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 PDFInfo
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
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:
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,计算其相应的动态选择概率并调整为有序序列;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;
本发明的进一步改进在于:步骤B中的具体步骤如下:
(3)、对进化子树,如果,转到上一步继续执行,其中,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和最差适应度,并更新其相应的,以此在每个进化子树中反复执行直至达到进化子树最优;
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,进化子树度依次选取上述进化子树选择度集合中的值,进化树中结点总数为。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:
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(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,并将该进化子树的双亲蛙结点与精英蛙进行适应度比较,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。
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;
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
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,计算其相应的动态选择概率并调整为有序序列;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;
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;
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,为病症对象集合; 为属性集,其由两部分组成,即,为待诊断病历中病症的条件属性,为病症所构成诊断规则的决策属性; 为病症属性的值域, ;是一个信息函数,它指定中每一个病症对象的值域,即对,有;
(3)、若待诊断病历中病症的条件属性子集,存在,则病症条件属性在中是不可省的,求出对于的所有基于正区域属性约简集,则上述电子病历所构造的决策表对于正区域的核,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
(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:
(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
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,计算其相应的动态选择概率并调整为有序序列,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:
(3)、对进化子树,如果,转到上一步继续执行,其中,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和最差适应度,并更新其相应的,以此在每个进化子树中反复执行直至达到进化子树最优;
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,进化树度依次选取上述进化子树选择度集合中的值,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:
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(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,并将该进化子树的双亲蛙结点与精英蛙进行适应度比较,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”
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 ()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(),图7 瘦树对应参数为()。
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层叶子结点位置将移至层叶子结点,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:
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,计算其相应的动态选择概率并调整为有序序列;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;
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
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:
(3)、对进化子树,如果,转到上一步继续执行,其中,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和最差适应度,并更新其相应的,以此在每个进化子树中反复执行直至达到进化子树最优;
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,进化子树度依次选取上述进化子树选择度集合中的值,进化树中结点总数为;
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:
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(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,并将该进化子树的双亲蛙结点与精英蛙进行适应度比较,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;
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;
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。
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)
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)
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 |
-
2012
- 2012-05-08 CN CN201210139741.9A patent/CN102682210B/zh not_active Expired - Fee Related
Patent Citations (1)
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)
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)
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 |