[发明专利]基于局部学习特征权重选择的医疗数据分类方法及装置

说明书

技术领域

本发明涉及医疗诊断领域，更具体地说，涉及一种基于局部学习特征权重选择的医疗数据分类方法及装置。

背景技术

随着人工智能的发展，计算机技术也在医疗领域中起到了重要的作用，实现医疗领域中的人工智能。计算机技术与众多领域的人类医学专家的大量权威知识经验相融合，开发出医疗诊断系统，可以有效地解决各种临床问题，起到了辅助医生诊断的作用。

在医疗诊断系统中，引入了DNA微阵列技术，即基因芯片，应用基因芯片就可以在同一时间定量的分析大量的基因表达数据的水平，通过这些数据就可以研究生物的本质。但是由于DNA微阵列技术的发展，导致了基因表达数据的爆炸性增长，在这些大量的基因表达数据中选择出重要的基因，对于现有技术提出了新的挑战。

局部超平面(Local Hyperlane，LH-Relief)算法可以实现对大量基因表达数据进行降维，即筛选掉没有用的基因表达数据，选择出重要的基因，减小冗余度的问题。但是该算法对含有噪声的数据以及高位数据的应用中，收敛性不能得到保证，导致算法的计算复杂度高。

因此，如何实现对大量基因数据降维的同时，降低算法的计算复杂度，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于局部学习特征权重选择的医疗数据分类方法，以实现对大量基因数据降维的同时降低算法的计算复杂度。

为实现上述目的，本发明实施例提供了如下技术方案：

一种基于局部学习特征权重选择的医疗数据分类方法，包括：

S101：获取医疗数据的第一样本集，得到第一样本属性；

S102：设置所述第一样本属性的初始权重向量，将所述初始权重向量作为本次权重向量；

S103：通过梯度下降的更新方式对本次权重向量进行更新，得到迭代一次后的下次权重向量；

S104：判断确定规则是否成立，若是，则将所次权重向量作为最终权重向量，执行S105；若否，则将下次权重向量作为本次权重向量，返回S103；其中||w^t+1-w^t||≤θ为确定规则，w^t为本次权重向量，w^t+1为下次权重向量，θ为停止准则；

S105：根据所述最终权重向量进行特征选择，得到特征索引子集；

S106：将所述第一样本集根据所述特征索引子集进行特征选择，得到特征选择后的第二样本集；

S107：获取第一待评估数据，并根据所述特征索引子集进行特征选择得到第二待评估数据；

S108：在所述第二样本集上对第二待评估数据进行分类，得到分类结果。

优选地，所述获取医疗数据的第一样本集，得到第一样本属性，包括：

获取医疗数据的第一样本集，得到第一样本属性，并对所述第一样本集进行离差标准化处理；

优选地，所述通过梯度下降的更新方式对本次权重向量进行更新，得到迭代一次后的下次权重向量，包括：

通过规则对本次权重向量进行更新，得到迭代一次后的下次权重向量w^t+1，J(w)为优化目标函数，通过最大化J(w)＝(z_i^t+1)^Tw^t+1计算得到。

优选地，所述获取第一待评估数据，并根据所述特征索引子集进行特征选择得到第二待评估数据，包括：

获取第一待评估数据，进行离差标准化处理，并根据所述特征索引子集进行特征选择得到第二待评估数据。

优选地，在所述第二样本集上对第二待评估数据进行分类，得到分类结果，包括：

在所述第二样本集上对第二待评估数据利用K近邻分类器进行分类，得到分类结果。

一种基于局部学习特征权重选择的医疗数据分类装置，包括：

第一样本集获取模块，用于获取医疗数据的第一样本集，得到第一样本属性；

初始权重限量设置模块，用于设置所述第一样本属性的初始权重向量，将所述初始权重向量作为本次权重向量；

下次权重向量获取模块，用于通过梯度下降的更新方式对本次权重向量进行更新，得到迭代一次后的下次权重向量；