CN117688412B - 一种用于骨科护理的智能数据处理系统 - Google Patents

Abstract

本发明公开了一种用于骨科护理的智能数据处理系统，系统包括：医疗数据采集模块、医疗数据处理模块、多方法聚类模块、加权合并主聚类模块和个性化骨科护理模块。本发明属于医疗数据处理技术领域，具体是指一种用于骨科护理的智能数据处理系统，本方案综合多种AHC方法进行聚类，引入衰减系数和子簇中实例数计算实例间的相似度，并删除子簇中的重复实例；通过计算主聚类的选择权重和相异权重得到综合权重，并考虑主聚类中子簇间的相似度以及子簇内部实例间的相似度，计算主聚类之间的平均相似度，合并主聚类并完成聚类模型的构建。

Description

一种用于骨科护理的智能数据处理系统

技术领域

本发明属于医疗数据处理技术领域，具体是指一种用于骨科护理的智能数据处理系统。

背景技术

用于骨科护理的智能数据处理系统是使用人工智能技术对采集到的医疗数据进行处理和分析，对患者进行个性化的骨科护理。但是现有的医疗数据处理方法存在重复实例和只使用一种聚类方法，并且实例间的相似度度量不完整，导致聚类结果不够全面和准确的技术问题；现有的医疗数据处理方法存在在合并主聚类时，只考虑主聚类内部的一致性，无法有效进行主聚类的选择和权重的计算，并且主聚类间的相似度评估采用简单的距离度量方法，难以准确地反映主聚类间的相似程度的技术问题。

发明内容

针对上述情况，为克服现有技术的缺陷，本发明提供了一种用于骨科护理的智能数据处理系统，针对现有的医疗数据处理方法存在重复实例和只使用一种聚类方法，并且实例间的相似度度量不完整，导致聚类结果不够全面和准确的技术问题，本方案综合多种AHC方法即凝聚层次聚类方法进行聚类，引入衰减系数和子簇中实例数计算实例间的相似度，并删除子簇中的重复实例，通过衰减系数，可以调整不同实例对相似度计算的贡献程度，将子簇中的实例数纳入相似度计算中，可以体现出子簇内的紧密度和一致性，综合不同AHC方法的聚类效果，获得更全面的医疗数据聚类结构，提高医疗数据处理的准确性；针对现有的医疗数据处理方法存在在合并主聚类时，只考虑主聚类内部的一致性，无法有效进行主聚类的选择和权重的计算，并且主聚类间的相似度评估采用简单的距离度量方法，难以准确地反映主聚类间的相似程度的技术问题，本方案通过计算主聚类的选择权重和相异权重得到综合权重，并考虑主聚类中子簇间的相似度以及子簇内部实例间的相似度，计算主聚类之间的平均相似度，通过平均相似度和合并阈值的比较完成主聚类的合并，综合考虑了主聚类的独特性和一致性，能够更准确地选择主聚类并计算其权重，提高了聚类模型的准确性和一致性，更准确地评估了主聚类间的相似度，能够更好地识别出主聚类的差异和相似性。

本发明提供的一种用于骨科护理的智能数据处理系统，包括医疗数据采集模块、医疗数据处理模块、多方法聚类模块、加权合并主聚类模块和个性化骨科护理模块；

所述医疗数据采集模块采集骨科护理相关的历史医疗数据；

所述医疗数据处理模块对采集的历史医疗数据进行预处理，并构建医疗数据处理集；

所述多方法聚类模块综合多种AHC方法进行聚类，引入衰减系数和子簇中实例数计算实例间的相似度，并删除子簇中的重复实例；

所述加权合并主聚类模块通过计算主聚类的选择权重和相异权重得到综合权重，并考虑主聚类中子簇间的相似度以及子簇内部实例间的相似度，计算主聚类之间的平均相似度，合并主聚类并完成聚类模型的构建；

所述个性化骨科护理模块将聚类模型输出标签对应的骨科护理方案作为辅助参考，对患者进行个性化的骨科护理。

进一步地，所述医疗数据采集模块是采集骨科护理相关的历史医疗数据，所述历史医疗数据包括患者的血压数据、心率数据、呼吸频率数据、体温数据、疼痛指数数据和血液检测数据和骨科护理方案，骨科护理方案作为历史医疗数据的标签，不参与聚类运算，只作为主聚类标签使用。

进一步地，所述医疗数据处理模块是对采集的历史医疗数据进行预处理，预处理包括数据清洗、缺失值处理和数据归一化，基于预处理后的历史医疗数据构建医疗数据处理集W。

进一步地，所述多方法聚类模块具体包括以下内容：

基于多种AHC方法聚类，使用A个不同的AHC方法对医疗数据处理集W进行聚类，AHC方法是凝聚层次聚类方法，为每个方法预先设定一个阈值，根据阈值将每个方法得到的聚类树划分为多个主聚类，基于所有主聚类构建主聚类集合Q={q₁，…，q_s，…，q_B}，s是主聚类索引，q_s是主聚类集合Q中的第s个主聚类，B是主聚类集合Q中的主聚类数；

计算实例之间的相似度，综合考虑使用不同方法得到的主聚类，并引入衰减系数和子簇中实例数，计算实例间的相似度，所用公式如下：

；

式中，L（x_i，x_j）是实例x_i和实例x_j之间的相似度，x_i和x_j分别是医疗数据处理集W中的第i个实例和第j个实例，i和j是两个互不相等的实例索引，|q_s|是主聚类q_s中的子簇数，c是主聚类q_s中的子簇索引，γ是衰减系数，是主聚类q_s中的第c个子簇，/>是主聚类q_s中第c个子簇中的实例数；

去除重复实例，预先设定相似阈值，当两个实例之间的相似度大于相似阈值时，从两个实例中随机选择一个实例从子簇中去除。

进一步地，所述加权合并主聚类模块具体包括以下内容：

计算选择权重，基于相对熵计算每个主聚类的选择权重，所用公式如下：

；

式中，是主聚类q_s的选择权重，m是医疗数据处理集W中的实例数，C（q_s）和C（x_i）分别是主聚类q_s和实例x_i的信息熵，||C（q_s）-C（x_i）||是C（q_s）和C（x_i）之间的相对熵；

计算相异权重，基于子簇间的相异度计算每个主聚类的相异权重，所用公式如下：

；

式中，是主聚类q_s的相异权重，u是主聚类q_s中的子簇，d（u_v，u_w）是子簇u_v和子簇u_w之间的距离，d（x_i，x_j）是实例x_i和实例x_j之间的距离；

计算综合权重，基于调节参数将选择权重和相异权重相结合计算每个主聚类的综合权重，所用公式如下：

；

式中，H_s是主聚类q_s的综合权重，β是调节参数；

计算主聚类之间的平均相似度，所用公式如下：

；

式中，I（q_s，q_a）是主聚类q_s和主聚类q_a之间的平均相似度，q_a是主聚类集合Q中的第a个主聚类，a是不等于s的主聚类索引，b是主聚类q_a中的子簇索引，|q_a|是主聚类q_a中的子簇数，是主聚类q_a中第b个子簇中的实例数，u_c和u_b分别是主聚类q_s中的第c个子簇和主聚类q_a中的第b个子簇，H_a是主聚类q_a的综合权重；

主聚类合并，预先设定合并阈值，当两个主聚类之间的平均相似度大于合并阈值时，将两个主聚类进行合并，将合并后主聚类中数量最多的标签类别作为主聚类标签，完成聚类模型的构建。

进一步地，所述个性化骨科护理模块是采集患者的待处理医疗数据，对待处理医疗数据进行预处理后，将其作为待处理实例x_f输入聚类模型中进行处理，选择与待处理实例具有最高平均相似度的主聚类对应标签作为输出标签，将输出标签对应的骨科护理方案作为辅助参考，对患者进行个性化的骨科护理，计算待处理实例和主聚类之间的平均相似度所用公式如下：

；

式中，I（x_f，q_s）是待处理实例x_f和主聚类q_s之间的平均相似度，L（x_f，x_i）是待处理实例x_f和实例x_i之间的相似度。

采用上述方案本发明取得的有益效果如下：

（1）针对现有的医疗数据处理方法存在重复实例和只使用一种聚类方法，并且实例间的相似度度量不完整，导致聚类结果不够全面和准确的技术问题，本方案综合多种AHC方法进行聚类，引入衰减系数和子簇中实例数计算实例间的相似度，并删除子簇中的重复实例，通过衰减系数，可以调整不同实例对相似度计算的贡献程度，将子簇中的实例数纳入相似度计算中，可以体现出子簇内的紧密度和一致性，综合不同AHC方法的聚类效果，获得更全面的医疗数据聚类结构，提高医疗数据处理的准确性。

（2）针对现有的医疗数据处理方法存在在合并主聚类时，只考虑主聚类内部的一致性，无法有效进行主聚类的选择和权重的计算，并且主聚类间的相似度评估采用简单的距离度量方法，难以准确地反映主聚类间的相似程度的技术问题，本方案通过计算主聚类的选择权重和相异权重得到综合权重，并考虑主聚类中子簇间的相似度以及子簇内部实例间的相似度，计算主聚类之间的平均相似度，通过平均相似度和合并阈值的比较完成主聚类的合并，综合考虑了主聚类的独特性和一致性，能够更准确地选择主聚类并计算其权重，提高了聚类模型的准确性和一致性，更准确地评估了主聚类间的相似度，能够更好地识别出主聚类的差异和相似性。

附图说明

图1为本发明提供的一种用于骨科护理的智能数据处理系统的示意图；

图2为多方法聚类模块的示意图；

图3为加权合并主聚类模块的示意图。

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例一，参阅图1，本发明提供的一种用于骨科护理的智能数据处理系统，包括医疗数据采集模块、医疗数据处理模块、多方法聚类模块、加权合并主聚类模块和个性化骨科护理模块；

所述医疗数据采集模块采集骨科护理相关的历史医疗数据；

所述医疗数据处理模块对采集的历史医疗数据进行预处理，并构建医疗数据处理集；

所述多方法聚类模块综合多种AHC方法进行聚类，引入衰减系数和子簇中实例数计算实例间的相似度，并删除子簇中的重复实例；

所述加权合并主聚类模块通过计算主聚类的选择权重和相异权重得到综合权重，并考虑主聚类中子簇间的相似度以及子簇内部实例间的相似度，计算主聚类之间的平均相似度，合并主聚类并完成聚类模型的构建；

所述个性化骨科护理模块将聚类模型输出标签对应的骨科护理方案作为辅助参考，对患者进行个性化的骨科护理。

实施例二，参阅图1，该实施例基于上述实施例，医疗数据采集模块是采集骨科护理相关的历史医疗数据，所述历史医疗数据包括患者的血压数据、心率数据、呼吸频率数据、体温数据、疼痛指数数据和血液检测数据和骨科护理方案，骨科护理方案作为历史医疗数据的标签，不参与聚类运算，只作为主聚类标签使用。

实施例三，参阅图1，该实施例基于上述实施例，医疗数据处理模块是对采集的历史医疗数据进行预处理，预处理包括数据清洗、缺失值处理和数据归一化，基于预处理后的历史医疗数据构建医疗数据处理集W，数据清洗是采用Z-score方法处理异常医疗数据，缺失值处理是采用均值插补方法处理缺失的医疗数据，数据归一化是采用最大-最小归一化方法将不同指标的医疗数据映射到[0，1]内。

实施例四，参阅图1和图2，该实施例基于上述实施例，多方法聚类模块具体包括以下内容：

基于多种AHC方法聚类，使用A个不同的AHC方法对医疗数据处理集W进行聚类，AHC方法是凝聚层次聚类方法，为每个方法预先设定一个阈值，根据阈值将每个方法得到的聚类树划分为多个主聚类，基于所有主聚类构建主聚类集合Q={q₁，…，q_s，…，q_B}，s是主聚类索引，q_s是主聚类集合Q中的第s个主聚类，B是主聚类集合Q中的主聚类数；其中，A个不同的AHC方法分别为单连杆方法、平均连杆方法、质心连杆方法和完全连杆方法；

计算实例之间的相似度，综合考虑使用不同方法得到的主聚类，并引入衰减系数和子簇中实例数，计算实例间的相似度，所用公式如下：

；

式中，L（x_i，x_j）是实例x_i和实例x_j之间的相似度，x_i和x_j分别是医疗数据处理集W中的第i个实例和第j个实例，i和j是两个互不相等的实例索引，|q_s|是主聚类q_s中的子簇数，c是主聚类q_s中的子簇索引，γ是[0，1]范围内的衰减系数，是主聚类q_s中的第c个子簇，是主聚类q_s中第c个子簇中的实例数；

去除重复实例，预先设定相似阈值，当两个实例之间的相似度大于相似阈值时，从两个实例中随机选择一个实例从子簇中去除。

通过执行上述操作，针对现有的医疗数据处理方法存在重复实例和只使用一种聚类方法，并且实例间的相似度度量不完整，导致聚类结果不够全面和准确的技术问题，本方案综合多种AHC方法进行聚类，引入衰减系数和子簇中实例数计算实例间的相似度，并删除子簇中的重复实例，通过衰减系数，可以调整不同实例对相似度计算的贡献程度，将子簇中的实例数纳入相似度计算中，可以体现出子簇内的紧密度和一致性，综合不同AHC方法的聚类效果，获得更全面的医疗数据聚类结构，提高医疗数据处理的准确性。

实施例五，参阅图1和图3，该实施例基于上述实施例，加权合并主聚类模块具体包括以下内容：

计算选择权重，基于相对熵计算每个主聚类的选择权重，所用公式如下：

；

式中，是主聚类q_s的选择权重，m是医疗数据处理集W中的实例数，C（q_s）和C（x_i）分别是主聚类q_s和实例x_i的信息熵，||C（q_s）-C（x_i）||是C（q_s）和C（x_i）之间的相对熵；

计算相异权重，基于子簇间的相异度计算每个主聚类的相异权重，所用公式如下：

；

式中，是主聚类q_s的相异权重，u是主聚类q_s中的子簇，d（u_v，u_w）是子簇u_v和子簇u_w之间的距离，d（x_i，x_j）是实例x_i和实例x_j之间的距离；

计算综合权重，基于调节参数将选择权重和相异权重相结合计算每个主聚类的综合权重，所用公式如下：

；

式中，H_s是主聚类q_s的综合权重，β是[0，1]范围内的调节参数；

计算主聚类之间的平均相似度，所用公式如下：

；

式中，I（q_s，q_a）是主聚类q_s和主聚类q_a之间的平均相似度，q_a是主聚类集合Q中的第a个主聚类，a是不等于s的主聚类索引，b是主聚类q_a中的子簇索引，|q_a|是主聚类q_a中的子簇数，是主聚类q_a中第b个子簇中的实例数，u_c和u_b分别是主聚类q_s中的第c个子簇和主聚类q_a中的第b个子簇，H_a是主聚类q_a的综合权重；

主聚类合并，预先设定合并阈值，当两个主聚类之间的平均相似度大于合并阈值时，将两个主聚类进行合并，将合并后主聚类中数量最多的标签类别作为主聚类标签，完成聚类模型的构建。

通过执行上述操作，针对现有的医疗数据处理方法存在在合并主聚类时，只考虑主聚类内部的一致性，无法有效进行主聚类的选择和权重的计算，并且主聚类间的相似度评估采用简单的距离度量方法，难以准确地反映主聚类间的相似程度的技术问题，本方案通过计算主聚类的选择权重和相异权重得到综合权重，并考虑主聚类中子簇间的相似度以及子簇内部实例间的相似度，计算主聚类之间的平均相似度，通过平均相似度和合并阈值的比较完成主聚类的合并，综合考虑了主聚类的独特性和一致性，能够更准确地选择主聚类并计算其权重，提高了聚类模型的准确性和一致性，更准确地评估了主聚类间的相似度，能够更好地识别出主聚类的差异和相似性。

实施例六，参阅图1，该实施例基于上述实施例，个性化骨科护理模块是采集患者的待处理医疗数据，对待处理医疗数据进行预处理后，将其作为待处理实例x_f输入聚类模型中进行处理，选择与待处理实例具有最高平均相似度的主聚类对应标签作为输出标签，将输出标签对应的骨科护理方案作为辅助参考，对患者进行个性化的骨科护理，计算待处理实例和主聚类之间的平均相似度所用公式如下：

；

式中，I（x_f，q_s）是待处理实例x_f和主聚类q_s之间的平均相似度，L（x_f，x_i）是待处理实例x_f和实例x_i之间的相似度。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (4)

1.一种用于骨科护理的智能数据处理系统，其特征在于：包括医疗数据采集模块、医疗数据处理模块、多方法聚类模块、加权合并主聚类模块和个性化骨科护理模块；

所述医疗数据采集模块采集骨科护理相关的历史医疗数据；

所述医疗数据处理模块对采集的历史医疗数据进行预处理，并构建医疗数据处理集；

所述多方法聚类模块综合多种AHC方法进行聚类，引入衰减系数和子簇中实例数计算实例间的相似度，并删除子簇中的重复实例；

所述加权合并主聚类模块通过计算主聚类的选择权重和相异权重得到综合权重，并考虑主聚类中子簇间的相似度以及子簇内部实例间的相似度，计算主聚类之间的平均相似度，合并主聚类并完成聚类模型的构建；

所述个性化骨科护理模块将聚类模型输出标签对应的骨科护理方案作为辅助参考，对患者进行个性化的骨科护理；

所述多方法聚类模块具体包括以下内容：

基于多种AHC方法聚类，使用A个不同的AHC方法对医疗数据处理集W进行聚类，为每个方法预先设定一个阈值，根据阈值将每个方法得到的聚类树划分为多个主聚类，基于所有主聚类构建主聚类集合Q={q₁，…，q_s，…，q_B}，s是主聚类索引，q_s是主聚类集合Q中的第s个主聚类，B是主聚类集合Q中的主聚类数；

计算实例之间的相似度，所用公式如下：

；

式中，L（x_i，x_j）是实例x_i和实例x_j之间的相似度，x_i和x_j分别是医疗数据处理集W中的第i个实例和第j个实例，i和j是两个互不相等的实例索引，|q_s|是主聚类q_s中的子簇数，c是主聚类q_s中的子簇索引，γ是衰减系数，是主聚类q_s中的第c个子簇，/>是主聚类q_s中第c个子簇中的实例数；

去除重复实例，预先设定相似阈值，当两个实例之间的相似度大于相似阈值时，从两个实例中随机选择一个实例从子簇中去除；

所述加权合并主聚类模块具体包括以下内容：

计算选择权重，所用公式如下：

；

式中，是主聚类q_s的选择权重，m是医疗数据处理集W中的实例数，C（q_s）和C（x_i）分别是主聚类q_s和实例x_i的信息熵，||C（q_s）-C（x_i）||是C（q_s）和C（x_i）之间的相对熵；

计算相异权重，所用公式如下：

；

式中，是主聚类q_s的相异权重，u是主聚类q_s中的子簇，d（u_v，u_w）是子簇u_v和子簇u_w之间的距离，d（x_i，x_j）是实例x_i和实例x_j之间的距离；

计算综合权重，所用公式如下：

；

式中，H_s是主聚类q_s的综合权重，β是调节参数；

计算主聚类之间的平均相似度，所用公式如下：

；

式中，I（q_s，q_a）是主聚类q_s和主聚类q_a之间的平均相似度，q_a是主聚类集合Q中的第a个主聚类，a是不等于s的主聚类索引，b是主聚类q_a中的子簇索引，|q_a|是主聚类q_a中的子簇数，是主聚类q_a中第b个子簇中的实例数，u_c和u_b分别是主聚类q_s中的第c个子簇和主聚类q_a中的第b个子簇，H_a是主聚类q_a的综合权重；

主聚类合并，预先设定合并阈值，当两个主聚类之间的平均相似度大于合并阈值时，将两个主聚类进行合并，将合并后主聚类中数量最多的标签类别作为主聚类标签，完成聚类模型的构建。

2.根据权利要求1所述的一种用于骨科护理的智能数据处理系统，其特征在于：所述个性化骨科护理模块采集患者的待处理医疗数据，对待处理医疗数据进行预处理后，将其作为待处理实例x_f输入聚类模型中进行处理，选择与待处理实例具有最高平均相似度的主聚类对应标签作为输出标签，将输出标签对应的骨科护理方案作为辅助参考，对患者进行个性化的骨科护理，计算待处理实例和主聚类之间的平均相似度所用公式如下：

；

式中，I（x_f，q_s）是待处理实例x_f和主聚类q_s之间的平均相似度，L（x_f，x_i）是待处理实例x_f和实例x_i之间的相似度。

3.根据权利要求1所述的一种用于骨科护理的智能数据处理系统，其特征在于：所述医疗数据采集模块是采集骨科护理相关的历史医疗数据，所述历史医疗数据包括患者的血压数据、心率数据、呼吸频率数据、体温数据、疼痛指数数据和血液检测数据和骨科护理方案，骨科护理方案作为历史医疗数据的标签，不参与聚类运算，只作为主聚类标签使用。

4.根据权利要求1所述的一种用于骨科护理的智能数据处理系统，其特征在于：所述医疗数据处理模块是对采集的历史医疗数据进行预处理，预处理包括数据清洗、缺失值处理和数据归一化，基于预处理后的历史医疗数据构建医疗数据处理集W。