CN103678534A - 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 - Google Patents
结合粗糙集和模糊推理的生理信息与健康相关性获取方法 Download PDFInfo
- Publication number
- CN103678534A CN103678534A CN201310635363.8A CN201310635363A CN103678534A CN 103678534 A CN103678534 A CN 103678534A CN 201310635363 A CN201310635363 A CN 201310635363A CN 103678534 A CN103678534 A CN 103678534A
- Authority
- CN
- China
- Prior art keywords
- attribute
- rule
- knowledge base
- physiologic information
- correlativity
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2468—Fuzzy queries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出了一种结合粗糙集和距离型模糊推理获取生理信息与健康状况相关性的新方法,该方法首先利用粗糙集描述构建生理信息知识库的过程,利用属性依赖度约简算法约简原有数据的冗余属性,并提取有效规则构建知识库。再利用模糊集合中距离的概念,匹配知识库中已有的规则,获取生理信息与健康状况之间的相关性,帮助人间更好地了解身体状况,改善身体,而且之后还可以利用方法结合其他数据检查人们的身体状况。该方法性能均衡,可以保证规则的准确性和有效性。
Description
技术领域:本发明提供一种结合粗糙集和距离型模糊推理的生理信息与健康状况相关性的获取方法,属于数据挖掘及模糊推理领域。本发明可以在知识获取、故障诊断、专家系统等领域得到广泛应用。
背景技术:随着生活环境的改善与生活习惯的改变,癌症、心脏疾病、糖尿病、高血压等疾病逐渐成为威胁人类生命的主要杀手,而人类身体健康的问题并非一朝一夕,而是与日常生活紧密相关,不健康的生活所带来的健康问题日益严重,不良的固定模式的生活习惯会导致各种身体问题。因此,对身体状况的的早期关注、早期改善显得尤为重要。
目前的医疗实验领域中存在着大量的电子病例,如果利用各种先进信息处理技术开发处理这些数据信息,通过分析这些数据找出各种生理信息与人们健康状况的相关性,将对医护人员的工作起到辅助作用,可以帮助人们及早地认识身体健康状况的相关问题并及时改善,无疑对于增进健康状况和预防疾病具有重大的意义。为了获取生理信息与健康状况之间相关性,在分析粗糙集知识约简理论和模糊推理系统的基础上,提出一种结合粗糙集和距离型模糊推理获取生理信息与健康状况的相关性的新方法。粗糙集理论能有效地分析和处理不精确、不完备的数据,并有可能直接提取出隐含的知识,因此将粗糙集应用到生理信息知识的获取中,构建生理信息的规则库。然后依据模糊规则,选择距离型模糊推理获取生理信息与健康状况之间的相关性。
发明内容:
发明目的:本发明提供一种结合粗糙集和距离型模糊推理的生理信息与健康状况相关性的获取方法,其目的是解决以往的知识库的建立过程中所存在的数据不精确、不完备等问题,并首次实现粗糙集与距离型模糊推理相结合的新方法来获取生理信息与身体健康之间的相关性。
本发明首先利用粗糙集描述构建生理信息知识库的过程,利用属性依赖度约简算法约简原有数据的冗余属性,并提取有效规则构建知识库。再利用模糊集合中距离的概念,匹配知识库中已有的规则,获取生理信息与健康状况之间的相关性,帮助人间更好地了解身体状况,改善身体,而且之后还可以利用方法结合其他数据检查人们的身体状况。
技术方案:本发明是通过以下技术方案实现的:
(1)利用粗糙集理论对生理信息数据进行数据挖掘,构建知识库
1)首先进行数据预处理,即对采集到的原始数据进行量化处理,根据数据离散化准则处理数据,确定条件属性和决策属性,形成决策数据表;
2)其次进行属性约简,即在保持属性分类能力不变的前提下,利用改进的属性依赖度约简算法,删除其中不相关或不重要的属性;
3)然后进行属性值约简,即去除每条规则中冗余的属性值,得到简化的决策数据表;
4)此后进行规则提取,即根据约简后的属性决策数据表,合并相同或相关的规则,计算规则的支持度和准确度,提取出支持度和准确度高的规则;
5)最后进行知识库的构建,即将所提取的规则合并,构建出由若干条规则组成的知识库;
(2)由构建的知识库根据距离型模糊推理得到推理结果;
1)首先根据隶属度函数将输入的事实模糊化;
2)然后通过计算给定事实与知识库中每条规则的前件的距离,来判断给定事实与规则的匹配程度。距离越小,说明事实与该规则的匹配程度越高,反之匹配程度越低;
3)最后根据给定事实与知识库中所有规则的距离推理出生理信息与健康状况的相关性。
为更好地实现本发明的目的,所述步骤(1)的步骤2)中对属性依赖度约简算法的改进,以及首次结合粗糙集理论与距离型模糊推理这两种方法来获取生理信息与健康状况的相关性。
对属性依赖度约简算法的改进是指:在决策系统中,多个条件属性针对决策属性的依赖度可能会相同,根据传统属性依赖度的计算无法区分相同依赖度属性的重要度;我们判断一个条件属性的依赖度大小,是根据单个属性与核属性或核属性集所构成的新的属性集的依赖度大小来判断的,并可以依此求解出依赖度最大的核属性集,其过程如下:
1)计算核属性;
2)将核属性与其余单个属性组合为新的属性集,我们称为核属性集,划分核属性和单个属性构成的核属性集的等价类;
3)求出每个核属性集的依赖度,并依次排序,求出最大依赖度的核属性集
4)再重新划分所求出的最大核属性集与剩余单个属性的新的核属性集,重复步骤3),直到所求出的最大依赖度的核属性集满足整个属性集合的下近似分布;此满足整个属性集合的下近似分布的最大核属性集即为属性约简结果;
5)删除冗余属性,完成属性依赖度约简。
本发明首次结合粗糙集理论与距离型模糊推理这两种方法来获取生理信息与健康状况的相关性,其过程如下:
1)首先利用粗糙集理论对生理信息数据进行数据挖掘,构建知识库,即将简化的决策信息表中的条件属性作为模糊规则的前件,决策属性作为模糊规则的后件;
2)然后输入用户的各个属性值,即输入事实;
3)最后根据距离型模糊推理方法将输入事实与知识库中已有规则进行匹配,推理出生理信息与健康状况相关性;
优点及效果:本发明提供一种结合粗糙集和距离型模糊推理的生理信息与健康状况相关性的获取方法,在分析粗糙集知识约简理论和模糊推理处理模糊问题的基础上,将粗糙集理论和模糊推理方法相结合应用于获取生理信息与健康状况的相关性。该方法在构建规则库方面不再单纯依靠专家经验,而是利用粗糙集实现构建规则库的过程,约简原始数据的冗余属性,并挖掘出有效规则构建知识库,可以有效地解决知识库构建过程中不完备,不精确问题。再利用满足分离原则的距离型模糊推理获取生理信息与身体健康的相关性问题,可以有效地解决身体检查中的模糊性问题。该方法可以保证规则准确、方法性能均衡等优点,同时该方法可以广泛地应用于其他相关领域中。
本发明将粗糙集理论应用到人们生理信息与健康状况相关性的获取中,构建有关生理信息的模糊规则库,依据所建立模糊规则,采用距离型模糊推理方法对身体健康状况进行检查分析,建立基于粗糙集理论和距离型模糊推理的获取生理信息与健康状况相关性新方法。并利用University of California atIrvine(UCI)machine learning repository database(UCI机器学习数据库)中的临床数据验证所得到规则库的准确性以及距离型模糊推理方法的有效性,并与其它类似方法做了对比,对比结果见表1:
表1本发明方法与其他方法的对比结果
方法 | 灵敏度 | 特异度 | 准确度 |
Naive Bayes | 78.76% | 82.87% | 80.96% |
CBR | 79.74% | 86.88% | 83.68% |
Fuzzy-AIRS-Knn | 92.30% | 78.57% | 87% |
ANN and FNN | 93% | 78.5% | 87.4% |
本发明方法 | 86.21% | 87.50% | 86.79% |
其中灵敏度用来衡量不健康的样本中推理出不健康的比例;特异度表示所有健康的样本中实际推理出健康样本数的比例。由上表可见,本发明的优点是保证准确度在较高的水平下,灵敏度和特异度也保持了很好的性能,是性能较为均衡的模型,具有较好的推理性能和泛化能力。
附图说明:
图1方法设计流程图;
图2为知识库构建一般过程;
图3为模糊推理方法一般过程;
图4相关性推理散点图;
图5相关性分析图。
具体实施方式:下面结合附图对本发明做进一步的说明:
本发明提供一种结合粗糙集和距离型模糊推理的生理信息与健康状况相关性的获取方法。如图1所示,本发明的实现过程分为两部分:基于粗糙集理论的生理信息知识库的构建;结合粗糙集理论和距离型模糊推理获取生理信息和身体状况的相关性,具体过程如下。
我们使用了UCI机器学习数据库中的心脏病数据库作为例子,描述心脏病各生理信息与身体健康状况之间的相关性,此数据库包含13个生理信息。
步骤1:数据预处理,根据数据离散化准则(见表2)量化处理数据,形成离散化决策数据表,如表3所示。
表2离散化标准
编号 | 属性 | 离散取值 |
1 | 年龄 | 0,1 |
2 | 性别 | 0,1 |
3 | 胸痛类型 | 1,2,3,4 |
4 | 静脉压 | 0,1 |
5 | 血清数量 | 0,1 |
6 | 血糖含量 | 0,1 |
7 | 心电图结果 | 0,1,2 |
8 | 最高心率 | 0,1 |
9 | 运动后心绞痛 | 0,1 |
10 | ST段下降 | 0,1 |
11 | 峰值ST倾斜角度 | 1,2,3 |
12 | 血管数量 | 0,1,2,3 |
13 | 心跳情况 | 3,6,7 |
14 | 诊断结果 | 0,1 |
表3决策数据表
编号 | 1 | 2 | 3 | … | 301 |
年龄 | 1 | 0 | 1 | … | 1 |
性别 | 0 | 0 | 1 | … | 1 |
胸痛类型 | 1 | 3 | 4 | … | 4 |
静脉压 | 1 | 0 | 1 | … | 1 |
血清数量 | 1 | 1 | 1 | … | 1 |
血糖含量 | 1 | 0 | 0 | … | 0 |
心电图结果 | 2 | 0 | 2 | … | 2 |
最高心率 | 0 | 1 | 1 | … | 0 |
运动后心绞痛 | 0 | 0 | 0 | … | 0 |
ST段下降 | 1 | 1 | 1 | … | 1 |
峰值ST倾斜角度 | 3 | 3 | 3 | … | 2 |
血管数量 | 0 | 0 | 2 | … | 3 |
心跳情况 | 6 | 6 | 3 | … | 7 |
诊断结果 | 0 | 0 | 1 | … | 1 |
步骤2:利用属性依赖度约简算法实现数据约简,删除冗余的属性。属性依赖度约简算法如下:
1)计算核属性;
2)将核属性与其余单个属性组合为新的属性集,我们称为核属性集,划分核属性和单个属性构成的核属性集的等价类;
3)求出每个核属性集的依赖度,并依次排序,求出最大依赖度的核属性集
4)再重新划分所求出的最大核属性集与剩余单个属性的新的核属性集,重复步骤3),直到所求出的最大依赖度的核属性集满足整个属性集合的下近似分布;此满足整个属性集合的下近似分布的最大核属性集即为属性约简结果;
5)删除冗余属性,完成属性依赖度约简。
根据上述属性依赖度约简算法处理决策表3,表4中13个属性被消去5个冗余属性之后的约简结果。
表4属性约简结果
符号 | 属性 | 符号 | 属性 |
x1 | 年龄 | x5 | 最高心率 |
x2 | 胸痛类型 | x6 | 运动后心绞痛 |
x3 | 静脉压 | x7 | 峰值ST倾斜角度 |
x4 | 心电图结果 | x8 | 心跳情况 |
步骤3:根据表4的约简结果进一步处理决策表,删除表2中的冗余的5个属性,形成简化的决策表。将简化后的决策表转化为规则,并计算规则支持度和准确度,其中支持度定义为匹配相应规则的对象数目,即Support(Ri)。准确度可由式(1)计算得到。
其中,F(Ri)为规则前件,Card()表示集合的基数。计算结果见表5。
表5:初始规则库
步骤4:如图2所示过程构建知识库。将约简决策表转化为规则,决策表中每一行代表一条规则,在合并相同的规则之后共得到184条初始规则,构建的初始规则库见表5。从表5可以看出规则2是一条不相容的规则,准确性较低,同时可以看出规则1、3相对于其它规则而言具有更高的支持度,即表明训练数据中满足此规则样本的比较多。因此去除所有不相容的规则,在提取支持度和准确度高的规则后,构建出由166条规则组成的知识库,如表6所示。
步骤5:如图3所示,为模糊推理方法的一般过程,使用模糊推理方法首先将用户输入的各个生理信息离散化,即输入事实模糊化,
表6知识库
步骤6:距离型模糊推理主要是依据已有规则与事实的距离来进行推理运算。在式(2)中,Aij表示规则的前件,Aj表示给定事实,Bi表示规则的后件,B是最后需要的推理结果。输入输出分别为x1~xm和y。
其中i=1,2,…,n j=1,2,…,m
距离型模糊推理包括以下三步:
1)依照式(3)计算已知规则和给定事实的距离,根据已知事实匹配规则库中的规则,计算事实和规则库库中已有规则的前件的距离。
2)依照式(4)计算每个推理结果的上下界限,根据计算的前件与给定事实的距离进行推理结果的运算。
Bα=[inf(Bα),sup(Bα)] (4)
其中:
3)根据式(7)合并式(4)中所有推理值,得到所需的推理结果。
步骤8:我们随机挑选了53条规则,将53个规则的前件作为输入事实,经过距离型模糊推理的运算,我们将得到的53个推理结果生成一个散点对比图,见图4。从图4可以看到大部分推理结果与真实值比较接近。图4中大于0.5的点说明该组生理信息对健康状况的影响较大,小于0.5的表示该组生理信息对健康状况的影响较小。
步骤9:为了进一步研究距离型模糊推理模型的推理性能,本发明以准确度、特异度、灵敏度为主要性能指标来分析各组生理信息与身体健康状况之间的相关性。
灵敏度=TP/(TP+FP)
特异度=TA/(TA+FA)
准确度=(TP+TA)/(TP+FP+TA+FA)
其中,FP表示实际不健康而被预测为健康样本数
TP表示实际不健康并被预测不健康的样本数;
TA表示实际健康并被预测为健康的样本数;
FA表示实际健康而被预测为不健康的样本数。
通过计算上面四个参数的取值,我们构建了生理信息与身体健康状况相关性分析图,见图5。图5中数据取值离离零点的远近,可以推断生理信息与身体状况之间的相关性。从图5中可看出,位于TP区域中的各组生理信息对健康状况的影响较大,位于TA区域中的各组生理信息对健康状况的影响较小。
综上所述:
本发明提出了一种结合粗糙集和距离型模糊推理获取生理信息与健康状况相关性的新方法,该方法首先利用粗糙集描述构建生理信息知识库的过程,利用属性依赖度约简算法约简原有数据的冗余属性,并提取有效规则构建知识库。再利用模糊集合中距离的概念,匹配知识库中已有的规则,获取生理信息与健康状况之间的相关性,帮助人间更好地了解身体状况,改善身体,而且之后还可以利用方法结合其他数据检查人们的身体状况。该方法性能均衡,可以保证规则的准确性和有效性。
Claims (4)
1.结合粗糙集和模糊推理的生理信息与健康相关性获取方法,其特征在于该方法的步骤如下:
(1)利用粗糙集理论对生理信息数据进行数据挖掘,构建知识库
1)首先进行数据预处理,即对采集到的原始数据进行量化处理,根据数据离散化准则处理数据,确定条件属性和决策属性,形成决策数据表;
2)其次进行属性约简,即在保持属性分类能力不变的前提下,利用改进的属性依赖度约简算法,删除其中不相关或不重要的属性;
3)然后进行属性值约简,即去除每条规则中冗余的属性值,得到简化的决策数据表;
4)此后进行规则提取,即根据约简后的属性决策数据表,合并相同或相关的规则,计算规则的支持度和准确度,提取出支持度和准确度高的规则;
5)最后进行知识库的构建,即将所提取的规则合并,构建出由若干条规则组成的知识库;
(2)由构建的知识库根据距离型模糊推理得到推理结果;
1)首先根据隶属度函数将输入的事实模糊化;
2)然后通过计算给定事实与知识库中每条规则的前件的距离,来判断给定事实与规则的匹配程度。距离越小,说明事实与该规则的匹配程度越高,反之匹配程度越低;
3)最后根据给定事实与知识库中所有规则的距离推理出生理信息与健康状况的相关性。
2.根据权利要求1所述的结合粗糙集和模糊推理的生理信息与健康相关性获取方法,其特征在于:权利要求1所述步骤(1)的步骤2)中对属性依赖度约简算法的改进,以及首次利用粗糙集理论与距离型模糊推理相结合的新方法来获取生理信息与健康状况的相关性。
3.根据权利要求2所述的结合粗糙集和模糊推理的生理信息与健康相关性获取方法,其特征在于:对属性依赖度约简算法的改进,其过程如下:
1)计算核属性;
2)将核属性与其余单个属性组合为新的属性集,我们称为核属性集,划分核属性和单个属性构成的核属性集的等价类;
3)求出每个核属性集的依赖度,并依次排序,求出最大依赖度的核属性集
4)再重新划分所求出的最大核属性集与剩余单个属性的新的核属性集,重复步骤3),直到所求出的最大依赖度的核属性集满足整个属性集合的下近似分布;此满足整个属性集合的下近似分布的最大核属性集即为属性约简结果;
5)删除冗余属性,完成属性依赖度约简。
4.根据权利要求2所述的结合粗糙集和模糊推理的生理信息与健康相关性获取方法,其特征在于:首次利用粗糙集理论与距离型模 糊推理相结合的新方法来获取生理信息与健康状况的相关性,其过程如下:
1)首先利用粗糙集理论对生理信息数据进行数据挖掘,构建知识库,即将简化的决策信息表中的条件属性作为模糊规则的前件,决策属性作为模糊规则的后件;
2)然后输入用户的各个属性值,即输入事实;
3)最后根据距离型模糊推理方法将输入事实与知识库中已有规则进行匹配,推理出生理信息与健康状况相关性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310635363.8A CN103678534A (zh) | 2013-11-29 | 2013-11-29 | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310635363.8A CN103678534A (zh) | 2013-11-29 | 2013-11-29 | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103678534A true CN103678534A (zh) | 2014-03-26 |
Family
ID=50316079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310635363.8A Pending CN103678534A (zh) | 2013-11-29 | 2013-11-29 | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103678534A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139021A (zh) * | 2015-07-08 | 2015-12-09 | Tcl集团股份有限公司 | 一种基于粗糙集理论实现电视用户快速分类的方法及系统 |
CN105718726A (zh) * | 2016-01-18 | 2016-06-29 | 沈阳工业大学 | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 |
CN104537243B (zh) * | 2014-12-30 | 2018-03-27 | 哈尔滨理工大学 | 一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法 |
CN108280120A (zh) * | 2017-07-11 | 2018-07-13 | 厦门君沣信息科技有限公司 | 一种基于关联规则的心理健康预警系统及方法 |
CN109214514A (zh) * | 2018-08-14 | 2019-01-15 | 浪潮通用软件有限公司 | 一种基于Rough Set的数据分析方法 |
CN109697619A (zh) * | 2017-10-20 | 2019-04-30 | 中移(苏州)软件技术有限公司 | 一种数据分析方法及装置 |
CN110765177A (zh) * | 2019-10-17 | 2020-02-07 | 大连理工大学 | 一种基于粗糙集理论的航空发动机故障规则生成方法 |
CN111081381A (zh) * | 2019-11-08 | 2020-04-28 | 李静 | 院内致命性消化道再出血预测关键指标的智能筛选方法 |
CN112450901A (zh) * | 2020-12-12 | 2021-03-09 | 国网辽宁省电力有限公司鞍山供电公司 | 一种智能带电作业穿戴设备及作业人员安全的分析方法 |
CN114300121A (zh) * | 2021-12-14 | 2022-04-08 | 中南大学 | 健康建议推荐方法、健康知识库的构建方法、装置及设备 |
-
2013
- 2013-11-29 CN CN201310635363.8A patent/CN103678534A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537243B (zh) * | 2014-12-30 | 2018-03-27 | 哈尔滨理工大学 | 一种用于非治疗目的的基于模糊推理结合加权相似度量的心电分类方法 |
CN105139021A (zh) * | 2015-07-08 | 2015-12-09 | Tcl集团股份有限公司 | 一种基于粗糙集理论实现电视用户快速分类的方法及系统 |
CN105139021B (zh) * | 2015-07-08 | 2019-09-10 | Tcl集团股份有限公司 | 一种基于粗糙集理论实现电视用户快速分类的方法及系统 |
CN105718726A (zh) * | 2016-01-18 | 2016-06-29 | 沈阳工业大学 | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 |
CN105718726B (zh) * | 2016-01-18 | 2019-01-11 | 沈阳工业大学 | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 |
CN108280120A (zh) * | 2017-07-11 | 2018-07-13 | 厦门君沣信息科技有限公司 | 一种基于关联规则的心理健康预警系统及方法 |
CN109697619A (zh) * | 2017-10-20 | 2019-04-30 | 中移(苏州)软件技术有限公司 | 一种数据分析方法及装置 |
CN109214514A (zh) * | 2018-08-14 | 2019-01-15 | 浪潮通用软件有限公司 | 一种基于Rough Set的数据分析方法 |
CN110765177A (zh) * | 2019-10-17 | 2020-02-07 | 大连理工大学 | 一种基于粗糙集理论的航空发动机故障规则生成方法 |
CN110765177B (zh) * | 2019-10-17 | 2020-12-11 | 大连理工大学 | 一种基于粗糙集理论的航空发动机故障规则生成方法 |
CN111081381A (zh) * | 2019-11-08 | 2020-04-28 | 李静 | 院内致命性消化道再出血预测关键指标的智能筛选方法 |
CN111081381B (zh) * | 2019-11-08 | 2023-11-24 | 李静 | 院内致命性消化道再出血预测关键指标的智能筛选方法 |
CN112450901A (zh) * | 2020-12-12 | 2021-03-09 | 国网辽宁省电力有限公司鞍山供电公司 | 一种智能带电作业穿戴设备及作业人员安全的分析方法 |
CN114300121A (zh) * | 2021-12-14 | 2022-04-08 | 中南大学 | 健康建议推荐方法、健康知识库的构建方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103678534A (zh) | 结合粗糙集和模糊推理的生理信息与健康相关性获取方法 | |
Chang et al. | A new hybrid XGBSVM model: application for hypertensive heart disease | |
Thongkam et al. | AdaBoost algorithm with random forests for predicting breast cancer survivability | |
CN107194138B (zh) | 一种基于体检数据建模的空腹血糖预测方法 | |
CN108511056A (zh) | 基于脑卒中患者相似性分析的治疗方案推荐方法及系统 | |
Husain et al. | Predicting generalized anxiety disorder among women using random forest approach | |
Liu et al. | Noninvasive evaluation of mental stress using by a refined rough set technique based on biomedical signals | |
Wang et al. | Feature selection and syndrome prediction for liver cirrhosis in traditional Chinese medicine | |
CN108133752A (zh) | 一种基于tfidf的医学症状关键词提取优化及回收方法和系统 | |
LK et al. | COVID-19 outbreak based coronary heart diseases (CHD) prediction using SVM and risk factor validation | |
Kahtan et al. | Heart disease diagnosis system using fuzzy logic | |
KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
CN105718726A (zh) | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 | |
Jiang et al. | An aided diagnosis model of sub-health based on rough set and fuzzy mathematics: A case of TCM | |
Mirzajani | Prediction and diagnosis of diabetes by using data mining techniques | |
Anooj | Implementing decision tree fuzzy rules in clinical decision support system after comparing with fuzzy based and neural network based systems | |
Wang et al. | A study of dimensionality reduction’s influence on heart disease prediction | |
Xu et al. | Cardiovascular risk prediction method based on test analysis and data mining ensemble system | |
Chandra et al. | Application Of Machine Learning K-Nearest Neighbour Algorithm To Predict Diabetes | |
Nasrabadi et al. | Predicting heart attacks in patients using artificial intelligence methods | |
CN110164520A (zh) | 时空大数据关联的慢病管理装置 | |
Nandhini et al. | Hybrid framework of ID3 with multivariate attribute selection for heart disease analysis | |
Patel et al. | Impact analysis of the complete blood count parameter using Naive Bayes | |
Chowdary et al. | Multiple Disease Prediction by Applying Machine Learning and Deep Learning Algorithms | |
Hakim | Performance Evaluation of Machine Learning Techniques for Early Prediction of Brain Strokes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140326 |
|
RJ01 | Rejection of invention patent application after publication |