[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

摘要

本发明涉及一种基于多标签模型的帕金森病证型的辅助预测方法，包括预测模型的构建、均衡性评估和挖掘预测阶段处理模块；预测模型的构建模块：选定一个主证；选取K个次证；将主证和K个次证组成新的证型集；评估该证型集的均衡性；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；将证型集作为训练数据构建一个多标签模型；均衡性评估，将得到的证型集进行组合；统计证型组合的数量和出现的频率；根据信息熵公式，计算该证型集的熵值；结束；预测阶段，将给定的待预测数据传给得到模型进行分类；将所有模型的分类结果进行投票，得到最终预测结果。该方法解决了多标签分类算法在类别稀疏和不均衡的情况下预测不准确的问题。

主权项

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。