[发明专利]基于多标签模型的帕金森病证型的辅助预测方法

权利要求书

1.基于多标签模型的帕金森病证型的辅助预测方法，其特征是包括三个模块：预测模型的构建、均衡性评估和挖掘预测阶段处理模块；

1)预测模型的构建模块的流程：

a.选定一个主证；

b.选取K个次证；

c.将主证和K个次证组成新的证型集；

d.评估该证型集的均衡性；

e.若均衡性满足条件，则确定了主证与次证的关联性，否则返回b；

f.将证型集作为训练数据构建一个多标签模型；

g.结束；

2)均衡性评估

a.将1)-c得到的证型集进行组合；

b.统计证型组合的数量和出现的频率；

c.根据信息熵公式，计算该证型集的熵值；

d.结束；

3)预测阶段

a.将给定的待预测数据传给1)-f得到模型进行分类；

b.将所有模型的分类结果进行投票，得到最终预测结果。

c.结束；

1)-a中，因为所有证型都有可能成为主证，因此采用逐个遍历证型的方法；

1)-b,c,d中，选取K个次证，K首先取0，也就是将主证单独作为一个证型集，若不满足均衡条件，将K逐渐递增，取0,1,2,3···此外，当K值变大时，次证的选取组合就会变多；为了取得全局最优的组合，能遍历所可能性，取均衡性最优的组合；或随机的抽取一些组合提高效率，但是得到的是局部最优的组合；

1)-e中，一旦确认了证型集，就可确立主证与次证的关联性；

1)-f中，采用Label Powerset多标签分类算法构建模型；一个证型集对应训练一个模型；

2)-a中，原数据中使用01标注患者是否诊断有该证型，采用二进制编码的方式对证型集进行组合；

2)-b中，统计出证型组合的数量和每种组合出现的频率；

2)-c中，信息熵的公式为：-Σp_ilog₂(p_i)；为了方便K取不同值时，比较不同证型集之间的熵值，归一化熵值：-Σp_ilog₂(p_i)log₂(C)，p_i为某种组合出现的频率；

3)-a中，将待预测的数据分别传给1)-f中构建的模型，每个模型都将得到一个预测结果；

3)-b中，根据中医治疗帕金森病的经验，患者患证的可能性有两种：只患有一种证型，或者患有一个主证和一个次证；由预测模型的建立阶段可知，每个模型都是由一个主证和K个次证组成的数据集训练获得，因此每个模型的预测结果都将是一个主证和若干次证出现的概率。

2.根据权利要求1所述的基于多标签模型的帕金森病证型的辅助预测方法，其特征是，首先将根据所有模型预测出来的主证的概率进行排序，将概率最高的主证作为最终的预测结果。次证是由主证所在的模型决定的，所有次证中出现概率最高的为最终预测结果；以上主证和次证出现的概率均以50％为阈值，低于50％的无效。当主证模型中无有效的次证，则该主证为最终预测结果。