CN102682210A - 一种用于电子病历属性约简的自适应蛙群进化树设计方法 - Google Patents

一种用于电子病历属性约简的自适应蛙群进化树设计方法 Download PDF

Info

Publication number
CN102682210A
CN102682210A CN2012101397419A CN201210139741A CN102682210A CN 102682210 A CN102682210 A CN 102682210A CN 2012101397419 A CN2012101397419 A CN 2012101397419A CN 201210139741 A CN201210139741 A CN 201210139741A CN 102682210 A CN102682210 A CN 102682210A
Authority
CN
China
Prior art keywords
evolution
subtree
frog
attribute
chadogram
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012101397419A
Other languages
English (en)
Other versions
CN102682210B (zh
Inventor
丁卫平
王建东
董建成
管致锦
施佺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Original Assignee
Nantong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN201210139741.9A priority Critical patent/CN102682210B/zh
Publication of CN102682210A publication Critical patent/CN102682210A/zh
Application granted granted Critical
Publication of CN102682210B publication Critical patent/CN102682210B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于电子病历属性约简的自适应蛙群进化树设计方法，首先建立电子病历属性约简进化目标优化模型；其次根据进化子树最优选择度集将电子病历属性集划分成进化子树，并设计一种自适应蛙群进化树动态寻优结构优选出各进化子树精英个体；再次将电子病历属性子集分配至各进化向量
Figure DEST_PATH_IMAGE001
上，利用各精英个体
Figure 954891DEST_PATH_IMAGE002
和混合蛙跳算法SFLA分别进行进化，计算出病历进化子树
Figure DEST_PATH_IMAGE003
上最好目标适应度
Figure 899713DEST_PATH_IMAGE004
，并在进化子树间进行寻优适应度共享；最后求出各病历属性进化子树上最优属性约简集
Figure DEST_PATH_IMAGE005
和全局最优属性约简集
Figure 314514DEST_PATH_IMAGE006
，并判断所求病历属性约简率是否满足约简精度。本发明具有易构造、较快进化收敛速度和较高最小属性约简效率和精度等优点。

Description

一种用于电子病历属性约简的自适应蛙群进化树设计方法
技术领域
本发明涉及到医学信息智能处理领域，具体来说涉及一种用于电子病历属性约简的自适应蛙群进化树设计方法。
背景技术
电子病历 (Electronic Medical Records, EMR)作为数字化医院的一个重要组成部分，它是以病人为中心，以计算机为媒介，客观、完整、连续地记录病人病情变化和诊断的全过程，并通过计算机网络实现医疗信息的查询、统计分析、信息交换与共享等，EMR是病人临床进行科学诊断治疗的基础资料，在未来计算机辅助临床决策支持系统（Clinical  Decision Support System, CDSS）中将起着重要的作用。根据国际医疗机构一体化组织IHE（Integrating Healthcare Enterprise) 模型标准，电子病历应成为未来居民健康档案的核心部分，通过标准化接口与医院信息系统进行集成。在HL7 (Health Level Seven)中，临床文档结构标准CDA (Clinical Document Architecture)简明、完整地定义了电子病历统一结构和词汇标准，用于实现广泛临床场景的信息表达需求，这为进一步开展标准化电子病历相关研究和应用奠定了较好的基础。
电子病历系统中存储的医疗数据隐含着大量的有用信息，挖掘出其中重要的医学诊断规则和知识是形成计算机智能临床决策支持系统的关键，但由于电子病历是一个特殊的不完备信息系统，其存储的医学数据具有如下主要特点：
（1）电子病历数据的多样性。电子病历系统中医疗数据对象形态异常丰富，它不仅记录纸质病历的全部内容, 还记录MRI、CT、X 线、超声、心电图和手术麻醉等影像图片、声像动态及神经电生理信号等，这是它区别于其它领域数据最显著的特征，这种数据多样性加大了电子病历处理的难度。
（2）电子病历数据的不完整性。病例和病案的有限性使电子病历系统不可能对任何一种疾病信息都能作出全面地反映，病历数据中存在大量不完整、不确定的未知病历属性，以及疾病信息所体现出的客观不完整性和描述疾病的主观不确切性，是形成电子病历属性不完整的主要因素。
（3）电子病历数据的动态性。电子病历系统中医学检测的波形、图像等均是时间函数，它们是不断更新和动态变化的，具有较强的不确定时效性，如何对这些动态数据进行高效处理是设计临床决策支持系统需要解决的关键技术。 
上述电子病历系统中存储的医学数据复杂属性，使得病历系统进行结构化转换后通常是电子病历系统，给其特征选择、规则挖掘及临床决策分析等带来了较大困难。我们知道疾病诊疗是一个复杂、综合的过程，片面的信息和简单地分析、归纳、推理机制等自然会导致似是而非甚至完全错误的诊断结论。电子病历系统中医疗数据属性所具有多样性、不确定性、不完整性和动态性等，给其属性约简带来了一定的挑战，对复杂类型的电子病历属性如何有效处理是设计未来电子病历临床智能决策分析系统的关键技术，因此结合电子病历系统自身具有的复杂性和特殊性, 设计一些高效的技术和方法进行不完备病历属性约简处理，为挖掘疾病或体征之间的关联性、基因变异与疾病发生、治疗、药物关系，以及成功开展临床决策支持分析和个性化诊断、治疗等具有重要意义。
发明内容
本发明的目的是提供一种易构造、较快进化收敛速度和较高的最小属性约简运行效率和精度的用于电子病历属性约简的自适应蛙群进化树设计方法，本发明为电子病历属性约简提供了一种新的技术方法，将在医学信息智能处理领域得到广泛应用。
    本发明通过以下的技术方案实现的：
一种用于电子病历属性约简的自适应蛙群进化树设计方法，具体步骤如下：
A、采用属性空间映射关系                                                
Figure 931689DEST_PATH_IMAGE001
，构造电子病历相应病症的形式背景并映射至蛙群进化种群空间，建立属性约简的函数优化模型
Figure 927327DEST_PATH_IMAGE002
，将病历最小属性约简优化问题转化为进化蛙群结点的目标寻优问题；
B、将电子病历属性集划分成进化子树：初始时先将原电子病历属性集随机划分成若干具有进化子树度
Figure 596205DEST_PATH_IMAGE003
的进化子树，执行时不断优化每次划分的各进化子树执行记录
Figure 920395DEST_PATH_IMAGE004
，计算其相应的动态选择概率
Figure 2012101397419100002DEST_PATH_IMAGE005
并调整为有序序列；然后根据新的进化子树度重新将电子病历属性集划分为若干棵新的进化子树，再将病历属性集中各病症属性分配至各棵子树的结点上，参与进化树的迭代寻优；
C、设计一种自适应蛙群进化树动态寻优结构：在电子病历属性集划分的各棵进化子树上建立一种自适应蛙群进化树动态寻优结构，进化子树中每个病历属性结点视为混合蛙跳算法SFLA中每一蛙个体，这样即将病历属性约简优化问题转化为进化树中蛙群结点的寻优问题，通过子树上属性进化结点的动态调整和反复迭代，将蛙群进化树逐步由“胖树”变为“瘦树”，最后优选出每一棵蛙群进化树的精英个体
Figure 409145DEST_PATH_IMAGE006
；
D、构建进化向量
Figure 2012101397419100002DEST_PATH_IMAGE007
，将电子病历属性子集分配至
Figure 474053DEST_PATH_IMAGE008
，其中
Figure 2012101397419100002DEST_PATH_IMAGE009
表示划分的子树大小，为病历属性各棵子树中进化出的精英个体结点； 
E、利用混合蛙跳算法SFLA和当前各棵进化子树的精英个体
Figure 286337DEST_PATH_IMAGE010
分别对各电子病历划分的属性子集进化，并在各棵子树间进行适应度共享；
F、 计算病历进化子树
Figure 527963DEST_PATH_IMAGE011
上最好适应度目标函数值
Figure 68666DEST_PATH_IMAGE012
，取
Figure 508874DEST_PATH_IMAGE013
次划分子树所形成的进化树平均最优适应度为全局最优适应度值,即
Figure 109620DEST_PATH_IMAGE014
；
G、求出上述每次所形成的属性进化子树最优适应度相应的病历最优属性约简集为
Figure 635279DEST_PATH_IMAGE015
,以及电子病历全局最优属性约简集为
Figure 979673DEST_PATH_IMAGE016
； 
H、计算电子病历属性约简率,并判断其是否满足约简精度
Figure 2012101397419100002DEST_PATH_IMAGE017
要求，其中
Figure 539967DEST_PATH_IMAGE017
为0.85，如满足约简精度
Figure 46035DEST_PATH_IMAGE017
，则整个病历属性约简循环终止,否则继续重复上述进化树的约简寻优迭代，直至满足约简精度要求。
本发明的进一步改进在于：步骤B中的具体步骤如下：
（1）、首先根据电子病历属性集中属性数随机分配一组进化子树度集合
Figure 324569DEST_PATH_IMAGE018
；
（2）、在进化树的根结点下以相应的进化子树度构造各棵进化子树，并创建一组每次构造进化子树执行记录
Figure 2012101397419100002DEST_PATH_IMAGE019
，其中
Figure 207075DEST_PATH_IMAGE020
 与其相应的
Figure 2012101397419100002DEST_PATH_IMAGE021
相对应，
Figure 624805DEST_PATH_IMAGE020
计算公式如下：   
Figure 364091DEST_PATH_IMAGE022
其中
Figure 2012101397419100002DEST_PATH_IMAGE023
为该进化子树当前迭代各结点中最好适应度，
Figure 802026DEST_PATH_IMAGE024
为当前迭代各结点中最差适应度；
（3）、对进化子树，如果
Figure 2012101397419100002DEST_PATH_IMAGE025
，转到上一步继续执行，其中
Figure 550539DEST_PATH_IMAGE026
，是一个用来优化执行记录的预先设定阈值；每次迭代时记录每棵进化子树中结点最好适应度
Figure 757529DEST_PATH_IMAGE023
和最差适应度，并更新其相应的
Figure 858526DEST_PATH_IMAGE020
，以此在每个进化子树中反复执行直至达到进化子树最优；
（4）、计算该进化树所形成的进化子树选择概率集，与其相应进化子树度
Figure 818895DEST_PATH_IMAGE021
下优化后的执行记录
Figure 965843DEST_PATH_IMAGE020
相对应，其计算方法如下：  
 
Figure 56158DEST_PATH_IMAGE028
该选择概率集
Figure 2012101397419100002DEST_PATH_IMAGE029
既能提供较高的概率去选择那些具有较好执行能力的进化子树，同时对总体执行相对较差进化子树也提供一定的机会，可使整棵属性进化树中进化结点保持较好的均匀分布性；
（5）、将进化子树选择概率集
Figure 237741DEST_PATH_IMAGE029
中所有
Figure 755310DEST_PATH_IMAGE005
按从大到小排序，形成新的选择概率有序集，并依据
Figure 2012101397419100002DEST_PATH_IMAGE031
中每个
Figure 274771DEST_PATH_IMAGE032
调整
Figure 2012101397419100002DEST_PATH_IMAGE033
中与其相对应的子树选择度
Figure 373177DEST_PATH_IMAGE021
的顺序，最终形成优化后划分进化子树度的集合
Figure 999331DEST_PATH_IMAGE034
；
（6）、每次属性进化时选择上述进化子树度集中
Figure 2012101397419100002DEST_PATH_IMAGE035
，将电子病历属性约简集划分成棵进化子树，病历属性集中各个病症属性分配至各棵子树结点上，形成病历属性进化子树为
Figure 2012101397419100002DEST_PATH_IMAGE037
。
本发明的进一步改进在于：步骤C中的具体步骤如下：
（1）、构建蛙群进化正序树：在电子病历属性划分到的各个进化子树中，将所有参与病历属性约简的病症属性个体置为进化子树上的每个蛙结点，设蛙群进化树的高度为
Figure 615306DEST_PATH_IMAGE038
，进化子树度
Figure 2012101397419100002DEST_PATH_IMAGE039
依次选取上述进化子树选择度集合
Figure 833797DEST_PATH_IMAGE034
中的值，进化树中结点总数为
Figure 630852DEST_PATH_IMAGE040
。属性约简过程为了利用取得最好适应度的优秀蛙结点，将在上述每一棵蛙群进化子树内部采用竞争机制优选出精英个体并不断上下跳动寻优，最终形成一棵蛙群进化正序树，其设计方法如下：
① 在每一次创建蛙群进化树的过程中，对蛙群进化树中每个蛙结点对象计算其属性适应度目标函数值
Figure 2012101397419100002DEST_PATH_IMAGE041
；
② 对每一棵蛙群进化子树，从树底到树顶逐步形成各棵进化子树，将所属第层的每个孩子结点
Figure 302005DEST_PATH_IMAGE044
（
Figure 2012101397419100002DEST_PATH_IMAGE045
为第层孩子结点的编号）适应度相互竞争比较，优选出第
Figure 282916DEST_PATH_IMAGE043
层优秀精英蛙个体为
Figure 313189DEST_PATH_IMAGE046
，并将该进化子树的双亲蛙结点
Figure 2012101397419100002DEST_PATH_IMAGE047
与精英蛙
Figure 474568DEST_PATH_IMAGE046
进行适应度比较，如果，则进化子树中孩子精英蛙个体将与双亲结点位置互换，始终保持每棵子树的双亲结点为该进化子树最优适应度蛙结点；
③ 上述比较和交换在各棵划分的进化蛙群子树中按照从树底到树顶采用递归方式逐步进行，经过
Figure 2012101397419100002DEST_PATH_IMAGE049
次上下迭代交换后，将建立了一棵蛙群进化“正序”树，即树中形成的每棵子树根结点适应度总是小于其所有孩子的适应度，整棵进化树的结点适应度从上至下逐步增加，最后整棵进化树的根结点将存储当前全局最优精英进化蛙个体。
（2）、自适应调整蛙群进化树：所有进化蛙被置为上述树型结构的每个结点上，由于进化子树的选择度集
Figure 379256DEST_PATH_IMAGE034
是一个优化后的有序集合，其对整个种群的进化自适应调整步骤如下：
① 对初始建立的蛙群进化树，
Figure 518113DEST_PATH_IMAGE039
比较大，大部分属性进化蛙个体均靠近树的根结点，整棵树的深度
Figure 898279DEST_PATH_IMAGE038
相对较小，可进行广度搜索，进化树是一棵“胖树”，整个进化开始时收敛速度快，具有较强的全局搜索能力，但其鲁棒性相对较弱； 
② 随着整棵属性蛙群进化树的逐步进化，进化树选择度
Figure 413574DEST_PATH_IMAGE039
逐步变小，大部分属性结点上的进化蛙个体将远离进化树的根结点，向深度探索，则
Figure 398847DEST_PATH_IMAGE038
逐步变大，进化树逐步变成是一棵“瘦树”，这时进化树虽搜索能力相对较慢，但其具有较强的全局搜索性，鲁棒性也较好； 
③ 在属性蛙群进化树由“胖树”逐步进化到“瘦树”的过程中，对每棵属性进化子树中具有最低适应度的进化蛙个体，将其从原进化子树的第层叶子结点上移至
Figure 2012101397419100002DEST_PATH_IMAGE051
层叶子结点；
④ 对上述进化树的各棵子树分别构造其蛙群进化正序树，通过反复优化调整，最后输出整棵正序树的根结点，即为全局最优精英进化个体。
本发明与现有技术相比具有如下优点：
1．易于构造：
本方法所设计的电子病历属性集划分成各进化属性子集的大小是根据其执行历史经验记录动态调整的，所设计的自适应蛙群进化树结构简单，从“胖树”逐步调整为“瘦树”过程方法易于构造和操作，且便于实际编程实现，最终将形成一棵从树根到各子树结点递增的“正序树”，每棵进化子树的根结点即为该子树的精英个体，整棵树的根结点即为整棵进化树的全局精英个体。
2．快速的全局收敛性：
进化树在电子病历属性约简中，根据划分进化子树的选择度将从“胖树”逐步变为“瘦树”，该过程能较好的达到属性约简进化中广度寻优和深度探索的有效平衡，避免求解过程停滞或早熟收敛现象，具有跳出局部极点, 快速向全局最优方向进化等优势，这是目前基于一般进化算法的属性约简方法所无法达到的全局收敛效果。
3．较高的属性约简率：
采用自适应蛙群进化树方法来进行电子病历属性约简，实际临床使用后表明该方法具有较高的属性约简效率和准确率，可有效求得电子病历属性最小约简集及其相关诊断规则特征约简集等，这为病历特征选择、规则挖掘和临床决策支持系统等提供较好的理论模型和求解方法支持，在临床疾病诊断和治疗中将提供较好的智能诊断辅助决策功能等。
附图说明
图1为本发明的总体框架图；
图2为本发明的具体设计流程图；
图3为电子病历属性集划分成进化子树方法的框架图；
图4为一种蛙群进化树结构示意图；
图5为一种蛙群进化胖树构造图；
图6为一种蛙群进化瘦树构造图；
图7为另一种蛙群进化瘦树构造图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
本发明具体通过以下的技术方案实现的：
如图1和图2所示, 本发明主要根据构造的电子病历属性约简进化目标优化模型设计了一种用于电子病历属性约简的自适应蛙群进化树方法，该方法根据进化子树最优选择度集将电子病历属性集的动态划分并建立自适应蛙群进化树，将病历最小属性约简优化问题转化为进化树中蛙群结点的进化寻优问题，取得较好的应用效果。该自适应蛙群进化树易于构造，具有快速的全局收敛性和较高的电子病历属性约简率。步骤如下：
A．首先构造一种电子病历属性约简的进化目标优化模型
该模型采用属性空间映射关系
Figure 576068DEST_PATH_IMAGE001
，构造电子病历相应病症的形式背景并映射至蛙群进化种群空间，建立电子病历属性约简进化目标优化模型
Figure 691791DEST_PATH_IMAGE002
，将病历最小属性约简优化问题转化为进化蛙群结点的目标寻优问题。 
B、将电子病历属性集划分成进化子树：初始时先将原电子病历属性集随机划分成若干具有进化子树度
Figure 531571DEST_PATH_IMAGE003
的进化子树，执行时不断优化每次划分的各进化子树执行记录
Figure 74548DEST_PATH_IMAGE004
，计算其相应的动态选择概率
Figure 632568DEST_PATH_IMAGE005
并调整为有序序列；然后根据新的进化子树度重新将电子病历属性集划分为若干棵新的进化子树，再将病历属性集中各病症属性分配至各棵子树的结点上，参与进化树的迭代寻优；
C、设计一种自适应蛙群进化树动态寻优结构：在电子病历属性集划分的各棵进化子树上建立一种自适应蛙群进化树动态寻优结构，进化子树中每个病历属性结点视为混合蛙跳算法SFLA中每一蛙个体，这样即将病历属性约简优化问题转化为进化树中蛙群结点的寻优问题，通过子树上属性进化结点的动态调整和反复迭代，将蛙群进化树逐步由“胖树”变为“瘦树”，最后优选出每一棵蛙群进化树的精英个体；
D、构建进化向量
Figure 246269DEST_PATH_IMAGE007
，将电子病历属性子集分配至
Figure 897831DEST_PATH_IMAGE008
，其中
Figure 739885DEST_PATH_IMAGE009
表示划分的子树大小，
Figure 135094DEST_PATH_IMAGE010
为病历属性各棵子树中进化出的精英个体结点； 
E、利用混合蛙跳算法SFLA和当前各棵进化子树的精英个体
Figure 14713DEST_PATH_IMAGE010
分别对各电子病历划分的属性子集进化，并在各棵子树间进行适应度共享；
F、 计算病历进化子树
Figure 837175DEST_PATH_IMAGE011
上最好适应度目标函数值，取
Figure 365426DEST_PATH_IMAGE013
次划分子树所形成的进化树平均最优适应度为全局最优适应度值,即；
G、求出上述每次所形成的属性进化子树最优适应度相应的病历最优属
性约简集为,以及电子病历全局最优属性约简集为； 
H、计算电子病历属性约简率,并判断其是否满足约简精度
Figure 846905DEST_PATH_IMAGE017
要求，其中
Figure 432608DEST_PATH_IMAGE017
为0.85，如满足约简精度
Figure 596873DEST_PATH_IMAGE017
，则整个病历属性约简循环终止,否则继续重复上述进化树的约简寻优迭代，直至满足约简精度要求。
执行步骤A, 即构造一种电子病历属性约简的进化目标优化模型, 其具体步骤如下：
（1）、首先根据输入的电子病历生成相应病症形式背景，并将其形式化表示成电子病历所构成的决策表
Figure 900815DEST_PATH_IMAGE052
，为病症对象集合; 
Figure 441518DEST_PATH_IMAGE054
为属性集，其由两部分组成，即
Figure 2012101397419100002DEST_PATH_IMAGE055
，为待诊断病历中病症的条件属性，
Figure 2012101397419100002DEST_PATH_IMAGE057
为病症所构成诊断规则的决策属性; 
Figure 544789DEST_PATH_IMAGE058
为病症属性的值域, 
Figure DEST_PATH_IMAGE059
;
Figure 70448DEST_PATH_IMAGE060
是一个信息函数，它指定
Figure DEST_PATH_IMAGE061
中每一个病症对象
Figure 480088DEST_PATH_IMAGE062
的值域，即对
Figure DEST_PATH_IMAGE063
,有；   
（2）、在病历决策表中，设
Figure 546450DEST_PATH_IMAGE066
表示病症对象集合
Figure DEST_PATH_IMAGE067
诊断决策属性集
Figure 559406DEST_PATH_IMAGE068
下的划分, 表示
Figure 504228DEST_PATH_IMAGE067
在病症的条件属性子集
Figure 919029DEST_PATH_IMAGE070
下的划分, 计算
Figure DEST_PATH_IMAGE071
关于
Figure 861577DEST_PATH_IMAGE068
的正区域
Figure 361829DEST_PATH_IMAGE072
；
（3）、若待诊断病历中病症的条件属性子集
Figure DEST_PATH_IMAGE073
，存在
Figure 110342DEST_PATH_IMAGE074
，则病症条件属性
Figure DEST_PATH_IMAGE075
在
Figure 317332DEST_PATH_IMAGE076
中是不可省的，求出
Figure DEST_PATH_IMAGE077
对于
Figure 493099DEST_PATH_IMAGE068
的所有基于正区域属性约简集
Figure 495295DEST_PATH_IMAGE078
，则上述电子病历所构造的决策表对于正区域的核
Figure DEST_PATH_IMAGE079
，病历属性a∈Core(C)当且仅当a是病历属性中不可缺少的核属性；
（4）、求出电子病历中病症条件属性集和决策属性之间的依赖
度，令
Figure DEST_PATH_IMAGE081
，求出病症条件属性子集
Figure 602611DEST_PATH_IMAGE071
和决策属性
Figure 630610DEST_PATH_IMAGE068
之间的依赖度
Figure 812192DEST_PATH_IMAGE082
；
（5）、电子病历中某病症最小属性约简集是病症条件属性中具有最小势的约简，其目标模型定义如下：
Figure DEST_PATH_IMAGE083
                   
（6）、将参与电子病历病症属性约简的进化蛙群编码成组合优化形
式，设
Figure 329761DEST_PATH_IMAGE084
，布尔向量代表一个进化蛙群个体，
（其中‘
Figure DEST_PATH_IMAGE087
’代表着对应病症属性被选中，‘
Figure 26322DEST_PATH_IMAGE088
’代表对应病症属性未被选中）；
Figure DEST_PATH_IMAGE089
表示蛙群中第
Figure 654749DEST_PATH_IMAGE090
进化个体，
Figure DEST_PATH_IMAGE091
代表参与进化蛙群中蛙个体总数;                  
（7）、采用属性空间映射关系
Figure 18735DEST_PATH_IMAGE001
，（表示
Figure 766428DEST_PATH_IMAGE077
的幂集），则
Figure DEST_PATH_IMAGE093
。
所以电子病历病症最小属性约简优化目标的模型设计如下：
    
如图3所示：B步骤的特点是电子病历属性集各划分成的进化子树中属性子集大小是根据其执行历史经验记录动态优化调整的。初始时先根据将原电子病历属性集属性数随机划分成若干个具有进化子树度
Figure 419968DEST_PATH_IMAGE003
的进化子树，执行时不断优化每次划分的各个进化子树执行记录
Figure 217022DEST_PATH_IMAGE004
，计算其相应的动态选择概率
Figure 825858DEST_PATH_IMAGE005
并调整为有序序列，然后根据新的进化子树度重新将电子病历属性集划分为若干棵新的进化子树，再将病历属性集各病症属性分配至各棵子树的结点上，参与进化树的迭代寻优。具体步骤如下：
（1）、首先根据电子病历属性集中属性数随机分配一组进化子树度集合
Figure 796088DEST_PATH_IMAGE018
；
（2）、在进化树的根结点下以相应的进化子树度构造各棵进化子树，并创建一组每次构造进化子树执行记录
Figure 806770DEST_PATH_IMAGE019
，其中
Figure 774726DEST_PATH_IMAGE020
 与其相应的
Figure 933174DEST_PATH_IMAGE021
相对应，计算公式如下：   
Figure 572283DEST_PATH_IMAGE022
其中
Figure 711141DEST_PATH_IMAGE023
为该进化子树当前迭代各结点中最好适应度，
Figure 294569DEST_PATH_IMAGE024
为当前迭代各结点中最差适应度；
（3）、对进化子树，如果
Figure 872180DEST_PATH_IMAGE025
，转到上一步继续执行，其中
Figure 591875DEST_PATH_IMAGE026
，是一个用来优化执行记录的预先设定阈值；每次迭代时记录每棵进化子树中结点最好适应度
Figure 901633DEST_PATH_IMAGE023
和最差适应度
Figure 34674DEST_PATH_IMAGE024
，并更新其相应的
Figure 88081DEST_PATH_IMAGE020
，以此在每个进化子树中反复执行直至达到进化子树
Figure 927861DEST_PATH_IMAGE020
最优；
（4）、计算该进化树所形成的进化子树选择概率集
Figure 470838DEST_PATH_IMAGE027
，
Figure 28858DEST_PATH_IMAGE005
与其相应进化子树度
Figure 682693DEST_PATH_IMAGE021
下优化后的执行记录
Figure 376980DEST_PATH_IMAGE020
相对应，其计算方法如下：  
 
Figure 294120DEST_PATH_IMAGE028
该选择概率集
Figure 139104DEST_PATH_IMAGE029
既能提供较高的概率去选择那些具有较好执行能力的进化子树，同时对总体执行相对较差进化子树也提供一定的机会，可使整棵属性进化树中进化结点保持较好的均匀分布性；
（5）、将进化子树选择概率集
Figure 534313DEST_PATH_IMAGE029
中所有
Figure 348686DEST_PATH_IMAGE005
按从大到小排序，形成新的选择概率有序集
Figure 233465DEST_PATH_IMAGE030
，并依据
Figure 500498DEST_PATH_IMAGE031
中每个调整
Figure 430594DEST_PATH_IMAGE033
中与其相对应的子树选择度
Figure 423958DEST_PATH_IMAGE021
的顺序，最终形成优化后划分进化子树度的集合
Figure 240604DEST_PATH_IMAGE034
；
（6）、每次属性进化时选择上述进化子树度集中
Figure 977616DEST_PATH_IMAGE035
，将电子病历属性约简集划分成
Figure 501001DEST_PATH_IMAGE036
棵进化子树，病历属性集中各个病症属性分配至各棵子树结点上，形成病历属性进化子树为
Figure 993163DEST_PATH_IMAGE037
。
进行步骤C，即设计一种自适应蛙群进化树动态结构，具体方法如下：根
据上述划分进化子树方法，将电子病历属性集划分至各个进化子树上，本方法将进一步建立一种自适应蛙群进化树结构，将进化子树中每个病历属性结点视为混合蛙跳算法SFLA中蛙个体，这样即将病历属性约简优化问题转化为进化树中蛙群结点的寻优问题，通过子树上属性进化结点的动态调整和反复迭代，将蛙群进化树逐步由“胖树”变为“瘦树”，可在病历属性约简寻优过程中达到较好的深度搜索和广度寻优平衡，最后优选出每一棵蛙群进化树的精英个体。具体步骤如下：
（1）构建蛙群进化正序树
在电子病历属性划分到的各个进化子树中，将所有参与病历属性约简的病症属性个体置为进化子树上的每个蛙结点，设蛙群进化树的高度定义为
Figure 234788DEST_PATH_IMAGE038
，进化树度
Figure 509912DEST_PATH_IMAGE039
依次选取上述进化子树选择度集合
Figure 215699DEST_PATH_IMAGE034
中的值，进化树中结点总数为。如图4所示，图4是构造的一种简单的进化树结构。
属性约简过程为了取得最好适应度的优秀蛙结点，将在上述每一棵蛙群进化子树内部采用竞争机制选出精英个体并不断上下跳动进行寻优，最终形成一棵蛙群进化正序树，其具体设计方法如下：
① 在每一次创建蛙群进化树的过程中，对蛙群进化树中每个蛙结点对象计算其属性适应度目标函数值
Figure 342104DEST_PATH_IMAGE041
；
② 对每一棵蛙群进化子树，从树底到树顶逐步形成各棵进化子树，将所属第
Figure 420919DEST_PATH_IMAGE043
层的每个孩子结点
Figure 918896DEST_PATH_IMAGE044
（
Figure 752860DEST_PATH_IMAGE045
为第
Figure 703498DEST_PATH_IMAGE043
层孩子结点的编号）适应度相互竞争比较，优选出第
Figure 586004DEST_PATH_IMAGE043
层优秀精英蛙个体为，并将该进化子树的双亲蛙结点
Figure 946283DEST_PATH_IMAGE047
与精英蛙
Figure 446534DEST_PATH_IMAGE046
进行适应度比较，如果
Figure 867151DEST_PATH_IMAGE048
，则进化子树中孩子精英蛙个体将与双亲结点位置互换，始终保持每棵子树的双亲结点为该进化子树最优适应度蛙结点；
③ 上述比较和交换在各棵划分的进化蛙群子树中按照从树底到树顶采用递归方式逐步进行，经过
Figure 339721DEST_PATH_IMAGE049
次上下迭代交换后，将建立了一棵蛙群进化“正序”树，即树中形成的每棵子树根结点适应度总是小于其所有孩子的适应度，整棵进化树的结点适应度从上至下逐步增加，最后整棵进化树的根结点将存储当前全局最优精英进化蛙个体。
（2）自适应调整蛙群进化树——“胖树”变成“瘦树” 
所有进化蛙被置为上述树型结构的每个结点上，由于进化子树的选择度集
Figure 515487DEST_PATH_IMAGE034
是一个优化后的有序集合，其对整个种群的进化自适应调整步骤如下：
① 对初始建立的蛙群进化树，
Figure 440718DEST_PATH_IMAGE039
比较大，大部分属性进化蛙个体均靠近树的根结点，整棵树的深度
Figure 665026DEST_PATH_IMAGE038
相对较小，可进行广度搜索，进化树是一棵“胖树”，整个进化开始时收敛速度快，具有较强的全局搜索能力，但其鲁棒性相对较弱； 
② 随着整棵属性蛙群进化树的逐步进化，进化树选择度
Figure 788840DEST_PATH_IMAGE039
逐步变小，大部分属性结点上的进化蛙个体将远离进化树的根结点，向深度探索，则
Figure 73190DEST_PATH_IMAGE038
逐步变大，进化树逐步变成是一棵“瘦树”，这时虽搜索能力相对较慢，但其具有较强的全局搜索性，鲁棒性也较好；如图5至图7所示，图5是以 （
Figure DEST_PATH_IMAGE095
）的进化胖树示意图，图6和7是图5进化树自适应调整成瘦树的过程示意图，其中图6 瘦树对应参数为（
Figure 548034DEST_PATH_IMAGE096
），图7 瘦树对应参数为（
Figure DEST_PATH_IMAGE097
）。
③ 在属性蛙群进化树由“胖树”逐步进化到“瘦树”的过程中，对每棵属性进化子树中具有最低适应度的进化蛙个体（图5、图6和图7中，黑体实心圆点代表具有最低适应度的进化蛙个体），将其从原进化子树的第
Figure 638350DEST_PATH_IMAGE050
层叶子结点移至层叶子结点。本发明在设计时主要考虑到一是由于其适应度低，在蛙群进化树形成“正序树”过程与其双亲结点比较时容易被逐步调整到进化树的根结点；二是由于适应度低的优秀蛙结点寻优经验可在“瘦树”大部分进化结点的局部深度寻优过程中得到充分共享，提高其局部精确解的寻优能力，最终可快速找到全局最优。本发明中“胖树”上适应度低的优秀蛙结点将从原进化子树的第
Figure 9605DEST_PATH_IMAGE050
层叶子结点位置将移至
Figure 971745DEST_PATH_IMAGE051
层叶子结点，实际使用后表明该机制对整个进化树属性蛙结点的进化寻优效果较好。
④ 最后再对上述进化树的各棵子树分别构造其蛙群进化正序树，通过反复优化调整，最后输出整棵正序树的根结点，即为全局最优精英进化个体。
本发明所设计的电子病历属性集划分成各进化属性子集的大小是根据其执行历史经验记录动态调整的，所设计的自适应蛙群进化树结构简单，从“胖树”逐步调整为“瘦树”过程方法易于构造，便且于实际编程实现，最终将形成一棵从树根到各子树结点递增的“正序树”，每棵子树的根结点即为该子树的精英个体，整棵树的根结点即为进化树的全局精英个体；进化树在电子病历属性约简中，根据划分进化子树的选择度集将从“胖树”逐步变为“瘦树”，该过程能较好的达到属性约简进化中广度寻优和深度探索有效平衡，避免求解过程停滞或早熟收敛现象，具有跳出局部极点, 快速向全局最优方向进化等优势，这是目前基于一般进化算法的属性约简方法所无法达到的全局收敛效果；采用自适应蛙群进化树方法来进行电子病历属性约简，实际临床使用后表明该方法具有较高的属性约简效率和准确率，可有效求得电子病历属性最小约简集及其相关诊断规则特征约简集等，这为病历特征选择、规则挖掘和临床决策支持系统等提供较好的理论模型和求解方法支持，在临床疾病诊断和治疗中将提供较好的智能诊断辅助决策功能等。

Claims (3)

1.一种用于电子病历属性约简的自适应蛙群进化树设计方法，其特征在于：具体步骤如下：
A、采用属性空间映射关系                                                
Figure 2012101397419100001DEST_PATH_IMAGE001
，构造电子病历相应病症的形式背景并映射至蛙群进化种群空间，建立其电子病历属性约简进化目标优化模型
Figure 951430DEST_PATH_IMAGE002
，将病历最小属性约简优化问题转化为进化蛙群结点的目标寻优问题；
B、将电子病历属性集划分成进化子树：初始时先将原电子病历属性集随机划分成若干具有进化子树度
Figure 2012101397419100001DEST_PATH_IMAGE003
的进化子树，执行时不断优化每次划分的各进化子树执行记录
Figure 315415DEST_PATH_IMAGE004
，计算其相应的动态选择概率
Figure 2012101397419100001DEST_PATH_IMAGE005
并调整为有序序列；然后根据新的进化子树度重新将电子病历属性集划分为若干棵新的进化子树，再将病历属性集中各病症属性分配至各棵子树的结点上，参与进化树的迭代寻优；
C、设计一种自适应蛙群进化树动态寻优结构：在电子病历属性集划分的各棵进化子树上建立一种自适应蛙群进化树动态寻优结构，进化子树中每个病历属性结点视为混合蛙跳算法SFLA中每一蛙个体，这样即将病历属性约简优化问题转化为进化树中蛙群结点的寻优问题，通过子树上属性进化结点的动态调整和反复迭代，将蛙群进化树逐步由“胖树”变为“瘦树”，最后优选出每一棵蛙群进化树的精英个体
Figure 741236DEST_PATH_IMAGE006
；
D、构建进化向量
Figure 2012101397419100001DEST_PATH_IMAGE007
，将电子病历属性子集分配至，其中
Figure 2012101397419100001DEST_PATH_IMAGE009
表示划分的子树大小，为病历属性各棵子树中进化出的精英个体结点； 
E、利用混合蛙跳算法SFLA和当前各棵进化子树的精英个体
Figure 451069DEST_PATH_IMAGE010
分别对各电子病历划分的属性子集进化，并在各棵子树间进行适应度共享；
F、 计算病历进化子树
Figure 2012101397419100001DEST_PATH_IMAGE011
上最好适应度目标函数值
Figure 310440DEST_PATH_IMAGE012
，取次划分子树所形成的进化树平均最优适应度为全局最优适应度值,即
Figure 981593DEST_PATH_IMAGE014
；
G、求出上述每次所形成的属性进化子树最优适应度相应的病历最优属
性约简集为,以及电子病历全局最优属性约简集为
Figure 155086DEST_PATH_IMAGE016
； 
H、计算电子病历属性约简率,并判断其是否满足约简精度
Figure 2012101397419100001DEST_PATH_IMAGE017
要求，其中
Figure 228084DEST_PATH_IMAGE017
为0.85，如满足约简精度
Figure 258357DEST_PATH_IMAGE017
，则整个病历属性约简循环终止,否则继续重复上述进化树的约简寻优迭代，直至满足约简精度要求。
2.根据权利要求1所述一种用于电子病历属性约简的自适应蛙群进化树设计方法，其特征在于：所述步骤B中的具体步骤如下：
（1）、首先根据电子病历属性集中属性数随机分配一组进化子树度集合
Figure 354489DEST_PATH_IMAGE018
；
（2）、在进化树的根结点下以相应的进化子树度构造各棵进化子树，并创建一组每次构造进化子树执行记录
Figure 2012101397419100001DEST_PATH_IMAGE019
，其中
Figure 128410DEST_PATH_IMAGE020
 与其相应的
Figure 2012101397419100001DEST_PATH_IMAGE021
相对应，
Figure 993597DEST_PATH_IMAGE020
计算公式如下：   
其中为该进化子树当前迭代各结点中最好适应度，
Figure 778200DEST_PATH_IMAGE024
为当前迭代各结点中最差适应度；
（3）、对进化子树，如果
Figure 2012101397419100001DEST_PATH_IMAGE025
，转到上一步继续执行，其中
Figure 93162DEST_PATH_IMAGE026
，是一个用来优化执行记录的预先设定阈值；每次迭代时记录每棵进化子树中结点最好适应度
Figure 78436DEST_PATH_IMAGE023
和最差适应度
Figure 450511DEST_PATH_IMAGE024
，并更新其相应的
Figure 521235DEST_PATH_IMAGE020
，以此在每个进化子树中反复执行直至达到进化子树最优；
（4）、计算该进化树所形成的进化子树选择概率集
Figure 2012101397419100001DEST_PATH_IMAGE027
，
Figure 476739DEST_PATH_IMAGE005
与其相应进化子树度
Figure 957399DEST_PATH_IMAGE021
下优化后的执行记录
Figure 312157DEST_PATH_IMAGE020
相对应，其计算方法如下：  
 
该选择概率集
Figure 2012101397419100001DEST_PATH_IMAGE029
既能提供较高的概率去选择那些具有较好执行能力的进化子树，同时对总体执行相对较差进化子树也提供一定的机会，可使整棵属性进化树中进化结点保持较好的均匀分布性；
（5）、将进化子树选择概率集
Figure 925858DEST_PATH_IMAGE029
中所有按从大到小排序，形成新的选择概率有序集，并依据
Figure 2012101397419100001DEST_PATH_IMAGE031
中每个
Figure 80261DEST_PATH_IMAGE032
调整
Figure 2012101397419100001DEST_PATH_IMAGE033
中与其相对应的子树选择度
Figure 691371DEST_PATH_IMAGE021
的顺序，最终形成优化后划分进化子树度的集合
Figure 841730DEST_PATH_IMAGE034
；
（6）、每次属性进化时选择上述进化子树度集中
Figure 2012101397419100001DEST_PATH_IMAGE035
，将电子病历属性约简集划分成
Figure 108763DEST_PATH_IMAGE036
棵进化子树，病历属性集中各个病症属性分配至各棵子树结点上，形成病历属性进化子树为
Figure 2012101397419100001DEST_PATH_IMAGE037
。
3.根据权利要求1所述一种用于电子病历属性约简的自适应蛙群进化树设计方法，其特征在于：所述步骤C中的具体步骤如下：
（1）、构建蛙群进化正序树：在电子病历属性划分到的各个进化子树中，将所有参与病历属性约简的病症属性个体置为进化子树上的每个蛙结点，设蛙群进化树的高度为
Figure 372910DEST_PATH_IMAGE038
，进化子树度
Figure 2012101397419100001DEST_PATH_IMAGE039
依次选取上述进化子树选择度集合
Figure 838526DEST_PATH_IMAGE034
中的值，进化树中结点总数为
Figure 97469DEST_PATH_IMAGE040
；
属性约简过程为了利用取得最好适应度的优秀蛙结点，将在上述每一棵蛙群进化子树内部采用竞争机制优选出精英个体并不断上下跳动寻优，最终形成一棵蛙群进化正序树，其设计方法如下：
① 在每一次创建蛙群进化树的过程中，对蛙群进化树中每个蛙结点对象计算其属性适应度目标函数值
Figure 2012101397419100001DEST_PATH_IMAGE041
；
② 对每一棵蛙群进化子树，从树底到树顶逐步形成各棵进化子树，将所属第
Figure 2012101397419100001DEST_PATH_IMAGE043
层的每个孩子结点
Figure 914116DEST_PATH_IMAGE044
（
Figure 2012101397419100001DEST_PATH_IMAGE045
为第层孩子结点的编号）适应度相互竞争比较，优选出第层优秀精英蛙个体为
Figure 728991DEST_PATH_IMAGE046
，并将该进化子树的双亲蛙结点
Figure 2012101397419100001DEST_PATH_IMAGE047
与精英蛙
Figure 705037DEST_PATH_IMAGE046
进行适应度比较，如果
Figure 308057DEST_PATH_IMAGE048
，则进化子树中孩子精英蛙个体将与双亲结点位置互换，始终保持每棵子树的双亲结点为该进化子树最优适应度蛙结点；
③ 上述比较和交换在各棵划分的进化蛙群子树中按照从树底到树顶采用递归方式逐步进行，经过
Figure 2012101397419100001DEST_PATH_IMAGE049
次上下迭代交换后，将建立了一棵蛙群进化“正序”树，即树中形成的每棵子树根结点适应度总是小于其所有孩子的适应度，整棵进化树的结点适应度从上至下逐步增加，最后整棵进化树的根结点将存储当前全局最优精英进化蛙个体；
（2）、自适应调整蛙群进化树：所有进化蛙被置为上述树型结构的每个结点上，由于进化子树的选择度集
Figure 951528DEST_PATH_IMAGE034
是一个优化后的有序集合，其对整个种群的进化自适应调整步骤如下：
① 对初始建立的蛙群进化树，比较大，大部分属性进化蛙个体均靠近树的根结点，整棵树的深度
Figure 77933DEST_PATH_IMAGE038
相对较小，可进行广度搜索，进化树是一棵“胖树”，整个进化开始时收敛速度快，具有较强的全局搜索能力，但其鲁棒性相对较弱； 
② 随着整棵属性蛙群进化树的逐步进化，进化树选择度逐步变小，大部分属性结点上的进化蛙个体将远离进化树的根结点，向深度探索，则
Figure 717041DEST_PATH_IMAGE038
逐步变大，进化树逐步变成是一棵“瘦树”，这时进化树虽搜索能力相对较慢，但其具有较强的全局搜索性，鲁棒性也较好； 
③ 在属性蛙群进化树由“胖树”逐步进化到“瘦树”的过程中，对每棵属性进化子树中具有最低适应度的进化蛙个体，将其从原进化子树的第
Figure 223109DEST_PATH_IMAGE050
层叶子结点上移至
Figure 2012101397419100001DEST_PATH_IMAGE051
层叶子结点；
④ 对上述进化树的各棵子树分别构造其蛙群进化正序树，通过反复优化调整，最后输出整棵正序树的根结点，即为全局最优精英进化个体。
CN201210139741.9A 2012-05-08 2012-05-08 一种用于电子病历属性约简的自适应蛙群进化树设计方法 Expired - Fee Related CN102682210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210139741.9A CN102682210B (zh) 2012-05-08 2012-05-08 一种用于电子病历属性约简的自适应蛙群进化树设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210139741.9A CN102682210B (zh) 2012-05-08 2012-05-08 一种用于电子病历属性约简的自适应蛙群进化树设计方法

Publications (2)

Publication Number Publication Date
CN102682210A true CN102682210A (zh) 2012-09-19
CN102682210B CN102682210B (zh) 2015-01-21

Family

ID=46814126

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210139741.9A Expired - Fee Related CN102682210B (zh) 2012-05-08 2012-05-08 一种用于电子病历属性约简的自适应蛙群进化树设计方法

Country Status (1)

Country Link
CN (1) CN102682210B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838972A (zh) * 2014-03-13 2014-06-04 南通大学 一种用于mri病历属性约简的量子协同博弈实现方法
CN104462853A (zh) * 2014-12-29 2015-03-25 南通大学 用于电子病历特征提取的种群精英分布云协同均衡方法
CN104467999A (zh) * 2014-11-18 2015-03-25 北京邮电大学 一种基于量子蛙跳的频谱感知算法
CN104615892A (zh) * 2015-02-10 2015-05-13 南通大学 一种用于特殊中医病历诊断规则挖掘的多层精英角色方法
CN104636628A (zh) * 2015-03-03 2015-05-20 南通大学 基于三层交叉博弈能量树的脑波病历信号约简方法
CN105279388A (zh) * 2015-11-17 2016-01-27 南通大学 多层云计算框架协同的孕龄新生儿脑病历集成约简方法
CN105387843A (zh) * 2015-10-13 2016-03-09 中国十七冶集团有限公司 一种高山地区路基横断面测量方法
CN106599583A (zh) * 2016-12-16 2017-04-26 南通大学 一种用于中医病历辨证诊断的属性圆盘轮转方法
CN107256342A (zh) * 2017-06-15 2017-10-17 南通大学 用于电子病历知识约简效能评估的多种群协同熵级联方法
CN108446740A (zh) * 2018-03-28 2018-08-24 南通大学 一种用于脑影像病历特征提取的多层一致协同方法
CN109816087A (zh) * 2018-12-28 2019-05-28 天津大学 基于人工鱼群与蛙群混合算法的粗糙集属性约简方法
CN113012775A (zh) * 2021-03-30 2021-06-22 南通大学 红斑病电子病历病变分类的增量属性约简Spark方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201788510U (zh) * 2010-07-13 2011-04-06 南通大学 融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN201788510U (zh) * 2010-07-13 2011-04-06 南通大学 融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁卫平等: "基于形式概念分析的不完备电子病历系统粗糙挖掘研究", 《计算机科学》, vol. 36, no. 10, 15 October 2009 (2009-10-15), pages 230 - 233 *
丁卫平等: "基于量子蛙跳协同进化的粗糙属性快速约简", 《电子学报》, vol. 39, no. 11, 15 November 2011 (2011-11-15), pages 2597 - 2603 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103838972A (zh) * 2014-03-13 2014-06-04 南通大学 一种用于mri病历属性约简的量子协同博弈实现方法
CN103838972B (zh) * 2014-03-13 2016-08-24 南通大学 一种用于mri病历属性约简的量子协同博弈实现方法
CN104467999A (zh) * 2014-11-18 2015-03-25 北京邮电大学 一种基于量子蛙跳的频谱感知算法
CN104467999B (zh) * 2014-11-18 2017-02-22 北京邮电大学 一种基于量子蛙跳的频谱感知算法
CN104462853A (zh) * 2014-12-29 2015-03-25 南通大学 用于电子病历特征提取的种群精英分布云协同均衡方法
CN104462853B (zh) * 2014-12-29 2017-05-24 南通大学 用于电子病历特征提取的种群精英分布云协同均衡方法
CN104615892A (zh) * 2015-02-10 2015-05-13 南通大学 一种用于特殊中医病历诊断规则挖掘的多层精英角色方法
CN104615892B (zh) * 2015-02-10 2017-07-07 南通大学 一种用于中医病历诊断规则挖掘的多层精英角色方法
CN104636628B (zh) * 2015-03-03 2017-05-03 南通大学 基于三层交叉博弈能量树的脑波病历信号约简方法
CN104636628A (zh) * 2015-03-03 2015-05-20 南通大学 基于三层交叉博弈能量树的脑波病历信号约简方法
CN105387843B (zh) * 2015-10-13 2018-01-02 中国十七冶集团有限公司 一种高山地区路基横断面测量方法
CN105387843A (zh) * 2015-10-13 2016-03-09 中国十七冶集团有限公司 一种高山地区路基横断面测量方法
CN105279388B (zh) * 2015-11-17 2017-11-17 南通大学 多层云计算框架协同的孕龄新生儿脑病历集成约简方法
CN105279388A (zh) * 2015-11-17 2016-01-27 南通大学 多层云计算框架协同的孕龄新生儿脑病历集成约简方法
CN106599583A (zh) * 2016-12-16 2017-04-26 南通大学 一种用于中医病历辨证诊断的属性圆盘轮转方法
CN106599583B (zh) * 2016-12-16 2018-11-16 南通大学 一种用于中医病历辨证诊断的属性圆盘轮转方法
CN107256342A (zh) * 2017-06-15 2017-10-17 南通大学 用于电子病历知识约简效能评估的多种群协同熵级联方法
CN107256342B (zh) * 2017-06-15 2019-06-07 南通大学 用于电子病历知识约简效能评估的多种群协同熵级联方法
CN108446740A (zh) * 2018-03-28 2018-08-24 南通大学 一种用于脑影像病历特征提取的多层一致协同方法
CN109816087A (zh) * 2018-12-28 2019-05-28 天津大学 基于人工鱼群与蛙群混合算法的粗糙集属性约简方法
CN113012775A (zh) * 2021-03-30 2021-06-22 南通大学 红斑病电子病历病变分类的增量属性约简Spark方法
CN113012775B (zh) * 2021-03-30 2021-10-08 南通大学 红斑病电子病历病变分类的增量属性约简Spark方法

Also Published As

Publication number Publication date
CN102682210B (zh) 2015-01-21

Similar Documents

Publication Publication Date Title
CN102682210B (zh) 一种用于电子病历属性约简的自适应蛙群进化树设计方法
US11049590B1 (en) Artificial intelligence engine architecture for generating candidate drugs
Lucas et al. Plant systems biology: network matters
US20220164342A1 (en) Generating enhanced graphical user interfaces for presentation of anti-infective design spaces for selecting drug candidates
Schmidt et al. Phylogenetic inference using maximum likelihood methods
CN116682553A (zh) 一种融合知识与患者表示的诊断推荐系统
Song et al. Diversity-driven extensible hierarchical reinforcement learning
CN116861001A (zh) 一种基于元学习的医学常识知识图谱自动化构建方法
EP4189688A1 (en) Artificial intelligence engine for generating candidate drugs using experimental validation and peptide drug optimization
Du et al. The effects of deep network topology on mortality prediction
Voznica et al. Deep learning from phylogenies to uncover the transmission dynamics of epidemics
EP3824284A1 (en) Relating complex data
CN112819161B (zh) 变长基因遗传算法的神经网络构建系统、方法及存储介质
Dimitriou et al. Structure Your Data: Towards Semantic Graph Counterfactuals
CN114712643A (zh) 基于图神经网络的机械通气人机异步检测方法、装置
CN111048192B (zh) 一种基于移动终端的用于医联体内的产学研管理方法
Kamruzzaman Topological data analysis for computational phenomics: algorithms and applications
Ackles Computational Methods to Investigate Connectivity in Evolvable Systems
Zhang et al. ProPhyC: A probabilistic phylogenetic model for refining regulatory networks
Zhuang et al. Automatic grading of admitted patients using genetic algorithm
Padovani et al. A step towards a reinforcement learning de novo genome assembler
Wang Computational Frameworks for Indel-Aware Evolutionary Analysis Using Large-Scale Genomic Sequence Data
Sinha et al. Weighted Ensemble Approach for Knowledge Graph completion improves performance
Mittal Prediction of RNA Structure Using Genetic Approach
Sánchez-Vega et al. Learning multivariate distributions by competitive assembly of marginals

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150121

Termination date: 20180508