[發(fā)明專(zhuān)利]一種基于內(nèi)省學(xué)習(xí)的案例推理屬性權(quán)重調(diào)整方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111166411.4
• 申請(qǐng)日: 2021-09-30
• 公開(kāi)（公告）號(hào): CN113792879A
• 公開(kāi)（公告）日: 2021-12-14
• 發(fā)明（設(shè)計(jì)）人: 張春曉;朱青松;徐美德;師寧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京電子科技職業(yè)學(xué)院
• 主分類(lèi)號(hào): G06N5/04
• 分類(lèi)號(hào): G06N5/04;G06N5/02;G06K9/62;G16H50/20
• 代理公司: 北京卓愛(ài)普專(zhuān)利代理事務(wù)所(特殊普通合伙) 11920
• 代理人: 王玉松

本發(fā)明提出一種案例推理的屬性權(quán)重調(diào)整應(yīng)用程序及心血管病診斷裝置，其中的應(yīng)用程序包括檢索相似案例模塊、更新屬性權(quán)重模塊、歸一化模塊和計(jì)算最優(yōu)權(quán)重模塊。本發(fā)明通過(guò)借鑒內(nèi)省學(xué)習(xí)的原理對(duì)權(quán)重進(jìn)行全局優(yōu)化調(diào)整，可以隨著案例庫(kù)的更新對(duì)權(quán)重進(jìn)行迭代學(xué)習(xí)，達(dá)到提高CBR系統(tǒng)性能的目的。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能領(lǐng)域及醫(yī)療輔助系統(tǒng)技術(shù)領(lǐng)域，具體涉及一種基于內(nèi)省學(xué)習(xí)的案例推理屬性權(quán)重調(diào)整方法。

背景技術(shù)

脈搏波中蘊(yùn)藏著豐富的心血管生理病理信息，脈搏波的波形特征如形態(tài)、強(qiáng)度、速率與節(jié)律等信息與心血管狀態(tài)密切相關(guān)，臨床上常利用脈搏波檢測(cè)設(shè)備分析心血管功能。脈搏波檢測(cè)設(shè)備可以得到大量波形特征信息，利用這些波形數(shù)據(jù)對(duì)心血管病的診斷提供輔助決策支持具有現(xiàn)實(shí)意義。

案例推理(CBR)是人工智能領(lǐng)域一種較新的問(wèn)題求解和機(jī)器學(xué)習(xí)方法，其基本思想是利用過(guò)去解決類(lèi)似問(wèn)題的經(jīng)驗(yàn)案例(或稱(chēng)源案例)進(jìn)行推理求解新問(wèn)題(或稱(chēng)目標(biāo)案例)。利用案例推理對(duì)脈搏波數(shù)據(jù)所代表的心血管狀態(tài)進(jìn)行診斷時(shí)，可利用以前檢測(cè)的脈搏波及相應(yīng)的診斷結(jié)果建立歷史案例庫(kù)，當(dāng)有新的待診波形時(shí)，首先從歷史庫(kù)中檢索出與當(dāng)前待診斷脈搏波波形參數(shù)相似的歷史記錄，然后根據(jù)這些相似歷史記錄中的診斷結(jié)果為當(dāng)前波形提供建議的診斷結(jié)果，該建議可為人們的日常檢測(cè)或醫(yī)生的臨床檢查提供輔助決策支持。

現(xiàn)有的將CBR應(yīng)用于醫(yī)療輔助系統(tǒng)的技術(shù)，如中國(guó)專(zhuān)利CN110974260A公開(kāi)的一種基于腦電特征的案例推理抑郁癥識(shí)別系統(tǒng)，通常案例檢索的成功與否直接關(guān)系到整個(gè)系統(tǒng)的性能優(yōu)劣。CBR的檢索目標(biāo)是快速有效地從案例庫(kù)中找到盡可能少的與問(wèn)題描述最相似的案例。在檢索策略方面主要有知識(shí)導(dǎo)引策略、模板檢索策略以及KNN檢索策略等。其中，以相似度為檢索原則的KNN策略得到了廣泛關(guān)注，但這種策略對(duì)于噪聲或者不相關(guān)的數(shù)據(jù)比較敏感。這一問(wèn)題的解決通常依賴(lài)于給案例屬性分配不同的權(quán)重。確定權(quán)重的方法主要有主觀法和客觀法，主觀分析常用的定權(quán)方法有：專(zhuān)家咨詢(xún)法、調(diào)查統(tǒng)計(jì)法、無(wú)差異折衷法、相關(guān)分析法等，也包括應(yīng)用較為廣泛的層次分析法。由于這些傳統(tǒng)的主觀分析法過(guò)分依賴(lài)于主觀判斷和經(jīng)驗(yàn)，會(huì)給相似案例檢索的準(zhǔn)確性造成影響。于是，一些客觀分析法被相繼提出，例如，遺傳算法、信息熵等，但這些方法一旦確定權(quán)重便不再調(diào)整，即使案例庫(kù)處于不斷更新之中，實(shí)際是一種消極學(xué)習(xí)方式。因此，有必要從新的角度探索權(quán)重的動(dòng)態(tài)調(diào)整方法，賦予其積極學(xué)習(xí)能力。

發(fā)明內(nèi)容

為了賦予應(yīng)用案例推理的醫(yī)療輔助系統(tǒng)積極學(xué)習(xí)能力，使其能夠解決權(quán)重的動(dòng)態(tài)調(diào)整的技術(shù)問(wèn)題，本發(fā)明提出的技術(shù)方案包括以下三個(gè)方面的內(nèi)容：

第一方面，提出一種案例推理的屬性權(quán)重調(diào)整應(yīng)用程序，包括以下模塊：

檢索相似案例模塊，被配置為：

獲取心血管病案例的訓(xùn)練集B，遍歷所述B中的所有N個(gè)目標(biāo)案例，

對(duì)于每個(gè)目標(biāo)案例進(jìn)行包括如下步驟的迭代：

從心血管病案例的歷史集A中檢索出K個(gè)與所述目標(biāo)案例最相似案例；

若所述最相似案例中有被正確分類(lèi)的案例，更新所述被正確分類(lèi)的案例的屬性權(quán)重；

更新屬性權(quán)重模塊，被配置為：

增加所述被正確分類(lèi)的案例與所述目標(biāo)案例相匹配的屬性的權(quán)重；

減少所述被正確分類(lèi)的案例與所述目標(biāo)案例不匹配的屬性的權(quán)重；歸一化模塊，被配置為：

按式I計(jì)算得到歸一化后的屬性權(quán)重：

其中，ω″_i(t)表示第i項(xiàng)屬性在第t次所述迭代后并歸一化的權(quán)重，ω′_i(t)表示第i項(xiàng)屬性在在第t次所述迭代后的權(quán)重，i＝1,2，…，m，t＝1，2，…，N，m表示屬性總數(shù)，N表示所述B中的案例個(gè)數(shù)，即所述迭代次數(shù)；