CN114049956B - 基于属性导出模糊对象语言概念格的疾病诊断预测*** - Google Patents

基于属性导出模糊对象语言概念格的疾病诊断预测*** Download PDF

Info

Publication number
CN114049956B
CN114049956B CN202210029122.8A CN202210029122A CN114049956B CN 114049956 B CN114049956 B CN 114049956B CN 202210029122 A CN202210029122 A CN 202210029122A CN 114049956 B CN114049956 B CN 114049956B
Authority
CN
China
Prior art keywords
object language
fuzzy object
language
attribute
decision
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.)
Active
Application number
CN202210029122.8A
Other languages
English (en)
Other versions
CN114049956A (zh
Inventor
邹丽
丁建锋
郭庆
李滨
杨金增
李广庆
林红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Shunnet Media Co ltd
Shandong Jianzhu University
Original Assignee
Shandong Shunnet Media Co ltd
Shandong Jianzhu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Shunnet Media Co ltd, Shandong Jianzhu University filed Critical Shandong Shunnet Media Co ltd
Priority to CN202210029122.8A priority Critical patent/CN114049956B/zh
Publication of CN114049956A publication Critical patent/CN114049956A/zh
Application granted granted Critical
Publication of CN114049956B publication Critical patent/CN114049956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及医疗保健信息学技术领域，即专门用于处置或处理医疗或健康数据的信息技术领域，本发明公开了基于属性导出模糊对象语言概念格的疾病诊断预测***，所述***包括：数据采集模块，用于获取已知疾病诊断结果的患者的症状语言表述；通过模糊对象语言形式背景，确定属性导出模糊对象语言概念集合；规则提取模块，用于从属性导出模糊对象语言概念集合中，提取属性导出模糊对象语言三支决策规则，得到属性导出模糊对象语言三支决策规则集合；疾病诊断模块，用于获取待预测患者的症状语言表述，根据属性导出模糊对象语言三支决策规则集合，确定待预测患者的疾病诊断结果。本发明能够处理决策分析中的语言信息问题，提供智能化的医疗诊断结果。

Description

基于属性导出模糊对象语言概念格的疾病诊断预测***
技术领域
本发明涉及医疗保健信息学技术领域，即专门用于处置或处理医疗或健康数据的信息技术领域，特别是涉及基于属性导出模糊对象语言概念格的疾病诊断预测***。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
随着半个多世纪的发展，人工智能已经慢慢地融入到了我们生活的方方面面，并且正在改变着我们的生活。作为人工智能所涉及的最早的一个领域——医疗领域，更是在过去几年中有了“质”的飞跃。早在几十年前就已经有人将人工智能与医疗诊断相结合，帮助医生做出诊断。世界上第一个计算机临床决策支持***在1972年由提姆·德-多姆巴尔和苏珊·克莱普于英国研制成功。那时候因为计算机软硬件的条件受到限制，人工智能与医疗诊断的技术结合无法得到普及。在过去几十年，医学的发展离不开人工智能的贡献。采用人工智能中的知识推理技术和知识表示技术，用来模拟医学专家对患者的医疗诊断和病情观察，以及治疗等思维过程。它可以通过“学习”医疗专家的临床经验、病理理论等专业医学知识，辅助医生在更短的时间内做出准确率更高的医疗诊断，甚至可以帮助医生解决复杂的医学问题。因此，人工智能的应用既提升人们生活质量的同时，也带动着社会的快速发展。
随着网络时代的发展，各种信息数量呈现爆发式增长，面对复杂而庞大的数据信息，如何有效合理的进行处理是人们急需解决的问题。形式概念分析(Formal ConceptAnalysis, FCA)是 Wille 于 1982 年提出的一种基于形式背景构造概念格的方法。在对象集与属性集间通过一对伽罗瓦连接获得形式概念，概念之间的泛化和特化关系可视为一种偏序关系，所有概念的集合构成一个完备格，称为概念格。经典形式背景中，我们使用 0或者 1 作为对象与属性的二元关系值，来表示对象是否具有某种属性。与这种十分明确的表示方法不同的是，我们生活中大多数的信息是具有模糊性的。尤其是自然语言作为人类现实生活中常用的评估表达方式，能够更直接的表示决策中具有不确定性信息的特点。Zadeh提出了模糊集和语言变量，作为一种处理模糊信息的理论工具，被广泛地应用于不确定性推理、评价、决策等领域中。在决策分析中，具有语言值的格能够更准确的帮助人们分析对象是否具有该属性，避免了数值难以刻画造成误判的情况。例如：在问诊时，通常用“很少咳嗽”、“很少流鼻涕”、“偶尔流鼻涕”这样的语言描述症状。因此我们研究在运用语言术语集的模糊对象语言决策形式背景上进行知识表示和知识获取，具有重要的研究意义。
在二支决策模型中，往往只考虑接受与拒绝两种选择，但在日常生活中并非如此。Yao在传统二支决策模型的基础上，进一步扩展出更加符合人类普遍认知的三支决策模型，增加了第三种选择:不承诺。通过某种标准划分给定的集合成为三个不相交的子集——正域、负域和边界域，并且从这三个域中得到接受规则、拒绝规则和不承诺规则。Qi等在形式概念分析理论中引入三支决策，提出了三支概念分析理论并且给出了三支概念格的构造方法。在获取规则时，基于属性导出的三支概念格下的规则包含决策背景的所有规则，并且对于决策背景的某些规则，可以用更少的条件获得同样的决策结果。近些年，许多国内外学者开始关注这一新的理论，同时广泛应用于计算机科学、图像识别、金融风险分析、社会科学等诸多领域。
现有医疗诊断所采用的方式主要包括：对话式询问患者症状、医学影像检查等。现有医疗诊断所采用的主要方式，存在的技术缺陷是：在患者描述症状及症状的轻重程度时，通常是使用自然语言来描述，而计算机不能直接对模糊语言进行处理。
发明内容
为了解决现有技术的不足，本发明提供了基于属性导出模糊对象语言概念格的疾病诊断预测***；
基于属性导出模糊对象语言概念格的疾病诊断预测***，包括：
数据采集模块，其被配置为：获取已知疾病诊断结果的患者的症状语言表述；通过模糊对象语言形式背景，确定属性导出模糊对象语言概念集合；
规则提取模块，其被配置为：从属性导出模糊对象语言概念集合中，提取属性导出模糊对象语言三支决策规则，进而得到属性导出模糊对象语言三支决策规则集合；
疾病诊断模块，其被配置为：获取待预测患者的症状语言表述，根据属性导出模糊对象语言三支决策规则集合，确定待预测患者的疾病诊断结果。
与现有技术相比，本发明的有益效果是：本发明将三支概念分析理论运用到具有模糊对象语言概念的形式背景中，给出属性导出模糊对象语言三支概念，生成属性导出模糊对象语言三支概念格，提出属性导出模糊对象语言三支概念格上的语言决策规则，构造属性导出模糊对象语言概念格的决策形式背景上的规则提取算法，解决了属性导出模糊对象语言三支概念格上的决策问题。该方法通过判断条件属性是描述病人症状的语言值和决策属性是可能患得疾病的语言值，这两种属性导出模糊对象语言概念三支格间的细于关系，提取决策规则，进而诊断最具可能性的疾病类型。本发明能够有效地处理决策分析中的语言信息问题，提供智能化的医疗诊断结果。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一的***功能模块图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
现有技术中，经常使用自然语言描述患病的表现症状来判断出可能会患有的疾病，为了实现智能化医疗诊断，我们将描述病人表现症状的语言值作为条件属性，并且将可能患得疾病的语言值作为决策属性，进一步构造出这两种属性分别导出的模糊对象语言三支概念格，通过判断两种概念格之间的细于关系，提取出决策规则，构建智能化的医疗诊断***。
实施例一
本实施例提供了基于属性导出模糊对象语言概念格的疾病诊断预测***；
如图1所示，基于属性导出模糊对象语言概念格的疾病诊断预测***，包括：
数据采集模块，其被配置为：获取已知疾病诊断结果的患者的症状语言表述；通过模糊对象语言形式背景，确定属性导出模糊对象语言概念集合；
规则提取模块，其被配置为：从属性导出模糊对象语言概念集合中，提取属性导出模糊对象语言三支决策规则，进而得到属性导出模糊对象语言三支决策规则集合；
疾病诊断模块，其被配置为：获取待预测患者的症状语言表述，根据属性导出模糊对象语言三支决策规则集合，确定待预测患者的疾病诊断结果。
进一步地，所述获取已知疾病诊断结果的患者的症状语言表述；具体包括：
使用爬虫工具获取相关的数据集，并存入在形式背景
Figure 104286DEST_PATH_IMAGE001
中；
其中，
Figure 864431DEST_PATH_IMAGE002
为非空有限对象患者数据集，
Figure 131465DEST_PATH_IMAGE003
表示第
Figure 330365DEST_PATH_IMAGE004
个患者，收集的属性集记为
Figure 936927DEST_PATH_IMAGE005
，
Figure 930290DEST_PATH_IMAGE006
为非空有限语言概念集，
Figure 622303DEST_PATH_IMAGE007
表示患者用语言表述的症状集合；
Figure 359315DEST_PATH_IMAGE008
，
Figure 882700DEST_PATH_IMAGE009
为对象与语言概念间的信任度水平，
Figure 772200DEST_PATH_IMAGE010
为
Figure 13825DEST_PATH_IMAGE011
到
Figure 226632DEST_PATH_IMAGE012
的模糊二元关系，即
Figure 870103DEST_PATH_IMAGE013
。
进一步地，所述通过模糊对象语言形式背景，确定属性导出模糊对象语言概念集合；具体包括：
（11）：设
Figure 142953DEST_PATH_IMAGE014
为模糊对象语言形式背景，给定一个信任度水平的阈值
Figure 871874DEST_PATH_IMAGE015
，对于
Figure 888372DEST_PATH_IMAGE016
，
Figure 386349DEST_PATH_IMAGE017
，定义一对模糊对象语言负算子；
设
Figure 594214DEST_PATH_IMAGE018
为模糊对象语言形式背景，
Figure 544853DEST_PATH_IMAGE019
，
Figure 365041DEST_PATH_IMAGE020
，定义一对模糊对象语言形式背景的三支算子
Figure 717525DEST_PATH_IMAGE021
；
（12）：设模糊对象语言决策形式背景
Figure 597757DEST_PATH_IMAGE022
、模糊对象语言形式背景
Figure 35691DEST_PATH_IMAGE023
和
Figure 393991DEST_PATH_IMAGE024
，有同一个论域
Figure 866561DEST_PATH_IMAGE025
；
（13）：根据（11）和（12）分别生成条件属性导出模糊对象语言三支概念格
Figure 416229DEST_PATH_IMAGE026
和决策属性导出模糊对象语言三支概念格
Figure 341459DEST_PATH_IMAGE027
。
进一步地，所述设
Figure 503450DEST_PATH_IMAGE028
为模糊对象语言形式背景，给定一个信任度水平的阈值
Figure 564947DEST_PATH_IMAGE029
，对于
Figure 786981DEST_PATH_IMAGE030
，
Figure 199508DEST_PATH_IMAGE031
，定义一对模糊对象语言负算子；具体包括：
Figure 165190DEST_PATH_IMAGE032
；
Figure 346773DEST_PATH_IMAGE033
；
其中，
Figure 972664DEST_PATH_IMAGE034
表示
Figure 872487DEST_PATH_IMAGE035
中所有对象不能满足阈值的信任度水平的语言概念组成的集合，
Figure 376280DEST_PATH_IMAGE036
表示
Figure 677949DEST_PATH_IMAGE037
中所有不满足阈值的信任度水平的语言概念来描述的对象。
进一步地，所述设
Figure 976206DEST_PATH_IMAGE038
为模糊对象语言形式背景，
Figure 363325DEST_PATH_IMAGE039
，
Figure 733126DEST_PATH_IMAGE040
，定义一对模糊对象语言形式背景的三支算子
Figure 561405DEST_PATH_IMAGE041
；具体包括：
Figure 358460DEST_PATH_IMAGE042
，
Figure 403514DEST_PATH_IMAGE043
。
若
Figure 577006DEST_PATH_IMAGE044
且
Figure 525371DEST_PATH_IMAGE045
，则称
Figure 493327DEST_PATH_IMAGE046
为属性导出模糊对象语言概念，简称模糊对象语言属性导出概念，
Figure 527142DEST_PATH_IMAGE047
为模糊对象语言属性导出概念的外延，
Figure 238746DEST_PATH_IMAGE048
为模糊对象语言属性导出概念的内涵。
进一步地，设模糊对象语言决策形式背景
Figure 41617DEST_PATH_IMAGE049
、模糊对象语言形式背景
Figure 180474DEST_PATH_IMAGE050
和
Figure 200121DEST_PATH_IMAGE051
，有同一个论域
Figure 449836DEST_PATH_IMAGE052
；其中，
Figure 372793DEST_PATH_IMAGE053
为条件属性语言概念集，
Figure 682552DEST_PATH_IMAGE054
为决策属性语言概念集，
Figure 690959DEST_PATH_IMAGE055
为可能患有的疾病集合，
Figure 744365DEST_PATH_IMAGE056
表示对象对决策属性的信任度水平用语言概念
Figure 521829DEST_PATH_IMAGE057
来描述。
其中，
Figure 2488DEST_PATH_IMAGE058
是患者的总体，
Figure 731148DEST_PATH_IMAGE059
是患者的表现症状，
Figure 588245DEST_PATH_IMAGE060
是患者表现出某一症状的数值表示，
Figure 220215DEST_PATH_IMAGE061
是为0-1 的数值；
Figure 871776DEST_PATH_IMAGE062
表示症状程度低于某一阈值的症状的集合；
Figure 854776DEST_PATH_IMAGE063
表示症状程度低于某一阈值的患者集合；
Figure 249985DEST_PATH_IMAGE064
表示可能患有的疾病，
Figure 736461DEST_PATH_IMAGE065
是患者患有某种疾病的数值表示。
进一步地，所述从属性导出模糊对象语言概念集合中，提取属性导出模糊对象语言三支决策规则，进而得到属性导出模糊对象语言三支决策规则集合；具体包括：
（21）：判断决策形式背景的协调性及概念格间的细于关系；
（22）：在属性导出三支协调的模糊对象语言决策形式背景中，若
Figure 824503DEST_PATH_IMAGE066
，
Figure 527754DEST_PATH_IMAGE067
有
Figure 726655DEST_PATH_IMAGE068
，
Figure 67637DEST_PATH_IMAGE069
，
Figure 326580DEST_PATH_IMAGE070
且
Figure 18593DEST_PATH_IMAGE071
，则称
Figure 755605DEST_PATH_IMAGE072
是一个属性导出的模糊对象语言三支决策规则,记为
Figure 216673DEST_PATH_IMAGE073
。
Figure 646517DEST_PATH_IMAGE074
表示所有属性导出的模糊对象语言三支决策规则集合。
进一步地，所述判断决策形式背景的协调性及概念格间的细于关系，具体包括：
若
Figure 58782DEST_PATH_IMAGE075
，
Figure 599484DEST_PATH_IMAGE076
，使得
Figure 180638DEST_PATH_IMAGE077
，
Figure 515805DEST_PATH_IMAGE078
，则称
Figure 182410DEST_PATH_IMAGE079
细于
Figure 261224DEST_PATH_IMAGE080
，记作：
Figure 696885DEST_PATH_IMAGE081
，
此时的模糊对象语言决策形式背景是属性导出三支协调的（记为属性导出协调）。
Figure 202952DEST_PATH_IMAGE082
为患者集合的子集，
Figure 419170DEST_PATH_IMAGE083
为表现症状集合
Figure 737894DEST_PATH_IMAGE084
的子集，
Figure 90378DEST_PATH_IMAGE085
表示可能患有疾病集合
Figure 970609DEST_PATH_IMAGE086
的子集。
进一步地，所述***的规则提取模块与疾病诊断模块之间，还设有规则清洗模块；所述规则清洗模块，其被配置为：
对所获取的规则，剔除冗余规则，得到清洗后的规则。
进一步地，所述对所获取的规则，剔除冗余规则，得到清洗后的规则；具体包括：
在得到的规则集
Figure 408543DEST_PATH_IMAGE087
中，
Figure 766844DEST_PATH_IMAGE088
与
Figure 239413DEST_PATH_IMAGE089
是两个属性导出的模糊对象语言决策规则，若
Figure 24967DEST_PATH_IMAGE090
，便称规则
Figure 950197DEST_PATH_IMAGE091
蕴含规则
Figure 610723DEST_PATH_IMAGE092
，并将
Figure 937800DEST_PATH_IMAGE093
视为冗余规则，剔除冗余规则，得到非冗余规则集。
Figure 159834DEST_PATH_IMAGE094
，
Figure 572360DEST_PATH_IMAGE095
，
使得
Figure 272463DEST_PATH_IMAGE096
，
Figure 454046DEST_PATH_IMAGE097
。
Figure 846981DEST_PATH_IMAGE098
，所以
Figure 746804DEST_PATH_IMAGE099
是AE-协调的。
若
Figure 749133DEST_PATH_IMAGE100
，
Figure 785222DEST_PATH_IMAGE101
有
Figure 349058DEST_PATH_IMAGE102
，
Figure 736177DEST_PATH_IMAGE103
，
Figure 778083DEST_PATH_IMAGE104
，则称
Figure 934257DEST_PATH_IMAGE105
是一个属性导出的模糊对象语言三支决策规则,记为if A, then B。有某些表现症状的患者集合包含于可能患有某些疾病的患者集合，就可以得到“如果患者有某种程度的表现症状那么他们患有某些疾病的程度”这样的诊断。
得到所有属性导出的模糊对象语言三支决策规则集合，包括规则：
{
Figure 668995DEST_PATH_IMAGE106
，
Figure 277831DEST_PATH_IMAGE107
，
Figure 451324DEST_PATH_IMAGE108
，
Figure 898223DEST_PATH_IMAGE109
，
Figure 866179DEST_PATH_IMAGE110
，
Figure 899994DEST_PATH_IMAGE111
，
Figure 346019DEST_PATH_IMAGE112
，
Figure 414469DEST_PATH_IMAGE113
，
Figure 553326DEST_PATH_IMAGE114
，
Figure 74438DEST_PATH_IMAGE115
，
Figure 324153DEST_PATH_IMAGE116
，
Figure 745645DEST_PATH_IMAGE117
，
Figure 55404DEST_PATH_IMAGE118
，
Figure 63811DEST_PATH_IMAGE119
，
Figure 117218DEST_PATH_IMAGE120
，
Figure 894681DEST_PATH_IMAGE121
，
Figure 375341DEST_PATH_IMAGE122
，
Figure 605465DEST_PATH_IMAGE123
，
Figure 462563DEST_PATH_IMAGE124
，
Figure 593067DEST_PATH_IMAGE125
，
Figure 244629DEST_PATH_IMAGE126
，
Figure 227628DEST_PATH_IMAGE127
，
Figure 622837DEST_PATH_IMAGE128
，
Figure 109313DEST_PATH_IMAGE129
，
Figure 197355DEST_PATH_IMAGE130
，
Figure 402072DEST_PATH_IMAGE131
，
Figure 335392DEST_PATH_IMAGE132
，
Figure 440489DEST_PATH_IMAGE133
，
Figure 699432DEST_PATH_IMAGE134
，
Figure 125866DEST_PATH_IMAGE135
，
Figure 128457DEST_PATH_IMAGE136
，
Figure 651842DEST_PATH_IMAGE137
，
Figure 753790DEST_PATH_IMAGE138
，
Figure 995416DEST_PATH_IMAGE139
，
Figure 473802DEST_PATH_IMAGE140
，
Figure 851693DEST_PATH_IMAGE141
，
Figure 912095DEST_PATH_IMAGE142
，
Figure 375437DEST_PATH_IMAGE143
，
Figure 657514DEST_PATH_IMAGE144
，
Figure 155491DEST_PATH_IMAGE145
，
Figure 661559DEST_PATH_IMAGE146
，
Figure 815460DEST_PATH_IMAGE147
，
Figure 697965DEST_PATH_IMAGE148
，
Figure 988132DEST_PATH_IMAGE149
，
Figure 665101DEST_PATH_IMAGE150
，
Figure 539254DEST_PATH_IMAGE151
，
Figure 225450DEST_PATH_IMAGE152
，
Figure 370124DEST_PATH_IMAGE153
，
Figure 483573DEST_PATH_IMAGE154
，
Figure 346487DEST_PATH_IMAGE155
，
Figure 570795DEST_PATH_IMAGE156
，
Figure 835554DEST_PATH_IMAGE157
，
Figure 119905DEST_PATH_IMAGE158
，
Figure 266853DEST_PATH_IMAGE159
，
Figure 731070DEST_PATH_IMAGE160
，
Figure 912652DEST_PATH_IMAGE161
，
Figure 305588DEST_PATH_IMAGE162
，
Figure 205411DEST_PATH_IMAGE163
，
Figure 709204DEST_PATH_IMAGE164
，
Figure 745293DEST_PATH_IMAGE165
，
Figure 309130DEST_PATH_IMAGE166
，
Figure 430670DEST_PATH_IMAGE167
，
Figure 236689DEST_PATH_IMAGE168
，
Figure 392864DEST_PATH_IMAGE169
，
Figure 127602DEST_PATH_IMAGE170
，
Figure 736438DEST_PATH_IMAGE171
}
在得到的规则集
Figure 582034DEST_PATH_IMAGE172
中，
Figure 592715DEST_PATH_IMAGE173
与
Figure 498355DEST_PATH_IMAGE174
是两个属性导出的模糊对象语言决策规则，
若
Figure 594487DEST_PATH_IMAGE175
，便称规则
Figure 742309DEST_PATH_IMAGE176
蕴含规则
Figure 873076DEST_PATH_IMAGE177
，并将
Figure 949616DEST_PATH_IMAGE178
视为冗余规则，剔除冗余规则，得到非冗余规则集，包括规则：
{
Figure 267465DEST_PATH_IMAGE179
，
Figure 782760DEST_PATH_IMAGE180
，
Figure 705717DEST_PATH_IMAGE181
，
Figure 15475DEST_PATH_IMAGE182
，
Figure 758303DEST_PATH_IMAGE183
，
Figure 811710DEST_PATH_IMAGE184
，
Figure 87708DEST_PATH_IMAGE185
，
Figure 568368DEST_PATH_IMAGE186
，
Figure 64072DEST_PATH_IMAGE187
，
Figure 655590DEST_PATH_IMAGE188
，
Figure 553139DEST_PATH_IMAGE189
，
Figure 204700DEST_PATH_IMAGE190
，
Figure 984437DEST_PATH_IMAGE191
，
Figure 317330DEST_PATH_IMAGE192
，
Figure 131702DEST_PATH_IMAGE193
，
Figure 390383DEST_PATH_IMAGE194
}
通过上述步骤可以得到关于医疗诊断的相关规则。规则
Figure 657416DEST_PATH_IMAGE195
表示患者
Figure 793999DEST_PATH_IMAGE196
很少会流鼻涕的程度为0.8，那么他有很小可能性会感冒的程度是0.8；患者
Figure 462878DEST_PATH_IMAGE197
很少流鼻涕的程度为0.6，那么他有很小可能性会感冒的程度是0.6，说明患者
Figure 393925DEST_PATH_IMAGE198
和
Figure 148254DEST_PATH_IMAGE199
不太可能患有感冒，应深入检查是否患有其他病症。
模糊对象语言决策形式背景
Figure 88528DEST_PATH_IMAGE200
，取信任度水平阈值为
Figure 611914DEST_PATH_IMAGE201
。由两个模糊对象语言形式背景
Figure 212397DEST_PATH_IMAGE202
和
Figure 454022DEST_PATH_IMAGE203
共同组成，其中对象集
Figure 932408DEST_PATH_IMAGE204
表示五位病人，
Figure 310300DEST_PATH_IMAGE205
为病人表现出的两种症状，其中
Figure 848729DEST_PATH_IMAGE206
为咳嗽，
Figure 312071DEST_PATH_IMAGE207
为流鼻涕。
Figure 594148DEST_PATH_IMAGE208
表示病人有可能患上的疾病，其中
Figure 826546DEST_PATH_IMAGE209
为感冒，
Figure 34411DEST_PATH_IMAGE210
为肺炎。语言术语集：
Figure 985050DEST_PATH_IMAGE211
为描述两种症状程度的语言值，表示
Figure 805238DEST_PATH_IMAGE212
与
Figure 157722DEST_PATH_IMAGE213
的关系；语言术语集
Figure 100270DEST_PATH_IMAGE214
表示病人患有某种疾病的可能程度，体现
Figure 475888DEST_PATH_IMAGE215
与
Figure 162084DEST_PATH_IMAGE216
的关系，其描述如下：
患者
Figure 306758DEST_PATH_IMAGE217
对于属性
Figure 420207DEST_PATH_IMAGE218
、
Figure 781656DEST_PATH_IMAGE219
、
Figure 5964DEST_PATH_IMAGE220
、
Figure 270724DEST_PATH_IMAGE221
、
Figure 289495DEST_PATH_IMAGE222
、
Figure 639705DEST_PATH_IMAGE223
、
Figure 667704DEST_PATH_IMAGE224
、
Figure 786970DEST_PATH_IMAGE225
、
Figure 242222DEST_PATH_IMAGE226
、
Figure 876465DEST_PATH_IMAGE227
、
Figure 878794DEST_PATH_IMAGE228
、
Figure 180463DEST_PATH_IMAGE229
的信任度水平值分别是
Figure 744299DEST_PATH_IMAGE230
患者
Figure 865839DEST_PATH_IMAGE231
对于属性
Figure 173323DEST_PATH_IMAGE232
、
Figure 329498DEST_PATH_IMAGE233
、
Figure 766034DEST_PATH_IMAGE234
、
Figure 46973DEST_PATH_IMAGE235
、
Figure 892570DEST_PATH_IMAGE236
、
Figure 903251DEST_PATH_IMAGE237
、
Figure 808890DEST_PATH_IMAGE238
、
Figure 905022DEST_PATH_IMAGE239
、
Figure 52844DEST_PATH_IMAGE240
、
Figure 855715DEST_PATH_IMAGE241
、
Figure 932256DEST_PATH_IMAGE242
、
Figure 889585DEST_PATH_IMAGE243
的信任度水平值分别是
Figure 342563DEST_PATH_IMAGE244
；
患者
Figure 999941DEST_PATH_IMAGE245
对于属性
Figure 309699DEST_PATH_IMAGE246
、
Figure 318106DEST_PATH_IMAGE247
、
Figure 371513DEST_PATH_IMAGE248
、
Figure 647511DEST_PATH_IMAGE249
、
Figure 128171DEST_PATH_IMAGE250
、
Figure 686192DEST_PATH_IMAGE251
、
Figure 215393DEST_PATH_IMAGE252
、
Figure 909680DEST_PATH_IMAGE253
、
Figure 764503DEST_PATH_IMAGE254
、
Figure 544240DEST_PATH_IMAGE255
、
Figure 877133DEST_PATH_IMAGE256
、
Figure 691505DEST_PATH_IMAGE257
的信任度水平值分别是
Figure 950186DEST_PATH_IMAGE258
；
患者
Figure 217219DEST_PATH_IMAGE259
对于属性
Figure 416119DEST_PATH_IMAGE260
、
Figure 22681DEST_PATH_IMAGE261
、
Figure 16045DEST_PATH_IMAGE262
、
Figure 708057DEST_PATH_IMAGE263
、
Figure 445069DEST_PATH_IMAGE264
、
Figure 906137DEST_PATH_IMAGE265
、
Figure 335982DEST_PATH_IMAGE266
、
Figure 849763DEST_PATH_IMAGE267
、
Figure 124887DEST_PATH_IMAGE268
、
Figure 706041DEST_PATH_IMAGE269
、
Figure 41207DEST_PATH_IMAGE270
、
Figure 707812DEST_PATH_IMAGE271
的信任度水平值分别是
Figure 786626DEST_PATH_IMAGE272
；
患者
Figure 222287DEST_PATH_IMAGE273
对于属性
Figure 993934DEST_PATH_IMAGE274
、
Figure 944572DEST_PATH_IMAGE275
、
Figure 263296DEST_PATH_IMAGE276
、
Figure 615780DEST_PATH_IMAGE277
、
Figure 496011DEST_PATH_IMAGE278
、
Figure 933945DEST_PATH_IMAGE279
、
Figure 292246DEST_PATH_IMAGE280
、
Figure 764815DEST_PATH_IMAGE281
、
Figure 815948DEST_PATH_IMAGE282
、
Figure 741179DEST_PATH_IMAGE283
、
Figure 401705DEST_PATH_IMAGE284
的信任度水平值分别是
Figure 463202DEST_PATH_IMAGE285
。
本发明公开了一种基于属性导出模糊对象语言概念格的决策形式背景规则提取方法，将三支概念分析理论运用到具有模糊对象语言概念的形式背景中，给出属性导出模糊对象语言三支概念，生成属性导出模糊对象语言三支概念格，提出属性导出模糊对象语言三支概念格上的语言决策规则，构造属性导出模糊对象语言概念格的决策形式背景上的规则提取算法，解决了属性导出模糊对象语言三支概念格上的决策问题。该方法通过判断条件属性是描述病人症状的语言值和决策属性是可能患得疾病的语言值，这两种属性导出模糊对象语言概念三支格间的细于关系，提取决策规则，进而诊断最具可能性的疾病类型。有效地处理决策分析中的语言信息问题，提供智能化的医疗诊断方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.基于属性导出模糊对象语言概念格的疾病诊断预测***，其特征是，包括：
数据采集模块，其被配置为：获取已知疾病诊断结果的患者的症状语言表述；通过模糊对象语言形式背景，确定属性导出模糊对象语言概念集合；
规则提取模块，其被配置为：从属性导出模糊对象语言概念集合中，提取属性导出模糊对象语言三支决策规则，进而得到属性导出模糊对象语言三支决策规则集合；
疾病诊断模块，其被配置为：获取待预测患者的症状语言表述，根据属性导出模糊对象语言三支决策规则集合，确定待预测患者的疾病诊断结果；
所述获取已知疾病诊断结果的患者的症状语言表述；具体包括：
使用爬虫工具获取相关的数据集，并存入在形式背景
Figure 72710DEST_PATH_IMAGE001
中；
其中，
Figure 175664DEST_PATH_IMAGE002
为非空有限对象患者数据集，
Figure 129452DEST_PATH_IMAGE003
表示第
Figure 137597DEST_PATH_IMAGE004
个患者，收集的属性集记为
Figure 844653DEST_PATH_IMAGE005
，
Figure 254643DEST_PATH_IMAGE006
为非空有限语言概念集，
Figure 756163DEST_PATH_IMAGE007
表示患者用语言表述的症状集合；
Figure 205599DEST_PATH_IMAGE008
，
Figure 683722DEST_PATH_IMAGE009
为对象与语言概念间的信任度水平，
Figure 715263DEST_PATH_IMAGE010
为
Figure 620640DEST_PATH_IMAGE011
到
Figure 370421DEST_PATH_IMAGE012
的模糊二元关系，即
Figure 589919DEST_PATH_IMAGE013
；
所述通过模糊对象语言形式背景，确定属性导出模糊对象语言概念集合；具体包括：
（11）：设
Figure 741546DEST_PATH_IMAGE014
为模糊对象语言形式背景，给定一个信任度水平的阈值
Figure 83403DEST_PATH_IMAGE015
，对于
Figure 54901DEST_PATH_IMAGE016
，
Figure 609248DEST_PATH_IMAGE017
，定义一对模糊对象语言负算子；
设
Figure 67912DEST_PATH_IMAGE018
为模糊对象语言形式背景，
Figure 82135DEST_PATH_IMAGE019
，
Figure 773885DEST_PATH_IMAGE020
，定义一对模糊对象语言形式背景的三支算子
Figure 164546DEST_PATH_IMAGE021
；
（12）：设模糊对象语言决策形式背景
Figure 523721DEST_PATH_IMAGE022
、模糊对象语言形式背景
Figure 646529DEST_PATH_IMAGE023
和
Figure 91155DEST_PATH_IMAGE024
，有同一个论域
Figure 19928DEST_PATH_IMAGE025
；
Figure 922025DEST_PATH_IMAGE026
是患者患有某种疾病的数值表示；
（13）：根据（11）和（12）分别生成条件属性导出模糊对象语言三支概念格
Figure 776586DEST_PATH_IMAGE027
和决策属性导出模糊对象语言三支概念格
Figure 944393DEST_PATH_IMAGE028
；
所述设
Figure 909813DEST_PATH_IMAGE029
为模糊对象语言形式背景，给定一个信任度水平的阈值T，对于
Figure 682728DEST_PATH_IMAGE030
，
Figure 466049DEST_PATH_IMAGE031
，定义一对模糊对象语言负算子；具体包括：
Figure 386731DEST_PATH_IMAGE032
；
Figure 421421DEST_PATH_IMAGE033
；
其中，
Figure 845581DEST_PATH_IMAGE034
表示
Figure 995939DEST_PATH_IMAGE035
中所有对象不能满足阈值的信任度水平的语言概念组成的集合，
Figure 636874DEST_PATH_IMAGE036
表示
Figure 445561DEST_PATH_IMAGE037
中所有不满足阈值的信任度水平的语言概念来描述的对象；
所述设
Figure 222762DEST_PATH_IMAGE038
为模糊对象语言形式背景，
Figure 622650DEST_PATH_IMAGE039
，
Figure 157406DEST_PATH_IMAGE040
，定义一对模糊对象语言形式背景的三支算子
Figure 300942DEST_PATH_IMAGE041
；具体包括：
Figure 198229DEST_PATH_IMAGE042
，
Figure 237860DEST_PATH_IMAGE043
；
若
Figure 541802DEST_PATH_IMAGE044
且
Figure 456407DEST_PATH_IMAGE045
，
则称
Figure 709665DEST_PATH_IMAGE046
为属性导出模糊对象语言概念，简称模糊对象语言属性导出概念，
Figure 497361DEST_PATH_IMAGE047
为模糊对象语言属性导出概念的外延，
Figure 23020DEST_PATH_IMAGE048
为模糊对象语言属性导出概念的内涵；
设模糊对象语言决策形式背景
Figure 741315DEST_PATH_IMAGE049
、模糊对象语言形式背景
Figure 114659DEST_PATH_IMAGE050
和
Figure 932311DEST_PATH_IMAGE051
，有同一个论域
Figure 23895DEST_PATH_IMAGE052
；其中，
Figure 14722DEST_PATH_IMAGE053
为条件属性语言概念集，
Figure 695102DEST_PATH_IMAGE054
为决策属性语言概念集，
Figure 247438DEST_PATH_IMAGE055
为可能患有的疾病集合，
Figure 793694DEST_PATH_IMAGE056
表示对象对决策属性的信任度水平用语言概念
Figure 558519DEST_PATH_IMAGE057
来描述；
所述从属性导出模糊对象语言概念集合中，提取属性导出模糊对象语言三支决策规则，进而得到属性导出模糊对象语言三支决策规则集合；具体包括：
（21）：判断决策形式背景的协调性及概念格间的细于关系；
（22）：在属性导出三支协调的模糊对象语言决策形式背景中，若
Figure 873832DEST_PATH_IMAGE058
，
Figure 315177DEST_PATH_IMAGE059
有
Figure 115774DEST_PATH_IMAGE060
，
Figure 651667DEST_PATH_IMAGE061
，
Figure 854109DEST_PATH_IMAGE062
且
Figure 246782DEST_PATH_IMAGE063
，则称
Figure 534675DEST_PATH_IMAGE064
是一个属性导出的模糊对象语言三支决策规则,记为
Figure 624991DEST_PATH_IMAGE066
；
Figure 914895DEST_PATH_IMAGE068
表示所有属性导出的模糊对象语言三支决策规则集合；
所述判断决策形式背景的协调性及概念格间的细于关系，具体包括：
若
Figure 448776DEST_PATH_IMAGE070
，
Figure 480359DEST_PATH_IMAGE072
，使得
Figure 921835DEST_PATH_IMAGE074
，
Figure 597405DEST_PATH_IMAGE076
，则称
Figure 20296DEST_PATH_IMAGE078
细于
Figure 282781DEST_PATH_IMAGE080
，记作：
Figure 26484DEST_PATH_IMAGE082
，
此时的模糊对象语言决策形式背景是属性导出三支协调的；
其中，
Figure 995708DEST_PATH_IMAGE084
和
Figure 166664DEST_PATH_IMAGE086
均表示患者集合的子集；
所述规则提取模块与疾病诊断模块之间，还设有规则清洗模块；所述规则清洗模块，其被配置为：
对所获取的规则，剔除冗余规则，得到清洗后的规则；
所述对所获取的规则，剔除冗余规则，得到清洗后的规则；具体包括：
在得到的规则集
Figure 650867DEST_PATH_IMAGE088
中，
Figure 355517DEST_PATH_IMAGE090
与
Figure 5679DEST_PATH_IMAGE092
是两个属性导出的模糊对象语言决策规则，若
Figure 849002DEST_PATH_IMAGE094
，便称规则
Figure 256718DEST_PATH_IMAGE096
蕴含规则
Figure 843688DEST_PATH_IMAGE098
，并将
Figure 82777DEST_PATH_IMAGE100
视为冗余规则，剔除冗余规则，得到非冗余规则集；
Figure 362580DEST_PATH_IMAGE102
，
Figure 742746DEST_PATH_IMAGE104
，
使得
Figure 366363DEST_PATH_IMAGE106
，
Figure 492582DEST_PATH_IMAGE108
；
Figure 176242DEST_PATH_IMAGE110
，所以
Figure 794436DEST_PATH_IMAGE112
是AE-协调的；
若
Figure 221744DEST_PATH_IMAGE114
，
Figure 936891DEST_PATH_IMAGE116
有
Figure 479867DEST_PATH_IMAGE117
，
Figure 411789DEST_PATH_IMAGE118
，
Figure 816357DEST_PATH_IMAGE119
，则称
Figure 150124DEST_PATH_IMAGE120
是一个属性导出的模糊对象语言三支决策规则,记为if A, then B；有某些表现症状的患者集合包含于可能患有某些疾病的患者集合，就可以得到“如果患者有某种程度的表现症状那么他们患有某些疾病的程度”这样的诊断；
得到所有属性导出的模糊对象语言三支决策规则集合，包括规则：
{
Figure 677051DEST_PATH_IMAGE121
，
Figure 519105DEST_PATH_IMAGE123
，
Figure 288216DEST_PATH_IMAGE125
，
Figure 915637DEST_PATH_IMAGE127
，
Figure 112001DEST_PATH_IMAGE128
，
Figure 254401DEST_PATH_IMAGE130
，
Figure 515618DEST_PATH_IMAGE132
，
Figure 558398DEST_PATH_IMAGE134
，
Figure 364811DEST_PATH_IMAGE136
，
Figure 493042DEST_PATH_IMAGE137
，
Figure 292371DEST_PATH_IMAGE138
，
Figure 956701DEST_PATH_IMAGE140
，
Figure 518305DEST_PATH_IMAGE142
，
Figure 635297DEST_PATH_IMAGE144
，
Figure 284322DEST_PATH_IMAGE146
，
Figure 740842DEST_PATH_IMAGE148
，
Figure 449910DEST_PATH_IMAGE149
，
Figure 54198DEST_PATH_IMAGE151
，
Figure 772493DEST_PATH_IMAGE153
，
Figure 880257DEST_PATH_IMAGE155
，
Figure 760226DEST_PATH_IMAGE157
，
Figure 38761DEST_PATH_IMAGE159
，
Figure 796632DEST_PATH_IMAGE161
，
Figure 257438DEST_PATH_IMAGE163
，
Figure 340932DEST_PATH_IMAGE165
，
Figure 152768DEST_PATH_IMAGE167
，
Figure 714330DEST_PATH_IMAGE169
，
Figure 967326DEST_PATH_IMAGE170
，
Figure 221721DEST_PATH_IMAGE171
，
Figure 255274DEST_PATH_IMAGE172
，
Figure 620527DEST_PATH_IMAGE173
，
Figure 321505DEST_PATH_IMAGE174
，
Figure 215643DEST_PATH_IMAGE175
，
Figure 690486DEST_PATH_IMAGE176
，
Figure 92386DEST_PATH_IMAGE177
，
Figure 149335DEST_PATH_IMAGE178
，
Figure 712910DEST_PATH_IMAGE179
，
Figure 488099DEST_PATH_IMAGE180
，
Figure 100214DEST_PATH_IMAGE181
，
Figure 542828DEST_PATH_IMAGE182
，
Figure 542883DEST_PATH_IMAGE183
，
Figure 461160DEST_PATH_IMAGE184
，
Figure 971907DEST_PATH_IMAGE185
，
Figure 501984DEST_PATH_IMAGE186
，
Figure 112088DEST_PATH_IMAGE187
，
Figure 94825DEST_PATH_IMAGE188
，
Figure 799476DEST_PATH_IMAGE189
，
Figure 951102DEST_PATH_IMAGE190
，
Figure 316397DEST_PATH_IMAGE191
，
Figure 959999DEST_PATH_IMAGE192
，
Figure 311084DEST_PATH_IMAGE193
，
Figure 51638DEST_PATH_IMAGE194
，
Figure 252812DEST_PATH_IMAGE195
，
Figure 944562DEST_PATH_IMAGE196
，
Figure 600803DEST_PATH_IMAGE197
，
Figure 428819DEST_PATH_IMAGE198
，
Figure DEST_PATH_IMAGE199
，
Figure 925529DEST_PATH_IMAGE200
，
Figure DEST_PATH_IMAGE201
，
Figure 511100DEST_PATH_IMAGE202
，
Figure DEST_PATH_IMAGE203
，
Figure 502189DEST_PATH_IMAGE204
，
Figure DEST_PATH_IMAGE205
，
Figure 591237DEST_PATH_IMAGE206
，
Figure DEST_PATH_IMAGE207
，
Figure 258848DEST_PATH_IMAGE208
}
在得到的规则集
Figure DEST_PATH_IMAGE209
中，
Figure 66135DEST_PATH_IMAGE210
与
Figure DEST_PATH_IMAGE211
是两个属性导出的模糊对象语言决策规则，
若
Figure 828293DEST_PATH_IMAGE212
，便称规则
Figure DEST_PATH_IMAGE213
蕴含规则
Figure 771847DEST_PATH_IMAGE214
，并将
Figure DEST_PATH_IMAGE215
视为冗余规则，剔除冗余规则，得到非冗余规则集，包括规则：
{
Figure 141517DEST_PATH_IMAGE216
，
Figure DEST_PATH_IMAGE217
，
Figure 904943DEST_PATH_IMAGE218
，
Figure DEST_PATH_IMAGE219
，
Figure 503414DEST_PATH_IMAGE220
，
Figure DEST_PATH_IMAGE221
，
Figure 567054DEST_PATH_IMAGE222
，
Figure DEST_PATH_IMAGE223
，
Figure 576467DEST_PATH_IMAGE224
，
Figure DEST_PATH_IMAGE225
，
Figure 92768DEST_PATH_IMAGE226
，
Figure DEST_PATH_IMAGE227
，
Figure 111294DEST_PATH_IMAGE228
，
Figure DEST_PATH_IMAGE229
，
Figure 216391DEST_PATH_IMAGE230
，
Figure DEST_PATH_IMAGE231
}
其中，
Figure 724602DEST_PATH_IMAGE232
为咳嗽，
Figure DEST_PATH_IMAGE233
为流鼻涕，
Figure 462620DEST_PATH_IMAGE234
为感冒，
Figure DEST_PATH_IMAGE235
为肺炎；
Figure 121003DEST_PATH_IMAGE236
表示很少；
Figure DEST_PATH_IMAGE237
表示偶尔；
Figure 424814DEST_PATH_IMAGE238
表示很多；
Figure DEST_PATH_IMAGE239
表示很小；
Figure 838347DEST_PATH_IMAGE240
表示中等；
Figure DEST_PATH_IMAGE241
表示很大；
通过上述步骤得到关于医疗诊断的相关规则；规则
Figure 283235DEST_PATH_IMAGE242
表示患者
Figure DEST_PATH_IMAGE243
很少会流鼻涕的程度为0.8，那么他有很小可能性会感冒的程度是0.8；患者
Figure 745309DEST_PATH_IMAGE244
很少流鼻涕的程度为0.6，那么他有很小可能性会感冒的程度是0.6，说明患者
Figure DEST_PATH_IMAGE245
和
Figure 638047DEST_PATH_IMAGE246
不太可能患有感冒，应深入检查是否患有其他病症。
CN202210029122.8A 2022-01-12 2022-01-12 基于属性导出模糊对象语言概念格的疾病诊断预测*** Active CN114049956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210029122.8A CN114049956B (zh) 2022-01-12 2022-01-12 基于属性导出模糊对象语言概念格的疾病诊断预测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210029122.8A CN114049956B (zh) 2022-01-12 2022-01-12 基于属性导出模糊对象语言概念格的疾病诊断预测***

Publications (2)

Publication Number Publication Date
CN114049956A CN114049956A (zh) 2022-02-15
CN114049956B true CN114049956B (zh) 2022-06-24

Family

ID=80196207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210029122.8A Active CN114049956B (zh) 2022-01-12 2022-01-12 基于属性导出模糊对象语言概念格的疾病诊断预测***

Country Status (1)

Country Link
CN (1) CN114049956B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114664456A (zh) * 2022-03-10 2022-06-24 重庆邮电大学 一种基于双边模糊集的三支决策疾病分类方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109036549A (zh) * 2018-06-29 2018-12-18 重庆柚瓣家科技有限公司 一种基于模糊决策和病历数据的疾病预诊***
CN112434813A (zh) * 2020-11-03 2021-03-02 辽宁师范大学 基于面向属性语言概念格的多重多维语言推理方法
CN113553399A (zh) * 2021-07-16 2021-10-26 山东建筑大学 基于模糊语言近似概念格的文本搜索方法及***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003900520A0 (en) * 2003-02-06 2003-02-20 Email Analysis Pty Ltd Information classification and retrieval using concept lattices
CN106557653B (zh) * 2016-11-15 2017-09-22 合肥工业大学 一种移动医疗智能导医***及其方法
CN107085655B (zh) * 2017-04-07 2020-11-24 江西中医药大学 基于属性的约束概念格的中医数据处理方法及***
CN110580526A (zh) * 2019-08-30 2019-12-17 太原理工大学 基于乐观概念的不完备决策信息***规则提取算法
CN111597217B (zh) * 2020-05-07 2023-06-16 辽宁师范大学 基于模糊对象语言概念格的个性化推荐方法
CN113590806B (zh) * 2021-08-02 2022-05-27 山东建筑大学 基于对象三元语言概念的个性化新闻推荐方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109036549A (zh) * 2018-06-29 2018-12-18 重庆柚瓣家科技有限公司 一种基于模糊决策和病历数据的疾病预诊***
CN112434813A (zh) * 2020-11-03 2021-03-02 辽宁师范大学 基于面向属性语言概念格的多重多维语言推理方法
CN113553399A (zh) * 2021-07-16 2021-10-26 山东建筑大学 基于模糊语言近似概念格的文本搜索方法及***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Using Fuzzy Concept Lattice for Intelligent Disease Diagnosis;CAIFENG ZOU等;《IEEE Xplore》;20161221;全文 *
一种基于直觉模糊语言概念格的规则提取方法;姚丽等;《南京大学学报(自然科学)》;20180730(第04期);全文 *
基于对象导出三支概念格的决策背景规则获取;汪秋分等;《数学的实践与认识》;20200423(第08期);全文 *

Also Published As

Publication number Publication date
CN114049956A (zh) 2022-02-15

Similar Documents

Publication Publication Date Title
Kadhim et al. Design and implementation of fuzzy expert system for back pain diagnosis
CN111951965B (zh) 基于时序知识图谱的全景式健康动态监测与预测***
CN114049956B (zh) 基于属性导出模糊对象语言概念格的疾病诊断预测***
Singh Prediction of Thyroid Disease using Deep Learning Techniques
CN114242234A (zh) 基于聚合神经网络的tavr术后并发症风险值预测方法
Ahmed et al. Thyroid cancer detection using deep neural network
Gao et al. A self-interpretable deep learning model for seizure prediction using a multi-scale prototypical part network
Karegowda et al. Knowledge based fuzzy inference system for diagnosis of diffuse goiter
Stempsey Applying Medical Knowledge: Diagnosing
Myrzakerimova et al. Development of an automated expert system for diagnosing diseases of internal organs
Ravale et al. Unveiling Alzheimer's: Early Detection Through Deep Neural Networks
Abdullah et al. Disease diagnosis using soft computing model: a digest
Karajah et al. Covid-19 Detection From Chest X-Rays Using Modified VGG 16 Model
de Sousa Learning to write medical reports from EEG data
Meenakshisundaram et al. An Optimized Machine learning model for Automatic Prediction of Cervical Cancer Using Decision Tree Classifier
Ridderikhoff Models of decision-making in the general practice: a design for a descriptive research
Long et al. Neural network multi-label learning based on enhancing pairwise labels discrimination for obstetric auxiliary diagnosis
CN114520033A (zh) 基于认知任务分析的临床决策***、方法、介质及终端
Kumari et al. Identifying Parkinson’s Disease in it’s Primitive Phase using Vocal Characteristics
Olayiwola et al. Developing an Adaptive Learning Expert System for Diagnosis and Treatment of Alzheimer’s Disease
Mukherjee et al. A Review of Machine Learning Models to Detect Autism Spectrum Disorders (ASD)
Chandralekha et al. Exploratory Investigation and Alzheimer's Disease Classification Utilizing Ensemble Models in Machine Learning
Liyanage et al. A Prototype Fuzzy Logic Based Diagnostic Expert System for Respiratory Symptoms
Van et al. On Large Visual Language Models for Medical Imaging Analysis: An Empirical Study
Adugnaw et al. Developing a Knowledge-Based System for Diagnosis and Treatment Recommendation of Selected Acute Abdominal Diseases by Collaborating Data Mining Results with Expert Knowledge: The Case of Debre Berhan Referral Hospital

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
GR01 Patent grant
GR01 Patent grant