[发明专利]二阶段混合模型的智能辅助医疗决策支持方法

权利要求书

1.一种二阶段混合模型的智能辅助医疗决策支持方法，其特征在于，包括如下步骤： 

S1，基于减聚类方法，对真实的医疗样本数据信息进行加权预处理，将非线性不可分的特征空间转化为可分的线性数据特征空间； 

S2，基于高效的极限学习机模型，利用预处理得到的加权特征数据，通过数据自学习构建医疗决策支持模型； 

S3，基于S2构建的模型，采用真实的医疗数据，对研究对象进行分类预测，从而实现为目标用户提供可靠高效的辅助预测支持。 

2.根据权利要求1所述的二阶段混合模型的智能辅助医疗决策支持方法，其特征在于，该方法采用如下的基本原理对目标用户进行诊断预测： 

医疗数据通常具有维度高且分布复杂，根据其数据的特征分布，利用聚类加权化的方法将数据从非线性不可分的特征空间转化到线性可分的特征空间，将特征相近的数据聚集到一起，提高数据间的分辨关系，基于这种新的数据特征空间，并结合新颖的高效高精度的分类器，进而产生更准确的预测诊断结果。 

3.根据权利要求1所述的二阶段混合模型的智能辅助医疗决策支持方法，其特征在于，基于给定的医疗数据，按照如下方法进行数据的加权预处理： 

将医疗数据用矩阵形式表示，设M(m,n)为矩阵数据，其中m表示样本数目，n表示特征，首先，用减聚类算法计算各簇中心值cluster_center和每个特征的平均值mean； 

其次，按如下公式计算矩阵数据中每一个特征的比值： 

ratios(i,j)=mean(s_j)/cluster_center_j; 

其中，cluster_center_j为第j个簇中心值，mean(s_j)为第s_j个特征的平均值； 

最后，按照如下方法矩阵中的每个数据特征进行加权化处理： 

weighted_features(i,j)=M(m,n)*ratios(i,j)。 

4.根据权利要求1所述的二阶段混合模型的智能辅助医疗决策支持方法，其特征在于，基于加权之后的特征数据，结合新颖的极限学习机分类器，对数据集样本进行十折交叉的自学习训练，构建医疗决策支持模型，十折交叉验证是常用的测试方法，将数据分成十份，轮流将其中九份作为训练数据，一份作为测试数据进行试验，每次都会得出相应的正确率，然后取十次的平均值作为算法精度的估计。 

5.根据权利要求1所述的二阶段混合模型的智能辅助医疗决策支持方法，其特征在于，按照如下方法计算验证测试数据的预测结果： 

其中，真正(True Positive，TP)是指被模型预测为正类的正类样本；假负(False Negative，FN)是指被模型预测为负类的正类样本；假正(False Positive，FP)是指被模型预测为正类的负类样本；真负(True Negative，TN)是指被模型预测为负类的负类样本；根据这四个指标衍生的指标：ACC为预测准确率，即(在医疗诊断领域)正确预测患者或是非患者占总样本数的比例；Sensitivity为灵敏性，即(在医疗诊断领域)预测为患者的结果数占实际为患者样本数的比例；Specificity为特效性，即(在医疗诊断领域)预测为非患者的结果数占实际为非患者样本数的比例。