本發(fā)明涉及神經(jīng)網(wǎng)絡(luò)，特別涉及一種基于模糊決策系統(tǒng)的糖尿病腎病分類模型構(gòu)建方法及裝置。

背景技術(shù)：

1、鑒于糖尿病腎病(dn)和非糖尿病性腎臟疾病(ndrd)在治療和預(yù)后方面存在較大差異，故現(xiàn)有的、已經(jīng)公開的解決技術(shù)是通過“腎穿刺活檢”來診斷判定。然而，由于其嚴(yán)重的侵襲性和術(shù)后并發(fā)癥，該技術(shù)在臨床實(shí)踐中受到限制。因此，利用適當(dāng)?shù)募夹g(shù)捕獲重要的病理屬性，挖掘包含多個屬性的生物標(biāo)記物，對評估dn和通過無創(chuàng)診斷方法建立診斷預(yù)測模型具有重要意義。

技術(shù)實(shí)現(xiàn)思路

1、基于此，本申請實(shí)施例提供了一種基于模糊決策系統(tǒng)的糖尿病腎病分類模型構(gòu)建方法及裝置，能夠集中于開發(fā)一個計算效率高的度量指標(biāo)，進(jìn)一步利用特征之間的結(jié)構(gòu)信息來提高分類性能從而對臨床輔助診斷提供了參考。

2、第一方面，提供了一種基于模糊決策系統(tǒng)的糖尿病腎病分類模型構(gòu)建方法，該方法包括：

3、根據(jù)目標(biāo)糖尿病腎病數(shù)據(jù)集，分析確定得到糖尿病腎病檢測指標(biāo)；將各個糖尿病腎病檢測指標(biāo)所對應(yīng)的數(shù)據(jù)導(dǎo)入到spss軟件中，并對數(shù)據(jù)進(jìn)行預(yù)處理；并利用臨近點(diǎn)平均值法對數(shù)據(jù)集中缺失值進(jìn)行處理；根據(jù)預(yù)處理后的活檢數(shù)據(jù)，將數(shù)據(jù)分為dn組數(shù)據(jù)集和ndrd組數(shù)據(jù)集；

4、構(gòu)建糖尿病腎病分類模型；其中，所述糖尿病腎病分類模型具體包括引入markovblanket算法和模糊粗糙集的逼近及模糊不確定性測度，確定基于famb的特征組生成策略；進(jìn)一步基于模糊依賴度的歸屬劃分機(jī)制對重疊的特征進(jìn)行劃分；最后確定具有組結(jié)構(gòu)挖掘的異構(gòu)特征選擇算法，對特征組進(jìn)行篩選和優(yōu)化；

5、通過劃分后的dn組數(shù)據(jù)集和ndrd組數(shù)據(jù)集對所述糖尿病腎病分類模型進(jìn)行訓(xùn)練，直至得到訓(xùn)練完成的糖尿病腎病分類模型。

6、可選地，所述方法還包括：

7、將構(gòu)建的糖尿病腎病分類模型與其他特征選擇算法模型進(jìn)行比對；其中，其他特征選擇算法模型至少包括drgs、fastcfs、fcbf、iwfs、mri、mrmi和n-mrmcr-mi算法；

8、并通過多種分類器確定出分類結(jié)果；其中，分類器至少包括classification?andregression?tree、bayes、k-nearest?neighbor和support?vector?machine分類器；

9、基于分類精度和平均約簡率得到各個模型的評價結(jié)果。

10、可選地，通過matlab軟件實(shí)現(xiàn)模型比對評價，并生成不同算法模型得出所選特征數(shù)量與分類精度的關(guān)系圖。

11、可選地，通過劃分后的dn組數(shù)據(jù)集和ndrd組數(shù)據(jù)集對所述糖尿病腎病分類模型進(jìn)行訓(xùn)練之前，所述方法還包括：

12、通過交叉驗(yàn)證將數(shù)據(jù)集分成訓(xùn)練/測試數(shù)據(jù)集。

13、可選地，根據(jù)目標(biāo)糖尿病腎病數(shù)據(jù)集，分析確定得到糖尿病腎病檢測指標(biāo)中具體包括：

14、患者的id、物理指標(biāo)、診斷結(jié)果，前白蛋白、肌酸激酶、尿素、載脂蛋白a1、低密度脂蛋白膽固醇、白蛋白/球蛋白、腎小球?yàn)V過率、堿性磷酸酶、載脂蛋白b、淀粉酶、α-羥基丁酸脫氫酶、v-谷氨酰轉(zhuǎn)肽酶、間接膽紅素、總鈣、鉀、氯。

15、第二方面，提供了一種基于模糊決策系統(tǒng)的糖尿病腎病分類模型構(gòu)建裝置，該裝置包括：

16、預(yù)處理模塊，用于根據(jù)目標(biāo)糖尿病腎病數(shù)據(jù)集，分析確定得到糖尿病腎病檢測指標(biāo)；將各個糖尿病腎病檢測指標(biāo)所對應(yīng)的數(shù)據(jù)導(dǎo)入到spss軟件中，并對數(shù)據(jù)進(jìn)行預(yù)處理；并利用臨近點(diǎn)平均值法對數(shù)據(jù)集中缺失值進(jìn)行處理；根據(jù)預(yù)處理后的活檢數(shù)據(jù)，將數(shù)據(jù)分為dn組數(shù)據(jù)集和ndrd組數(shù)據(jù)集；

17、構(gòu)建模塊，用于構(gòu)建糖尿病腎病分類模型；其中，所述糖尿病腎病分類模型具體包括引入markov?blanket算法和模糊粗糙集的逼近及模糊不確定性測度，確定基于famb的特征組生成策略；進(jìn)一步基于模糊依賴度的歸屬劃分機(jī)制對重疊的特征進(jìn)行劃分；最后確定具有組結(jié)構(gòu)挖掘的異構(gòu)特征選擇算法，對特征組進(jìn)行篩選和優(yōu)化；

18、訓(xùn)練模塊，用于通過劃分后的dn組數(shù)據(jù)集和ndrd組數(shù)據(jù)集對所述糖尿病腎病分類模型進(jìn)行訓(xùn)練，直至得到訓(xùn)練完成的糖尿病腎病分類模型。

19、可選地，所述裝置還包括：

20、比對模塊，用于將構(gòu)建的糖尿病腎病分類模型與其他特征選擇算法模型進(jìn)行比對；其中，其他特征選擇算法模型至少包括drgs、fastcfs、fcbf、iwfs、mri、mrmi和n-mrmcr-mi算法；并通過多種分類器確定出分類結(jié)果；其中，分類器至少包括classificationandregressiontree、bayes、k-nearest?neighbor和supportvectormachine分類器；基于分類精度和平均約簡率得到各個模型的評價結(jié)果。

21、可選地，通過matlab軟件實(shí)現(xiàn)模型比對評價，并生成不同算法模型得出所選特征數(shù)量與分類精度的關(guān)系圖。

22、可選地，通過劃分后的dn組數(shù)據(jù)集和ndrd組數(shù)據(jù)集對所述糖尿病腎病分類模型進(jìn)行訓(xùn)練之前，還包括：

23、通過交叉驗(yàn)證將數(shù)據(jù)集分成訓(xùn)練/測試數(shù)據(jù)集。

24、可選地，根據(jù)目標(biāo)糖尿病腎病數(shù)據(jù)集，分析確定得到糖尿病腎病檢測指標(biāo)中具體包括：

25、患者的id、物理指標(biāo)、診斷結(jié)果，前白蛋白、肌酸激酶、尿素、載脂蛋白a1、低密度脂蛋白膽固醇、白蛋白/球蛋白、腎小球?yàn)V過率、堿性磷酸酶、載脂蛋白b、淀粉酶、α-羥基丁酸脫氫酶、v-谷氨酰轉(zhuǎn)肽酶、間接膽紅素、總鈣、鉀、氯。

26、本申請實(shí)施例提供的技術(shù)方案構(gòu)建糖尿病腎病分類模型，具體通過引入markovblanket算法和模糊粗糙集的逼近及模糊不確定性測度，確定基于famb的特征組生成策略；進(jìn)一步基于模糊依賴度的歸屬劃分機(jī)制對重疊的特征進(jìn)行劃分；最后確定具有組結(jié)構(gòu)挖掘的異構(gòu)特征選擇算法，對特征組進(jìn)行篩選和優(yōu)化。可以看出，本發(fā)明的有益效果在于能夠集中于開發(fā)一個計算效率高的度量指標(biāo)，進(jìn)一步利用特征之間的結(jié)構(gòu)信息來提高分類性能從而對臨床輔助診斷提供了參考。

技術(shù)特征：

1.一種基于模糊決策系統(tǒng)的糖尿病腎病分類模型構(gòu)建方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的糖尿病腎病分類模型構(gòu)建方法，其特征在于，所述方法還包括：

3.根據(jù)權(quán)利要求2所述的糖尿病腎病分類模型構(gòu)建方法，其特征在于，通過matlab軟件實(shí)現(xiàn)模型比對評價，并生成不同算法模型得出所選特征數(shù)量與分類精度的關(guān)系圖。

4.根據(jù)權(quán)利要求1所述的糖尿病腎病分類模型構(gòu)建方法，其特征在于，通過劃分后的dn組數(shù)據(jù)集和ndrd組數(shù)據(jù)集對所述糖尿病腎病分類模型進(jìn)行訓(xùn)練之前，所述方法還包括：

5.根據(jù)權(quán)利要求1所述的糖尿病腎病分類模型構(gòu)建方法，其特征在于，根據(jù)目標(biāo)糖尿病腎病數(shù)據(jù)集，分析確定得到糖尿病腎病檢測指標(biāo)中具體包括：

6.一種基于模糊決策系統(tǒng)的糖尿病腎病分類模型構(gòu)建裝置，其特征在于，所述裝置包括：

7.根據(jù)權(quán)利要求6所述的糖尿病腎病分類模型構(gòu)建裝置，其特征在于，所述裝置還包括：

8.根據(jù)權(quán)利要求7所述的糖尿病腎病分類模型構(gòu)建裝置，其特征在于，通過matlab軟件實(shí)現(xiàn)模型比對評價，并生成不同算法模型得出所選特征數(shù)量與分類精度的關(guān)系圖。

9.根據(jù)權(quán)利要求6所述的糖尿病腎病分類模型構(gòu)建裝置，其特征在于，通過劃分后的dn組數(shù)據(jù)集和ndrd組數(shù)據(jù)集對所述糖尿病腎病分類模型進(jìn)行訓(xùn)練之前，還包括：

10.根據(jù)權(quán)利要求6所述的糖尿病腎病分類模型構(gòu)建裝置，其特征在于，根據(jù)目標(biāo)糖尿病腎病數(shù)據(jù)集，分析確定得到糖尿病腎病檢測指標(biāo)中具體包括：

技術(shù)總結(jié)
本申請公開了一種基于模糊決策系統(tǒng)的糖尿病腎病分類模型構(gòu)建方法及裝置。在構(gòu)建糖尿病腎病分類模型過程中，具體通過引入Markov?blanket算法和模糊粗糙集的逼近及模糊不確定性測度，確定基于模糊近似馬爾可夫毯(FAMB)的特征組生成策略；進(jìn)一步基于模糊依賴度的歸屬劃分機(jī)制對重疊的特征進(jìn)行劃分；最后確定具有組結(jié)構(gòu)挖掘的異構(gòu)特征選擇算法，對特征組進(jìn)行篩選和優(yōu)化。本發(fā)明能夠集中于開發(fā)一個計算效率高的度量指標(biāo)，進(jìn)一步利用特征之間的結(jié)構(gòu)信息來提高分類性能從而對臨床輔助診斷提供了參考。

技術(shù)研發(fā)人員：肖麗,萬繼紅,張新格,金釗,高原,葉樺,許林,唐攀,王德賢
受保護(hù)的技術(shù)使用者：成都中醫(yī)藥大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19