[发明专利]用于治未病的医疗数据挖掘过程中均线趋势参数确定方法

权利要求书

1.用于治未病的医疗数据挖掘过程中均线趋势参数确定方法，其特征在于包括如下步骤：

参数变量定义：

orig：原始数据表；c_orig：时间序列体征数据表；

I：人员编号；Inter：时间间隔常数；

or＝orig[i]：第i号人员的原始数据；cr＝c_orig[i]：第i号人员的时间序列体征数据；

cr_p：当前人员在时间序列体征数据表中的第几个体征数据；

c_time：当前人员在时间序列体征数据表中的第cr_p个体征数据对应的时间；

or.record[or_p].value：当前人员在原始数据表中的第or_p次体检数据；

cr.value[cr_p]：当前人员在时间序列体征数据表中的第cr_p个体征数据；

or.record[or_p].time：当前人员在原始数据表中的第or_p次的体检时间；

next_ov、base：临时变量；

p：为长期均线周期数，q：为短期均线周期数，且p>q；

cr.length：当前人员在时间序列体征数据表中的体征数据个数；

or.length：当前人员在原始数据表中的体检个数；

or.ill_time：当前人员在原始数据表中的发病时间；

arv_p：中间变量，用于记录时间序列体征数据表中第cr_p-p+1个到第cr_p个体征数据的均值；

arv_q：中间变量，用于记录时间序列体征数据表中第cr_p-p+1个到第cr_p个体征数据的均值；

arv_p’：中间变量，用于记录时间序列体征数据表中第cr_p-p个到第cr_p-1个体征数据的均值；

arv_q’：中间变量，用于记录时间序列体征数据表中第cr_p-p个到第cr_p-1个体征数据的均值；

m：时间序列体征数据表中每一行中value值的个数；

nor_p、s：中间变量；w：循环变量；

positive_count：阳性人数；ill_count：发病人数；

f_count：逆转人数；v_count：迟报人数；

turn(k,p,q)：逆转率函数；later(k,p,q)：迟报率函数；

f_table[p,q]：逆转率表中p,q位置对应的值；

v_table[p,q]：迟报率表中p,q位置对应的值；

疾病g对应的体征指标A的原始数据表orig：

其中id字段为被跟踪人员的编号，发病时间为该人员在发现患病后估算得到的初始发病时间，length字段表示该人员总共测量体征指标A的次数；每个record[]字段都记录一次测量体征指标A的结果，每个record有测量时间time和测量得到的值value两个域；其中time表示从格林威治时间1970年01月01日00时00分00秒起至测量采样时为止的总秒数；

表2.时间序列体征数据表c_orig

表3.逆转率表(f_table)

p q123…m120.2130.320.344-1…m

表3.迟报率表(v_table)

p q13…m1020.1430.124-1…m

具体实现步骤如下：

步骤1、计算逆转率f：

即对一个个体的历史体征数据计算是否有阳性趋势的逆转概率；使用均线系统建立趋势模型过滤噪音并发现体征数据变化趋势；采用长期均线(周期数为p)和短期均线(周期数为q)两种均线，其中p＞q，一旦短期均线高于长期均线并且当前周期的体征值高于短期均线，表明趋势成立，均线系统自动过滤了噪音；逆转率函数turn(k，p，q)具体实现如下：

步骤1-1、cr＝c_orig[k]，cr_p＝p-1

步骤1-2、计算arv_p，arv_p＝(cr.value[cr_p-p+1]+cr.value[cr_p-p+2]+...+cr.value[cr_p])/p

步骤1-3、计算arv_q，arv_q＝(cr.value[cr_p-q+1]+cr.value[cr_p-q+2]+...+cr.value[cr_p])/q

步骤1-4、若arv_q>arv_p且cr.value[cr_p]>arv_q，则直接跳转步骤1-6；

步骤1-5、cr_p＝cr_p+1，再对cr_p进行判断，若cr_p<cr.length，则跳转到步骤1-2；否则直接返回0，表示预警阴性，结束；

步骤1-6、s＝p/2，然后对s取整数；

步骤1-7、对nor_p进行赋值，nor_p＝(cr.value[cr_p-p+1]+cr.value[cr_p-p+2]+...+cr.value[cr_p-p+s])/s；

步骤1-8、对循环变量w进行初始赋值，w＝cr_p+1；

步骤1-9、若cr.value[w]<nor_p，返回-1，表示预警逆转，结束；

步骤1-10、w＝w+1，然后对w进行判断，若w小于等于m，且w小于等于cr_p+p，则重新跳转到步骤1-9；

步骤1-11、返回1，表示预警没有逆转，结束；

步骤2、计算迟报率v：

即对一个个体的历史体征数据计算是否有阳性趋势的迟报，迟报率函数later(k,p,q)的具体实现过程如下：

步骤2-1、初始化cr＝c_orig[k]，cr_p＝p-1，然后获取发病时间i_time＝orig[k]；

步骤2-2、计算arv_p，arv_p＝(cr.value[cr_p-p+1]+cr.value[cr_p-p+2]+...+cr.value[cr_p])/p

步骤2-3、计算arv_q，arv_q＝(cr.value[cr_p-q+1]+cr.value[cr_p-q+2]+...+cr.value[cr_p])/q

步骤2-4、若arv_q>arv_p且cr.value[cr_p]>arv_q，则直接跳转到步骤2-7；

步骤2-5、cr_p＝cr_p+1，然后对cr_p进行判断，若cr_p<cr.length，则跳转到步骤2-2；

步骤2-6、直接跳转到步骤2-9；

步骤2-7、若i_time不等于0且cr_p大于等于i_time，则返回1，表示预警迟报，结束；

步骤2-8、若i_time＝＝0，返回0，表示没有生病，结束；否则返回-1，表示生病但预警没有迟报，结束；

步骤2-9、若i_time>0，返回1，表示预警迟报，结束；否则返回0，表示没有生病；

步骤3、构建逆转率表f_table和迟报率表v_table：

步骤3-1、初始化positive_count＝0，ill_count＝0，f_count＝0，v_count＝0，p＝2；

步骤3-2、若p>m，直接执行步骤3-16；

步骤3-3、初始化q＝1；

步骤3-4、若q大于等于p，直接执行步骤3-15；

步骤3-5、初始化k＝1

步骤3-6、若k>n，直接执行步骤3-13；

步骤3-7、初始化赋值t＝turn(k,p,q)，h＝later(k,p,q)；

步骤3-8、若t＝＝-1，则f_count＝f_count+1；

步骤3-9、若t＝＝-1或者t＝＝1，则positive_count＝positive_count+1；

步骤3-10、若h＝＝1,则v_count＝v_count+1；

步骤3-11、若h＝＝-1或者h＝＝1，则ill_count＝ill_count+1；

步骤3-12、k＝k+1，返回步骤3-6；

步骤3-13、若positive_count＝＝0,f_table[p,q]＝-1，

否则f_table[p,q]＝f_count/positive_count；

步骤3-14、若ill_count＝＝0,v_table[p,q]＝0，

否则v_table[p,q]＝v_count/ill_count；

步骤3-15、q＝q+1，跳转到步骤3-4；

步骤3-16、p＝p+1，跳转到步骤3-2；

步骤4、确定参数p和q的值，具体实现如下：

步骤4-1、初始化参数L＝0，P＝-1，Q＝-1，p＝2；

步骤4-2、若p>m，直接执行步骤4-9；

步骤4-3、初始化q＝1

步骤4-4、若q大于等于p，直接执行步骤4-8；

步骤4-5、若f_table[p,q]<0，直接执行步骤4-8；

步骤4-6、若f_table[p,q]*v_table[p,q]<L，

L＝f_table[p,q]*v_table[p,q]，P＝p,Q＝q；

步骤4-7、q＝q+1，跳转到步骤4-4；

步骤4-8、p＝p+1，跳转到步骤4-2；

步骤4-9、返回P,Q。