法律状态公告日
法律状态信息
法律状态
2023-05-05
实质审查的生效 IPC(主分类):G16H50/20 专利申请号:2022114846246 申请日:20221124
实质审查的生效
技术领域
本发明涉及医学信息智能诊断技术领域,尤其涉及基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法。
背景技术
急性膀胱炎为临床常见、多发疾病,需要及时给予有效治疗,避免病程延长,引发复杂性尿路感染,进而造成肾衰竭,由此可见急性膀胱炎患者早期诊断十分重要。膀胱炎数据集提供了详细的患者病情信息。序贯三支决策从粒计算的角度提高了三支决策的有效性,运用多阶段的“三分而治”思想求解复杂动态决策问题,相比于三支决策和传统的二支决策,提高了决策的可靠性与效率。阴影集理论通过三值逻辑映射保留对象的核心模糊信息,减少量化损失,常被用于处理不确定性问题。
目前,在患者治疗过程中,获得正确的诊断结果是对患者最基本的尊重。在医生缺乏经验或者患者病情信息不确定性较强的情况下可能会出现误诊的情况,造成不必要的医疗事故,恶化医患关系。因此,如何在不确定的情况下帮助医生做出正确的诊断,是一个急需解决的问题。
发明内容
本发明的目的在于提供一种基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法,解决了现有的判断急性膀胱炎方法数据量大,增加医生对急性膀胱炎患者的病变情况的判断方面的工作量问题。
本发明是通过如下措施实现的:一种用于基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法,包括以下步骤:
S1:读取膀胱炎数据集,对膀胱炎数据进行预处理,将膀胱炎数据转换为一个四元组决策信息系统S=(U,C∪D,V,f),其中U={x
S2:计算膀胱炎数据集每个属性c的条件信息熵H(D|C-{C
其中,P(B
S3:由膀胱炎数据的一组嵌套属性集合
S4:用
S5:从膀胱炎数据的第一个粒度Des
S6:基于膀胱炎数据第i+1个粒度Des
作为本发明提供的基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法进一步优化方案,所述步骤S5的具体步骤如下:
步骤S5.1:从膀胱炎数据的第一个粒度Des
步骤S5.2:计算膀胱炎数据第i个粒度Des
步骤S5.3:根据阈值α
步骤S5.4:膀胱炎数据第i个粒度Des
步骤S5.5:分别计算膀胱炎数据第i个粒度Des
PreC(Des
PreE(Des
作为本发明提供的基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法进一步优化,所述步骤S6的具体步骤如下:
步骤S6.1:定义惩罚函数P(x)=ln(1+0.1×x);
步骤S6.2:基于膀胱炎数据第i+1个粒度Des
步骤S6.3:根据调整过的膀胱炎数据第i+1个粒度Des
步骤S6.4:基于膀胱炎数据第i+1个粒度Des
步骤S6.5:如果膀胱炎数据第m个粒度Des
步骤S6.6:将膀胱炎数据第m个粒度Des
ω=ω
步骤S6.7:膀胱炎数据核Core(X)和负域Exclusion(X)如公式(25)和公式(26)所示,属于核Core(X)的膀胱炎数据对象x为确诊急性膀胱炎患者,属于负域Exclusion(X)的膀胱炎数据对象x则未患有急性膀胱炎;
与现有技术相比,本发明的有益效果为:
1、针对现有的医学信息分类需要医生人工对比各项属性数据且主观性强等问题,本发明将序贯三支决策模型与阴影集理论进行融合得到医学信息分类结果,辅助医生进行医学判断;
2、本发明通过阴影集减少量化损失,处理不确定性问题,提升部分对象的隶属度到1,降低部分对象的隶属度到0,同时保持整体不确定性的平衡;
3、本发明通过惩罚机制对代价参数进行调整,对不同粒度采取不同的决策阈值,并添加额外的机制解决可能发生的分类不完全的情况,提高分类精度和效率。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,用于解释本发明,并不构成对本发明的限制。
图1为本发明的基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法的流程图。
图2为本发明的基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法的序贯三支阴影模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。当然,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
参见图1至图2,本发明提供其技术方案为,一种用于基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法,包括以下步骤:
S1:读取膀胱炎数据集,对膀胱炎数据进行预处理,将膀胱炎数据转换为一个四元组决策信息系统S=(U,C∪D,V,f),其中U={x
S2:计算膀胱炎数据集每个属性c的条件信息熵H(D|C-{C
其中,P(B
S3:由膀胱炎数据的一组嵌套属性集合
每层的属性集C
S4:用
第一个粒度Des
S5:从膀胱炎数据的第一个粒度Des
S6:基于膀胱炎数据第i+1个粒度Des
作为本发明提供的基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法,所述步骤S5的具体步骤如下:
步骤S5.1:从膀胱炎数据的第一个粒度Des
对于第一个粒度Des
步骤S5.2:计算膀胱炎数据第i个粒度Des
阴影集阈值α
步骤S5.3:根据阈值α
第一个粒度Des
步骤S5.4:膀胱炎数据第i个粒度Des
第二个粒度Des
步骤S5.5:分别计算膀胱炎数据第i个粒度Des
PreC(Des
PreE(Des
计算得到两个粒度的核分类精度和负域分类精度CPc
作为本发明提供的基于惩罚机制的代价敏感序贯三支阴影膀胱炎分类方法,所述步骤S6的具体步骤如下:
步骤S6.1:定义惩罚函数P(x)=ln(1+0.1×x);
步骤S6.2:基于膀胱炎数据第i+1个粒度Des
由于PreC(Des
步骤S6.3:根据调整过的膀胱炎数据第i+1个粒度Des
基于调整过的代价参数,得到α
步骤S6.4:基于膀胱炎数据第i+1个粒度Des
对于第二个粒度Des
步骤S6.5:如果膀胱炎数据第m个粒度Des
由于阴影域Shadow
步骤S6.6:将膀胱炎数据第m个粒度Des
ω=ω
通过α
步骤S6.7:膀胱炎数据核Core(X)和负域Exclusion(X)如公式(38)和公式(39)所示,属于核Core(X)的膀胱炎数据对象x为确诊急性膀胱炎患者,属于负域Exclusion(X)的膀胱炎数据对象x则未患有急性膀胱炎;
完成所有膀胱炎患者的分类,核Core(X)={x
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 基于稀疏性和序贯性的序贯数据分析方法和系统
机译: 用户设备,基站,序贯干扰消除方法和序贯干扰消除控制方法
机译: 用户设备,基站,序贯干扰消除处理方法以及序贯干扰消除控制方法