CN105718726A - 基于粗糙集的医疗辅助检查系统知识获取和推理方法 - Google Patents
基于粗糙集的医疗辅助检查系统知识获取和推理方法 Download PDFInfo
- Publication number
- CN105718726A CN105718726A CN201610032248.5A CN201610032248A CN105718726A CN 105718726 A CN105718726 A CN 105718726A CN 201610032248 A CN201610032248 A CN 201610032248A CN 105718726 A CN105718726 A CN 105718726A
- Authority
- CN
- China
- Prior art keywords
- rule
- knowledge base
- rough set
- importance
- attributes
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于粗糙集的医疗辅助检查系统知识获取和推理方法,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:(2)由构建的知识库根据改进的基于属性重要性的推理方法得到推理结果;分别将确定医学知识库和非确定医学知识库匹配度进行降序排列,取前三个匹配度高的结果,引入调节参数k,得到推理结果。本发明方法总体上处于靠前的水平。在灵敏度,特异度,准确度三个指标上保持了很好的性能,具有很好的均衡性,对心脏病诊断具有较好的推理性能和泛化能力。
Description
技术领域:本发明提供一种基于粗糙集的知识获取和推理的方法,属于数据挖掘及不确定推理领域。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。
常规的模糊推理系统大多由专家经验建立模糊规则,专家经验带有一定的主观性,而且得到的信息往往不完备、不精确,症状也具有复杂性。
发明内容:
发明目的:本发明提供一种基于粗糙集的医疗辅助检查系统知识获取和推理方法,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。本发明首次把基于遗传算法的粗糙集约简方法运用到生活方式病的属性约简中,首次提出改进的基于属性重要性的推理方法,考虑规则和每个条件属性的重要性。
本发明首先利用粗糙集描述构建生理信息知识库的过程,利用基于遗传算法的粗糙集约简方法约简原有数据的冗余属性,并提取有效规则构建确定知识库和不确定知识库。再利用粗糙集中属性重要性的概念,得到匹配度概念,引入调解参数,做出正确的推理。
技术方案:
一种基于粗糙集的医疗辅助检查系统知识获取和推理方法,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)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)进行属性约简,即在保持属性分类能力不变的前提下,利用基于遗传算法的粗糙集约简方法进行属性约简,删除其中不相关或不重要的属性;
3)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)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,提取出支持度高的规则;
5)进行知识库的构建,根据支持度,构建确定医学知识库和非确定医学知识库;
(2)由构建的知识库根据改进的基于属性重要性的推理方法得到推理结果;
1)分别计算当前输入与确定医学知识库和非确定医学知识库中的已有规则的匹配度;
2)然后分别将确定医学知识库和非确定医学知识库匹配度进行降序排列,取前三个匹配度高的结果,引入调节参数k,得到推理结果。
步骤(1)的步骤2)中利用基于遗传算法的粗糙集约简方法进行属性约简,以及首次利用改进的基于属性重要性的推理方法并引入确定医学知识库和不确定医学知识库。
利用基于遗传算法的粗糙集约简方法进行属性约简,其过程如下:
1)计算核属性;
2)利用核属性进行种群的初始化;
3)根据适应度函数计算适应度;
4)如果达到最大迭代次数或者适应度平均值在连续若干代没有发生变化的时刻作为终止条件,返回最优染色体,否则进行遗传操作。
首次利用改进的基于属性重要性的推理方法,其过程如下:
1)分别计算当前输入与确定医学知识库和非确定医学知识库中的已有规则的匹配度;
然后分别将确定医学知识库和非确定医学知识库匹配度进行降序排列,取前三个匹配度高的结果,引入调节参数k,考虑规则的重要性,得到推理结果。
该方法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;改进的基于属性重要性的推理方法:
输入数据与知识库中规则进行匹配,有下列三种情况:
1)只有一条规则的前件与输入数据完全匹配;
2)多条规则的前件与输入数据完全匹配;
3)多条规则的前件与输入数据部分匹配;
所以,考虑规则每一个前件的重要性非常有必要,而且属性重要性完全可以作为一种启发知识应用到推理过程中:
属性重要性的定义:δCD(C')=γC(D)-γC-C'(D)其中C代表条件属性,D代表决策属性;
支持度的定义:α=Support(Ri),R为规则,α匹配相应规则的对象数目;
定义匹配度:其中β为准确度,f代表条件属性与规则属性匹配上;
推理过程:
(1)当前输入与一条规则前件匹配,每个属性依次匹配,并将之求和temp_ε,即temp_ε+=temp_ε,则temp_ε为当前规则中能够匹配上的所有前件的属性重要性之和。获得所有约简属性重要性之和,记做rule_ε。
(2)计算匹配度ε=temp_ε/rule_ε*βi。
(3)重复步骤1和步骤2,直到遍历了所有的规则。
(4)为获得的所有匹配度进行降序排列,取前三个匹配度较高的用作推理。进行归一化处理:求出三个匹配度之和记作sum,求出输出为0的匹配度之和记作sum0,求出输出为1的匹配度之和记作sum1。
(5)输出γ=sum0/sum*0+sum1/sum*1。
(6)分别在确定规则数据库和不确定数据库就行(1)-(5)步骤,得到输出γ1,γ2,引入调节参数k=∑Support(R确定)/Support(R),则最终输出γ=k*r1+γ2*(1-k),0<k<1。(γ介于0和1之间)。
优点及效果:本发明专利提供一种基于粗糙集的医疗辅助检查系统知识获取和推理方法,其能有效地分析和处理这些不精确、不完备的数据,并有可能直接提取出隐含的知识,同时它仅利用数据本身所提供的信息,不需要任何附加信息或先验知识。因此将粗糙集理论应用到生活方式病的知识获取中,构建检查有关生活方式病的规则库。然后在粗糙集构造的规则库的基础上,依据规则,利用改进的基于属性重要性的推理方法,对生活方式病的数据进行检查分析。并利用临床数据验证所得到规则库的真实性和准确性以及推理方法的有效性。
该方法首先利用粗糙集描述构建医学知识库的过程,约简原有数据的冗余属性,缩减规则库的规模,采用的约简算法以核属性初始化种群,对初始种群的对应基因位加以限制,使其具有部分决策表约简后保留的结果属性特征,避免了种群产生的盲目性,减少了很大的搜索空间,提高了约简结果的准确性,提高了构建知识库的有效性。利用改进的基于属性重要性的推理方法进行推理,属性重要性的获得不需要任何先验经验,完全从论域的样本空间获得,避免了主观性,而且引入确定和不确定规则库,通过参数k权值的分配,考虑每条规则的重要性,调节输出,有效的推断得病几率.
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,探讨基于粗糙集的生活方式病的知识发现模型,利用基于遗传算法的粗糙集约简方法进行属性约简,根据约简后的属性建立新的决策表并产生规则,根据支持度,构建确定医学知识库和非确定医学知识库,然后采用改进的基于属性重要性的推理方法,利用输入匹配确定医学知识库和不确定医学知识库中已有规则,构建推理检测系统。并利用UniversityofCaliforniaatIrvine(UCI)machinelearningrepositorydatabase(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改进的基于属性重要性的推理方法的有效性,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
本发明方法总体上处于靠前的水平。在灵敏度,特异度,准确度三个指标上保持了很好的性能,具有很好的均衡性,对心脏病诊断具有较好的推理性能和泛化能力。
附图说明:
图1为本发明的设计流程图。
具体实施方式:下面结合附图对本发明做进一步的说明:
如图1所示,本发明提供一种基于粗糙集的医疗辅助检查系统知识获取和推理方法。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;改进的基于属性重要性的推理方法。
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:利用基于遗传算法的粗糙集约简方法实现数据约简,删除冗余的属性。算法如下:
1)计算核属性;
2)用核属性初始化种群,1代表被选中属性,0则相反,核属性初始化为1,其余属性随机初始化0或1;
3)根据适应度函数计算适应度,如果满足条件,则返回最优染色体,否则进行遗传操作
根据上述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,形成简化的初始规则库表5。将简化后的决策表转化为规则,并根据规则支持度,形成确定规则库表6和不确定规则库表7。
表5:初始规则库
表6确定规则库
表7不确定规则库
步骤4:由上面的规则库可知,系统的输入可以记为x1(v1)∧x2(v2)∧x3(v3)∧x4(v4)∧x5(v5)∧x6(v6)∧x7(v7)∧x8(v8),其中xi(vi)分别为条件属性和相应的条件属性值,如果输入规则与规则库匹配成功,则有相应的输出,但是输入数据与知识库中规则进行匹配,有下列三种情况:
1)只有一条规则的前件与输入数据完全匹配;
2)多条规则的前件与输入数据完全匹配;
3)多条规则的前件与输入数据部分匹配;
所以,考虑规则每一个前件的重要性非常有必要,而且属性重要性完全可以作为一种启发知识应用到推理过程中。
推理过程:
(1)当前输入与一条规则前件匹配,每个属性依次匹配,并将之求和temp_ε,即temp_ε+=temp_ε,则temp_ε为当前规则中能够匹配上的所有前件的属性重要性之和。获得所有约简属性重要性之和,记做rule_ε。
(2)计算匹配度ε=temp_ε/rule_ε*βi。
(3)重复步骤1和步骤2,直到遍历了所有的规则。
(4)为获得的所有匹配度进行降序排列,取前三个匹配度较高的用作推理。进行归一化处理:求出三个匹配度之和记作sum,求出输出为0的匹配度之和记作sum0,求出输出为1的匹配度之和记作sum1。
(5)输出γ=sum0/sum*0+sum1/sum*1。
(6)分别在确定规则数据库和不确定数据库就行(1)-(5)步骤,得到输出γ1,γ2,引入调节参数k=∑Support(R确定)/Support(R),则最终输出γ=k*r1+γ2*(1-k),0<k<1。(γ介于0和1之间)。
综上所述:
本文提出了一种基于粗糙集的生活方式病研究新方法。该方法首先利用粗糙集描述构建医学知识库的过程,约简原有数据的冗余属性,缩减规则库的规模,采用的约简算法以核属性初始化种群,对初始种群的对应基因位加以限制,使其具有部分决策表约简后保留的结果属性特征,避免了种群产生的盲目性,减少了很大的搜索空间,提高了约简结果的准确性,提高了构建知识库的有效性。利用改进的基于属性重要性的推理方法进行推理,属性重要性的获得不需要任何先验经验,完全从论域的样本空间获得,避免了主观性,而且引入确定和不确定规则库,通过参数k权值的分配,考虑每条规则的重要性,调节输出,有效的推断得病几率,此方法具有很好的共用性,也可以应用到糖尿病、高血压等其他生活方式病的分析数据检测中。
Claims (5)
1.一种基于粗糙集的医疗辅助检查系统知识获取和推理方法,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)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)进行属性约简,即在保持属性分类能力不变的前提下,利用基于遗传算法的粗糙集约简方法进行属性约简,删除其中不相关或不重要的属性;
3)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)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,提取出支持度高的规则;
5)进行知识库的构建,根据支持度,构建确定医学知识库和非确定医学知识库;
(2)由构建的知识库根据改进的基于属性重要性的推理方法得到推理结果;
1)分别计算当前输入与确定医学知识库和非确定医学知识库中的已有规则的匹配度;
2)分别将确定医学知识库和非确定医学知识库匹配度进行降序排列,取前三个匹配度高的结果,引入调节参数k,得到推理结果。
2.根据权利要求1所述的基于粗糙集的医疗辅助检查系统知识获取和推理方法,其特征在于:步骤(1)的步骤2)中利用基于遗传算法的粗糙集约简方法进行属性约简,以及首次利用改进的基于属性重要性的推理方法并引入确定医学知识库和不确定医学知识库。
3.根据权利要求2所述的基于粗糙集的医疗辅助检查系统知识获取和推理方法,其特征在于:利用基于遗传算法的粗糙集约简方法进行属性约简,其过程如下:
1)计算核属性;
2)利用核属性进行种群的初始化;
3)根据适应度函数计算适应度;
4)如果达到最大迭代次数或者适应度平均值在连续若干代没有发生变化的时刻作为终止条件,返回最优染色体,否则进行遗传操作。
4.根据权利要求2所述的基于粗糙集的医疗辅助检查系统知识获取和推理方法,其特征在于:首次利用改进的基于属性重要性的推理方法,其过程如下:
1)分别计算当前输入与确定医学知识库和非确定医学知识库中的已有规则的匹配度;然后分别将确定医学知识库和非确定医学知识库匹配度进行降序排列,取前三个匹配度高的结果,引入调节参数k,考虑规则的重要性,得到推理结果。
5.根据权利要求1所述的基于粗糙集的医疗辅助检查系统知识获取和推理方法,其特征在于:该方法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;改进的基于属性重要性的推理方法:
输入数据与知识库中规则进行匹配,有下列三种情况:
1)只有一条规则的前件与输入数据完全匹配;
2)多条规则的前件与输入数据完全匹配;
3)多条规则的前件与输入数据部分匹配;
所以,考虑规则每一个前件的重要性非常有必要,而且属性重要性完全可以作为一种启发知识应用到推理过程中:
属性重要性的定义:δCD(C')=γC(D)-γC-C'(D)其中C代表条件属性,D代表决策属性;
支持度的定义:α=Support(Ri),R为规则,α匹配相应规则的对象数目;
定义匹配度:i=1,2,3...其中β为准确度,f代表条件属性与规则属性匹配上;
推理过程:
(1)当前输入与一条规则前件匹配,每个属性依次匹配,并将之求和temp_ε,即temp_ε+=temp_ε,则temp_ε为当前规则中能够匹配上的所有前件的属性重要性之和;获得所有约简属性重要性之和,记做rule_ε;
(2)计算匹配度ε=temp_ε/rule_ε*βi;
(3)重复步骤1和步骤2,直到遍历了所有的规则;
(4)为获得的所有匹配度进行降序排列,取前三个匹配度较高的用作推理;进行归一化处理:求出三个匹配度之和记作sum,求出输出为0的匹配度之和记作sum0,求出输出为1的匹配度之和记作sum1;
(5)输出γ=sum0/sum*0+sum1/sum*1;
(6)分别在确定规则数据库和不确定数据库就行(1)-(5)步骤,得到输出γ1,γ2,引入调节参数k=ΣSupport(R确定)/Support(R),则最终输出γ=k*r1+γ2*(1-k),0<k<1;(γ介于0和1之间)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610032248.5A CN105718726B (zh) | 2016-01-18 | 2016-01-18 | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610032248.5A CN105718726B (zh) | 2016-01-18 | 2016-01-18 | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105718726A true CN105718726A (zh) | 2016-06-29 |
CN105718726B CN105718726B (zh) | 2019-01-11 |
Family
ID=56147270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610032248.5A Expired - Fee Related CN105718726B (zh) | 2016-01-18 | 2016-01-18 | 基于粗糙集的医疗辅助检查系统知识获取和推理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105718726B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107910072A (zh) * | 2017-12-11 | 2018-04-13 | 创业软件股份有限公司 | 用于治未病的医疗数据挖掘过程中均线趋势参数确定方法 |
WO2019000920A1 (zh) * | 2017-06-28 | 2019-01-03 | 京东方科技集团股份有限公司 | 一种推理规则自动发现方法及系统、数据库及检索方法 |
CN109146440A (zh) * | 2017-06-16 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 交易结算方法、装置、服务器以及存储介质 |
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 |
CN110297852A (zh) * | 2019-06-28 | 2019-10-01 | 江苏科技大学 | 一种基于pca-粗糙集的船舶涂装缺陷知识获取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622535A (zh) * | 2012-02-27 | 2012-08-01 | 上海电机学院 | 一种基于多序列比对遗传算法的处理方法及装置 |
CN103678534A (zh) * | 2013-11-29 | 2014-03-26 | 沈阳工业大学 | 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 |
CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
-
2016
- 2016-01-18 CN CN201610032248.5A patent/CN105718726B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622535A (zh) * | 2012-02-27 | 2012-08-01 | 上海电机学院 | 一种基于多序列比对遗传算法的处理方法及装置 |
CN103678534A (zh) * | 2013-11-29 | 2014-03-26 | 沈阳工业大学 | 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 |
CN104298873A (zh) * | 2014-10-10 | 2015-01-21 | 浙江大学 | 一种基于遗传算法和粗糙集的属性约简方法及精神状态评估方法 |
Non-Patent Citations (2)
Title |
---|
PRADIPTA MAJI,ET AL.: "Rough set based maximum relevance-maximum significance criterion and gene selection from microarray data", 《INTERNATIONAL JOURNAL OF APPROXIMATE REASONING》 * |
聂冰,等.: "基于粗糙集属性重要性的数据约简", 《基于粗糙集属性重要性的数据约简》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109146440A (zh) * | 2017-06-16 | 2019-01-04 | 腾讯科技(深圳)有限公司 | 交易结算方法、装置、服务器以及存储介质 |
WO2019000920A1 (zh) * | 2017-06-28 | 2019-01-03 | 京东方科技集团股份有限公司 | 一种推理规则自动发现方法及系统、数据库及检索方法 |
CN107910072A (zh) * | 2017-12-11 | 2018-04-13 | 创业软件股份有限公司 | 用于治未病的医疗数据挖掘过程中均线趋势参数确定方法 |
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 |
CN110297852A (zh) * | 2019-06-28 | 2019-10-01 | 江苏科技大学 | 一种基于pca-粗糙集的船舶涂装缺陷知识获取方法 |
CN110297852B (zh) * | 2019-06-28 | 2023-04-21 | 江苏科技大学 | 一种基于pca-粗糙集的船舶涂装缺陷知识获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105718726B (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alam et al. | A model for early prediction of diabetes | |
Liu et al. | Machine learning for predicting outcomes in trauma | |
Reddy et al. | An efficient system for heart disease prediction using hybrid OFBAT with rule-based fuzzy logic model | |
Srinivas et al. | Applications of data mining techniques in healthcare and prediction of heart attacks | |
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 | |
Doppala et al. | A hybrid machine learning approach to identify coronary diseases using feature selection mechanism on heart disease dataset | |
Jiang et al. | A hybrid intelligent model for acute hypotensive episode prediction with large-scale data | |
CN116364299B (zh) | 一种基于异构信息网络的疾病诊疗路径聚类方法及系统 | |
Wang et al. | Deep learning approaches for predicting glaucoma progression using electronic health records and natural language processing | |
Singh et al. | Leveraging hierarchy in medical codes for predictive modeling | |
Chinnasamy et al. | Machine learning based cardiovascular disease prediction | |
Kanwal et al. | A multimodal deep learning infused with artificial algae algorithm–An architecture of advanced E-health system for cancer prognosis prediction | |
Souza et al. | Identifying Risk Factors for Heart Failure: A Case Study Employing Data Mining Algorithms | |
Hamidi et al. | A new hybrid method for improving the performance of myocardial infarction prediction | |
Moon et al. | A literature embedding model for cardiovascular disease prediction using risk factors, symptoms, and genotype information | |
Christopher et al. | Knowledge-based systems and interestingness measures: Analysis with clinical datasets | |
Gill et al. | A novel hybrid model for diabetic prediction using hidden Markov model, fuzzy based rule approach and neural network | |
COŞKUN et al. | Evaluation of performance of classification algorithms in prediction of heart failure disease | |
Nandhini et al. | Hybrid framework of ID3 with multivariate attribute selection for heart disease analysis | |
Kakudi et al. | Diagnosing metabolic syndrome using genetically optimised Bayesian ARTMAP | |
Riyaz et al. | Improving coronary heart disease prediction by outlier elimination | |
Rautiainen | Prediction methods for assessing the development of individual health status | |
Kamruzzaman et al. | A Structured Method For Predicting Liver Disease Using Machine Learning Techniques & Improvements In Correctness | |
Vellido et al. | Machine learning for critical care: an overview and a Sepsis case study | |
Sousa et al. | An architecture based on fuzzy systems for personalized medicine in ICUs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into 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 |
Granted publication date: 20190111 Termination date: 20210118 |
|
CF01 | Termination of patent right due to non-payment of annual fee |