CN104484575A

CN104484575A - 基于主成分分析的健康个性化改善方法

Info

Publication number: CN104484575A
Application number: CN201410848020.4A
Authority: CN
Inventors: 赵欣; 张桂芸
Original assignee: TIANJIN MEDICAL WORKSHOP Co Ltd
Current assignee: TIANJIN MEDICAL WORKSHOP Co Ltd
Priority date: 2014-12-30
Filing date: 2014-12-30
Publication date: 2015-04-01

Abstract

本发明提供一种基于主成分分析的健康个性化改善方法，包括如下步骤，建立标准健康知识库：记录体征数据的正常值，体检和常规检查数据的正常值，用于将来与个人真实健康数据比对；建立个人体征数据信息库，存储个人的健康信息，包括体征数据，体检和常规检查数据。用于与标准健康知识库比对，跟踪数据变化，以分析健康状况走势，提供健康预警以及个性化改善方案；基于PCA的健康主成分分析提取主要因素；利用挖掘关联规则算法分析给出个性化改善方案。通过本发明的方法，根据人体体征数据的变化，用这些数据做主要因素提取与相关性分析，可以给出关于人体健康的个性化改善方案以及相关药品或保健方式的推荐。

Description

基于主成分分析的健康个性化改善方法

技术领域

本发明属于计算机信息领域，特别是涉及到一种基于主成分分析的健康个性化改善方法。

背景技术

现阶段人们逐渐认识到“以健康为中心”和“治未病”理念是现代医疗服务的发展趋势，由此健康服务模式开始从传统单向的被动健康服务模式向互动的主动健康服务模式转变，具体体现在：一是“未病先防”(即预防保健)；二是“既病防变”或“已病早治”；三是连续性的医疗服务(诊疗服务、疾病管理、健康预警为系列化)，实现早期干预、视点前移，以疾病/人为中心的主动服务模式。

人体体征数据是庞大的，但依据个人时间序列的记录数据和其他会员数据的参考，其变化有一定规律。用这些数据做主要因素提取与相关性分析，可以给出个性化改善方案以及相关药品或保健方式的推荐。

发明内容

本发明要解决的问题是设计一种基于主成分分析的健康个性化改善方法，对于个体的人提供给出个性化改善方案以及相关药品或保健方式。

需要说明的是，本发明基于主成分分析的健康个性化改善方法，是信息学的一种应用，通过信息分析得到适用于自身的健康个性化改善方案，并非属于疾病的诊断和治疗方法，因此不违反专利法第二十五条的相关规定。

为了达到上述目的，本发明采取的技术方案为：一种基于主成分分析的健康个性化改善方法，其特征在于，包括如下步骤：

(一)建立标准健康知识库：记录体征数据的正常值，体检和常规检查数据的正常值，用于将来与个人真实健康数据比对；

(二)建立个人体征数据信息库，存储个人的健康信息，包括体征数据，体检和常规检查数据。用于与标准健康知识库比对，跟踪数据变化，以分析健康状况走势，提供健康预警以及个性化改善方案；

(三)基于PCA的健康主成分分析提取主要因素；

(四)利用挖掘关联规则算法分析给出个性化改善方案。

优选的，所述步骤(一)中体征数据包括体重、心率、血压、脉率、呼吸频率、体温、热消耗量、运动量、睡眠量血糖和血氧、激素和BMI指数，体脂含量；所述体检和常规检查数据包括尿常规各项、生化全项、血流变9项、肿瘤标志物3项。

优选的，所述步骤(三)中主成分分析的方法为：

(1)计算相关系数矩阵；

(2)计算特征值与特征向量；

(3)计算主成分贡献率及累计贡献率；

(4)计算主成分载荷；

(5)各主成分排序。

优选的，所述步骤(四)中挖掘关联规则算法采用Apriori算法或者是IBM IntelligentMiner算法。

优选的，所述步骤(四)中个性化改善方案包括与标准保健方案比较得出的个性化的改善建议和与标准化治疗方案比较得出的治疗决策支持与治疗路径优化。

本发明的有益效果为：通过本发明的方法，根据人体体征数据的变化，用这些数据做主要因素提取与相关性分析，可以给出关于人体健康的个性化改善方案以及相关药品或保健方式的推荐。

具体实施方式

下面结合具体实施例对本发明做进一步说明。

建立标准健康知识库：记录体征数据的正常值，体检和常规检查数据的正常值，用于将来与个人真实健康数据比对；

建立个人体征数据信息库，存储个人的健康信息，包括体征数据，体检和常规检查数据。用于与标准健康知识库比对，跟踪数据变化，以分析健康状况走势，提供健康预警以及个性化改善方案；

依据这两个数据库：

1.基于PCA的健康主成分分析提取主要因素

PCA主成分分析法是一种数学变换的方法,旨在利用降维的思想，把多指标转化为少数几个综合指标。它把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量按照方差依次递减的顺序排列。

利用主成分分析法对会员体征数据进行交叉分析，得出用户现在的体质状况，产生该会员的健康风险指数，给出影响健康的主要因素和各因素排序。

思路：一个研究对象，往往是多要素的复杂系统。变量太多无疑会增加分析问题的难度和复杂性，利用原变量之间的相关关系，用较少的新变量代替原来较多的变量，并使这些少数变量尽可能多的保留原来较多的变量所反应的信息，这样问题就简单化了。

原理：假定有n个样本，每个样本共有p个变量，构成一个n×p阶的数据矩阵，

X = [\begin{matrix} x_{11} & x_{12} & \cdot \cdot \cdot & x_{1 p} \\ x_{21} & x_{22} & \cdot \cdot \cdot & x_{2 p} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{np} \end{matrix}]

记原变量指标为x₁，x₂，…，x_p，设它们降维处理后的综合指标，即新变量为z₁，z₂，z₃，…，z_m(m≤p)，则

\{\begin{matrix} z_{1} = l_{11} x_{1} + l_{12} x_{2} + \cdot \cdot \cdot + l_{1 p} x_{p} \\ z_{2} = l_{21} x_{1} + l_{22} x_{2} + \cdot \cdot \cdot + l_{2 p} x_{p} \\ \cdot \cdot \cdot \\ z_{m} = l_{m 1} x_{1} + l_{m 2} x_{2} + \cdot \cdot \cdot + l_{mp} x_{p} \end{matrix}

系数l_ij的确定原则：

①z_i与z_j(i≠j；i，j＝1，2，…，m)相互无关；

②z₁是x₁，x₂，…，x_P的一切线性组合中方差最大者，z₂是与z₁不相关的x₁，x₂，…，x_P的所有线性组合中方差最大者；z_m是与z₁，z₂，……，z_m－1都不相关的x₁，x₂，…x_P，的所有线性组合中方差最大者。

新变量指标z₁，z₂，…，z_m分别称为原变量指标x₁，x₂，…，x_P的第1，第2，…，第m主成分。

从以上的分析可以看出，主成分分析的实质就是确定原来变量x_j(j＝1，2，…，p)在诸主成分z_i(i＝1，2，…，m)上的荷载l_ij(i＝1，2，…，m；j＝1，2，…，p)。

从数学上可以证明，它们分别是相关矩阵m个较大的特征值所对应的特征向量。

主成分分析的计算步骤

(1)计算相关系数矩阵

L = [\begin{matrix} l_{11} & l_{12} & \cdot \cdot \cdot & l_{1 p} \\ l_{21} & l_{22} & \cdot \cdot \cdot & l_{2 p} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ l_{n 1} & l_{n 2} & \cdot \cdot \cdot & l_{pp} \end{matrix}]

l_ij(i，j＝1，2，…，p)为原变量x_i与x_j的相关系数，l_ij＝l_ji，其计算公式为

l_{ij} = \frac{Σ_{k = 1}^{n} (x_{ki} - {\overset{&OverBar;}{x}}_{i}) (x_{kj} - {\overset{&OverBar;}{x}}_{j})}{\sqrt{Σ_{k = 1}^{n} {(x_{ki} - {\overset{&OverBar;}{x}}_{i})}^{2} Σ_{k = 1}^{n} {(x_{kj} - {\overset{&OverBar;}{x}}_{j})}^{2}}}

(2)、计算特征值与特征向量

解特征方程|λI-R|＝0，常用雅可比法(Jacobi)求出特征值，并使其按大小顺序排列λ₁≥λ₂≥…≥λ_p≥0；

分别求出对应于特征值λ_i的特征向量e_i(i＝1,2,L,p)，要求||e_i||＝1，即其中e_ij表示向量e_i的第j个分量。

(3)、计算主成分贡献率及累计贡献率

贡献率：

\frac{λ_{i}}{Σ_{k = 1}^{p} λ_{k}}

(i＝1,2,L,p)

累计贡献率：

\frac{Σ_{k = 1}^{i} λ_{k}}{Σ_{k = 1}^{p} λ_{k}}

(i＝1,2,L,p)

一般取累计贡献率达85％-95％的特征值，所对应的第1、第2、…、第m(m≤p)个主成分。

(4)、计算主成分载荷

l_{ij} = p (z_{i}, x_{j}) = \sqrt{λ_{i}} e_{ij} (i, j = 1,2, L, p)

(5)、各主成分得分

X = [\begin{matrix} x_{11} & x_{12} & \cdot \cdot \cdot & x_{1 m} \\ x_{21} & x_{22} & \cdot \cdot \cdot & x_{2 m} \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ \cdot & \cdot & \cdot \\ x_{n 1} & x_{n 2} & \cdot \cdot \cdot & x_{nm} \end{matrix}]

如会员有关的体征数据为性别、年龄、身高、体重、腰围、收缩压、舒张压、高血压、年限、冠心病，实验室检查项目：空腹血糖、餐后2h血糖、胆固醇、甘油三脂、高脂血、糖耐量、高密度脂蛋白、低密度脂蛋白、尿酸、尿素氮、肌嵌、肌配、谷丙转氨酶等及生活习惯及自我保健情况：吸烟、饮酒、参与血糖监测和尿糖监测情况等，饮食因素：主食、甜食等，体力活动量以及生活事件等30多个指标。可利用PCA计算出其影响健康的主要因素和各因素排序。

2.利用算法挖掘关联分析给出个性化改善方案

针对会员体征数据，以及会员行为模式和习惯偏好，利用上述步骤1得到主要因素，采用经典的挖掘关联规则的Apriori算法或者是IBM Intelligent Miner，给出导致会员健康的几项关键因素(生理活动和饮食习惯)，如睡眠、饮食、运动量、遗传等等。一方面，与标准保健方案比较，给出个性化的改善建议(personalized medicine/health care)，另一方面，与标准化治疗方案比较，给出治疗决策支持与治疗路径优化。同时给出用户可以看到自己的健康风险指数和同龄、同性别人群的平均风险指数，并且能明确自己的健康风险在同龄人群中的排位和预防措施。

以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于主成分分析的健康个性化改善方法，其特征在于，包括如下步骤：

(三)基于PCA的健康主成分分析提取主要因素；

(四)利用挖掘关联规则算法分析给出个性化改善方案。

2.根据权利要求1所述的一种基于主成分分析的健康个性化改善方法，其特征在于，所述步骤(一)中体征数据包括体重、心率、血压、脉率、呼吸频率、体温、热消耗量、运动量、睡眠量血糖和血氧、激素和BMI指数，体脂含量；所述体检和常规检查数据包括尿常规各项、生化全项、血流变9项、肿瘤标志物3项。

3.根据权利要求1所述的一种基于主成分分析的健康个性化改善方法，其特征在于，所述步骤(三)中主成分分析的方法为：

(1)计算相关系数矩阵；

(2)计算特征值与特征向量；

(3)计算主成分贡献率及累计贡献率；

(4)计算主成分载荷；

(5)各主成分排序。

4.根据权利要求1所述的一种基于主成分分析的健康个性化改善方法，其特征在于，所述步骤(四)中挖掘关联规则算法采用Apriori算法或者是IBM Intelligent Miner算法。

5.根据权利要求1所述的一种基于主成分分析的健康个性化改善方法，其特征在于，所述步骤(四)中个性化改善方案包括与标准保健方案比较得出的个性化的改善建议和与标准化治疗方案比较得出的治疗决策支持与治疗路径优化。