CN116092688A - 基于模糊逻辑的血压分级量化方法、系统及存储介质 - Google Patents
基于模糊逻辑的血压分级量化方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116092688A CN116092688A CN202310371867.7A CN202310371867A CN116092688A CN 116092688 A CN116092688 A CN 116092688A CN 202310371867 A CN202310371867 A CN 202310371867A CN 116092688 A CN116092688 A CN 116092688A
- Authority
- CN
- China
- Prior art keywords
- blood pressure
- fuzzy
- grading
- data
- network
- 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
- 230000036772 blood pressure Effects 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013139 quantization Methods 0.000 title claims description 28
- 238000011002 quantification Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 55
- 206010020772 Hypertension Diseases 0.000 claims description 42
- 230000035487 diastolic blood pressure Effects 0.000 claims description 29
- 230000035488 systolic blood pressure Effects 0.000 claims description 26
- 206010065918 Prehypertension Diseases 0.000 claims description 14
- 238000003745 diagnosis Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 206010008118 cerebral infarction Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 201000006474 Brain Ischemia Diseases 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- 206010008120 Cerebral ischaemia Diseases 0.000 description 2
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Epidemiology (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开的一种基于模糊逻辑的血压分级量化方法、系统及存储介质，其中基于模糊逻辑的血压分级量化方法包括：利用多个模糊语义集对数据特征进行模糊表示。其次，在模糊模型的后件部分，根据血压数据的特点设计了线性推理规则，相对于传统的模糊模型以模糊集的形式作为输出，省去了去模糊化，最后输出具体数值根据阈值函数直接得出分层结果。本发明根据血压数据的特点设计了线性推理规则，相对于传统的模糊模型以模糊集的形式作为输出，避开了传统方法的去模糊化环节，使得过程变得更为简单，通过线性推理直接输出血压分级量化的具体结果。
Description
技术领域
本发明涉及血压量化技术领域，更具体的，涉及一种基于模糊逻辑的血压分级量化方法、系统及存储介质。
背景技术
医疗领域描述的不确定性和模糊性，以及患者数量的日益增加，因此需要一种有效的控制系统来减少从业者的不确定性和模糊性，从而最大化其诊断解决方案，医生需要根据患者的症状和病史来判断患者是否患有某种疾病。然而，由于医学知识和疾病分类的复杂性，传统的人工分类诊断方法往往存在一定的误诊率和时间成本。有助于医疗诊断的人工智能辅助诊断系统不断问世，大大提高了诊断的准确性和效率，并且医学测量结果通常包含大量自然语言形式描述的定性、模糊或不确定性的非精确数据，这些研究似乎都没有将这一问题考虑在内，模糊逻辑因其可以避开传统概率模型需要精确数学建模的限制和强大的处理系统概念外延不确定而产生的模糊不确定性问题的能力，受到科学界的高度重视。因此，如何基于T-S模糊模型实现血压的分级量化，使得过程变得更为简单是当前亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于模糊逻辑的血压分级量化方法、系统及存储介质。
本发明第一方面提供了一种基于模糊逻辑的血压分级量化方法，包括：
通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类；
获取血压数据的数据特征，利用模糊语义集对数据特征进行模糊表示，确定对应的模糊语言值，根据血压数据的特点确定线性推理规则，选取三角函数作为隶属函数；
通过模糊语言值设计规则表，并计算每条规则的权重，根据T-S模糊模型构建血压分级网络；
在血压分级网络通过前件参数和后件参数融合输出获取血压数据的分级量化结果。
本方案中，通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类，具体为：
基于大数据手段连接相关数据库构建检索空间，利用预设年龄约束、性别约束及医疗指标约束在所述检索空间中利用相似度计算获取相似度符合预设要求的血压数据，构建血压数据集；
在所述血压数据集中筛选收缩压、舒张压及高血压诊断结果，根据阈值高血压判断方法确定收缩压及舒张压阈值，根据对比获取血压数据集中数据的血压水平，所述高血压诊断结果包括：正常、高血压前期和高血压；
根据所述血压水平得到所述血压数据集血压水平的定义和分类，对血压数据集中的血压数据进行标注。
本方案中，获取血压数据的数据特征，利用模糊语义集对数据特征进行模糊表示，确定对应的模糊语言值，根据血压数据的特点确定线性推理规则，并选取三角函数作为隶属函数，具体为：
根据血压数据集中血压数据集血压水平的定义和分类将血压数据划分为三个模糊语义集：中、偏高、高；
根据三角形隶属函数确定收缩压和舒张压对应的各个模糊语义集隶属函数；
分别对舒张压和收缩压的中、偏高、高三个模糊语义集生成对应的模糊规则，最终血压输出为正常、高血压前期和高血压三种状态。
本方案中，根据T-S模糊模型构建血压分级网络，具体为：
根据T-S模糊模型构建血压分级网络，在所述血压分级网络中前件网络及后件网络均包括三层；
所述前件网络的第一层将输入数据划分为模糊空间，形成语言值变量的模糊语义集合，第二层根据隶属函数获取模糊语义集合的隶属度，第三层通过计算隶属度的加权和获取规则的适用性；
所述后件网络的第一层表示输入组件，第二层表示模糊规则并计算每个模糊规则的后验部分，第三层为后验规则的加权和，加权因子是每个模糊规则的归一化使用程度；所述前件网络的输出作为所述后件网络的第三层的连接权重。
本方案中，所述T-S模糊模型的模糊规则为：
假设前件变量为与血压状态有关的数据特征信息，模糊规则如下：
,
；
其中，表示规则的前件部分，表示规则的后件部分，表示数据特征信息，为T-S模糊语义模型的前件参数，为特征信息模糊化后对应的模糊语义集，为特征总数，表示每条规则对应的后件参数，表示第i条规则对应的输出；
所述T-S模糊模型的输出为：
其中，表示规则的权重。
本方案中，规则权重的计算公式为：
其中，表示前件参数隶属函数，为三角型函数，为特征信息模糊化后对应的模糊语义集，为特征总数。
本方案中，通过血压分级网络输出具体数值，根据阈值函数得出血压分级结果，进行主动健康场景下的血压状态估计；
构建血压分级网络的分级评估模型，判断所述血压分级网络的输出结果是否符合预设评估标准，根据判断结果对所述血压分级网络进行优化修正。
本发明第二方面还提供了一种基于模糊逻辑的血压分级量化系统，该系统包括：存储器、处理器，所述存储器中包括一种基于模糊逻辑的血压分级量化方法程序，所述一种基于模糊逻辑的血压分级量化方法程序被所述处理器执行时实现如下步骤：
通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类；
获取血压数据的数据特征，利用模糊语义集对数据特征进行模糊表示，确定对应的模糊语言值，根据血压数据的特点确定线性推理规则，选取三角函数作为隶属函数；
通过模糊语言值设计规则表，并计算每条规则的权重，根据T-S模糊模型构建血压分级网络；
在血压分级网络通过前件参数和后件参数融合输出获取血压数据的分级量化结果。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于模糊逻辑的血压分级量化方法程序，所述一种基于模糊逻辑的血压分级量化方法程序被处理器执行时，实现如上述任一项所述的一种基于模糊逻辑的血压分级量化方法的步骤。
本发明公开的一种基于模糊逻辑的血压分级量化方法、系统及存储介质，其中基于模糊逻辑的血压分级量化方法包括：利用多个模糊语义集对数据特征进行模糊表示。其次，在模糊模型的后件部分，根据血压数据的特点设计了线性推理规则，相对于传统的模糊模型以模糊集的形式作为输出，省去了去模糊化，最后输出具体数值根据阈值函数直接得出分层结果。本发明根据血压数据的特点设计了线性推理规则，相对于传统的模糊模型以模糊集的形式作为输出，避开了传统方法的去模糊化环节，使得过程变得更为简单，通过线性推理直接输出血压分级量化的具体结果。
附图说明
图1示出了本发明一种基于模糊逻辑的血压分级量化方法的流程图；
图2示出了本发明的血压分级网络的结构示意图；
图3示出了本发明获取血压数据集血压水平的定义和分类的方法流程图；
图4示出了本发明一种基于模糊逻辑的血压分级量化系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于模糊逻辑的血压分级量化方法的流程图。
如图1所示，本发明第一方面提供了一种基于模糊逻辑的血压分级量化方法，包括：
S102，通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类；
S104，获取血压数据的数据特征，利用模糊语义集对数据特征进行模糊表示，确定对应的模糊语言值，根据血压数据的特点确定线性推理规则，选取三角函数作为隶属函数；
S106，通过模糊语言值设计规则表，并计算每条规则的权重，根据T-S模糊模型构建血压分级网络；
S108，在血压分级网络通过前件参数和后件参数融合输出获取血压数据的分级量化结果。
需要说明的是，T-S模糊算法是通过将模糊集合与线性模型相结合来实现非线性拟合能力的。它基于一组模糊规则，每个规则都对应于系统输入空间中的一个模糊子集，每个模糊子集又对应于一个线性模型。通过这些模糊规则和线性模型的组合，可以实现对非线性系统的高精度建模和控制。因此，T-S模糊算法可以处理包括非线性和复杂系统在内的多种类型的系统，并且在实际应用中已被广泛运用到系统辨识、模式识别、图像处理和数据挖掘等多个领域。该模型将一个多输入多输出系统看成是多个多输入单输出系统的组合，并且通过模糊逻辑推理来实现模型的规则库。
图2示出了本发明的血压分级网络的结构示意图。
需要说明的是，根据T-S模糊模型构建血压分级网络，在所述血压分级网络中前件网络及后件网络均包括三层；所述前件网络的第一层将输入数据划分为模糊空间，形成语言值变量的模糊语义集合，第二层根据隶属函数获取模糊语义集合的隶属度，第三层通过计算隶属度的加权和获取规则的适用性；所述后件网络的第一层表示输入组件，第二层表示模糊规则并计算每个模糊规则的后验部分，第三层为后验规则的加权和，加权因子是每个模糊规则的归一化使用程度；所述前件网络的输出作为所述后件网络的第三层的连接权重。
所述T-S模糊模型的模糊规则为：假设前件变量为与血压状态有关的数据特征信息，模糊规则如下：
,
；
其中，表示规则的前件部分，表示规则的后件部分，表示数据特征信息，为T-S模糊语义模型的前件参数，为特征信息模糊化后对应的模糊语义集，为特征总数，表示每条规则对应的后件参数，表示第i条规则对应的输出；
所述T-S模糊模型的输出为：
其中，表示规则的权重。
规则权重的计算公式为：
其中，表示前件参数隶属函数，为三角型函数，为特征信息模糊化后对应的模糊语义集，为特征总数。
图3示出了本发明获取血压数据集血压水平的定义和分类的方法流程图。
根据本发明实施例，通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类，具体为：
S302，基于大数据手段连接相关数据库构建检索空间，利用预设年龄约束、性别约束及医疗指标约束在所述检索空间中利用相似度计算获取相似度符合预设要求的血压数据，构建血压数据集；
S304，在所述血压数据集中筛选收缩压、舒张压及高血压诊断结果，根据阈值高血压判断方法确定收缩压及舒张压阈值，根据对比获取血压数据集中数据的血压水平，所述高血压诊断结果包括：正常、高血压前期和高血压；
S306，根据所述血压水平得到所述血压数据集血压水平的定义和分类，对血压数据集中的血压数据进行标注。
需要说明的是，在本申请的实施例中，通过数据检索血压数据集，所述血压数据集涵盖了 21-86 岁之间的个人，其中48%是男性。该数据集还包括几种不同的心血管疾病，包括高血压、脑梗塞、脑供血不足和其他相关疾病，如糖尿病。在血压数据集中，选择与血压相关的收缩压、舒张压和高血压诊断结果（正常、高血压前期和高血压）的信息。根据阈值高血压确定方法可以得到数据集中血压水平的定义和分类。
需要说明的是，根据血压数据集中血压数据集血压水平的定义和分类将血压数据划分为三个模糊语义集：中、偏高、高；模糊语义集对应的归属函数有多种设计，根据血液的特性压力数据选择三角隶属函数，根据三角形隶属函数确定收缩压和舒张压对应的各个模糊语义集隶属函数，其中收缩压对应的三个隶属度函数为：
其中，表示收缩压，分别表示收缩压在模糊语义集中、偏高、高的隶属度函数；
类似地，舒张压被赋予三个三角隶属函数：
其中，表示舒张压,分别表示舒张压在模糊语义集中、偏高、高的隶属度函数。
分别对舒张压和收缩压的中、偏高、高三个模糊语义集生成对应的模糊规则，获取T-S模糊血压分级规则表，最终血压输出为正常、高血压前期和高血压三种状态，舒张压和收缩压的中、偏高、高三个模糊语义集对应的9条模糊规则为：
规则的第一部分分别表示收缩压和舒张压值，分别表示收缩和舒张压的三个模糊语言值中、偏高和高；表示正则后验的参数；表示规则后部分的输出。
需要说明的是，通过血压分级网络输出具体数值，根据阈值函数得出血压分级结果，模型省去了去模糊化，在主动健康场景下的模型更加轻量化，快速输出血压状态估计；血压分类结果被分配为0、1和2的数字标签，其中正常血压的标签为0，高血压前期的标签为1，高血压的标签为2。
为了获取后验参数权重，首先在数据集中的前66个血压数据上训练权重，然后根据经验调整它们。因此，18个后验参数权重的最优解，对于输出结果，定义一个血压分类诊断范围：正常：（-∞，0]，高血压前期：[0，100]和高血压：[100，+∞）。
使用准确度、召回率和复合评估指标F1-SCORE评构建血压分级网络的分级评估模型，判断所述血压分级网络的输出结果是否符合预设评估标准，根据判断结果对所述血压分级网络进行优化修正。
图4示出了本发明一种基于模糊逻辑的血压分级量化系统的框图。
本发明第二方面还提供了一种基于模糊逻辑的血压分级量化系统4，该系统包括：存储器41、处理器42，所述存储器中包括一种基于模糊逻辑的血压分级量化方法程序，所述一种基于模糊逻辑的血压分级量化方法程序被所述处理器执行时实现如下步骤：
通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类；
获取血压数据的数据特征，利用模糊语义集对数据特征进行模糊表示，确定对应的模糊语言值，根据血压数据的特点确定线性推理规则，选取三角函数作为隶属函数；
通过模糊语言值设计规则表，并计算每条规则的权重，根据T-S模糊模型构建血压分级网络；
在血压分级网络通过前件参数和后件参数融合输出获取血压数据的分级量化结果。
需要说明的是，T-S模糊算法是通过将模糊集合与线性模型相结合来实现非线性拟合能力的。它基于一组模糊规则，每个规则都对应于系统输入空间中的一个模糊子集，每个模糊子集又对应于一个线性模型。通过这些模糊规则和线性模型的组合，可以实现对非线性系统的高精度建模和控制。因此，T-S模糊算法可以处理包括非线性和复杂系统在内的多种类型的系统，并且在实际应用中已被广泛运用到系统辨识、模式识别、图像处理和数据挖掘等多个领域。该模型将一个多输入多输出系统看成是多个多输入单输出系统的组合，并且通过模糊逻辑推理来实现模型的规则库。
需要说明的是，根据T-S模糊模型构建血压分级网络，在所述血压分级网络中前件网络及后件网络均包括三层；所述前件网络的第一层将输入数据划分为模糊空间，形成语言值变量的模糊语义集合，第二层根据隶属函数获取模糊语义集合的隶属度，第三层通过计算隶属度的加权和获取规则的适用性；所述后件网络的第一层表示输入组件，第二层表示模糊规则并计算每个模糊规则的后验部分，第三层为后验规则的加权和，加权因子是每个模糊规则的归一化使用程度；所述前件网络的输出作为所述后件网络的第三层的连接权重。
所述T-S模糊模型的模糊规则为：假设前件变量为与血压状态有关的数据特征信息，模糊规则如下：
,
；
其中，表示规则的前件部分，表示规则的后件部分，表示数据特征信息，为T-S模糊语义模型的前件参数，为特征信息模糊化后对应的模糊语义集，为特征总数，表示每条规则对应的后件参数，表示第i条规则对应的输出；
所述T-S模糊模型的输出为：其中，表示规则的权重。
规则权重的计算公式为：
其中，表示前件参数隶属函数，为三角型函数，为特征信息模糊化后对应的模糊语义集，为特征总数。
根据本发明实施例，通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类，具体为：
基于大数据手段连接相关数据库构建检索空间，利用预设年龄约束、性别约束及医疗指标约束在所述检索空间中利用相似度计算获取相似度符合预设要求的血压数据，构建血压数据集；
在所述血压数据集中筛选收缩压、舒张压及高血压诊断结果，根据阈值高血压判断方法确定收缩压及舒张压阈值，根据对比获取血压数据集中数据的血压水平，所述高血压诊断结果包括：正常、高血压前期和高血压；
根据所述血压水平得到所述血压数据集血压水平的定义和分类，对血压数据集中的血压数据进行标注。
需要说明的是，在本申请的实施例中，通过数据检索血压数据集，所述血压数据集涵盖了 21-86 岁之间的个人，其中48%是男性。该数据集还包括几种不同的心血管疾病，包括高血压、脑梗塞、脑供血不足和其他相关疾病，如糖尿病。在血压数据集中，选择与血压相关的收缩压、舒张压和高血压诊断结果（正常、高血压前期和高血压）的信息。根据阈值高血压确定方法可以得到数据集中血压水平的定义和分类。
需要说明的是，根据血压数据集中血压数据集血压水平的定义和分类将血压数据划分为三个模糊语义集：中、偏高、高；模糊语义集对应的归属函数有多种设计，根据血液的特性压力数据选择三角隶属函数，根据三角形隶属函数确定收缩压和舒张压对应的各个模糊语义集隶属函数，其中收缩压对应的三个隶属度函数为：
其中，表示收缩压，分别表示收缩压在模糊语义集中、偏高、高的隶属度函数；
类似地，舒张压被赋予三个三角隶属函数：
其中，表示舒张压, 分别表示舒张压在模糊语义集中、偏高、高的隶属度函数。
分别对舒张压和收缩压的中、偏高、高三个模糊语义集生成对应的模糊规则，获取T-S模糊血压分级规则表，最终血压输出为正常、高血压前期和高血压三种状态，舒张压和收缩压的中、偏高、高三个模糊语义集对应的9条模糊规则为：
规则的第一部分分别表示收缩压和舒张压值，分别表示收缩和舒张压的三个模糊语言值中、偏高和高；表示正则后验的参数；表示规则后部分的输出。
需要说明的是，通过血压分级网络输出具体数值，根据阈值函数得出血压分级结果，模型省去了去模糊化，在主动健康场景下的模型更加轻量化，快速输出血压状态估计；血压分类结果被分配为0、1和2的数字标签，其中正常血压的标签为0，高血压前期的标签为1，高血压的标签为2。
为了获取后验参数权重，首先在数据集中的前66个血压数据上训练权重，然后根据经验调整它们。因此，18个后验参数权重的最优解，对于输出结果，定义一个血压分类诊断范围：正常：（-∞，0]，高血压前期：[0，100]和高血压：[100，+∞）。
使用准确度、召回率和复合评估指标F1-SCORE评构建血压分级网络的分级评估模型，判断所述血压分级网络的输出结果是否符合预设评估标准，根据判断结果对所述血压分级网络进行优化修正。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于模糊逻辑的血压分级量化方法程序，所述一种基于模糊逻辑的血压分级量化方法程序被处理器执行时，实现如上述任一项所述的一种基于模糊逻辑的血压分级量化方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于模糊逻辑的血压分级量化方法，其特征在于，包括以下步骤：
通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类；
获取血压数据的数据特征，利用模糊语义集对数据特征进行模糊表示，确定对应的模糊语言值，根据血压数据的特点确定线性推理规则，选取三角函数作为隶属函数；
通过模糊语言值设计规则表，并计算每条规则的权重，根据T-S模糊模型构建血压分级网络；
在血压分级网络通过前件参数和后件参数融合输出获取血压数据的分级量化结果。
2.根据权利要求1所述的一种基于模糊逻辑的血压分级量化方法，其特征在于，通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类，具体为：
基于大数据手段连接相关数据库构建检索空间，利用预设年龄约束、性别约束及医疗指标约束在所述检索空间中利用相似度计算获取相似度符合预设要求的血压数据，构建血压数据集；
在所述血压数据集中筛选收缩压、舒张压及高血压诊断结果，根据阈值高血压判断方法确定收缩压及舒张压阈值，根据对比获取血压数据集中数据的血压水平，所述高血压诊断结果包括：正常、高血压前期和高血压；
根据所述血压水平得到所述血压数据集血压水平的定义和分类，对血压数据集中的血压数据进行标注。
3.根据权利要求1所述的一种基于模糊逻辑的血压分级量化方法，其特征在于，获取血压数据的数据特征，利用模糊语义集对数据特征进行模糊表示，确定对应的模糊语言值，根据血压数据的特点确定线性推理规则，并选取三角函数作为隶属函数，具体为：
根据血压数据集中血压数据集血压水平的定义和分类将血压数据划分为三个模糊语义集：中、偏高、高；
根据三角形隶属函数确定收缩压和舒张压对应的各个模糊语义集隶属函数；
分别对舒张压和收缩压的中、偏高、高三个模糊语义集生成对应的模糊规则，最终血压输出为正常、高血压前期和高血压三种状态。
4.根据权利要求1所述的一种基于模糊逻辑的血压分级量化方法，其特征在于，根据T-S模糊模型构建血压分级网络，具体为：
根据T-S模糊模型构建血压分级网络，在所述血压分级网络中前件网络及后件网络均包括三层；
所述前件网络的第一层将输入数据划分为模糊空间，形成语言值变量的模糊语义集合，第二层根据隶属函数获取模糊语义集合的隶属度，第三层通过计算隶属度的加权和获取规则的适用性；
所述后件网络的第一层表示输入组件，第二层表示模糊规则并计算每个模糊规则的后验部分，第三层为后验规则的加权和，加权因子是每个模糊规则的归一化使用程度；所述前件网络的输出作为所述后件网络的第三层的连接权重。
5.根据权利要求4所述的一种基于模糊逻辑的血压分级量化方法，其特征在于，所述T-S模糊模型的模糊规则为：
假设前件变量为与血压状态有关的数据特征信息，模糊规则如下：
,
；
其中，表示规则的前件部分，表示规则的后件部分，表示数据特征信息，为T-S模糊语义模型的前件参数，为特征信息模糊化后对应的模糊语义集，为特征总数，表示每条规则对应的后件参数，表示第i条规则对应的输出；
所述T-S模糊模型的输出为：其中，表示规则的权重。
6.根据权利要求5所述的一种基于模糊逻辑的血压分级量化方法，其特征在于，规则权重的计算公式为：其中，表示前件参数隶属函数，为三角型函数，为特征信息模糊化后对应的模糊语义集，为特征总数。
7.根据权利要求1所述的一种基于模糊逻辑的血压分级量化方法，其特征在于，通过血压分级网络输出具体数值，根据阈值函数得出血压分级结果，进行主动健康场景下的血压状态估计；
构建血压分级网络的分级评估模型，判断所述血压分级网络的输出结果是否符合预设评估标准，根据判断结果对所述血压分级网络进行优化修正。
8.一种基于模糊逻辑的血压分级量化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种基于模糊逻辑的血压分级量化方法程序，所述一种基于模糊逻辑的血压分级量化方法程序被所述处理器执行时实现如下步骤：
通过数据检索在相关数据库中获取血压数据集，根据高血压阈值划分得到所述血压数据集血压水平的定义和分类；
获取血压数据的数据特征，利用模糊语义集对数据特征进行模糊表示，确定对应的模糊语言值，根据血压数据的特点确定线性推理规则，选取三角函数作为隶属函数；
通过模糊语言值设计规则表，并计算每条规则的权重，根据T-S模糊模型构建血压分级网络；
在血压分级网络通过前件参数和后件参数融合输出获取血压数据的分级量化结果。
9.根据权利要求8所述的一种基于模糊逻辑的血压分级量化系统，其特征在于，根据T-S模糊模型构建血压分级网络，具体为：
根据T-S模糊模型构建血压分级网络，在所述血压分级网络中前件网络及后件网络均包括三层；
所述前件网络的第一层将输入数据划分为模糊空间，形成语言值变量的模糊语义集合，第二层根据隶属函数获取模糊语义集合的隶属度，第三层通过计算隶属度的加权和获取规则的适用性；
所述后件网络的第一层表示输入组件，第二层表示模糊规则并计算每个模糊规则的后验部分，第三层为后验规则的加权和，加权因子是每个模糊规则的归一化使用程度；所述前件网络的输出作为所述后件网络的第三层的连接权重。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括一种基于模糊逻辑的血压分级量化方法程序，所述一种基于模糊逻辑的血压分级量化方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种基于模糊逻辑的血压分级量化方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310371867.7A CN116092688A (zh) | 2023-04-10 | 2023-04-10 | 基于模糊逻辑的血压分级量化方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310371867.7A CN116092688A (zh) | 2023-04-10 | 2023-04-10 | 基于模糊逻辑的血压分级量化方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116092688A true CN116092688A (zh) | 2023-05-09 |
Family
ID=86210513
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310371867.7A Pending CN116092688A (zh) | 2023-04-10 | 2023-04-10 | 基于模糊逻辑的血压分级量化方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116092688A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558594A (zh) * | 2018-12-03 | 2019-04-02 | 深圳大学 | 交互式t-s模糊语义模型估计方法、系统和计算机可读存储介质 |
| CN115345246A (zh) * | 2022-08-19 | 2022-11-15 | 广东技术师范大学 | 一种基于t-s模糊语义智能肝癌分期方法及系统 |
| WO2022257377A1 (zh) * | 2021-06-10 | 2022-12-15 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
-
2023
- 2023-04-10 CN CN202310371867.7A patent/CN116092688A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109558594A (zh) * | 2018-12-03 | 2019-04-02 | 深圳大学 | 交互式t-s模糊语义模型估计方法、系统和计算机可读存储介质 |
| WO2022257377A1 (zh) * | 2021-06-10 | 2022-12-15 | 一汽奔腾轿车有限公司 | 一种基于模糊神经网络的自动换挡控制方法 |
| CN115345246A (zh) * | 2022-08-19 | 2022-11-15 | 广东技术师范大学 | 一种基于t-s模糊语义智能肝癌分期方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 孙增圻 等: "基于T-S模型的模糊神经网络", 《清华大学学报（自然科学版）》, pages 484 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110399929B (zh) | 眼底图像分类方法、装置以及计算机可读存储介质 | |
| CN107679525B (zh) | 图像分类方法、装置及计算机可读存储介质 | |
| CN111883228B (zh) | 基于知识图谱的健康信息推荐方法、装置、设备及介质 | |
| Pedrycz et al. | Optimization of fuzzy models | |
| CN117253614B (zh) | 基于大数据分析的糖尿病风险预警方法 | |
| CN116386869B (zh) | 一种基于多变量的病情危重程度评估方法 | |
| CN109559300A (zh) | 图像处理方法、电子设备及计算机可读存储介质 | |
| CN113656558B (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
| CN110335276B (zh) | 医学图像分割模型、方法、存储介质及电子设备 | |
| CN113808693A (zh) | 一种基于图神经网络和注意力机制的药物推荐方法 | |
| CN114864076A (zh) | 基于图注意力网络的多模态乳腺癌分类训练方法及系统 | |
| WO2020260656A1 (en) | Pruning and/or quantizing machine learning predictors | |
| Galshetwar et al. | Local energy oriented pattern for image indexing and retrieval | |
| Alfifi et al. | Enhanced artificial intelligence system for diagnosing and predicting breast cancer using deep learning | |
| Dillshad et al. | D2LFS2Net: Multi‐class skin lesion diagnosis using deep learning and variance‐controlled Marine Predator optimisation: An application for precision medicine | |
| CN116611546A (zh) | 基于知识图谱的目标研究区域滑坡预测方法及系统 | |
| KR101955526B1 (ko) | 혈액종합검사 소견 생성 방법 및 시스템 | |
| Abidin et al. | Identification of disease based on symptoms by employing ML | |
| CN117370565A (zh) | 一种信息检索方法及系统 | |
| CN116092688A (zh) | 基于模糊逻辑的血压分级量化方法、系统及存储介质 | |
| CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
| CN115907144A (zh) | 一种事件的预测方法、装置、终端设备以及存储介质 | |
| CN115985513A (zh) | 一种基于多组学癌症分型的数据处理方法、装置及设备 | |
| CN115171896A (zh) | 一种重症患者长期死亡风险预测系统及方法 | |
| Perner | Concepts for novelty detection and handling based on a case-based reasoning process scheme |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230509 |