[发明专利]一种生理数据的临床前处理方法及系统

说明书

本发明公开了一种生理数据的临床前处理方法及系统，方法包括：对基于时间序列的生理数据进行预处理；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。本发明具有适用性广、灵活、方便、效率高和精度高的优点，可广泛应用于数据处理领域。

技术领域

本发明涉及数据处理领域，尤其是一种生理数据的临床前处理方法及系统。

背景技术

人体生理数据的常规处理领域，通常采用基于能量代谢守恒法来检测处理人体相关生理参数并建立相关数学模型，从而间接地测量人体的某项指标。目前的代谢热整合法数据模型比较成熟，但该模型只能针对某一项参数或者某一类参数进行处理，而不能统筹处理多种数据，该局限性注定其不适合用来进行多用途监测，特别是不适用于海量数据的监测，因其数据处理成本较高。

许多复杂的疾病（如II型糖尿病的形成原因）尚未被鉴定出来，但是许多医学研究人员认为复杂疾病是由遗传，环境和生活方式等几个因素的组合引起的。由于复杂疾病不具备明显的临床症状，所以越早发现这些复杂疾病可以起到预防病情加重和提早治疗的作用。现代医疗数据库中复杂疾病数据量越来越多，大大增加了数据的可用性，如患者的血糖历史数据；传统的人工分析手段已经略显不足，因此应用数据挖掘技术来发现病情的趋势，可以尽早地发现潜在疾病并推荐有效的诊断决定。

目前数据挖掘已被广泛地应用到医学上。关联规则分析，作为数据挖掘的方法之一，已被应用到包括生物医学在内的很多领域。然而由于其以真实世界的遗传学和生理数据变化测量作为定量属性，目前基于关联规则分析的解决方案是不够的，因为它们不能解释累积效应，只能获取一个变更集内的变化关系。因此，我们需要一个变化检测模型用于捕捉多个变更集分布在每一个时间间隔的变化关系。

有人提出了一个图形理论框架，可以从一个有已知紊乱基因和疾病的关联网络中探索所有已知表型和疾病基因关系。然而，由于当前临床医生和医学研究人员是基于二分图来分享共性病因或病理的，这种框架不能用来处理像图像、文字、视频和数据流等复杂的输入数据，适用性不广。

也有人针对复杂的生理和遗传数据提出了一种关联规则分析框架。虽然他们的工作可以处理复杂的输入数据，并检测复杂数据的变化，但他们在各关联规则所设立的阈值仍然是基于专家的知识，所以其并不能有效地根据具体需要进行优化，不够灵活和方便。

还有人提出了利用支持向量机（SVM）的检测方法，从病人的医疗记录历史数据获取信息。该方法提供了一个为医生和其他人早期发现II型糖尿病患者决策支持的方案。实验结果表明支持向量机有比其他分类算法更好的精度。然而，该方法是基于纯粹的医疗记录的，并不适用于新诊断患者和医疗的突变情况。

另外，目前大多数数据挖掘算法仅针对生理参数进行处理，并使用预定义的阈值来产生关联规则，效率不高。

而在对生理信号处理过程中，现有的机器学习算法无法完全有效解决基因名称的消歧问题（原因在于每种方法都有各自局限性，一种方法对一个数据集有效但不一定对另一个数据集有效），导致现有的算法在学习的过程中无法有效控制该算法的本地行为，精度不高。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种适用性广、灵活、方便、效率高和精度高的，生理数据的临床前处理方法。

本发明的另一目的在于：提供一种适用性广、灵活、方便、效率高和精度高的，生理数据的临床前处理系统。

本发明所采取的技术方案是：

一种生理数据的临床前处理方法，包括以下步骤：