CN201788510U - 融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统 - Google Patents

Abstract

本实用新型公开了一种融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统，包括电子病历处方远程网络安全传递系统、医学影像动态存储转发系统、基于RFID的病人病情跟踪系统、移动医疗设备监护系统、传统医院信息管理系统、医院信息系统数据库标准化集成服务器、电子病历协同挖掘优化系统、电子病历临床诊断分类知识规则库服务器、医疗规则分类诊断构件组服务器、电子病历处方集成管理服务器、医院各科室会诊服务器、远程医疗视频会诊服务器、家庭自助医疗服务终端接口服务器、药品跟踪监督管理服务器。本实用新型能为疾病诊断和治疗提供智能辅助决策。

Description

融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统

技术领域：

本实用新型涉及一种医疗辅助设施。

背景技术：

电子病历(Electronic Medical Record，简称EMR)作为医院信息系统(Hospital Information System，简称HIS)的一个重要组成部分，其包含三个方面内涵：一是包含病人历次就诊过程中完整、详细临床信息资源；二是为建立医疗疾病资源库提供共享支持；三是提供医学知识库和辅助诊断决策支持等。如何从海量的医疗数据中挖掘有价值的信息或知识已成为电子病历从信息服务向智能专家系统发展的方向。电子病历挖掘(Electronic Medical Record Mining，简称EMRM)就是为顺应上述这种需要而产生和发展起来的一个新研究方向，它从大量不完整的、有噪声的、模糊的以及动态变化的医学病历数据中，提取隐含在其中的医学诊断规则和模式，用来在临床数据库记录中识别相关医学知识内在联系，形成相应分类决策支持模型，为医生进行疾病诊断治疗提供辅助决策。如何采用计算机智能处理技术将病历样本属性映射低维空间、进行样本属性动态约简和诊断规律和知识高效挖掘等，这是目前电子病历与计算机智能处理技术相结合方面富有挑战性的研究课题。

粒子群优化算法(Particle Swarm Optimization，PSO)是1995年由美国社会心理学家James Kennedy和电气工程师Russell Eberhart共同提出，其基本思想是受他们早期对鸟群、鱼群和人类社会等群体行为的启发而提出的，该算法中将鸟群运动模型中的栖类比于所求问题解空间中可能解的位置，通过个体间的信息传递，导引整个群体向可能解的方向移动，在求解过程中逐步增加发现较好解的可能性，种群内部不同个体之间的信息共享能够在模拟进化计算方面提供巨大的优势，尤其是在多维空间寻优中。协同进化算法在普通进化算法的基础上，考虑了种群与环境之间、种群与种群之间在进化过程中的协调一致，其一般思想是将待求问题的解向量分裂成多个子元素，每个子元素通过一个物种种群进行进化，每个物种种群内某个体的适应度通过由该个体和来自其他物种种群的个体组合而成的解向量来评价。由于粒子群优化算法概念简明、实现方便、收敛速度快、需要调节参数少，目前已经成为协同进化算法普遍采用的基元方法，粒子群协同进化擅长在一个多模优化问题时通过组合多个粒子群相互分工协作，较好的寻找系统最优解。本发明将采用基于粒子群的协同进化方法来进行电子病历同类医学规则协同挖掘诊断规则。

可拓学是广东工业大学可拓工程研究所蔡文研究员创立的一门新学科，它以形式化模型探讨事物拓展的可能性以及开拓创新的规律与方法，并用于解决客观世界的矛盾问题，其理论支柱是物元理论和可拓集合理论。可拓学主要利用可拓数据变换，从变化的角度使假命题变为真命题，把不可知问题变为可知问题，把不可行问题变为可行问题。可拓数据挖掘将原数据通过五元组形式化表示，在可拓变换约束下从数据集或者知识集中获得可拓知识的方法。粗糙集理论(Rough Sets Theory)与概念格理论(Concept Lattice Theory)以其思想新颖、方法独特，已成为近年来获得飞速发展的知识发现和数据挖掘有力工具。粗糙集理论是由波兰数学家Pawlak.Z于1982年首先提出，它提供了一套严格处理知识发现中基本分类问题的数学方法。粗糙集理论不需要先验知识，其在保持分类能力的前提下对属性和属性值进行约简，获取最小的规则集，且获取的规则易于被专家解读和说明。概念格(Galois格)，也称形式概念分析，是由德国教授R.Wille于1982年首先提出的，主要用于概念发现、排序和显示，它是一种支持数据分析的有效工具。概念格的每个节点是一个形式概念，其由两部分组成，即概念的外延和内涵，外延即概念所覆盖的实例，内涵即概念所覆盖实例的共同属性，所有概念连同定义在其上层次关系共同构成了概念格。另外概念格通过Hasse图的形式生动而简洁地体现了概念之间的泛化和特化关系。

粗糙集理论擅长在数据分析中解决约简冗余属性与对象集，寻求最小属性集和处理不确定性知识关系，概念格擅长在形式概念知识表示中解决大数据量不完备系统复杂问题的表示。利用概念格可进行粗糙集理论中重要属性约简，模仿粗糙集生成“上近似格”和“下近似格”可求得原概念格的近似映射，可拓数据挖掘是在数据挖掘的基础上，利用可拓变换蕴含式针对动态变化的数据进行可拓变换规则知识挖掘，在可拓数据挖掘的基础上可将多维层次数据进行本体概念形式树表示，通过数据挖掘和反复耕耘，使粗数据变成精细数据，在精细数据集合的基础上进行数据挖掘，发现有意义的趋向和模式。本发明中采用基于基于可拓粗糙格的电子病历形式概念结点的构建，形象地展现各个病历挖掘过程中结点泛化和特化关系。

发明内容：

本实用新型的目的在于提供一种为疾病诊断和治疗提供智能辅助决策的融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统。

本实用新型的技术解决方案是：

一种融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统，其特征是：包括与医院信息系统数据库标准化集成服务器连接的电子病历处方远程网络安全传递系统、医学影像动态存储转发系统、基于RFID的病人病情跟踪系统、移动医疗设备监护系统及传统医院信息管理系统，医院信息系统数据库标准化集成服务器与电子病历协同挖掘优化系统连接，电子病历协同挖掘优化系统与电子病历临床诊断分类知识规则库服务器连接，电子病历临床诊断分类知识规则库服务器与医疗规则分类诊断构件组服务器连接，医疗规则分类诊断构件组服务器与电子病历处方集成管理服务器、医院各科室会诊服务器、远程医疗视频会诊服务器、家庭自助医疗服务终端接口服务器及药品跟踪监督管理服务器连接；所述电子病历协同挖掘优化系统包括病历样本属性动态约简预处理模块，病历样本属性动态约简预处理模块与基于可拓粗糙集的病历形式概念格构造模块连接，基于可拓粗糙集的病历形式概念格构造模块与基于粒子群的电子病历协同挖掘模块连接。

本实用新型通过病历样本属性动态约简预处理，构建可拓粗糙集的电子病历形式概念格，将电子病历数据流导入到不同临床专科分类挖掘数据库中，然后通过电子病历粒子群协同挖掘系统提取出相应医疗诊断知识规则，并根据不同临床类别存入到医疗规则分类诊断构件组服务器中。本系统可挖掘出电子病历系统中隐含的相关医学临床诊断规则和知识，未知新病例样本通过方法训练学习泛化后可形成相应的分类决策支持模型，为疾病预测、诊断和治疗提供有效的智能决策支持。

附图说明：

下面结合附图和实施例对本实用新型作进一步说明。

图1是本实用新型一个实施例的结构示图。

图2是电子病历协同挖掘优化系统结构示图。

具体实施方式：

一种融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统，包括与医院信息系统数据库标准化集成服务器6连接的电子病历处方远程网络安全传递系统1、医学影像动态存储转发系统2、基于RFID的病人病情跟踪系统3、移动医疗设备监护系统4及传统医院信息管理系统5，医院信息系统数据库标准化集成服务器6与电子病历协同挖掘优化系统7连接，电子病历协同挖掘优化系统7与电子病历临床诊断分类知识规则库服务器8连接，电子病历临床诊断分类知识规则库服务器8与医疗规则分类诊断构件组服务器9连接，医疗规则分类诊断构件组服务器9与电子病历处方集成管理服务器10、医院各科室会诊服务器11、远程医疗视频会诊服务器12、家庭自助医疗服务终端接口服务器13及药品跟踪监督管理服务器14连接；所述电子病历协同挖掘优化系统包括与医院信息系统数据库标准化集成服务器6连接的病历样本属性动态约简预处理模块15，病历样本属性动态约简预处理模块与基于可拓粗糙集的病历形式概念格构造模块16连接，基于可拓粗糙集的病历形式概念格构造模块与基于粒子群的电子病历协同挖掘模块17连接，基于粒子群的电子病历协同挖掘模块17与电子病历临床诊断分类知识规则库服务器8连接。

上述主要模块工作原理如下：

1.病历样本属性动态约简预处理模块

电子病历动态临床数据中存在大量不完整、冗余、高维、不一致以及噪声的病历属性，特别是诊断中有大量模糊的、纯描述性的文本语言以及含噪声、灰度不均匀电子病历图像等，使得病历数据在没有作格式转换之前不能用于各种分类挖掘，因此需要在电子病历中医疗数据转变到数据库挖掘对象之前必须进行病历属性约简、特征提取等数据预处理工作，这是电子病历挖掘的一个关键步骤。

在电子病历样本属性约简动态预处理主要进行电子病历属性抽取、属性清洗、属性变换、属性降维、属性规约等五个步骤：

第1步属性抽取：从电子病历库中扫描并抽取出与特征词相关的病历数据；

第2步属性清理：填充电子病历中含有的空缺值、平滑噪声数据，识别和删除孤立点的数据；

第3步属性变换：通过病历规格化和聚集形成转换成适合不同特定主题的医学知识数据集；

第4步属性降维：将电子病历中高维属性空间(尤其高维图像特征属性)通过增加动态核心观测数据点，采用非线性降维方法将高维病历样本属性映射到低维空间，为病历挖掘解决维数灾难问题，提高病历挖掘效率。

第5步属性规约：采用典型数据形式规约B方法压缩电子病历中现有的数据集，既能减少数据集的大小又不影响数据的特征和质量。

2.基于可拓粗糙集的病历形式概念格构造模块

基于XML标准结构描述的动态电子病历形式背景可以用所谓三元背景对象集(下近似)或不确定对象集(上近似)表示，在保持原病历对象集不变的情况下，充分进行可拓粗糙集属性约简，寻找出最小属性集，能够完全确定在病历形式背景上的概念及其层次结构，即用最小属性集确定的概念格和用全体属性确定的概念格必须是同构的，从而完成病历形式概念格的构造，基于这种完备格设计的方法才比较适合电子病历中复杂动态病历特征表示。

其具体步骤如下：

第1步：根据病历决策形式背景单决策、多决策属性，构造粗糙格所有内涵集合；

第2步：求出内涵的上近似外延、下近似外延，并进行相关病历动态可拓变换运算，设计病历标准化模块树形转化策略和动态生成方法；

第3步：根据病历重要性度量、属性之间依赖程度来约简和投影动态病历数

据，使用维数降低变换方法将依赖于挖掘目标的有用特征值用最少数目变量来表达某类别病历代表数据；

第4步：根据内涵集合的特性，构造可拓粗糙格的病历间父子层次间关系；

第5步：进行病历样本原格动态线性加权特征重构，优化病历形式粗糙格；

第6步：增加病历形式粗糙格的上下界结点，使其充分满足格的完备性；

第7步：利用可拓动态变换，通过“变换蕴含式(变化知识)关联函数”形式将原形式粗糙格进行多维层次本体概念形式树降维表示，生成可拓变换规则知识。

3.基于粒子群的电子病历协同挖掘模块

本系统设计的电子病历协同挖掘模块主要由五个部分组成(如下图所示)：动态电子病历数据流分类集成、电子病历分类挖掘样本数据、独立样本FP-GROWTH算法挖掘，粒子群协作进化CPSO-S_K规则集成，医疗诊断规则服务构件专家引擎和学习引擎知识规则库。

其具体步骤如下：

第1步：采用动态电子病历数据流分类器采集组进行动态电子病历挖掘数据的预清洗采集，可再次采用上述电子病历样本属性约简动态预处理的五个步骤进行；

第2步：通过电子病历XML流的形式将采集到数据分类存放在病历样本挖掘

数据库中，为医疗诊断规则挖掘做好标准病历样本准备。

第3步：将原不同类别的病历样本解向量分解为N个小组多个向量子群，对每一子向量子群分别采用数据挖掘中经典的FP-GROWTH算法进行病历规则和知识挖掘与提取；

第4步：对于上述提取出的同类别的病历规则集初始化一个规模为N的粒子群，采用粒子群协作进化中经典的CPSO-S_K算法，根据电子病历临床分类诊断知识规则库进行同类别疾病诊断规则协同进化集成，并通过API函数将上述方法内嵌到电子病历挖掘软件的服务构件组中，输出经过上述粒子群协作优化后的同类病历最优规则集，以实现病历协作挖掘功能。

第5步：将提取出的医疗诊断知识规则，输入到电子病历专家引擎和学习引擎知识规则库，建立部分专科临床医学知识库，未知新病历样本通过训练学习泛化后可形成相应的分类决策支持模型，为疾病诊断和治疗提供较好的智能辅助决策功能。

Claims (1)

1.一种融合粒子群与可拓粗糙格的动态电子病历协同挖掘系统，其特征是：包括与医院信息系统数据库标准化集成服务器连接的电子病历处方远程网络安全传递系统、医学影像动态存储转发系统、基于RFID的病人病情跟踪系统、移动医疗设备监护系统及传统医院信息管理系统，医院信息系统数据库标准化集成服务器与电子病历协同挖掘优化系统连接，电子病历协同挖掘优化系统与电子病历临床诊断分类知识规则库服务器连接，电子病历临床诊断分类知识规则库服务器与医疗规则分类诊断构件组服务器连接，医疗规则分类诊断构件组服务器与电子病历处方集成管理服务器、医院各科室会诊服务器、远程医疗视频会诊服务器、家庭自助医疗服务终端接口服务器及药品跟踪监督管理服务器连接；所述电子病历协同挖掘优化系统包括病历样本属性动态约简预处理模块，病历样本属性动态约简预处理模块与基于可拓粗糙集的病历形式概念格构造模块连接，基于可拓粗糙集的病历形式概念格构造模块与基于粒子群的电子病历协同挖掘模块连接。

Images