[发明专利]一种疼痛波动性的特征选取方法、装置、存储介质及设备

说明书

本发明实施例涉及一种疼痛波动性的特征选取方法、装置、存储介质及设备，该方法通过对集合数据进行处理过程中加入时间间隔变量，得到疼痛波动性数据，使得改进后的疼痛波动性数据能够受到时间间隔的影响，进而更准确地体现疼痛严重程度随时间的变化情况；之后基于逻辑回归的LASSO回归方式对LASSO回归预测模型输出的特征结果进行特征选择，得到第一特征数据并将其与随机森林预测模型输出的特征结果进行特征选择的第二特征数据、第三特征数据和第四特征数据进行综合，使被选的结果特征具有代表性和普遍性，保证预测患者疼痛模型的可解释性，并依然保持预测结果的较高准确率，解决了现有患者疼痛的预测模型中特征选取缺乏代表性和普遍性的问题。

技术领域

本发明涉及科学信息技术领域，尤其涉及一种疼痛波动性的特征选取方法、装置、存储介质及设备。

背景技术

疼痛是当前最常见的健康相关问题之一，也是患者寻求医疗帮助的最常见原因之一，因此采用疼痛分析患者身体健康情况的应用越来越广泛，预测患者疼痛随时间的变化就是其中之一。预测患者疼痛随时间的变化指的是患者在规定随访期间，会记录若干次自己的疼痛严重程度和其他情况，每次根据自己的疼痛感觉来为自己打分，这个分数就是疼痛严重程度分数。

预测患者疼痛随时间的变化情况之前，要先对疼痛严重程度分数这个指标有一个明确的定义，最早该指标被定义为：一个患者记录的所有疼痛严重程度分数的平均值，但该定义方式的疼痛严重程度分数缺乏严谨性，因为一位患有慢性疼痛的患者，他的疼痛严重程度往往不会随时间而变化，因此即便该患者的平均疼痛严重程度分数很高，也不能说明他的疼痛严重程度随时间而剧烈变化。随着信息科学的进步，Matthew J.Worley等人提出了疼痛波动指数的概念，即患者每周记录的一次疼痛严重程度分数，与标准疼痛轨迹对应的那次疼痛严重程度分数作差取绝对值，最后求得平均值，就是疼痛波动指数。QuaziAbidur Rahman等人则提出了疼痛波动性的概念，即患者相邻两次疼痛严重程度分数之差取绝对值，最后求得平均值，就是波动率，也即疼痛波动性。上述提出的疼痛波动指数和疼痛波动性虽可以体现患者疼痛变化的大致情况，但由于缺少时间因素在里面，所以并不能准确体现患者疼痛随时间的变化情况。

现有对患者疼痛波动性的预测工作中，由于特征较多，不能很好的体现患者疼痛的预测模型的可解释性，对于预测模型的可解释性这方面的解决方法，目前采用Gini杂质准则、信息增益准则和Boruta算法进行特征选择，将各方法得到的结果特征进行综合，减少了预测模型一定的特征数量，提高预测模型的可解释性。但是上述方法均是在随机森林预测模型使用的，即得到的结果特征是从随机森林中提取出来的，而对于其他使用到的预测模型，如基于逻辑回归的LASSO回归，并没有对它们进行特征选择，因此导致结果特征缺乏代表性和普遍性。

发明内容

本发明实施例提供了一种疼痛波动性的特征选取方法、装置、存储介质及设备，用于解决现有患者疼痛的预测模型中特征选取缺乏代表性和普遍性，导致预测的患者疼痛波动性结果不准确的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

一种疼痛波动性的特征选取方法，包括以下步骤：

获取患者的疼痛严重程度分数的集合数据，对所述集合数据加入时间间隔变量进行分析处理，得到疼痛波动性数据；

采用五重交叉验证对LASSO回归模型和随机森林模型的疼痛波动性数据进行训练，得到LASSO回归预测模型和随机森林预测模型；

采用逻辑回归的LASSO回归方式对所述LASSO回归预测模型输出的特征结果进行特征选择，得到第一特征数据；

采用Gini杂质准则、信息增益准则、Boruta算法分别对所述随机森林预测模型输出的特征结果进行特征选择，得到第二特征数据、第三特征数据和第四特征数据；