[发明专利]一种基于贝叶斯网络过滤的心电图病症确定方法

权利要求书

1.一种基于贝叶斯网络过滤的心电图病症确定方法，其特征在于，其具体操作步骤如下：

步骤(1.1)：使用若干基分类器对实例ob的可能病症标签进行预测；

步骤(1.2)：构建投票器；

步骤(1.3)：将步骤(1.1)中得到的预测结果传入至步骤(1.2)构建的投票器中进行筛选，投票器通过筛选处理后获得锚点病症集AS(ob)和候选病症集CS(ob)；

步骤(1.4)：将锚点病症集AS(ob)和候选病症集CS(ob)的所有子集进行组合，从而获得锚点病症支持集ASP(ob)，所述锚点病症支持集ASP(ob)中的每个元素均是锚点病症集AS(ob)和候选病症集CS(ob)子集的并集，将其记为锚点病症扩展SL_i(ob)；

步骤(1.5)：使用基于贝叶斯狄利克雷似然等价评分的爬山搜索算法构建贝叶斯网络；

其中，所述贝叶斯网络的构建流程图，主要通过因果关系挖掘方法基于BDe评分的爬山法来构建，其主要步骤如下：

步骤1：随机生成初始网络G，定义三个搜索算子：加边算子A、减边算子M、转边算子R，即定义对网络G进行增加边、剪除边以及变换边的方向的三种操作；

步骤2：对当前网络G进行搜索算子操作，更新网络，获取一系列候选网络G1、G2、…、Gm；

步骤3：使用BDe评分函数分别对候选网络G1、G2、…、Gm进行评分，将评分记为S(Gi)，表示候选网络Gi的评分，选取评分最高的网络作为最优候选网络结构，记为G’；

步骤4：若G’的评分大于G的评分，即S(G’)＞S(G)，则更新当前网络G为G’，返回步骤2开始下一轮搜索；否则不更新当前网络，结束搜索，保存当前结构G；

步骤5：使用统计的方式获取病症间的条件概率表CPT；

步骤6：使用步骤4中的保存网络G和步骤5中的条件概率表CPT，建立贝叶斯网络；

步骤(1.6)：利用贝叶斯网络分别计算锚点病症集AS(ob)及锚点病症扩展SL_i(ob)的联合概率，分别记为P(AS(ob))、P(SL_i(ob))。

2.根据权利要求1所述的一种基于贝叶斯网络过滤的心电图病症确定方法，其特征在于，在步骤(1.2)中，构建投票器的操作步骤如下：

(1.2.1)、设置允许模型参与锚点病症集AS(ob)、候选病症集投票CS(ob)的概率阈值；预设将病症加入锚点病症集AS(ob)、候选病症集投票CS(ob)中所需要的投票阈值；

(1.2.2)、遍历一个病症对应的所有基分类器模型的预测结果，该预测结果是模型预测为1的概率值，当预测结果不小于事先设置的概率阈值时，该模型才有资格参与投票，当该模型拥有投票权后，相对应的锚点病症集AS(ob)或候选病症集投票CS(ob)的得票数加1；

(1.2.3)、如锚点病症集AS(ob)的得票数满足其投票阈值条件，则将该病症加入锚点病症集AS(ob)中；否则检查候选病症集CS(ob)的得票数，若满足其投票阈值，则将该病症加入候选病症集CS(ob)中；

(1.2.4)、重复步骤(1.2.1)至(1.2.3)，确定所有病症的归属。

3.根据权利要求1所述的一种基于贝叶斯网络过滤的心电图病症确定方法，其特征在于，在步骤(1.3)中，所述锚点病症集AS(ob)存储的是确定的病症，所述候选病症集CS(ob)存储的需要确认的病症。

4.根据权利要求1所述的一种基于贝叶斯网络过滤的心电图病症确定方法，其特征在于，在步骤(1.6)中，满足下列公式①的病症集SL_i(ob)就是实例ob的预测结果，记为tls(ob)：