[發(fā)明專利]一種基于多標簽學習的藏醫(yī)診斷輔助裝置

有效

• 申請?zhí)枺?/td>: 202010026148.8
• 申請日: 2020-01-10
• 公開（公告）號: CN111128375B
• 公開（公告）日: 2021-11-02
• 發(fā)明（設計）人: 李巧勤;鞏小強;劉勇國;楊尚明
• 申請（專利權）人: 電子科技大學
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06K9/62
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 甘茂

1.一種基于多標簽學習的藏醫(yī)診斷輔助裝置，所述裝置包括用于輸入癥狀、證機概要、證候的輸入裝置，以及用于接收所述輸入癥狀、證機概要、證候的分類器，所述分類器由如下過程訓練得到：

步驟1：構建數據集，包括：M份具有治法標簽的慢性腎病案例、簡稱標記案例集，N份無治法標簽的慢性腎病案例、簡稱無標記案例集；

步驟2：基于特征視圖訓練初始分類器

步驟2.1：初始化特征視圖：從標記案例集中隨機抽取1份案例，并將其相應的癥狀、證機概要、證候分別作為3個初始化特征視圖；

步驟2.2：初始分類器訓練：基于標記案例集，使用ML-KNN方法在3個特征視圖上訓練基于癥狀特征的分類器、基于證機概要特征的分類器、基于證候特征的分類器，依次標號為分類器1、2、3；并且在每次訓練過程完成后更新相應的3個特征視圖；重復訓練，直到訓練完所有標記案例為止；

步驟3：優(yōu)化分類器

步驟3.1：分類結果預測：使用訓練所得的3個分類器對無標記案例集進行分類預測，得到預測結果

其中，v表示分類器編號，表示分類器v預測案例j的概率向量，表示在分類器為v的條件下案例j的標簽為t的概率，t＝1,2,...,K，K為治法標簽總數；

步驟3.2：更新預測結果：

其中，表示更新后在分類器為v的條件下案例j的標簽為t的概率，表示更新后分類器v預測案例j的概率向量；

表示案例j與標簽t不相關的概率：

表示案例j與標簽t相關的概率：

C(t_a,t_b)表示標簽t_a與標簽t_b的相關性：

C(t_a,t_b)≠C(t_b,t_a)

其中，表示標記案例集中同時包含標簽t_a和t_b的案例數，表示標記案例集中僅包含標簽t_b的案例數；

步驟3.3：計算預測案例j的全局可靠度：

其中，H^v(j,t)表示案例j在標簽t上的可靠度：

步驟3.4：根據全局可靠度進行降序排列，選擇前n份案例作為可靠案例集B^v，并在3個分類器之間傳遞可靠案例集、且將其于對應的無標記案例集中去除，同時將其添加到有標記案例集中，從而形成新標記案例集，并使用ML-KNN方法在新標記案例集上再次訓練各分類器；

步驟3.5：重復步驟3.1～3.4，直至無標記案例集為空；得到最終訓練的3個分類器；

步驟4：輸出最優(yōu)分類結果：

其中，α、β、γ分別為分類器1、2、3的預設權重，且α+β+γ＝1。