[發明專利]特征提取方法、電子裝置及醫療案例相似度模型構建方法

在審

• 申請號: 202010182104.4
• 申請日: 2020-03-16
• 公開（公告）號: CN111310857A
• 公開（公告）日: 2020-06-19
• 發明（設計）人: 楊斌;李琴;吳一多;馬婷婷;張建
• 申請（專利權）人: 青島百洋智能科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 青島清泰聯信知識產權代理有限公司 37256
• 代理人: 徐艷艷

1.一種醫療輔助決策模型的特征提取方法，其特征在于，含有以下步驟：

根據含有本體屬性的醫療診療案例數據集構建樣本訓練集，樣本總量為P，特征數量為N，設定近鄰的樣本數量為k；

通過構建的改進的ReliefF算法模型計算每個特征相應的權重，并根據每個特征權重的大小對特征進行排序；所述改進的ReliefF算法模型表示為：

式中，W(F)為特征F的權重，diff(F,R₁,R₂)為樣本R₁,R₂在特征F上的距離差，H_j為第j個樣本H，M_j(C)為類的第j個樣本M，q為權重系數；其中，

以權重大于0為條件初步進行特征選擇；

對初步選擇后的特征按照從大到小重新排序，利用FWKNN算法模型計算準確率，選擇準確率最高的特征組合作為最終特征。

2.如權利要求1所述的醫療輔助決策模型的特征提取方法，其特征在于，從樣本訓練集中隨機選擇一個樣本R，遍歷所有的樣本，從與樣本R同類的樣本中尋找k個最近鄰樣本H，從與樣本R不同類的樣本中尋找k個最近鄰樣本M，通過公式(1)更新特征權重，改進的ReliefF算法模型構建完成。

3.如權利要求2所述的醫療輔助決策模型的特征提取方法，其特征在于，FWKNN算法模型采用剔除的方式通過留一交叉驗證方法選擇最終特征，其具體步驟為：

將初步選擇的特征及其權重集合S，順序按照權重大小從高到低排序；

設置最小特征集的數量K，設置驗證準確率的存儲列表集L；

通過FWKNN算法模型計算集合S的準確率，將集合S的特征及權重和計算的集合S的準確率存儲至存儲列表集L，剔除集合S中最后一個特征，得到特征集i；通過FWKNN算法模型計算特征集i的準確率，將特征集i的特征及權重和計算的特征集i的準確率存儲至存儲列表集L，剔除特征集i中最后一個特征，更新特征集i，重復上述步驟，直至特征集i中特征的數量等于K；

比較存儲列表集L中特征集的準確率大小，取最大值對應特征集作為選擇的最終特征及權重。

4.一種電子裝置，該電子裝置包括處理器、存儲器以及存儲在所述存儲器并可在所述處理器上與進行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1至3任一項所述的醫療輔助決策模型的特征提取方法的步驟。

5.一種醫療案例相似度模型的構建方法，其特征在于，采用如權利要求1至3任意一項所述的醫療輔助決策模型的特征提取方法提取最終特征及權重，基于最終特征及權重采用FWKNN算法選擇最優相似病例，醫療案例相似度模型構建完成。