基于局部学习特征权重选择的医疗数据分类方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107193993A(43)申请公布日2017.09.22(21)申请号201710419357.7(22)申请日2017.06.06(71)申请人苏州大学地址215123江苏省苏州市工业园区仁爱路199号(72)发明人张莉黄晓娟王邦军张召李凡长(74)专利代理机构北京集佳知识产权代理有限公司11227代理人罗满(51)Int.Cl.G06F17/30(2006.01)G06F19/00(2011.01)权利要求书2页说明书11页附图3页(54)发明名称基于局部学习特征权重选择的医疗数据分类方法及装置(57)摘要本发明公开了一种基于局部学习特征权重选择的医疗数据分类方法，首先根据训练样本集得到样本的属性值，根据属性值利用梯度下降的权重更新方式计算属性对应的权重向量，因此可以保证收敛性，可以较快地达到算法的停止准则，减少计算时间，降低计算复杂度；根据计算出的权重向量进行特征选择得到最优特征集，将待评估数据样本进行标准化后再最优特征子集中进行特征选择，再将特征选择后的待评估数据样本进行分类就可以使数据样本实现降维，因此本发明实施例提供的方法实现降维的同时又降低了计算的复杂度，减少了计算时间。本发明还提供了一种基于局部学习特征权重选择的医疗数据分类装置，同样可以实现上述技术效果。CN107193993ACN107193993A权利要求书1/2页1.一种基于局部学习特征权重选择的医疗数据分类方法，其特征在于，包括：S101：获取医疗数据的第一样本集，得到第一样本属性；S102：设置所述第一样本属性的初始权重向量，将所述初始权重向量作为本次权重向量；S103：通过梯度下降的更新方式对本次权重向量进行更新，得到迭代一次后的下次权重向量；S104：判断确定规则是否成立，若是，则将所次权重向量作为最终权重向量，执行S105；若否，则将下次权重向量作为本次权重向量，返回S103；其中||wt+1-wt||≤θ为确定规则，wt为本次权重向量，wt+1为下次权重向量，θ为停止准则；S105：根据所述最终权重向量进行特征选择，得到特征索引子集；S106：将所述第一样本集根据所述特征索引子集进行特征选择，得到特征选择后的第二样本集；S107：获取第一待评估数据，并根据所述特征索引子集进行特征选择得到第二待评估数据；S108：在所述第二样本集上对第二待评估数据进行分类，得到分类结果。2.根据权利要求1所述的医疗数据分类方法，其特征在于，所述获取医疗数据的第一样本集，得到第一样本属性，包括：获取医疗数据的第一样本集，得到第一样本属性，并对所述第一样本集进行离差标准化处理。3.根据权利要求1所述的医疗数据分类方法，其特征在于，所述通过梯度下降的更新方式对本次权重向量进行更新，得到迭代一次后的下次权重向量，包括：通过规则对本次权重向量进行更新，得到迭代一次后的下次权重向t+1t+1Tt+1量w，J(w)为优化目标函数，通过最大化J(w)＝(zi)w计算得到。4.根据权利要求1所述的医疗数据分类方法，其特征在于，所述获取第一待评估数据，并根据所述特征索引子集进行特征选择得到第二待评估数据，包括：获取第一待评估数据，进行离差标准化处理，并根据所述特征索引子集进行特征选择得到第二待评估数据。5.根据权利要求1至4任意一项所述的医疗数据分类方法，其特征在于，在所述第二样本集上对第二待评估数据进行分类，得到分类结果，包括：在所述第二样本集上对第二待评估数据利用K近邻分类器进行分类，得到分类结果。6.一种基于局部学习特征权重选择的医疗数据分类装置，其特征在于，包括：第一样本集获取模块，用于获取医疗数据的第一样本集，得到第一样本属性；初始权重限量设置模块，用于设置所述第一样本属性的初始权重向量，将所述初始权重向量作为本次权重向量；下次权重向量获取模块，用于通过梯度下降的更新方式对本次权重向量进行更新，得到迭代一次后的下次权重向量；判断模块，用于判断确定规则是否成立，若是，则将所述下次权重向量作为最终权重向量，调用特征索引子集获取模块；若否，则将下次权重向量作为本次权重向量，调用所述下2CN107193993A权利要求书2/2页次权重向量获取模块；其中确定规则为||wt+1-wt||≤θ，wt为本次权重向量，wt+1为下次权重向量，θ为停止准则；所述特征索引子集获取模块，用于根据所述最终权重向量进行特征选择，得到特征索引子集；第二样本集获取模块，用于将所述第一样本集根据所述特征索引子集进行特征选择，得到特征选择后的第二样本集；第二待评估数据获取模块，用于获取第一待评估数据，并根据所述特征索引子集进行特征选择得到第二待评估数据；分类模块，用于在所述第二样本集上对第二待评估数据进行分类，得到分类结果。7