CN105701342A - 基于代理的直觉模糊理论医疗诊断模型的构建方法及装置 - Google Patents

Abstract

本发明公开了一种基于代理的直觉模糊理论医疗诊断模型的构建方法及装置，将传感器技术和人工智能技术，实现对病患症状的远程自动采集与传输；进而通过基于直觉模糊集理论建立的智能医疗诊断模型，对病患的症状进行诊断分析；通过对系统的知识模块，即症状-疾病知识库和疾病-医药知识库，持续的更新完善，改善和提高系统的诊断效果；在现有医疗人员、资源和技术有限，中国人口老龄化加剧的情况下，将AIMD设计实体化为ATM并安装在老年社区，通过自助终端服务，为患者提供便捷高效的医疗服务，有效的缓解了医疗压力，该医疗服务模式既节省了医疗就诊时间，又降低了医疗成本。

Description

基于代理的直觉模糊理论医疗诊断模型的构建方法及装置

【技术领域】

本发明属于医疗器械技术领域，涉及一种诊断系统，具体是一种基于代理的直觉模糊理论医疗诊断模型的构建方法及装置。

【背景技术】

国老龄化人口持续增加，老年人身体机能的衰退致使疾病频发，当前医疗模式存在的不利因素增加了老年人疾病就诊的难度。整体而言，当前的医疗就诊模式存在着诸多的弊端同时也面临着巨大的挑战：(1)有限的医务人员、医疗资源与技术难以满足日益增长的医疗需求。疾病诊断的滞后性，医疗资源配置的不合理，缺乏及时有效的治疗，严重影响对患者诊断服务的质量，甚至加剧患者病情。医务人员的医疗知识、临床经验、医药知识的差异性，难以评估疾病诊断的精确度和疾病用药的合理性(2)高强度，超负荷工作和医务人员的个人因素(如性格，脾气)降低疾病诊断的正确率。在有限的医疗服务时间内，患者基数较大，患者得到的有效就诊服务的时间不足，对疾病的治愈表现出滞后性和延迟性。(3)在医疗诊断和处方用药过程中，不合理，不科学的医疗诊断服务增加了患者就医负担。医患的沟通不畅等因素导致当前医患关系持续紧张。

针对上述的医疗模式存在的问题和面临的挑战，亟需有效、科学的解决方法。现代医疗技术和理论的不断发展，智能医疗诊断受到了学术界和医学界的广泛关注。人工神经网络理论的发展为智能医疗诊断提供了一种有效方法。Nikovski等人通过引入域独立变量，建立了基于贝叶斯网络医疗诊断系统。Ahmad等人提出的“改进的应用于糖尿病、心脏病和癌症的优化选择多层感知网络参数启发式算法”；Chattopadhyay等人同时提出的一个基于CBR的专家系统。Qasem等人提出了一种自适应演变RBF(radialbasisfunction)网络算法为解决多目标RBF网络医疗诊断问题提供了一种有效方法。Szmidt等人提出了一种利用直觉模糊集来诊断疾病的新方法。Majid等人提出了一个基于模糊概率的应用于失语症诊断智能医疗诊断系统。通过HealthAgents的项目开发，Horacio等人提出了一种基于代理技术的分布式决策支持系统和脑肿瘤的预后诊断系统。

上述方法和理论对智能医疗诊断的发展起到了显著的推动作用，但是如何实现基于传感技术的智能医疗诊断方法仍然没有被广泛的思考并进行系统的研究。

【发明内容】

本发明的目的在于克服上述现有技术的缺点，提供一种基于代理的直觉模糊理论医疗诊断模型的构建方法及装置。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于代理的直觉模糊理论医疗诊断模型的构建方法，包括三种基于直觉模糊集的关联测度的关联系数计算方法：一般的计算关联系数的方法、改进的计算关联系数的方法以及基于集合论的计算关联系数的方法；具体步骤如下：

1)直觉模糊集及其扩展的概念和定义：

a.设X为一个非空集合，则称为直觉模糊集，其中μ_A(x)和ν_A(x)分别表示为X中元素x属于A的隶属度和非隶属度，i表示症状变量，j表示疾病变量，即

μ_A:X→[0,1]，x∈X→μ_A(x)∈[0,1]

ν_A:X→[0,1]，x∈X→ν_A(x)∈[0,1]

且满足条件

0≤μ_A(x)+ν_A(x)≤1,x∈X

此外

π_A(x)＝1-(μ_A(x)+ν_A(x)),x∈X

表示π_A(x)中元素x属于A的犹豫度或者不确定度；

b.对于任一直觉模糊数α＝(μ_α,ν_α)，可通过得分函数S对其进行评估：

s(α)＝μ_α-ν_α

其中，s(α)为α的得分值，s(α)∈[0,1]；

直觉模糊数α的得分值与其隶属度μ_α和非隶属度ν_α的差值直接相关，μ_α和ν_α的差值越大，则α的得分值越大，从而直觉模糊数α越大；

精确函数：

h(α)＝μ_α+ν_α

其中，α＝(μ_α,ν_α)为直觉模糊数，h为α的精确函数，h(α)为α的精确度，h(α)值越大，则直觉模糊数α的精确度越高；

从而可得α的犹豫度和精确度之间的函数关系如下：

h(α)+π_α＝1

因此，犹豫度π_α越小，则精确度h(α)值越大；

2)三种关联测度的关联系数的计算方法：

2-1)一般的直觉模糊集A₀和A_j的关联测度方法：

设X＝{x₁,x₂,...,x_n}为一个有限集合，和 $A_j=\{<x_i,{\mathrm{\&mu;}}_{A_j}\left(x_i\right),v_{A_j}\left(x_i\right)>|x_i\&Element;X\}$ 为直觉模糊集，若

$\mathrm{\&rho;}(A_0,A_j)=\frac{c(A_0,A_j)}{{\left(c\right(A_0,A_0)\&CenterDot;c(A_0,A_j\left)\right)}^{1/2}}---\left(1\right)$

其中，

$c(A_0,A_j)=\underset{i=1}{\overset{n}{\&Sigma;}}\left({\mathrm{\&mu;}}_{A_0}\right(x_i)\&CenterDot;{\mathrm{\&mu;}}_{A_j}(x_i)+v_{A_0}(x_i)\&CenterDot;v_{A_j}(x_i\left)\right)---\left(2\right)$

则称ρ(A₀,A_j)为直觉模糊集A₀和A_j的关联系数；

关联系数x_i∈X满足下列性质：

0≤ρ₁(A₁,A₂)≤1

0≤ρ₁(A₁,A₂)≤1

ρ₁(A₁,A₂)＝ρ₁(A₂,A₁)

2-2)改进的直觉模糊集A₀和A_j的关联测度方法：

设X＝{x₁,x₂,...,x_n}为一个有限集合，和 $A_j=\{<x_i,{\mathrm{\&mu;}}_{A_j}\left(x_i\right),v_{A_j}\left(x_i\right)>|x_i\&Element;X\}$ 为直觉模糊集，则称

$\mathrm{\&rho;}(A_0,A_j)=\frac{1}{2n}\underset{i=1}{\overset{n}{\&Sigma;}}(\frac{{\mathrm{\&Delta;\&mu;}}_{min}+{\mathrm{\&Delta;\&mu;}}_{max}}{{\mathrm{\&Delta;\&mu;}}_i+{\mathrm{\&Delta;\&mu;}}_{max}}+\frac{{\mathrm{\&Delta;v}}_{min}+{\mathrm{\&Delta;v}}_{max}}{{\mathrm{\&Delta;v}}_i+{\mathrm{\&Delta;v}}_{max}})---\left(3\right)$

为直觉模糊集A₀和A_j的关联系，其中

${\mathrm{\&Delta;\&mu;}}_i=|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)|,{\mathrm{\&Delta;v}}_i=|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)|$

${\mathrm{\&Delta;\&mu;}}_{\min }=\underset{i}{\min }\left\{\right|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\&Delta;v}}_{\min }=\underset{i}{\min }\left\{\right|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)\left|\right\}$

${\mathrm{\&Delta;\&mu;}}_{\max }=\underset{i}{\max }\left\{\right|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\&Delta;v}}_{\max }=\underset{i}{\max }\left\{\right|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)\left|\right\}$

考虑元素x_i∈X的权重，在多属性决策中，每个属性具有不同的重要性，因而需要赋予不同的权重，公式(3)概括为：

$\mathrm{\&rho;}(A_0,A_j)=\frac{1}{2}\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&omega;}}_i\left(\frac{{\mathrm{\&Delta;\&mu;}}_{\min }+{\mathrm{\&Delta;\&mu;}}_{\max }}{{\mathrm{\&Delta;\&mu;}}_i+{\mathrm{\&Delta;\&mu;}}_{\max }}+\frac{{\mathrm{\&Delta;v}}_{\min }+{\mathrm{\&Delta;v}}_{\max }}{{\mathrm{\&Delta;v}}_i+{\mathrm{\&Delta;v}}_{\max }}\right)---\left(4\right)$

其中，ω＝(ω₁,ω₂,...,ω_n)^T为x_i(i＝1,2,...,n)的权重向量，ω_i≥0(i＝1,2,...,n)，且权重的排列是ω₁≥ω₂≥…≥ω_n，不全取等号；

2-3)基于集合论的计算关联系数的方法：

设X＝{x₁,x₂,...,x_n}为一个有限集合，和为直觉模糊集，直觉模糊集A₀和A_j的关联系数为：

$\mathrm{\&rho;}(A_0,A_j)=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}\left({\mathrm{\&mu;}}_{A_0}\right(x_i)\&CenterDot;{\mathrm{\&mu;}}_{A_j}(x_i)+v_{A_0}(x_i)\&CenterDot;v_{A_j}(x_i\left)\right)}{max\left(\underset{i=1}{\overset{n}{\&Sigma;}}\right({\mathrm{\&mu;}}_{A_0}^2\left(x_i\right)+v_{A_0}^2\left(x_i\right)),\underset{i=1}{\overset{n}{\&Sigma;}}\left({\mathrm{\&mu;}}_{A_j}^2\right(x_i)+v_{A_j}^2(x_i\left)\right))}---\left(5\right)$

3)根据步骤2)中三种不同的关联测度算法，得到基于代理的直觉模糊理论医疗诊断模型。

本发明进一步的改进在于：

医疗诊断模型是基于症状-疾病数据知识库和医药-疾病数据知识库建立的，具体症状-疾病数据知识库和医药-疾病数据知识库的构建方法如下：

1)建立症状-疾病数据知识库，症状-疾病数据知识库描述了症状和疾病之间的映射关系，包括以下步骤：

步骤1.1：建立症状集和物理体征信息集，症状集为发烧、头痛、咳嗽或胸闷，物理体征信息集为体温、血压以及血常规结果；

步骤1.2：建立诊断集，诊断集为病毒性发热、痢疾、伤寒感冒以及外感风热感冒；

步骤1.3：模糊理论描述患者的症状，建立患者的症状集，每一个症状用一个参数对(u,v)描述，即隶属度和非隶属度，u表示该症状属于某种疾病的概率，v表示该症状不属于某种疾病的概率；

2)建立医药-疾病数据知识库，医药-疾病数据知识库包括医药药品信息和疾病适用药品处方关联知识集，其中药品信息由药品本体信息和药品规则分类信息构成，具体步骤如下：

步骤2.1：根据药品本体信息和药品规则分类信息构建医药知识库；

步骤2.2：建立疾病适用药品处方关联知识集，该知识集由医学专家的知识和临床经验，以及权威医学书籍、刊物加工提炼而成。

症状-疾病数据知识库和医药-疾病数据知识库建立后，对患者的物理体征戒症状进行采集和录入，完成患者病症初始信息的提取和存储，具体方法为：

步骤3.1：采集患者的体温、心率、脉搏以及血压信息，并将这些物理体征信息以半结构数据形式存储；

步骤3.2：通过智能交互界面录入患者的辅助检查结果，辅助检查结果包括心电图、血常规以及尿检结果，并将录入的辅助查询结果以半结构数据形式存储；

步骤3.3：通过智能交互界面录入患者的发病时间、前期症状以及当前症状。

完成患者病症初始信息的提取和存储后，根据数据类型和信息的时间顺序进行归类和整理和输入，并以直觉模糊理论诊断模型的参数输入进行存储。

根据三种不同的关联测度算法，选择概率最大的疾病作为诊断结果，诊断结果输入医药-疾病知识库，搜索匹配诊断结果与疾病相关的药品，优化调度输出疾病适用药品处方；

其中，输出药品优化推送治疗方案，包括以下三种方案：

A.非注射药品；

B.射制剂药品；

C.注射制剂药品与口服药品或者外用药品组合用药；

统计分析每一种药品推送方案中涉及的药品的注意事项，从食疗的角度综合列举与处方药品禁忌的食物和注意事项。

本发明还公开了一种基于代理的智能医疗诊断装置，包括治疗椅以及储药柜；治疗椅的椅背上端设置有用于采集人体体温的温度传感器，座椅一侧的扶手上设置有用于采集人体血流速度信息和血压信息的速度和压强传感器以及用于采集脉搏信息的振动和力传感器；温度传感器、速度和压强传感器以及振动和力传感器均与安装在治疗椅上的第一中央微处理器相连，第一中央微处理器还与信息输入端口以及智能交互界面相交互，智能交互界面用于输入患者的辅助检查结果；储药柜上设置有第二中央微处理器以输入端口，第二中央微处理器根据输入的处方及费用结算信息将储药柜中对应的药品送至下部的取药口；第一中央微处理器和第二中央微处理器均与服务器相交互。

本发明进一步的改进在于：

所述第一中央微处理器根据采集到的体温、血流速度、血压、脉搏以及辅助检查结果通过建立在服务器上的知识库和基于直觉模糊集的智能医疗诊断模型数据进行分析，得出诊断结果并共享至服务器中。

所述第一中央微处理器安装于智能交互界面内，智能交互界面和信息输入端口均安装于治疗椅侧面的立杆上，立杆能够在水平方线旋转，使智能交互界面和信息输入端口旋转至患者正前方。

所述第一中央微处理器上还连接有视频接口，用于与终端的医生进行交互。

与现有技术相比，本发明具有以下有益效果：

本发明将传感器技术和人工智能技术，实现对病患症状的远程自动采集与传输；进而通过基于直觉模糊集理论建立的智能医疗诊断模型，对病患的症状进行诊断分析；通过对系统的知识模块，即症状-疾病知识库和疾病-医药知识库，持续的更新完善，改善和提高系统的诊断效果；在现有医疗人员、资源和技术有限，中国人口老龄化加剧的情况下，将AIMD设计实体化为ATM并安装在老年社区，通过自助终端服务，为患者提供便捷高效的医疗服务，有效的缓解了医疗压力，该医疗服务模式既节省了医疗就诊时间，又降低了医疗成本。

【附图说明】

图1是本发明的整体架构示意图；

图2是本发明的流程图；

图3是本发明装置的结构示意图。

【具体实施方式】

下面结合附图对本发明做进一步详细描述：

参见图1，本发明设计了一种基于代理的智能医疗诊断装置(AIMD，Agent-basedintelligentmedicaldiagnosissystem)集成了传感器技术、人工智能技术和医药疾病知识，目的在于解决当前医疗模式的弊端，主要用于诊断治疗常见的临床疾病，并向患者推送合理准确的处方，缓解当前医疗压力。该系统集成了传感器技术、人工智能技术和医药疾病知识。本发明通过多种异构的生物医学物理传感器实现对患者物理体征的采集和录入，人机交互界面获取患者的主诉症状信息，通过对采集的数据的加工处理，应用直觉模糊集理论对患者的病情进行建模诊断，医药-疾病知识库录入确诊结果，进而向患者主动推送相关的药品处方。

本发明建立了基于直觉模糊集的智能医疗诊断模型，患者的症状信息可以通过传感器和智能交互界面进行采集和录入，获得的有效数据信息应用直觉模糊集理论诊断建模，对患者的病情做出客观，准确的诊断，进而基于建立的医药-疾病知识库对确诊结果推送相关的药品处方。具体实施步骤如下：

步骤1：参见图2，建立症状-疾病数据知识库。该知识库描述了症状和疾病之间的映射关系。包括以下步骤：

步骤1.1：建立症状集和物理体征信息集(症状集为发烧、头痛、咳嗽、胸闷等，物理体征信息集为体温、血压、血常规结果等)；

步骤1.2：建立诊断集(诊断集为病毒性发热、痢疾、伤寒感冒、外感风热感冒等)；

步骤1.3：模糊理论描述患者的症状，参数(u,v)描述的症状的隶属度和非隶属度。u表示该症状属于某种疾病的概率，v表示该症状不属于某种疾病的概率。

表1描述了症状与疾病数据知识库，列出了临床诊疗中常见的各种症状和疾病，表示了一种症状与某种疾病的隶属度和非隶属度关系。表中的第一列表示症状变量，第一行表示疾病变量。参数对(u_ij,v_ij)表示直觉模糊数中的症状变量i和疾病变量j之间的隶属度与非隶属度，其中u_ij表示症状变量i属于疾病变量j的概率，v_ij表示症状变量i不属于疾病变量j的概率。该数据库具有实时保存并更新症状-疾病知识的功能，持续积累医疗就诊知识，完善知识库信息。

表1症状-疾病数据知识库

步骤2：建立医药-疾病数据知识库。该知识库包括医药药品信息和疾病适用药品处方关联知识集，其中药品信息由药品本体信息和药品规则分类信息。具体步骤如下：

步骤2.1：根据药品本体信息和药品规则分类信息构建医药知识库。

医药知识是由药物的本体知识和药品分类规则。药物的本体知识主要包括药品中英文名称、组成成份、性状、主治功能、用法与用量、禁忌、注意事项、药物相互作用、规格、不良反应、药理毒理、价格以及生产企业。

药品的分类规则信息是按照药品的不同属性进行分类并对药品进行详细的标注。药品分类内容如下：药品分为处方药和非处方药(甲类非处方、乙类非处方)；按照功能和用途分为抗生素类药品、消化系统用药、呼吸系统用药、清热解毒药品、维生素、矿物质药品等。按照性质和成份分为中药、西药以及中西合成药；按照用法用量分为非注射制剂药品药和注射制剂药品。

步骤2.2：建立疾病适用药品处方关联知识集，是基于医学专家的知识和丰富的临床经验，以及权威医学书籍、刊物知识加工提取。

该关联知识集对药品适应症和疾病适用药品做出反馈更新优化调度，基于诊断结果，关联知识集优化推送三种药品治疗方案。

第一种药品优化推送方案：口服药品(非注射)；该方案适用于轻微的病症，缓解病症和疾病早期治疗，具有治疗周期相对较长，服药时间长等特点。第二种药品优化推送方案：注射制剂药品；该方案适用于一般常见的病症，具有快速改善患者症状，治疗周期短，用药时间短的特点。第三种药品优化推送方案：注射制剂药品与口服药品或者外用药品组合用药。该方案提供了一种多重组合用药的方法，基于部分疾病的特殊治疗需求，重点用药与辅助治疗相结合，提高治疗效果。相比于前两种优化推送方案，第三种方案针对的疾病较为复杂，具有多种并发的症状和治疗周期长的特性。对治疗成本而言，第一种优化治疗方案最优化，但同时具有治疗的局限性。对治疗效果而言，对于同样的疾病，第三种优化治疗方案的治疗效果最佳。

步骤3：参见图3，患者物理体征和症状的采集与录入。包括以下步骤：

步骤3.1：异构生物医学物理传感器采集患者物理体征信息，包括了患者的体温、心率、脉搏、血压等。该物理体征信息以半数据结构形式存储。

患者通过配置在自主医疗诊断设备上异构的多种生物医学物理传感器检测录入个人体征信息，其中录入的个人体征信息包括体温、心率、脉搏、体重、血压等信息并且以半结构数据形式存储。

基于代理的智能医疗诊断装置设计如图3所示。患者使用该自助医疗服务终端时，通过在智能交互终端5刷医疗卡开启智能医疗诊断装置。患者头部接触嵌入式的温度传感器1测量体温；胳膊平置嵌入的速度与压强传感器2检测血压、血流速等物理体征；振动和力传感器3测量患者的脉搏，心率等体征。

传感器技术，信息技术，传感网络和语音识别等技术的迅猛发展，相关技术在生物医学领域的应用促进了该领域物理传感器测量设备的发明。表2列举了目前用于生物医学领域的几种物理传感器及其用途

表2物理传感器在生物医学领域的应用

步骤3.2：信息输入端口录入患者辅助的检查结果。包括心电图、血常规、尿检等医疗仪器辅助检查的结果。

完成患者物理体征的采集后，在患者通过信息输入端口(4)录入辅助检查结果信息，如(心电图、血检、尿检等医疗仪器辅助检查的结果)。这些录入信息以半结构数据形式存储。在录入辅助检查结果的过程中，录入指南详细全面地指导患者完整信息录入，设置的简化流程和按键实现了简单便捷操作。

步骤3.3：智能交互界面录入患者主诉、临床症状。包括发病时间、前期症状、症状等。

在该智能交互界面5通过语音识别技术模拟医生与患者的寻症对话情景模式，患者通过电脑模拟的医生寻症模式描述自己当前的症状，从而形成症状集如(头痛、发烧、腹泻、咳嗽、鼻塞、咽喉痛等症状)。同时将录入的症状集以结构数据形式存储，症状集中的症状主次关系以患者录入症状的时间降序排列，这是基于患者通常先描述主要症状后描述次要症状。上述步骤完成了患者病症初始信息的提取和存储。

半结构化数据和结构化数据按一个特定的规则分类能够包含所有疾病症状和病变的发生部位。并且人体是由八个系统组成(运动，呼吸，消化，泌尿，生殖，内分泌，神经和循环系统)。基于上述事实，疾病可分为九类，大大方便了对疾病的诊断和治疗。

步骤4：录入信息归类整理和输入。对人机接口采集的患者信息，根据数据类型和信息的时间顺序进行归类整理，并以直觉模糊理论诊断模型的参数输入进行存储。

步骤5：建立基于agent的直觉模糊理论医疗诊断模型。此模型中，提出了三种基于直觉模糊集的关联测度的关联系数计算方法：一般的计算关联系数的方法，改进的计算关联系数的方法，基于集合论的计算关联系数的方法。具体步骤如下：

步骤5.1：直觉模糊集及其扩展的概念和定义。分为以下两点：

a.设X为一个非空集合，则称为直觉模糊集，其中μ_A(x)和ν_A(x)分别表示为X中元素x属于A的隶属度和非隶属度，即

μ_A:X→[0,1]，x∈X→μ_A(x)∈[0,1]

ν_A:X→[0,1]，x∈X→ν_A(x)∈[0,1]

且满足条件

0≤μ_A(x)+ν_A(x)≤1,x∈X

此外

π_A(x)＝1-μ_A(x)-ν_A(x),x∈X

表示中元素x属于A的犹豫度或者不确定度。

b.对于任一直觉模糊数α＝(μ_α,ν_α)，可通过得分函数S对其进行评估：

s(α)＝μ_α-ν_α

其中s(α)为α的得分值，s(α)∈[0,1]。

直觉模糊数α的得分值与其隶属度μ_α和非隶属度ν_α的差值直接相关。μ_α和ν_α的差值越大，则α的得分值越大，从而直觉模糊数α越大。

精确函数：

h(α)＝μ_α+ν_α

其中α＝(μ_α,ν_α)为直觉模糊数，h为α的精确函数，h(α)为α的精确度，h(α)值越大，则直觉模糊数α的精确度越高。

从而可得α的犹豫度和精确度之间的函数关系如下：

h(α)+π_α＝1

因此，犹豫度π_α越小，则精确度h(α)值越大。

步骤5.2：运用传统关联测度方法进行运算。

设X＝{x₁,x₂,...,x_n}为一个有限集合，和 $A_j=\{<x_i,{\mathrm{\&mu;}}_{A_j}\left(x_i\right),v_{A_j}\left(x_i\right)>|x_i\&Element;X\}$ 为直觉模糊集。若

$\mathrm{\&rho;}(A_0,A_j)=\frac{c(A_0,A_j)}{{\left(c\right(A_0,A_0)\&CenterDot;c(A_0,A_j\left)\right)}^{1/2}}---\left(6\right)$

其中

$c(A_0,A_j)=\underset{i=1}{\overset{n}{\&Sigma;}}\left({\mathrm{\&mu;}}_{A_0}\right(x_i)\&CenterDot;{\mathrm{\&mu;}}_{A_j}(x_i)+v_{A_0}(x_i)\&CenterDot;v_{A_j}(x_i\left)\right)---\left(7\right)$

则称ρ(A₀,A_j)为直觉模糊集A₀和A_j的关联系数。他们分别描述了病人的症状，疾病的症状和隶属度。

关联系数x_i∈X满足下列性质：

1)0≤ρ₁(A₁,A₂)≤1

2)0≤ρ₁(A₁,A₂)≤1

3)ρ₁(A₁,A₂)＝ρ₁(A₂,A₁)

步骤5.3：运用改进的直觉模糊集A₀和A_j的关联系数的新方法运算。

设X＝{x₁,x₂,...,x_n}为一个有限集合，和 $A_j=\{<x_i,{\mathrm{\&mu;}}_{A_j}\left(x_i\right),v_{A_j}\left(x_i\right)>|x_i\&Element;X\}$ 为直觉模糊集。则称

$\mathrm{\&rho;}(A_0,A_j)=\frac{1}{2n}\underset{i=1}{\overset{n}{\&Sigma;}}(\frac{{\mathrm{\&Delta;\&mu;}}_{min}+{\mathrm{\&Delta;\&mu;}}_{max}}{{\mathrm{\&Delta;\&mu;}}_i+{\mathrm{\&Delta;\&mu;}}_{max}}+\frac{{\mathrm{\&Delta;v}}_{min}+{\mathrm{\&Delta;v}}_{max}}{{\mathrm{\&Delta;v}}_i+{\mathrm{\&Delta;v}}_{max}})---\left(8\right)$

为直觉模糊集A₀和A_j的关联系，其中

${\mathrm{\&Delta;\&mu;}}_i=|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)|,{\mathrm{\&Delta;v}}_i=|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)|$

${\mathrm{\&Delta;\&mu;}}_{\min }=\underset{i}{\min }\left\{\right|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\&Delta;v}}_{\min }=\underset{i}{\min }\left\{\right|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)\left|\right\}$

${\mathrm{\&Delta;\&mu;}}_{\max }=\underset{i}{\max }\left\{\right|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\&Delta;v}}_{\max }=\underset{i}{\max }\left\{\right|v_{A_1}\left(x_i\right)-v_{A_2}\left(x_i\right)\left|\right\}$

在许多情况下，应该考虑元素x_i∈X的权重，在多属性决策中，每个属性一般具有不同的重要性，因而需要赋予不同的权重。方程(3)可以概括为

$\mathrm{\&rho;}(A_0,A_j)=\frac{1}{2}\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&omega;}}_i\left(\frac{{\mathrm{\&Delta;\&mu;}}_{\min }+{\mathrm{\&Delta;\&mu;}}_{\max }}{{\mathrm{\&Delta;\&mu;}}_i+{\mathrm{\&Delta;\&mu;}}_{\max }}+\frac{{\mathrm{\&Delta;v}}_{\min }+{\mathrm{\&Delta;v}}_{\max }}{{\mathrm{\&Delta;v}}_i+{\mathrm{\&Delta;v}}_{\max }}\right)---\left(9\right)$

其中，ω＝(ω₁,ω₂,...,ω_n)^T为x_i(i＝1,2,...,n)的权重向量，ω_i≥0(i＝1,2,...,n)，且权重的排列是ω₁≥ω₂≥…≥ω_n，并不是所有的平等。

步骤5.4：从集合论的角度进行考虑，给出一种给予集合论的直觉模糊集关联系数进行运算。

设X＝{x₁,x₂,...,x_n}为一个有限集合，和为直觉模糊集。直觉模糊集A₀和A_j的关联系数为：

$\mathrm{\&rho;}(A_0,A_j)=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}\left({\mathrm{\&mu;}}_{A_0}\right(x_i)\&CenterDot;{\mathrm{\&mu;}}_{A_j}(x_i)+v_{A_0}(x_i)\&CenterDot;v_{A_j}(x_i\left)\right)}{max\left(\underset{i=1}{\overset{n}{\&Sigma;}}\right({\mathrm{\&mu;}}_{A_0}^2\left(x_i\right)+v_{A_0}^2\left(x_i\right)),\underset{i=1}{\overset{n}{\&Sigma;}}\left({\mathrm{\&mu;}}_{A_j}^2\right(x_i)+v_{A_j}^2(x_i\left)\right))}---\left(10\right)$

步骤5.3：根据三种不同的关联测度算法，在医疗诊断的过程中，选择概率最大的疾病作为诊断结果。

步骤6：诊断结果输出。输入的数据通过诊断建模，输出最优化的疾病诊断结果。诊断结果显示在智能交互界面5，该界面提供语音阅读诊断结果的功能，患者可以清楚的了解自己的病症。

步骤7：匹配优化调度，输出疾病适用药品处方。诊断结果输入医药-疾病知识库，搜索匹配诊断结果与疾病相关的药品，优化调度输出疾病适用药品处方。疾病适用药品处方显示在智能交互界面5，患者可以浏览处方内容并且保存相关诊断信息于医疗卡。

步骤8：输出药品优化推送治疗方案。包括以下三种优化治疗方案：

第一种药品优化推送方案：非注射药品；

第二种药品优化推送方案：注射制剂药品；

第三种药品优化推送方案：注射制剂药品与口服药品或者外用药品组合用药。

统计分析每一种药品推送方案中涉及的药品的注意事项，从食疗的角度综合列举与处方药品禁忌的食物和注意事项。

步骤9：增加视频通话功能，对于VIP客户提供远程医疗服务。将推送的优化治疗方案传输给处于智能终端的医生，对推送方案进行评价与复诊。

参见图3，本发明基于代理的智能医疗诊断装置，其中温度传感器1、速度和压强传感器2、振动和力传感器3、信息输入端口4、智能交互界面5、视频接口7均与第一中央微处理控制器6连接；输入处方或刷卡处10和取药处8和第二中央微处理器9连接；温度传感器1、速度和压强传感器2、振动和力传感器3置于治疗椅12的扶手上；信息输入端口4、智能交互界面5、视频接口7、第一中央微处理控制器6均置于治疗椅12表面；输入处方或刷卡处9置于储药柜11表面；取药处7和第二中央未处理器8均置于储药柜11内部。

本发明的工作过程：

在信息输入端口输入身份信息，将监控装置置于身体合适位置，通过智能交互界面选择开始诊断，利用温度传感器采集体温信息，利用速度传感器采集血流速度信息，利用压强传感器采集血压信息，利用振动传感器采集脉搏信息，利用智能交互界面采集病人临床症状信息，获取多种生理信息，利用微处理器处理这些生理信息并通过知识库和基于直觉模糊集的智能医疗诊断模型数据进行分析，然后给病人反馈，病人通过在智能交互界面浏览药品优化推送方案，其中包括智能终端推荐的药品方案，病人可以自助选择药品处方，并且选择打印，处方输出端口输出该处方。病人在输入处方端口8扫描处方上的条形码，则药品将传输至药柜服务终端。病人选择药品输出按键，药品将被从药柜中输出至取药口7。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种基于代理的直觉模糊理论医疗诊断模型的构建方法，其特征在于，包括三种基于直觉模糊集的关联测度的关联系数计算方法：一般的计算关联系数的方法、改进的计算关联系数的方法以及基于集合论的计算关联系数的方法；具体步骤如下：

1)直觉模糊集及其扩展的概念和定义：

a.设X为一个非空集合，则称为直觉模糊集，其中μ_A(x)和ν_A(x)分别表示为X中元素x属于A的隶属度和非隶属度，i表示症状变量，j表示疾病变量，即

μ_A:X→[0,1]，x∈X→μ_A(x)∈[0,1]

ν_A:X→[0,1]，x∈X→ν_A(x)∈[0,1]

且满足条件

0≤μ_A(x)+ν_A(x)≤1,x∈X

此外

π_A(x)＝1-(μ_A(x)+ν_A(x)),x∈X

表示π_A(x)中元素x属于A的犹豫度或者不确定度；

b.对于任一直觉模糊数α＝(μ_α,ν_α)，通过得分函数S对其进行评估：

s(α)＝μ_α-ν_α

其中，s(α)为α的得分值，s(α)∈[0,1]；

直觉模糊数α的得分值与其隶属度μ_α和非隶属度ν_α的差值直接相关，μ_α和ν_α的差值越大，则α的得分值越大，从而直觉模糊数α越大；

精确函数：

h(α)＝μ_α+ν_α

其中，α＝(μ_α,ν_α)为直觉模糊数，h为α的精确函数，h(α)为α的精确度，h(α)值越大，则直觉模糊数α的精确度越高；

从而得α的犹豫度和精确度之间的函数关系如下：

h(α)+π_α＝1

因此，犹豫度π_α越小，则精确度h(α)值越大；

2)三种关联测度的关联系数的计算方法：

2-1)一般的直觉模糊集A₀和A_j的关联测度方法：

设X＝{x₁,x₂,...,x_n}为一个有限集合，和 $A_j=\{<x_i,{\mathrm{\&mu;}}_{A_j}\left(x_i\right),{\mathrm{\&nu;}}_{A_j}(x_i)>|x_i\&Element;X\}$ 为直觉模糊集，若

$\mathrm{\&rho;}(A_0,A_j)=\frac{c(A_0,A_j)}{{\left(c\right(A_0,A_0)\&CenterDot;c(A_0,A_j\left)\right)}^{1/2}}---\left(1\right)$

其中，

$c(A_0,A_j)=\underset{i=1}{\overset{n}{\&Sigma;}}\left({\mathrm{\&mu;}}_{A_0}\right(x_i)\&CenterDot;{\mathrm{\&mu;}}_{A_j}(x_i)+{\mathrm{\&nu;}}_{A_0}(x_i)\&CenterDot;{\mathrm{\&nu;}}_{A_j}(x_i\left)\right)---\left(2\right)$

则称ρ(A₀,A_j)为直觉模糊集A₀和A_j的关联系数；

关联系数x_i∈X满足下列性质：

0≤ρ₁(A₁,A₂)≤1

0≤ρ₁(A₁,A₂)≤1

ρ₁(A₁,A₂)＝ρ₁(A₂,A₁)

2-2)改进的直觉模糊集A₀和A_j的关联测度方法：

设X＝{x₁,x₂,...,x_n}为一个有限集合，和 $A_j=\{<x_i,{\mathrm{\&mu;}}_{A_j}\left(x_i\right),{\mathrm{\&nu;}}_{A_j}\left(x_i\right)>|x_i\&Element;X\}$ 为直觉模糊集，则称

$\mathrm{\&rho;}\left(A_0,A_j\right)=\frac{1}{2n}\underset{i=1}{\overset{n}{\&Sigma;}}\left(\frac{{\mathrm{\&Delta;\&mu;}}_{\min }+{\mathrm{\&Delta;\&mu;}}_{\max }}{{\mathrm{\&Delta;\&mu;}}_i+{\mathrm{\&Delta;\&mu;}}_{\max }}+\frac{{\mathrm{\&Delta;\&nu;}}_{\min }+{\mathrm{\&Delta;\&nu;}}_{\max }}{{\mathrm{\&Delta;\&nu;}}_i+{\mathrm{\&Delta;\&nu;}}_{\max }}\right)---\left(3\right)$

为直觉模糊集A₀和A_j的关联系，其中

${\mathrm{\&Delta;\&mu;}}_i=|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)|,{\mathrm{\&Delta;\&nu;}}_i=|{\mathrm{\&nu;}}_{A_1}\left(x_i\right)-{\mathrm{\&nu;}}_{A_2}\left(x_i\right)|$

${\mathrm{\&Delta;\&mu;}}_{min}=\underset{i}{min}\left\{\right|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\&Delta;\&nu;}}_{min}=\underset{i}{min}\left\{\right|{\mathrm{\&nu;}}_{A_1}\left(x_i\right)-{\mathrm{\&nu;}}_{A_2}\left(x_i\right)\left|\right\}$

${\mathrm{\&Delta;\&mu;}}_{\max }=\underset{i}{\max }\left\{\right|{\mathrm{\&mu;}}_{A_1}\left(x_i\right)-{\mathrm{\&mu;}}_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\&Delta;\&nu;}}_{\max }=\underset{i}{\max }\left\{\right|{\mathrm{\&nu;}}_{A_1}\left(x_i\right)-{\mathrm{\&nu;}}_{A_2}\left(x_i\right)\left|\right\}$

考虑元素x_i∈X的权重，在多属性决策中，每个属性具有不同的重要性，因而赋予不同的权重，公式(3)概括为：

$\mathrm{\&rho;}\left(A_0,A_j\right)=\frac{1}{2}\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&omega;}}_i\left(\frac{{\mathrm{\&Delta;\&mu;}}_{\min }+{\mathrm{\&Delta;\&mu;}}_{\max }}{{\mathrm{\&Delta;\&mu;}}_i+{\mathrm{\&Delta;\&mu;}}_{\max }}+\frac{{\mathrm{\&Delta;\&nu;}}_{\min }+{\mathrm{\&Delta;\&nu;}}_{\max }}{{\mathrm{\&Delta;\&nu;}}_i+{\mathrm{\&Delta;\&nu;}}_{\max }}\right)---\left(4\right)$

其中，ω＝(ω₁,ω₂,...,ω_n)^T为x_i的权重向量，ω_i≥0，且其中i＝1,2,...,n；权重的排列是ω₁≥ω₂≥…≥ω_n，不全取等号；

2-3)基于集合论的计算关联系数的方法：

设X＝{x₁,x₂,...,x_n}为一个有限集合，和为直觉模糊集，直觉模糊集A₀和A_j的关联系数为：

$\mathrm{\&rho;}(A_0,A_j)=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}\left({\mathrm{\&mu;}}_{A_0}\right(x_i)\&CenterDot;{\mathrm{\&mu;}}_{A_j}(x_i)+{\mathrm{\&nu;}}_{A_0}(x_i)\&CenterDot;{\mathrm{\&nu;}}_{A_j}(x_i\left)\right)}{max\left(\underset{i=1}{\overset{n}{\&Sigma;}}\right({\mathrm{\&mu;}}_{A_0}^2\left(x_i\right)+{\mathrm{\&nu;}}_{A_0}^2\left(x_i\right)),\underset{i=1}{\overset{n}{\&Sigma;}}({\mathrm{\&mu;}}_{A_j}^2\left(x_i\right)+{\mathrm{\&nu;}}_{A_j}^2\left(x_i\right)\left)\right)}---\left(5\right)$

3)根据步骤2)中三种不同的关联测度算法，得到基于代理的直觉模糊理论医疗诊断模型。

2.根据权利要求1所述的一种基于代理的直觉模糊理论医疗诊断模型的构建方法，其特征在于，医疗诊断模型是基于症状-疾病数据知识库和医药-疾病数据知识库建立的，具体症状-疾病数据知识库和医药-疾病数据知识库的构建方法如下：

1)建立症状-疾病数据知识库，症状-疾病数据知识库描述了症状和疾病之间的映射关系，包括以下步骤：

步骤1.1：建立症状集和物理体征信息集，症状集为发烧、头痛、咳嗽或胸闷，物理体征信息集为体温、血压以及血常规结果；

步骤1.2：建立诊断集，诊断集为病毒性发热、痢疾、伤寒感冒以及外感风热感冒；

步骤1.3：模糊理论描述患者的症状，建立患者的症状集，每一个症状用一个参数对(u,v)描述，即隶属度和非隶属度，u表示该症状属于某种疾病的概率，v表示该症状不属于某种疾病的概率；

2)建立医药-疾病数据知识库，医药-疾病数据知识库包括医药药品信息和疾病适用药品处方关联知识集，其中药品信息由药品本体信息和药品规则分类信息构成，具体步骤如下：

步骤2.1：根据药品本体信息和药品规则分类信息构建医药知识库；

步骤2.2：建立疾病适用药品处方关联知识集，该知识集由医学专家的知识和临床经验，以及权威医学书籍、刊物组成。

3.根据权利要求2所述的一种基于代理的直觉模糊理论医疗诊断模型的构建方法，其特征在于，症状-疾病数据知识库和医药-疾病数据知识库建立后，对患者的物理体征戒症状进行采集和录入，完成患者病症初始信息的提取和存储，具体方法为：

步骤3.1：采集患者的体温、心率、脉搏以及血压信息，并将这些物理体征信息以半结构数据形式存储；

步骤3.2：通过智能交互界面录入患者的辅助检查结果，辅助检查结果包括心电图、血常规以及尿检结果，并将录入的辅助查询结果以半结构数据形式存储；

步骤3.3：通过智能交互界面录入患者的发病时间、前期症状以及当前症状。

4.根据权利要求3所述的一种基于代理的直觉模糊理论医疗诊断模型的构建方法，其特征在于，完成患者病症初始信息的提取和存储后，根据数据类型和信息的时间顺序进行归类和整理和输入，并以直觉模糊理论诊断模型的参数输入进行存储。

5.根据权利要求2所述的一种基于代理的直觉模糊理论医疗诊断模型的构建方法，其特征在于，根据三种不同的关联测度算法，选择概率最大的疾病作为诊断结果，诊断结果输入医药-疾病知识库，搜索匹配诊断结果与疾病相关的药品，优化调度输出疾病适用药品处方；

其中，输出药品优化推送治疗方案，包括以下三种方案：

A.非注射药品；

B.射制剂药品；

C.注射制剂药品与口服药品或者外用药品组合用药；

统计分析每一种药品推送方案中涉及的药品的注意事项，从食疗的角度综合列举与处方药品禁忌的食物和注意事项。

6.一种利用权利要求1所述方法的基于代理的智能医疗诊断装置，其特征在于，包括治疗椅(12)以及储药柜(11)；治疗椅(12)的椅背上端设置有用于采集人体体温的温度传感器(1)，座椅一侧的扶手上设置有用于采集人体血流速度信息和血压信息的速度和压强传感器(2)以及用于采集脉搏信息的振动和力传感器(3)；温度传感器(1)、速度和压强传感器(2)以及振动和力传感器(3)均与安装在治疗椅(12)上的第一中央微处理器(6)相连，第一中央微处理器(6)还与信息输入端口(4)以及智能交互界面(5)相交互，智能交互界面(5)用于输入患者的辅助检查结果；储药柜(11)上设置有第二中央微处理器(9)以输入端口(10)，第二中央微处理器(9)根据输入的处方及费用结算信息将储药柜(11)中对应的药品送至下部的取药口(8)；第一中央微处理器(6)和第二中央微处理器(9)均与服务器相交互。

7.根据权利要求6所述的基于代理的智能医疗诊断装置，其特征在于，所述第一中央微处理器(6)根据采集到的体温、血流速度、血压、脉搏以及辅助检查结果通过建立在服务器上的知识库和基于直觉模糊集的智能医疗诊断模型数据进行分析，得出诊断结果并共享至服务器中。

8.根据权利要求6所述的基于代理的智能医疗诊断装置，其特征在于，所述第一中央微处理器(6)安装于智能交互界面(5)内，智能交互界面(5)和信息输入端口(4)均安装于治疗椅(12)侧面的立杆上，立杆能够在水平方线旋转，使智能交互界面(5)和信息输入端口(4)旋转至患者正前方。

9.根据权利要求6-8任意一项所述的基于代理的智能医疗诊断装置，其特征在于，所述第一中央微处理器(6)上还连接有视频接口(7)，用于与终端的医生进行交互。