

本發(fā)明的另一目的在于：提供一種適用性廣、靈活、方便、效率高和精度高的，生理數(shù)據(jù)的臨床前處理系統(tǒng)。

本發(fā)明所采取的技術(shù)方案是：

一種生理數(shù)據(jù)的臨床前處理方法，包括以下步驟：