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的制造方法
【专利说明】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】
[0001 ]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】】
[0002] 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。
[0003] 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(radial basis function)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。
[0004] 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】
】
[0005] 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。
[0006] 为达到上述目的，本发明采用以下技术方案予以实现：
[0007] -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：
[0008] 1)直觉模糊集及其扩展的概念和定义：
[0009] a.设X为一个非空集合，则称/〗，=(λ:,)>|λ·, e 为直觉模糊集，其中 Μ(χ)和νΑ(χ)分别表示为X中元素 X属于Α的隶属度和非隶属度，i表示症状变量，j表示疾病 变量，即
[0010] μΑ：Χ~>[0,1 ] ~>14α(χ) ^[0,1]
[0011] vA:X^[0,l],xeX^vA(x)e[0,l]
[0012] 且满足条件
[0013] 0 < Ua(x)+va(x) < 1 ,χ^Χ [0014] 此外
[0015] jta(x) = 1_(μΑ(χ)+νΑ(χ)) ,χΕΧ
[0016] 表示πΑ(χ)中元素 X属于Α的犹豫度或者不确定度；
[0017] b.对于任一直觉模糊数α = (μα，να)，可通过得分函数s对其进行评估：
[0018] s(a) =μα-να
[0019] 其中，8((1)为(1的得分值，8(€1)6[0，1];
[0020] 直觉模糊数a的得分值与其隶属度μα和非隶属度να的差值直接相关，μα和ν α的差值 越大，则a的得分值越大，从而直觉模糊数a越大；
[0021] 精确函数：
[0022] h(a) =μα+να
[0023 ]其中，a = (μα，να)为直觉模糊数，h为a的精确函数，h (a)为a的精确度，h (a)值越大， 则直觉模糊数a的精确度越高；
[0024] 从而可得a的犹豫度和精确度之间的函数关系如下：
[0025] h(a)+Jia= 1
[0026] 因此，犹豫度Jia越小，则精确度h(a)值越大；
[0027] 2)三种关联测度的关联系数的计算方法：
[0028] 2-1) -般的直觉模糊集Ao和Aj的关联测度方法：
[0029]设 X= {xi，X2,…，Xn}为一个有限集合，4 = ，?, = j〈.W/; h-,. e X}为直觉模糊集，若
[0033]则称P(A0，Aj)为直觉模糊集Ao和Aj的关联系数；
[0034]关联系数^已乂满足下列性质：
[0035] 0<pi(Ai,A2) < 1
[0036] 0<Ρι(Αι,Α2) < 1
[0037] Pi(Ai，A2) =Pi(A2，Ai)
[0038] 2-2)改进的直觉模糊集Ao和Aj的关联测度方法：
[0039] 设Χ= {χι，X2，· · ·，xn}为一个有限集合，4,=丨丨,和 4 = {〈為，為⑷，' ⑷〉柄e幻为直觉模糊集，则称
[0041 ]为直觉模糊集Ao和心的关联系，其中
[0045]考虑元素^6乂的权重，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：
[0047] 其中，ω = ( ω1; c〇2, · · ·，ωη)τ 为 xi(i = l，2, · · ·，n)的权重向量，ω i 2 〇(i = 1， 2,...,η),
1权重的排列是ω2>…2 ωη，不全取等号；
[0048] 2-3)基于集合论的计算关联系数的方法：
[0049] 设 Χ= {χι，Χ2, ...，xn}为一个有限集合，丨卜丨和 丨=^,/Μχ,.ΧΜλ?λ 为直觉模糊集，直觉模糊集和Aj的关联系数为：
[0051] 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。
[0052]本发明进一步的改进在于：
[0053] 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：
[0054] 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：
[0055] 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；
[0056] 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；
[0057] 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；
[0058] 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：
[0059] 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；
[0060] 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。
[0061 ]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 进行米集和录入，完成患者病症初始?目息的提取和存储，具体方法为：
[0062]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；
[0063]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；
[006