[发明专利]一种生理数据的临床前处理方法及系统

权利要求书

1.一种生理数据的临床前处理方法，其特征在于：包括以下步骤：

对基于时间序列的生理数据进行预处理，所述预处理包括标准化处理以及计算标准化处理后的生理数据中每项数据的突变得分和所有数据的总突变得分，所述生理数据包括文本数据以及图像数据，其中，文本数据包括血糖、2小时血清胰岛素、血压、年龄、性别，图像数据包括视网膜图像；

根据计算的突变得分采用多维突变检测模型和融合多分类器的集成学习算法进行关联规则分析，并根据关联规则分析的结果得出疾病关联网络；

在疾病关联网络中采用改进的聚类算法选取疾病关联网络特征，并根据疾病关联网络特征和历史数据得出疾病的诊断结果，所述改进的聚类算法基于非负矩阵分解理论和自我学习机制，并通过调整子图的密度从疾病关联网络的大图数据中提取相应的连接子图作为疾病关联网络特征；

所述在疾病关联网络中采用改进的聚类算法选取疾病关联网络特征，并根据疾病关联网络特征和历史数据得出疾病的诊断结果这一步骤，其包括：

在疾病关联网络中采用自我学习机制确定非负矩阵分解理论最佳的划分类数，其中，

自我学习机制先给予一个理论上最高的数字进行聚类，然后在聚类后通过分析各类所含有的核心点及其连接的附加点来不断调整类数的上下边界，最终得出非负矩阵分解理论最佳的划分类数；

根据确定的划分类数采用非负矩阵分解理论从疾病关联网络中选出疾病关联网络特征，所述非负矩阵分解理论选取关键子图作为疾病关联网络特征；

根据疾病关联网络特征和历史数据进行相似学习，得出疾病的诊断结果。

2.根据权利要求1所述的一种生理数据的临床前处理方法，其特征在于：所述对基于时间序列的生理数据进行预处理这一步骤，其包括：

对基于时间序列的生理数据进行标准化处理；

根据标准化处理后的生理数据的类型计算每项数据的突变得分和所有数据的总突变得分：若标准化处理后的生理数据为文本数据，则采用欧氏距离计算每项数据的突变得分和所有数据的总突变得分；若标准化处理后的生理数据为图像数据，则采用DBSCAN算法来抽取图像中心线的部分并对每两个图像中的每一个像素计算相似度，然后根据计算的相似度计算每项数据的突变得分和所有数据的总突变得分。

3.根据权利要求2所述的一种生理数据的临床前处理方法，其特征在于：所述预处理还包括对图像数据进行非线性降维的步骤，所述对图像数据进行非线性降维这一步骤，其包括：

在通过DBSCAN算法将图像数据转换为高维空间中的数据集合后，对转换后的数据进行非线性降维，得到降维后的数据；

从降维后的数据中找出图像数据在高维数据流本征结构中的一维表示向量，并以找出的一维表示向量作为图像数据的特征表达向量。

4.根据权利要求1所述的一种生理数据的临床前处理方法，其特征在于：所述根据计算的突变得分采用多维突变检测模型和融合多分类器的集成学习算法进行关联规则分析，并根据关联规则分析的结果得出疾病关联网络这一步骤，其包括：

根据计算的突变得分构建多维突变检测模型；

将基于时间序列的生理数据作为源数据输入到多维突变检测模型中；

在多维突变检测模型中采用融合多分类器的集成学习算法进行关联规则分析；

根据关联规则分析的结果得到疾病关联网络。

5.根据权利要求4所述的一种生理数据的临床前处理方法，其特征在于：所述在多维突变检测模型中采用融合多分类器的集成学习算法进行关联规则分析这一步骤，其包括：

采用不同的分类器对样本进行分类学习和判断；

根据分类器的全局准确率从所有分类方法中选择效果最佳的前N个分类方法组成集成学习算法，其中，N为集成学习算法包含的分类方法总数；

根据集成学习算法中每种分类方法对样本的判断结果采用动态投票制计算每种分类方法的票数或权重，所述动态投票制在每次投票时综合根据本地正确率、多样化正确率和局部泛化误差来计算每种分类方法的票数与权重，其中，本地正确率是指每次判断的结果，

多样化正确率是指分类器之间的判断差异；

根据每种分类方法的票数或权重采用oracle方式来融合各分类方法的结果，得出最后的关联分析结果。