[发明专利]一种基于特征提取算法的数据特征分类方法

说明书

技术领域

本发明属于临床数据检测和数据挖掘技术领域，具体涉及是一种基于特征提取算法的数据特征分类方法。

背景技术

在现代任何一家医院，重症监护病房(ICU,Intensive Care Unit)都是死亡率最高的部分(8-19％)。因此，实时检测重症监护病房中病人的生命体征，并对其生命体征中的心率和血氧饱和浓度进行特征提取和分析，在防止ICU病人的病情突然恶化甚至是死亡方面起着重要作用。

研究发现，由于生物系统的特质，实时临床数据具有一些独特的功能。现有技术中对临床数据进行分析时存在两个主要问题：首先，在建立模型时往往只考虑病人的一个重要体征，而这难以对多个时间序列进行分析；其次，时间序列数据中包含着丰富的信息，对单一时间序列来讲，有一阶，二阶时间序列特征，还有一些复杂的特征，如趋势波动分析，频谱分析，近似熵等，然而这些特征没有被充分利用。

针对这种情况，本发明提供了一种基于特征提取算法的数据特征分类方法，包括以下步骤：首先，收集正常人的生命体征数据，并构建成数据库N存储；其次，收集病人的生命体征数据S-1；然后，从数据库N中选取与收集的病人生命体征数据S-1相匹配的正常人的生命体征数据N-1，引入特征提取算法，从病人生命体征数据S-1的时间特征序列中提取出呼吸、心率、血氧饱和度、血压这四种最有鉴别能力的特征；再次，从提取的全部特征中选取相应的特征子集；最后，用数据挖掘算法将选取的特征子集进行分类。通过挖掘无线医疗设备检测的实时的、高频率的病人生命体征数据，在防止病人临床恶化以及为可能出现的死亡提供早期预警方面起了重要作用，适用性强，提高了工作效率。

发明内容

本发明的目的是克服现有技术中的不足，充分利用时间序列数据中的信息，同时对多个特征数据进行提取和分类，使诊断更加准确有效。

为此，本发明提供了一种基于特征提取算法的数据特征分类方法，包括如下步骤：

步骤一、收集正常人的生命体征数据，并构建成数据库N存储，通过无线医疗监控系统收集实时的、高频率的正常人的生命体征数据；

步骤二、收集病人的生命体征数据S-1，通过无线医疗监控系统收集实时的、高频率的病人的生命体征数据；

步骤三、从数据库N中选取与收集的病人的生命体征数据S-1相匹配的正常人的生命体征数据N-1，引入特征提取算法，从病人的生命体征数据S-1的时间特征序列中提取出呼吸、心率、血氧饱和度、血压这四种最具有鉴别能力的特征；所述步特征提取算法包括如下步骤：

(3.1)用趋势波动分析算法获取病人的生命体征数据S-1与正常人的生命体征数据N-1的线性拟合特征数据；

设时间序列为{x(i)},1≤i≤N,定标指数的计算过程如下：

(3.1.1)构造去均值的和序列：

其中

(3.1.2)把和序列Y(i)不重叠地分解成长度为n的不重叠的片段(片段个数N_n≡[N/n])。由于数据长度N不一定是时间尺度n的整数倍，为了不忽视剩余部分数据，从Y(i)的另一端开始重复划分一次，这样一共得到2Nn个片段。

(3.1.3)从每一个片段序列v中去除其趋势Y_n(i)＝Y(i)-p_v(i)。其中趋势p_v(i)为第v个片段的拟合多项式，多项式的阶次n可以为1(线性)，2(平方)，3(立方)，甚至更高。

(3.1.4)求2Nn个去趋势片段的均方根，即DFA波动函数：

由不同的去趋势阶次n得到的波动函数F(s)表示为F⁽ⁿ⁾(s)。如果原始序列x(i)为长程幂函数相关的，则波动函数以幂函数增加，F⁽ⁿ⁾(n)与n的依赖关系为：

F⁽ⁿ⁾(n)∝n^α

其中，α(≠1/2)成为定标函数。