[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

摘要

本发明公开了一种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。本发明首先计算逆转率f，即在给定p,q参数的趋势模型下出现趋势阳性信号，但在趋势阳性信号开始的p个周期内，有任意一次测量值回落到该个体趋势阳性信号出现前第p‑1/2p个周期的均值以下的个体比例。逆转率越低信号的特异性越高。其次计算迟报率v，即在给定p,q参数的趋势模型下，出现趋势阳性信号的时间在发病时间之后人占总发病人数的比例。迟报率越低信号的灵敏度越高。最后综合考虑逆转率和迟报率，使L＝fv，选择具有最小L值得(p,q)对。本发明针对未发病时的预警特点，提出逆转率和迟报率两个指标及其分析方法，用来确定参数的最佳推荐值。

主权项

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…m1     20.21    30.320.34   4‑1    …     m     表3.迟报率表(v_table)p q13…m10   20.14   30.12   4‑1   …    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。