CN104866713B - 基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统 - Google Patents
基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统 Download PDFInfo
- Publication number
- CN104866713B CN104866713B CN201510239842.7A CN201510239842A CN104866713B CN 104866713 B CN104866713 B CN 104866713B CN 201510239842 A CN201510239842 A CN 201510239842A CN 104866713 B CN104866713 B CN 104866713B
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- training
- matrix
- kawasaki disease
- 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.)
- Expired - Fee Related
Links
Abstract
本发明提供了一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，包含训练子系统和诊断子系统，其中：训练子系统的任务是从川崎病和普通发烧儿童的历史病历中生成训练用临床表现和检测生理数据，然后分析局部结构信息，寻找最优的局部鉴别子空间，从而在其中建立川崎病和发烧特征模型；此外，当获取了新的患者病历以后，所述训练子系统以增量学习的方式进行模型更新；诊断子系统的任务是是观察待诊患者的临床表现和检测生理数据，根据所述训练子系统得到的川崎病和发烧特征模型判断其是否患有川崎病。本发明使患有川崎病的儿童可以及时的得到治疗，减少发展成为冠状动脉扩张或者动脉瘤的概率，减弱患者的心脏血管受到的损伤。
Description
技术领域
本发明涉及的是一种大数据医疗领域中的儿科疾病诊断系统，具体涉及的是一种基于增量局部鉴别子空间嵌入、可在线训练的川崎病和发烧诊断系统，可以为儿科医生的初步诊断提供决策支持。
背景技术
川崎病是一种血管炎综合症，也称为小儿皮肤粘膜淋巴结综合症，它是以日本川崎富作医师命名的一种儿科疾病。它的临床表现是发热、皮疹、颈部非脓性淋巴结肿大、眼结合膜充血、口腔黏膜弥漫充血、杨梅舌、掌跖红斑、手足硬性水肿等。川崎病好发于五岁以下的幼童，男孩得到的机率约为女孩的1.5倍，亚洲儿童的发病率要明显高于其人种。
由于持续发烧是川崎病的一个重要特征，因而其早期诊断的难点之一是迅速区分患者儿童所得的是川崎病还是普通发烧。如果不能正确诊断，进而快速治疗，川崎病患者很可能发展成为冠状动脉扩张或者动脉瘤，对心脏血管造成极大的伤害，并且即使在痊愈以后，疤痕组织也造成冠状动脉狭窄或钙化引起心肌缺氧。然而，临床表明，如果患者能够及时的进行大量丙种球蛋白静滴，可以很大程度上的减小患者的心脏血管的损失。因而，研发一种快速而有效的川崎病和普通发烧的诊断系统是十分有意义的。
尽管川崎病最早发现于1967年，经过近四十年的研究，但是至今尚无专属的川崎病诊断方法。目前主要的诊断方法是基于临床指南中介绍的临床表现的，如持续高烧(39-40℃)超过五天、手脚末梢出现红肿、手脚掌或指尖及肛门周围产生脱皮现象、多形性红斑、两侧性结膜炎、口腔黏膜变化(如草莓舌、口腔咽喉黏膜充血，嘴唇红肿干裂甚至流血)、急性非化脓性颈部淋巴结肿大。然而，这种传统的诊断方法的诊断准确度十分依赖医生的经验。本发明的目的是综合患者的临床表现和医院常规的检测生理数据，实现一种基于机器学习的儿童川崎病诊断系统。
经检索，目前没有利用患者临床表现和检测生理数据进行川崎病和发烧诊断的公开专利。在公开文献中，Xuefeng B.Ling等人[Ling XB1,Kanegaye JT,Ji J,Peng S,SatoY,Tremoulet A,Burns JC,Cohen HJ.Point-of-care differentiation of Kawasakidisease from other febrile illnesses.J Pediatr.2013Jan；162(1):183-188.e3.doi:10.1016/j.jpeds.2012.06.012.]提出了一种基于线性鉴别分析的川崎病和发烧的鉴别方法。然而，这种方法有两个缺点：1)分类使用的是线性鉴别分析，属于线性全局特征提取方法，无法充分挖掘隐藏在数据中的非线性局部信息；2)所使用的训练方法需要对批量数据求解一个广义特征值问题，计算量较大，不易实现在线更新。然而，在实际应用中，如果能将全国最新的病历信息及时添加到模型之中，就可以增加诊断的正确度。
发明内容
针对现有技术的不足，本发明目的是综合利用患者的临床表现特征和检测生理数据，基于机器学习，为临床医生诊断川崎病提供一种快速而有效的辅助决策系统，从而使患有川崎病的儿童可以及时的得到治疗，减少发展成为冠状动脉扩张或者动脉瘤的概率，减弱患者的心脏血管受到的损伤。
为实现以上目的，本发明提供一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，包含两个子系统，分别为训练子系统和诊断子系统，其中：
所述训练子系，从川崎病和普通发烧儿童的历史病历中生成训练用临床表现和检测生理数据，然后分析局部结构信息，寻找最优的局部鉴别子空间，从而在其中建立川崎病和发烧特征模型；此外，当获取了新的患者病历以后，训练子系统以增量学习的方式进行模型更新；
所述诊断子系统，记录待诊患者的临床表现和检测生理数据，并根据训练子系统得到的川崎病和发烧特征模型判断其是否患有川崎病。
优选地，所述的训练子系统包括：训练患者数据生成模块、基于局部鉴别子空间嵌入的模型训练模块、基于增量局部鉴别子空间嵌入的模型更新模块、训练局部鉴别特征提取模块，其中：
所述训练患者数据生成模块，从输入川崎病和发烧患者病历数据库中选择合适的川崎病和发烧患者，从病历中提取训练所需的临床表现数据和检测生理数据，作为训练数据输出，然后传入所述基于局部鉴别子空间嵌入的模型训练模块；
所述基于局部鉴别子空间嵌入的模型训练模块，使用局部鉴别子空间嵌入方法，对训练患者数据生成模块输出的临床表现数据和检测生理数据进行训练，分析其局部鉴别信息，输出最优的局部鉴别投影矩阵给基于增量局部鉴别子空间嵌入的模型更新模块；
所述基于增量局部鉴别子空间嵌入的模型更新模块，利用从新的患者病历中提取的新患者的临床表现和检测生理数据与基于局部鉴别子空间嵌入的模型训练模块所得的局部鉴别投影矩阵，使用增量局部鉴别子空间嵌入方法对模型进行更新，输出新的最优局部鉴别投影矩阵给训练局部鉴别特征提取模块；
所述训练局部鉴别特征提取模块，利用基于局部鉴别子空间嵌入的模型训练模块或者所述基于增量局部鉴别子空间嵌入的模型更新模块输出的局部鉴别投影矩阵，分别将川崎病患者数据和发烧患者的临床表现与检测生理数据从原始数据空间投影到低维特征空间中，投影结果作为川崎病和发烧特征模型，输出用于所述诊断子系统诊断使用。
更优选地，所述的训练子系统中，所述训练患者数据生成模块中川崎病和发烧患者选择标准优选为：对川崎病儿童，发烧超过3天，出现了4-5种典型的川崎病症状，或者少于三种症状，但是已经出现了冠状动脉异常；对普通的发烧儿童，出现一种川崎病症状的。
更优选地，所述的训练子系统中，训练患者数据生成模块的训练数据包括临床表现数据和检测生理数据两种；
所述临床表现数据包括：过去24小时的体温、结膜充血、极端变化(包括红，肿，脱皮或手或脚)、口咽的变化(包括咽红、红，裂开的嘴唇或草莓舌)、至少1.5厘米颈部淋巴结、皮疹、疾病的天数，其中：体温使用过去24小时所测体温的均值表示，疾病的天数为整数，其他临床表现数据为1，表明患者有该症状，为0表示患者没有该症状；
所述检测生理数据包括：白细胞总数、单核细胞百分比、淋巴细胞、嗜酸性粒细胞、嗜中性粒细胞、未成熟的嗜中性粒细胞、血小板数、年龄标准化的血红蛋白(HGB)浓度、C-反应性蛋白、γ-谷氨酰转移酶、丙氨酸氨基转移酶、红细胞沉降率，所述检测生理数据均直接使用原始的仪器输出结果；
合并每一个患者的临床表现数据和检测生理数据并保存在一个列向量中，则所有患者的所述训练数据可以表示为数据集：
其中：xi为第i个患者数据，ti为第i个患者的标签，n表示患者的数目，1代表川崎病，0代表普通发烧；记X＝[x1，x2，…，xn]为训练数据矩阵。
更优选地，所述的训练子系统中，基于局部鉴别子空间嵌入的模型训练模块的局部鉴别子空间嵌入的任务是在原始的患者原始临床表现和检测生理数据中分析训练数据的局部结构信息，寻找最优的局部鉴别子空间，确定最优的局部鉴别投影矩阵。
更优选的，所述最优的局部鉴别投影矩阵的确定过程包括以下几个步骤：
1)对每一个患者数据xi，寻找其类内近邻NNI(xi)和类间近邻NNE(xi)，然后构建数据集的本征图G和惩罚图G′；
2)计算本征图G和惩罚图G′的中每条邻接边的权重，并生成邻接权重矩阵S和Sp；
3)计算本征图G和惩罚图G′的拉普拉斯矩阵L和Lp，及其索引矩阵L′和L′p；
4)计算H＝XL′，Hp＝XL′p，Hp的列数记为Np；
5)设计算奇异值分解，K＝FRQT，R的秩记为t＝rank(R)；
6)提取所得到的左奇异向量矩阵F的前Np行、前t列，并计算其奇异值分解，F(1：Np；1：t)＝J∑E；
7)计算广义奇异值分解的右奇异向量矩阵Z，其中R-1是步骤5)所得的奇异值矩阵R的逆，E是步骤6)中所得的右奇异值向量矩阵，I是单位阵；最优的局部鉴别投影矩阵W为Z的前r列。
更优选地，所述确定过程中，xi的类内近邻和类间近邻分别定义为在中心为xi、半径为ε1和ε2的球邻域中的川崎病患者和发烧患者数据，即
NNI(xi)＝{xj|||xj-xi||2＜ε1，ti＝tj}
NNE(xi)＝{xj|||xj-xi||2＜ε2，ti≠tj}。
其中，xi和xj为第i、j个患者数据，ti和tj为第i、j个患者对应的标签，ε1和ε2的取值规则是训练数据集中所有样本和其第三的类内和类间最近邻距离的平均值。
更优选地，所述确定过程中，数据集的本征图G和惩罚图G′分别节点和邻接边构成：全体数据集中的每一个样本均为一个节点；本征图G中，如果两个样本之间存在类内邻域关系，那它们之间存在邻接边；惩罚图G′中，如果两个样本之间存在类间邻域关系，那么它们之间存在邻接边；本征图G中的邻接边是需要保持的本征特征，即在嵌入的低维空间中需要强化的同类患者数据之间的相似关系；惩罚图G′中的邻接边在数据的聚类结构中具有鉴别性，它可以用于避免在嵌入的低维空间中不同类患者的数据之间的距离太近；因而，本征图G和邻接图的定义有助于提高本发明对川崎病和发烧患者数据的区分能力。
更优选地，所述确定过程中，构建邻接权重矩阵是指在本征图G和惩罚图G′中分别为患者数据集中的每一对样本计算邻接权重；如果两样本之间没有邻接边，那么它们的邻接权重为0；如果两样本之间存在邻接边，那么它们的权重通过热核计算，即：
更优选地，所述确定过程中，本征图G和惩罚图G′的拉普拉斯矩阵L和Lp是L＝S-D和Lp＝Sp-Dp，其中D和Dp均为对角阵，其对角线元素分别为S和Sp的行和，即Dii＝∑jSij和Dp，ii＝∑jSp，ij；所述索引矩阵L′和L′p分别构成拉普拉斯矩阵L和Lp的一种分解形式，即L＝L′L′T和Lp＝L′pL′p T，其中，L′和L′p中的每一列对应于S和Sp的上三角矩阵中的一个正元素，实际上也就是对应于患者样本之间的一个邻接关系；L′和L′p的列数分别等于S和Sp的上三角矩阵中的正元素数目N和Np；具体的，S中的一个正元素Sij对应的索引矩阵中的列为：
那么，L′＝[η1，η2，…，ηN]，类似的，可以根据Sp计算L′p。
更优选地，所述确定过程中，第4)到7)步的作用是求解由拉普拉斯矩阵L和Lp确定的一个基于图约束的优化问题，即
J(w)＝minwwTXLXTw
s.t.wTXLpXTw＝1，
其中，X是数据矩阵，w是所需求解的投影向量；
该优化问题的最优解是广义特征值问题XLXTw＝λXLpXTw的最小特征值对应的特征向量；当XLpXT可逆时，该广义特征值问题可以通过(XLpXT)-1XLXT的特征值分解来计算；当XLpXT不可逆时，可以在XLpXT的非零子空间中求解，但是这样仅能利用患者数据之间的部分类间邻接关系；为了充分挖掘数据之间的局部鉴别信息，使用矩阵对Hp T和HT的广义奇异值分解来求解上述广义特征值问题，具体的计算过程如上述过程的第4)到7)步所述；最终，右奇异向量矩阵Z的前r列为最优的局部鉴别投影矩阵W。
更优选地，所述的训练子系统中，基于增量局部鉴别子空间嵌入的模型更新模块是当新的患者训练数据出现时，最优局部鉴别投影矩阵W的一种增量更新方法，即增量局部鉴别子空间嵌入；更新过程包括以下步骤：
①对新的m个患者病历，利用训练患者数据生成模块获取其临床表现和检测生理数据，结果为并记X1＝[xn+1，xn+2，…，xn+m]为新的训练数据矩阵；
②对X1中的每一个元素分析其在全部数据[X，X1]中的邻域关系，然后在本征图G和惩罚图G′中增加对应的节点和邻接边，计算每一条新的邻接边的权重，邻接权重矩阵S和Sp的更新部分表示为和
③计算本征图G和惩罚图G′的索引矩阵的新列L′1和L′p1，其中它们的每一列对应于和的上三角矩阵的中的一个正元素，列的具体形式与上述②中的定义相同；
④计算矩阵H1＝[X X1]L′1和Hp1＝[X X1]L′p1；
⑤生成矩阵YB＝[Hp1 H1]，其中单位阵的尺寸对应于Hp1和H1的列数；
⑥计算QR分解，(I-QQT)YB＝QRRR；
⑦计算奇异值分解，
⑧Np为Hp和Hp1的列数和，提取所得到的左奇异向量矩阵的前Np行，计算奇异值分解，
⑨计算广义奇异值分解的右奇异向量矩阵其中是步骤7)所得的奇异值矩阵的逆，E是步骤⑧中所得的右奇异值向量矩阵，I是单位阵，新的最佳局部鉴别投影矩阵W是它的前r列。
更优选地，所述更新过程中，增加新的训练数据Xk以后的本征图G和惩罚图G′更新是利用基于区域邻域的邻接图的可叠加性实现；新增样本以后，邻接图的改变是在原有图上添加新的节点和邻接边，而不会改变旧的邻接边；当新的川崎病患者数据xj加入时，仅需要考虑它与半径为ε1的邻域中其他样本的邻接关系，因而在更新类内邻接权重矩阵时，只需要计算xj与ε1-邻域内的其他川崎病患者数据的邻接权重；在更新类间邻接权重矩阵时，只需要计算xj与ε2-邻域内的发烧患者数据的邻接权重；权重的计算方法与训练过程中的步骤2)介绍的相同，新的类内邻接权重矩阵和类间邻接权重矩阵可以写成如下形式：
其中所加的部分和为新的患者数据引起的类内和类间权重矩阵的变化。
更优选地，所述更新过程中，新的患者数据会使得索引矩阵出现新的列L′1和L′p1，分别对应于类内和类间权重矩阵的新添加部分；其中每一个新增列对应于或的上三角矩阵的一个正元素，具体的计算方法与训练子系统②中介绍的相同。
更优选地，所述更新过程中，在获得本征图、惩罚图、邻接权重矩阵和索引矩阵的更新后，所需计算的川崎病和发烧特征模型的最优化问题也相应的改变了；上述步骤采用广义奇异值的解法中，具体表现为广义奇异值分解的矩阵对分别出现了新的行H1 T和Hp1 T；基于奇异值分解加性修正算法来增量更新所需求解的广义奇异值分解问题，具体的计算过程如上述的第④到⑨步；最终，可以得到更新的最佳局部鉴别投影矩阵W。
更优选地，所述训练子系统中，训练局部鉴别特征提取模块将川崎病和发烧患者的原始训练数据投影到低维空间，是指：用基于局部鉴别子空间嵌入的模型训练模块或者基于增量局部鉴别子空间嵌入的模型更新模块所得的局部鉴别投影矩阵W的转置乘以川崎病和发烧患者的数据矩阵，XF＝WTX，将其从原始的高维数据空间映射到低维的特征空间中；在该低微特征空间中，数据可充分利用原数据集的局部特性，具有更好的辨别能力；川崎病患者数据(对应标签为1)在低维空间中的集合记为XF1；发烧患者数据(对应标签为0)在低维空间中的集合记为XF2。
优选地，所述的诊断子系统包括：待诊患者数据生成模块、待诊局部鉴别特征提取模块和基于K-最近邻的诊断模块，其中：
所述待诊患者数据生成模块，从待诊患者的病历中提取诊断所需的临床表现和检测生理数据，作为诊断数据输出给待诊局部鉴别特征提取模块；
所述待诊局部鉴别特征提取模块，利用训练子系统中基于局部鉴别子空间嵌入的模型训练模块或者基于增量局部鉴别子空间嵌入的模型更新模块输出的局部鉴别投影矩阵，将待诊患者的临床表现和检测生理数据使用局部鉴别投影矩阵将待诊断数据投影到低维特征空间，输出低维局部鉴别特征给基于K-最近邻的诊断模块；
所述基于K-最近邻的诊断模块，根据训练子系统中训练局部鉴别特征提取模块输出的川崎病和发烧特征模型和待诊局部鉴别特征提取模块输出的待诊患者的低维局部鉴别特征，使用K-最近邻C方法判断该患者所得的是川崎病还是普通发烧。
更优选地，所述的诊断子系统中，待诊患者数据生成模块提取诊断所需的数据，是指：从待诊患者的病历中获取诊断所需的临床表现和检测生理数据，其具体格式和所述训练子系统的训练患者数据生成模块使用的相同，结果表示为xc。
更优选地，所述的诊断子系统中，待诊局部鉴别特征提取模块将待诊患者数据投影到低维鉴别空间，是指：以所述训练子系统的基于局部鉴别子空间嵌入的模型训练模块或者基于增量局部鉴别子空间嵌入的模型更新模块所得的局部鉴别投影矩阵W的转置乘以待诊患者数据xc，得到其低维局部鉴别特征xF＝WTxc。
更优选地，所述的诊断子系统中，基于K-最近邻的诊断模块使用K-最近邻方法判断该患者所得的是川崎病还是普通发烧，是指：寻找xF在原始训练数据集的低维局部鉴别特征XF中的K个最近的近邻，如果它们属于XF1的个数大于属于XF2的个数，那么当前患者在临床和生理上的综合表现更接近于历史的川崎病患者，可以断定其患有川崎病的概率比较大；反之，断定当前患者所得的只是普通的发烧。
与现有技术比较，本发明具有以下有益效果：
本发明能够综合分析患者临床和生理参数的整体表现，快速的判断该患者患有川崎病或者普通发烧的概率；训练所得到的川崎病和发烧特征模型是基于大量患者历史病历的，可以减小诊断准确度对临床医生经验的依赖性，这对国内初级医生或者非大型医院的非专科医生是十分有帮助的；训练特征模型所采用的基于广义奇异值分解的局部鉴别子空间嵌入方法，可以充分提取患者原始数据的局部鉴别信息，提高整体的诊断准确率；此外，所采用的增量模型更新方法，可以及时的将新的患者数据加入到已有的模型中，使得模型可以更好的囊括不同地区、不同人种的情况，并及时的适应川崎病的最新变化。总的来说，本发明提供了一种有效的川崎病诊断系统，可以帮助医生快速做出判断，从而及时的采取措施，如进行丙种球蛋白静滴，防止患者演变为冠状动脉扩张或者动脉瘤，尽可能的减少患者心脏血管的损伤。
附图说明
图1为本发明一优选实施例的训练子系统模块图；
图2为本发明一优选实施例的诊断子系统模块图；
图3为本发明一优选实施例的本征图添加川崎病患者数据时的更新方法。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1、2所示，本实施例提供一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，包含两个子系统：训练子系统和诊断子系统。
如图1所示，本实施例中，所述训练子系统包括如下几个模块：
训练患者数据生成模块，从川崎病和发烧电子病历数据库选择发烧超过3天、出现了4-5种典型的川崎病症状或者少于三种症状但已经出现冠状动脉异常的川崎病儿童，和出现一种川崎病症状的普通发烧儿童作为训练数据的采集对象。训练患者数据生成模块从选择的患者病历中提取临床表现和检测生理数据，其中：临床表现数据的包括过去24小时的体温(均值)、结膜充血、极端变化(包括红，肿，脱皮或手或脚)、口咽的变化(包括咽红、红，裂开的嘴唇或草莓舌)、至少1.5厘米颈部淋巴结、皮疹、疾病的天数；检测生理数据包括白细胞总数、单核细胞百分比、淋巴细胞、嗜酸性粒细胞、嗜中性粒细胞、未成熟的嗜中性粒细胞、血小板数、年龄标准化的血红蛋白(HGB)浓度、C-反应性蛋白、γ-谷氨酰转移酶、丙氨酸氨基转移酶、红细胞沉降率。经过数据提取，所选择患者的训练数据集表示为其中xi是第i个患者数据，ti是第i个患者的标签，1代表川崎病，0代表普通发烧；X＝[x1，x2，…，xn]为训练数据矩阵。
基于局部鉴别子空间嵌入的模型训练模块，使用局部鉴别子空间嵌入对患者数据生成模块输出的川崎病和发烧患者的临床表现和检测生理数据进行训练，输出最佳的局部鉴别投影矩阵W。
基于增量局部鉴别子空间嵌入的模型更新模块，输入当获得新患者的病历后患者数据生成模块所提取的临床表现和检测生理数据和上述基于局部鉴别子空间嵌入的模型训练模块输出的局部鉴别投影矩阵W，使用增量局部鉴别子空间嵌入对模型进行更新，输出新的最优局部鉴别投影矩阵W。
训练局部鉴别特征提取模块，利用上述基于局部鉴别子空间嵌入的模型训练模块和基于增量局部鉴别子空间嵌入的模型更新模块所输出的最优局部鉴别投影矩阵，将患者的临床表现和检测生理数据从原始数据空间映射到低维鉴别子空间中，XF＝WTX，其中，川崎病患者数据在低维空间的表示为XF1，发烧患者数据在低维空间的表示为XF2。
本实施例中，所述基于局部鉴别子空间嵌入的模型训练模块的最优局部鉴别投影矩阵的确定过程的具体步骤是：
1)对每一个患者数据xi，寻找其类内近邻NNI(xi)和类间近邻NNE(xi)，并生成数据集的本征图G和惩罚图G′：
NNI(xi)＝{xj|||xj-xi||2＜ε1，ti＝tj}
NNE(xi)＝{xj|||xj-xi||2＜ε2，ti≠tj}，
其中，xi和xj为患者数据，ti和tj为对应的标签，ε1和ε2的取值规则是训练数据集中所有样本和其第三的类内和类间最近邻距离的平均值；
2)计算本征图G和惩罚图G′的中每条邻接边的权重，并生成邻接权重矩阵S和Sp：
3)生成本征图G和惩罚图G′的索引矩阵L′和L′p，其中它们中的每一列对应于邻接权重矩阵S和Sp的上三角矩阵的一个正元素，S中的一个正元素Sij对应的索引矩阵中的列为：
4)计算H＝XL′，Hp＝XL′p，Hp的列数记为Np；
5)设计算奇异值分解，K＝FRQT，R的秩记为t＝rank(R)；
6)提取所得左奇异向量矩阵F的前Np行、前t列，记为F(1：Np；1：t)，并计算其奇异值分解，F(1：Np；1：t)＝J∑E；
7)计算广义奇异值分解的右奇异向量矩阵Z，其中R-1是步骤5)所得的奇异值矩阵R的逆，E是步骤6)中所得的右奇异值向量矩阵，I是单位阵；最优的局部鉴别投影矩阵W为Z的前r列。
本实施例中，所述基于增量局部鉴别子空间嵌入的模型更新模块是当新的患者训练数据出现时，最优局部鉴别投影矩阵W的一种增量更新方法，即增量局部鉴别子空间嵌入；最优局部鉴别投影矩阵的更新过程具体包括以下步骤：
①对新的患者病历，按照第一步中的方式提取训练数据，结果为并记X1＝[xn+1，xn+2，…，xn+m]为新的训练数据矩阵；
②对X1中的每一个元素分析其在全部数据[X X1]中的邻域关系，然后在本征图G和惩罚图G′中增加对应的节点和邻接边，计算每一条新的邻接边的权重，邻接权重矩阵S和Sp的更新部分表示为和
③计算本征图G和惩罚图G′的索引矩阵的新列L′1和L′p1，其中它们的每一列对应于和的上三角矩阵的中的一个正元素，列的具体形式与上述②中的定义相同；
④计算矩阵H1＝[X X1]L′1和Hp1＝[X X1]L′p1；
⑤生成矩阵YB＝[Hp1 H1]，其中单位阵的尺寸对应于Hp1和H1的列数；
⑥计算QR分解，(I-QQT)YB＝QRRR；
⑦计算奇异值分解，
⑧Np为Hp和Hp1的列数和，提上面所得左奇异向量矩阵的前Np行，并计算其奇异值分解，
⑨计算广义奇异值分解的右奇异向量其中是步骤7)所得的奇异值矩阵的逆，E是步骤⑧中所得的右奇异值向量矩阵，I是单位阵。新的最佳局部鉴别投影矩阵W是它的前r列。
本实施例中，在更新过程中，增加新的训练数据Xk以后的本征图G和惩罚图G′更新是利用基于区域邻域的邻接图的可叠加性实现。图3以本征图添加川崎病患者数据为例描述了图的更新方法，其中图3中(a)表示原始数据集的情况，图3中(b)表示新增一个川崎病患者数据xj后新旧数据邻域的变化情况。可以看出，新增样本以后，邻接图的改变是在原有图上添加新的节点和邻接边，而不会改变旧的邻接边；当新的川崎病患者数据xj加入时，仅需要考虑它与半径为ε1的邻域中其他样本的邻接关系，因而在更新类内邻接权重矩阵时，只需要计算xj与ε1-邻域内的其他川崎病患者数据的邻接权重；在更新类间邻接权重矩阵时，只需要计算xj与ε2-邻域内的发烧患者数据的邻接权重；权重的计算方法与训练过程中的步骤2)介绍的相同，新的类内邻接权重矩阵和类间邻接权重矩阵可以写成如下形式：
其中所加的部分和为新的患者数据引起的类内和类间权重矩阵的变化。
如图2所示，本实施例中，基于所述训练子系统结果，所述诊断子系统包括如下几个模块：
待诊患者数据生成模块，从待诊患者病历中提取诊断所需的临床表现和检测生理数据，作为诊断数据，其数据格式与训练子系统中定义的相同。
待诊局部鉴别特征提取模块使用训练子系统中所得到的局部鉴别投影矩阵W将该患者的诊断临床表现和检测生理数据从原始数据空间投影到低维特征空间，xF＝WTxc。
基于K-最近邻的诊断模块使用训练子系统输出的川崎病和发烧特征模型，寻找待诊局部鉴别特征提取模块输出的待诊患者的低维局部鉴别特征xF在原始训练数据的低维局部鉴别特征XF中的K个最近的近邻，如果它们属于XF1的个数大于属于XF2的个数，那么当前患者在临床和生理上的综合表现更接近于历史的川崎病患者，可以断定其患有川崎病的概率比较大；反之，当前患者患有的只是普通发烧。
Claims (9)
1.一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，包含两个子系统，分别为训练子系统和诊断子系统，其中：
所述训练子系统，从川崎病和普通发烧儿童的历史病历中生成训练用临床表现和检测生理数据，然后分析局部结构信息，寻找最优的局部鉴别子空间，从而在其中建立川崎病和发烧特征模型；此外，当获取了新的患者病历以后，训练子系统以增量学习的方式进行模型更新；
所述诊断子系统，记录待诊患者的临床表现和检测生理数据，并根据训练子系统得到的川崎病和发烧特征模型判断其是否患有川崎病；
所述的训练子系统包括：训练患者数据生成模块、基于局部鉴别子空间嵌入的模型训练模块、基于增量局部鉴别子空间嵌入的模型更新模块、训练局部鉴别特征提取模块，其中：
所述训练患者数据生成模块，从输入川崎病和发烧患者病历数据库中选择川崎病和发烧患者，从病历中提取训练所需的临床表现数据和检测生理数据，作为训练数据输出，然后传入所述基于局部鉴别子空间嵌入的模型训练模块；
所述基于局部鉴别子空间嵌入的模型训练模块，使用局部鉴别子空间嵌入方法，对训练患者数据生成模块输出的临床表现数据和检测生理数据进行训练，分析其局部鉴别信息，输出最优的局部鉴别投影矩阵给基于增量局部鉴别子空间嵌入的模型更新模块；
所述基于增量局部鉴别子空间嵌入的模型更新模块，利用从新的患者病历中提取的新患者的临床表现与检测生理数据与基于局部鉴别子空间嵌入的模型训练模块所得的局部鉴别投影矩阵，使用增量局部鉴别子空间嵌入方法对模型进行更新，输出新的最优局部鉴别投影矩阵给训练局部鉴别特征提取模块；
所述训练局部鉴别特征提取模块，利用基于局部鉴别子空间嵌入的模型训练模块或者所述基于增量局部鉴别子空间嵌入的模型更新模块输出的局部鉴别投影矩阵，分别将川崎病患者数据和发烧患者的临床表现与检测生理数据从原始数据空间投影到低维特征空间中，投影结果作为川崎病和发烧特征模型，输出用于所述诊断子系统诊断使用。
2.根据权利要求1所述的一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，所述的训练子系统中：
训练患者数据生成模块中川崎病和发烧患者选择标准为：对川崎病儿童，发烧超过3天，出现了4-5种典型的川崎病症状，或者少于三种症状，但是已经出现了冠状动脉异常；对普通的发烧儿童，出现一种川崎病症状的；
训练患者数据生成模块提取的训练数据包括临床表现数据和检测生理数据，所述临床表现数据包括过去24小时的体温、结膜充血、极端变化、口咽的变化、至少1.5厘米颈部淋巴结、皮疹、疾病的天数，其中：体温使用过去24小时所测体温的均值表示；疾病的天数为整数；其他临床表现数据为1，表明患者有该症状，为0表示患者没有该症状；所述检测生理数据包括白细胞总数、单核细胞百分比、淋巴细胞、嗜酸性粒细胞、嗜中性粒细胞、未成熟的嗜中性粒细胞、血小板数、年龄标准化的血红蛋白HGB浓度、C-反应性蛋白、γ-谷氨酰转移酶、丙氨酸氨基转移酶、红细胞沉降率，所述检测生理数据均直接使用原始的仪器输出结果；
合并每一个患者的所述临床表现数据和所述检测生理数据并保存在一个列向量中，则所有患者的训练数据表示为数据集：
<mrow>
<msubsup>
<mrow>
<mo>{</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mo>,</mo>
</mrow>
其中：xi是第i个患者数据，ti是第i个患者的标签，n表示患者的数目，1代表川崎病，0代表普通发烧；记X＝[x1,x2,…,xn]为训练数据矩阵。
3.根据权利要求1所述的一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，所述的训练子系统中，基于局部鉴别子空间嵌入的模型训练模块的局部鉴别子空间嵌入的任务是在患者的原始临床表现和检测生理数据中分析训练数据的局部结构信息，寻找最优的局部鉴别子空间，确定最优的局部鉴别投影矩阵W；
最优的局部鉴别投影矩阵W的确定过程包括以下几个步骤：
1)对每一个患者数据xi，寻找其类内近邻NNI(xi)和类间近邻NNE(xi)，然后构建数据集的本征图G和惩罚图G′；
2)计算本征图G和惩罚图G′的中每条邻接边的权重，并生成邻接权重矩阵S和Sp；
3)计算本征图G和惩罚图G′的拉普拉斯矩阵L和Lp，及其索引矩阵L′和L′p；
4)计算H＝XL′，Hp＝XL′p，Hp的列数记为Np；
5)设计算奇异值分解，K＝FRQT，R的秩记为t＝rank(R)；
6)提取所得到的左奇异向量矩阵F的前Np行、前t列，并计算其奇异值分解，F(1:Np；1:t)＝JΣE；
7)计算广义奇异值分解的右奇异向量矩阵Z，其中R-1是步骤5)所得的奇异值矩阵R的逆，E是步骤6)中所得的右奇异值向量矩阵，I是单位阵；最优的局部鉴别投影矩阵W为Z的前r列。
4.根据权利要求3所述的一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，所述确定过程中：
xi的类内近邻和类间近邻分别定义为在中心为xi、半径为ε1和ε2的球邻域中的川崎病患者和发烧患者数据，即
NNI(xi)＝{xj|||xj-xi||2<ε1,ti＝tj}
NNE(xi)＝{xj|||xj-xi||2<ε2,ti≠tj}，
其中，xi和xj为患者数据，ti和tj为对应的标签，ε1和ε2的取值规则是训练数据集中所有样本和其第三的类内和类间最近邻距离的平均值；
数据集的本征图G和惩罚图G′分别节点和邻接边构成：全体数据集中的每一个样本均为一个节点；本征图G中，如果两个样本之间存在类内邻域关系，则其之间存在邻接边；惩罚图G′中，如果两个样本之间存在类间邻域关系，则其之间存在邻接边；本征图G中的邻接边是需要保持的本征特征，即在嵌入的低维空间中需要强化的同类患者数据之间的相似关系；惩罚图G′中的邻接边在数据的聚类结构中具有鉴别性，用于避免在嵌入的低维空间中不同类患者的数据之间的距离太近；因而，本征图G和邻接图的定义有助于提高对川崎病和发烧患者数据的区分能力；
构建邻接权重矩阵是指在本征图G和惩罚图G′中分别为患者数据集中的每一对样本计算邻接权重；如果两样本之间没有邻接边，那么它们的邻接权重为0；如果两样本之间存在邻接边，那么它们的权重通过热核计算，即：
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>/</mo>
<mi>t</mi>
</mrow>
</msup>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>NN</mi>
<mi>I</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>o</mi>
<mi>r</mi>
<mi> </mi>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>NN</mi>
<mi>I</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>/</mo>
<mi>t</mi>
</mrow>
</msup>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>NN</mi>
<mi>E</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>o</mi>
<mi>r</mi>
<mi> </mi>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>NN</mi>
<mi>E</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
本征图G和惩罚图G′的拉普拉斯矩阵L和Lp是L＝S-D和Lp＝Sp-Dp，其中D和Dp均为对角阵，其对角线元素分别为S和Sp的行和，即Dii＝∑jSij和Dp,ii＝∑jSp,ij；所述索引矩阵L′和L′p分别构成拉普拉斯矩阵L和Lp的一种分解形式，即L＝L‘L‘T和Lp＝L′pL′p T，其中，L′和L′p中的每一列对应于S和Sp的上三角矩阵中的一个正元素，实际上也就是对应于患者样本之间的一个邻接关系；L′和L′p的列数分别等于S和Sp的上三角矩阵中的正元素数目N和Np；具体的，S中的一个正元素Sij对应的索引矩阵中的列为：
那么，L′＝[η1,η2,…,ηN]，类似的根据Sp计算L′p；
第4)到7)步的作用是求解由拉普拉斯矩阵L和Lp确定的一个基于图约束的优化问题，即
J(w)＝minwwTXLXTw
s.t.wTXLpXTw＝1，
其中，X是数据矩阵，w是所需求解的投影向量；
该优化问题的最优解是广义特征值问题XLXTw＝λXLpXTw的最小特征值对应的特征向量；当XLpXT可逆时，该广义特征值问题可以通过(XLpXT)-1XLXT的特征值分解来计算；当XLpXT不可逆时，可以在XLpXT的非零子空间中求解，但是这样仅能利用患者数据之间的部分类间邻接关系；为了充分挖掘数据之间的局部鉴别信息，使用矩阵对Hp T和HT的广义奇异值分解来求解上述广义特征值问题，具体的计算过程如上述过程的第4)到7步)所述；最终，右奇异向量矩阵Z的前r列为最优的局部鉴别投影矩阵W。
5.根据权利要求3所述的一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，所述的训练子系统中，基于增量局部鉴别子空间嵌入的模型更新模块是当新的患者训练数据出现时，最优局部鉴别投影矩阵W的一种增量更新方法，即增量局部鉴别子空间嵌入；
更新过程包括以下步骤：
①对新的m个患者病历，利用训练患者数据生成模块获取其临床表现和检测生理数据，结果为并记X1＝[xn+1,xn+2,…,xn+m]为新的训练数据矩阵；
②对X1中的每一个元素分析其在全部数据[X,X1]中的邻域关系，然后在本征图G和惩罚图G′中增加对应的节点和邻接边，计算每一条新的邻接边的权重，邻接权重矩阵S和Sp的更新部分表示为和
③计算本征图G和惩罚图G′的索引矩阵的新列L′1和L′p1，其中它们的每一列对应于和的上三角矩阵的中的一个正元素，列的具体形式与上述②中的定义相同；
④计算矩阵H1＝[X X1]L′1和Hp1＝[X X1]L′p1；
⑤生成矩阵YB＝[Hp1 H1]，其中单位阵的尺寸对应于Hp1和H1的列数；
⑥计算QR分解，(I-QQT)YB＝QRRR；
⑦计算奇异值分解，
⑧Np为Hp和Hp1的列数和，提取所得到的左奇异向量矩阵的前Np行，计算奇异值分解，
⑨计算广义奇异值分解的右奇异向量矩阵其中是步骤7)所得的奇异值矩阵的逆，E是步骤⑧中所得的右奇异值向量矩阵，I是单位阵，新的最佳局部鉴别投影矩阵W是它的前r列。
6.根据权利要求5所述的一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，所述的更新过程中：
增加新的训练数据Xk以后的本征图G和惩罚图G′更新是利用基于区域邻域的邻接图的可叠加性实现，新增样本以后，邻接图的改变是在原有图上添加新的节点和邻接边，而不会改变旧的邻接边；当新的川崎病患者数据xj加入时，仅考虑它与半径为ε1的邻域中其他样本的邻接关系，在更新类内邻接权重矩阵时，只计算xj与ε1-邻域内的其他川崎病患者数据的邻接权重；在更新类间邻接权重矩阵时，只计算xj与ε2-邻域内的发烧患者数据的邻接权重；权重的计算方法与训练过程中的步骤2)相同，新的类内邻接权重矩阵和类间邻接权重矩阵写成如下形式：
<mrow>
<msub>
<mi>S</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>S</mi>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mn>1</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>Z</mi>
<mn>1</mn>
<mi>T</mi>
</msubsup>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mn>2</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>S</mi>
<mi>p</mi>
</msub>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>Z</mi>
<mrow>
<mi>p</mi>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
</mtd>
<mtd>
<msub>
<mi>Z</mi>
<mrow>
<mi>p</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中所加的部分和为新的患者数据引起的类内和类间权重矩阵的变化；
新的患者数据会使得索引矩阵出现新的列L′1和L′p1，分别对应于类内和类间权重矩阵的新添加部分；其中每一个新增列对应于或的上三角矩阵的一个正元素，具体的计算方法与步骤②相同；
在获得本征图、惩罚图、邻接权重矩阵和索引矩阵的更新后，所需计算的川崎病和发烧特征模型的最优化问题也相应的改变了；上述更新过程采用广义奇异值的解法中，表现为广义奇异值分解的矩阵对分别出现了新的行H1 T和Hp1 T；基于奇异值分解加性修正算法来增量更新所需求解的广义奇异值分解问题，具体的计算过程如第④到⑨步；最终得到更新的最佳局部鉴别投影矩阵W。
7.根据权利要求1所述的一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，所述的训练子系统中，训练局部鉴别特征提取模块将川崎病和发烧患者的原始训练数据投影到低维空间，是指：用基于局部鉴别子空间嵌入的模型训练模块或者基于增量局部鉴别子空间嵌入的模型更新模块所得的局部鉴别投影矩阵W的转置乘以川崎病和发烧患者的数据矩阵，XF＝WTX，将其从原始高维数据空间映射到具有更佳的鉴别能力的低维特征空间中；川崎病患者数据在低维空间中的表示记为XF1；发烧患者数据在低维空间中的表示记为XF2。
8.根据权利要求1-7任一项所述的一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，所述的诊断子系统包括：待诊患者数据生成模块、待诊局部鉴别特征提取模块和基于K-最近邻的诊断模块，其中：
所述待诊患者数据生成模块，从待诊患者的病历中提取诊断所需的临床表现和检测生理数据，作为诊断数据输出给待诊局部鉴别特征提取模块；
所述待诊局部鉴别特征提取模块，利用训练子系统中基于局部鉴别子空间嵌入的模型训练模块或者基于增量局部鉴别子空间嵌入的模型更新模块输出的局部鉴别投影矩阵，将待诊患者的临床表现和检测生理数据使用局部鉴别投影矩阵将待诊断数据投影到低维特征空间，输出低维局部鉴别特征给基于K-最近邻的诊断模块；
所述基于K-最近邻的诊断模块，根据训练子系统中训练局部鉴别特征提取模块输出的川崎病和发烧特征模型和待诊局部鉴别特征提取模块输出的待诊患者的低维局部鉴别特征，使用K-最近邻C方法判断该患者所得的是川崎病还是普通发烧。
9.根据权利要求1-7任一项所述的一种基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统，其特征在于，所述的诊断子系统中：
待诊患者数据生成模块提取诊断所需的数据，是指：从待诊患者的病历中获取诊断所需的临床表现和检测生理数据，其具体格式和所述训练子系统的训练患者数据生成模块使用的相同，结果表示为xc；待诊局部鉴别特征提取模块将待诊患者数据投影到低维鉴别空间，是指：以所述训练子系统的基于局部鉴别子空间嵌入的模型训练模块或者基于增量局部鉴别子空间嵌入的模型更新模块所得的局部鉴别投影矩阵W的转置乘以待诊患者数据xc，得到其低维局部鉴别特征xF＝WTxc；
基于K-最近邻的诊断模块使用K-最近邻方法判断该患者所得的是川崎病还是普通发烧，是指：寻找xF在原始训练数据集的低维局部鉴别特征XF中的K个最近的近邻，如果它们属于XF1的个数大于属于XF2的个数，那么当前患者在临床和生理上的综合表现更接近于历史的川崎病患者，断定其患有川崎病的概率比大；反之，断定当前患者所得的只是普通的发烧。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510239842.7A CN104866713B (zh) | 2015-05-12 | 2015-05-12 | 基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510239842.7A CN104866713B (zh) | 2015-05-12 | 2015-05-12 | 基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104866713A CN104866713A (zh) | 2015-08-26 |
| CN104866713B true CN104866713B (zh) | 2018-02-13 |
Family
ID=53912537
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510239842.7A Expired - Fee Related CN104866713B (zh) | 2015-05-12 | 2015-05-12 | 基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104866713B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106295229A (zh) * | 2016-08-30 | 2017-01-04 | 青岛大学 | 一种基于医疗数据建模的川崎病分级预测方法 |
| CN106339593B (zh) * | 2016-08-31 | 2023-04-18 | 北京万灵盘古科技有限公司 | 基于医疗数据建模的川崎病分类预测方法 |
| CN108346471B (zh) * | 2017-01-23 | 2020-11-03 | 中国移动通信有限公司研究院 | 一种病理数据的分析方法及装置 |
| CN106778046A (zh) * | 2017-02-28 | 2017-05-31 | 思派（北京）网络科技有限公司 | 一种基于特征值进行前列腺癌复发预测的系统和方法 |
| CN106980757A (zh) * | 2017-03-15 | 2017-07-25 | 重庆医科大学 | 川崎病并发冠状动脉病变危险因素管理系统及挖掘方法 |
| CN109727669A (zh) * | 2018-11-13 | 2019-05-07 | 合肥数翼信息科技有限公司 | 一种中风患者监护系统和方法 |
| CN110974415B (zh) * | 2019-12-19 | 2020-10-30 | 向欣 | 一种动脉瘤容积的三维造影动脉瘤形态数据库建立方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101517602A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 使用基于分类器集成的遗传算法进行特征选择的方法 |
| CN101968851A (zh) * | 2010-09-09 | 2011-02-09 | 西安电子科技大学 | 基于字典学习上采样的医学影像处理方法 |
| CN103703371A (zh) * | 2011-04-29 | 2014-04-02 | 癌症预防和治疗有限公司 | 使用分类系统及其试剂盒识别和诊断肺部疾病的方法 |
| CN104361318A (zh) * | 2014-11-10 | 2015-02-18 | 中国科学院深圳先进技术研究院 | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050142522A1 (en) * | 2003-12-31 | 2005-06-30 | Kullok Jose R. | System for treating disabilities such as dyslexia by enhancing holistic speech perception |
-
2015
- 2015-05-12 CN CN201510239842.7A patent/CN104866713B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101517602A (zh) * | 2006-09-22 | 2009-08-26 | 皇家飞利浦电子股份有限公司 | 使用基于分类器集成的遗传算法进行特征选择的方法 |
| CN101968851A (zh) * | 2010-09-09 | 2011-02-09 | 西安电子科技大学 | 基于字典学习上采样的医学影像处理方法 |
| CN103703371A (zh) * | 2011-04-29 | 2014-04-02 | 癌症预防和治疗有限公司 | 使用分类系统及其试剂盒识别和诊断肺部疾病的方法 |
| CN104361318A (zh) * | 2014-11-10 | 2015-02-18 | 中国科学院深圳先进技术研究院 | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104866713A (zh) | 2015-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104866713B (zh) | 基于增量局部鉴别子空间嵌入的川崎病和发烧诊断系统 | |
| Gjoreski et al. | Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds | |
| CN104915561B (zh) | 疾病特征智能匹配方法 | |
| Chetty et al. | Role of attributes selection in classification of Chronic Kidney Disease patients | |
| Thapaliya et al. | Evaluating the EEG and eye movements for autism spectrum disorder | |
| CN110246577B (zh) | 一种基于人工智能辅助妊娠期糖尿病遗传风险预测的方法 | |
| CN114999629B (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
| Qu et al. | Machine learning models of acute kidney injury prediction in acute pancreatitis patients | |
| CN109273093B (zh) | 一种川崎病风险评估模型的构建方法及构建系统 | |
| Ding et al. | Mortality prediction for ICU patients combining just-in-time learning and extreme learning machine | |
| WO2021073255A1 (zh) | 基于时序聚类的用药提醒方法及相关设备 | |
| CN114038564A (zh) | 一种糖尿病无创风险预测方法 | |
| CN113080993A (zh) | 一种基于改进多基分类器集成的自动心律失常分析方法 | |
| CN114023440A (zh) | 可解释分层老年mods早期死亡风险评估模型、装置及其建立方法 | |
| Khader et al. | Medical Diagnosis with Large Scale Multimodal Transformers: Leveraging Diverse Data for More Accurate Diagnosis | |
| Jumentier et al. | High-dimensional mediation analysis: a new method applied to maternal smoking, placental DNA methylation, and birth outcomes | |
| Chen et al. | Classification and progression based on CFS-GA and C5. 0 boost decision tree of TCM Zheng in chronic hepatitis B | |
| CN117409963A (zh) | 早产儿喂养不耐受风险预测方法及系统 | |
| Lv et al. | Mcfn: A multichannel fusion network for sleep apnea syndrome detection | |
| CN113128654A (zh) | 一种用于冠心病预诊断中的改进型随机森林模型及其预诊断系统 | |
| Teng et al. | mTBI-DSANet: A deep self-attention model for diagnosing mild traumatic brain injury using multi-level functional connectivity networks | |
| Huang et al. | Parkinson's severity diagnosis explainable model based on 3D multi-head attention residual network | |
| Yildirim et al. | A novel deep learning-based approach for prediction of neonatal respiratory disorders from chest X-ray images | |
| Kumar | Cardiovascular disease prediction using ma-chine learning | |
| CN115240854B (zh) | 一种胰腺炎预后数据的处理方法及其系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| 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: 20180213 Termination date: 20200512 |