[发明专利]一种基于NRS-LDA的医疗体检数据识别分析方法

权利要求书

1.一种基于NRS-LDA的医疗体检数据识别分析方法，其特征在于：包括以下步骤：

(1)医疗体检数据的采集：搭建一个主要包含应用区和数据区的医疗体检数据采集系统，获得所需的原始医疗体检数据。

(2)医疗体检数据的属性约简：利用NRS计算出的重要度结果来消除医疗体检数据的冗余属性；

(3)医疗体检数据的特征提取：采用LDA对约简之后的数据做特征提取工作；

(4)RBF神经网络识别模型的参数设置：将处理后的数据集按比例划分为训练集和测试集，在训练集上建立基于K-means聚类的RBF神经网络识别模型；

(5)模型结果测试：将测试集上的数据作为RBF神经网络识别模型的输入，测试RBF神经网络识别模型的分类性能。

2.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法，其特征在于：所述步骤(1)中，该发明搭建一个医疗体检数据采集系统，医疗体检数据采集系统包括数据抽取、清洗转换、数据传输和数据传输服务等模块，其主要分为应用区和数据区，应用区用于存储数据并进行数据清洗、上传等操作，建立临时数据库，数据区用于接收应用层的数据，整合之后上传至数据信息平台，建立标准数据库获取原始医疗体检数据。

3.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法，其特征在于：所述步骤(2)中，利用NRS进行属性约简，其具体步骤如下：

(21)将采集到的医疗体检数据采用最大最小值方法进行归一化处理，归一化公式如下：

(22)计算出归一化后各个条件属性a_i的标准差Stda_i(i＝1,2…n)，标准差公式如下：

(23)根据δ(a_i)＝Stda_i/λ计算各个属性子集的领域半径，其中λ是一个人为设定的参数，取λ＝2，计算出各个属性子集B_i的领域；

(24)计算出决策子集关于各个属性子集的上、下近似，如下式：

(25)决策属性D对条件属性B的依赖度为:

若即依赖度是单调的；

(26)可以求出条件属性a∈C-B在条件属性集B基础上相对于决策属性集D的重要度：

Sig(a,B,D)＝γ_B(D)-γ_B-{a}(D)

由重要度可以得出哪些属性是必要的，哪些属性是冗余的。

4.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法，其特征在于：所述步骤(3)中，利用LDA进行特征提取，进一步消减了约简后数据的维数，减少了分类器的工作量。

5.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法，其特征在于：所述步骤(4)中，训练集和测试集的样本数划分比例为7:3，选取h个中心做K-means聚类，对于高斯函数的径向基、方差可由以下公式求解：

其中c_max为所取中心点之间的最大距离，

隐含层至输出层之间的神经元的连接权值可以用最小二乘法直接计算得到，即对损失函数求解关于w的偏导数，使其等于0，可以化简得到计算公式为：

6.根据权利要求1所述的一种基于NRS-LDA的医疗体检数据识别分析方法，其特征在于：所述步骤(5)中，RBF神经网络识别模型设计起来比较方便且具有局部映射的特性，鲁棒性强且具有较高的准确性，将测试集的数据输入到RBF神经网络识别模型中来分析所建立的RBF神经网络识别模型的分类性能。