[发明专利]特征提取方法、电子装置及医疗案例相似度模型构建方法

权利要求书

1.一种医疗辅助决策模型的特征提取方法，其特征在于，含有以下步骤：

根据含有本体属性的医疗诊疗案例数据集构建样本训练集，样本总量为P，特征数量为N，设定近邻的样本数量为k；

通过构建的改进的ReliefF算法模型计算每个特征相应的权重，并根据每个特征权重的大小对特征进行排序；所述改进的ReliefF算法模型表示为：

式中，W(F)为特征F的权重，diff(F,R₁,R₂)为样本R₁,R₂在特征F上的距离差，H_j为第j个样本H，M_j(C)为类的第j个样本M，q为权重系数；其中，

以权重大于0为条件初步进行特征选择；

对初步选择后的特征按照从大到小重新排序，利用FWKNN算法模型计算准确率，选择准确率最高的特征组合作为最终特征。

2.如权利要求1所述的医疗辅助决策模型的特征提取方法，其特征在于，从样本训练集中随机选择一个样本R，遍历所有的样本，从与样本R同类的样本中寻找k个最近邻样本H，从与样本R不同类的样本中寻找k个最近邻样本M，通过公式(1)更新特征权重，改进的ReliefF算法模型构建完成。

3.如权利要求2所述的医疗辅助决策模型的特征提取方法，其特征在于，FWKNN算法模型采用剔除的方式通过留一交叉验证方法选择最终特征，其具体步骤为：

将初步选择的特征及其权重集合S，顺序按照权重大小从高到低排序；

设置最小特征集的数量K，设置验证准确率的存储列表集L；

通过FWKNN算法模型计算集合S的准确率，将集合S的特征及权重和计算的集合S的准确率存储至存储列表集L，剔除集合S中最后一个特征，得到特征集i；通过FWKNN算法模型计算特征集i的准确率，将特征集i的特征及权重和计算的特征集i的准确率存储至存储列表集L，剔除特征集i中最后一个特征，更新特征集i，重复上述步骤，直至特征集i中特征的数量等于K；

比较存储列表集L中特征集的准确率大小，取最大值对应特征集作为选择的最终特征及权重。

4.一种电子装置，该电子装置包括处理器、存储器以及存储在所述存储器并可在所述处理器上与进行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的医疗辅助决策模型的特征提取方法的步骤。

5.一种医疗案例相似度模型的构建方法，其特征在于，采用如权利要求1至3任意一项所述的医疗辅助决策模型的特征提取方法提取最终特征及权重，基于最终特征及权重采用FWKNN算法选择最优相似病例，医疗案例相似度模型构建完成。