關聯規則算法在血液變與中風關系中的應用方法及裝置的制造方法
【專利摘要】本發明提供一種關聯規則算法在血液變與中風關系中的應用方法，包括：步驟S1、獲取若干中風病人的血流變數據，并提取血流變數據中的血流因素；步驟S2、標準化處理血流因素；步驟S3、利用關聯規則算法對經標準化處理后的血流因素進行處理，以獲取血流變數據與中風疾病的關聯規則。本發明提供的方法應用于中風患者的血流變數據中，對中風患者血流變的臨床特征進行科學分類以及提取隱藏的更有價值的醫療信息，并在以往的常規評價模式“支持度?置信度”基礎上采用有效度和興趣度有效的評價標準對所得到的關聯規則進行評價，使中風預防更加具有針對性，從而提高臨床疾病的預防和早期治療的效果。
【專利說明】
關聯規則算法在血液變與中風關系中的應用方法及裝置
技術領域
[0001] 本發明涉及分布式計算與數據挖掘領域，尤其涉及關聯規則算法在血液變與中風 關系中的應用方法及裝置。
【背景技術】
[0002] 中風又稱腦卒中，是急性腦循環損害迅速導致局限性或彌漫性腦功能缺損的臨床 事件。根據病因、病理可以將中風分為缺血性中風與出血性中風兩大類。前者主要包括局限 性腦梗死(腦血栓、腦栓塞），后者主要包括腦出血和蛛網膜下腔出血。腦卒中是多種腦血管 疾病的嚴重表現形式，是中老年人的一種常見病，是一種高發病率、高致殘率的疾病，給社 會及家庭帶來沉重的經濟負擔和精神負擔。因此，中風的預防具有重要的社會意義。資料表 明，血流變指標的變化是腦血管疾病的主要發病因素之一，血流變的改變最終引發組織功 能、結構的變化，從而導致微循環障礙。例如，微循環障礙同時伴有全血和血漿粘度的增高 常見于腦中風等疾病，血液粘度的測定在缺血性和出血性腦中風的鑒別診斷、療效觀察等 過程有重要意義。因此進一步研究血流變與中風疾病的關系對臨床治療、預防各種腦血管 病具有非常重要的臨床意義。
[0003] 隨著計算機技術的發展，醫院數據庫信息容量快速積累，如何挖掘這些醫學寶貴 信息中隱含的更有意義的資源，對于疾病的診斷、治療和醫學研究都是非常有價值的。因 此，提供一種利用計算機快速、準確的分析中風疾病與血流變數據的關系的方法，成為目前 亟待解決的問題。

【發明內容】

[0004] 鑒于上述問題，本申請記載了一種關聯規則算法在血液變與中風關系中的應用方 法，所述方法包括：
[0005] 步驟Sl、獲取若干中風病人的血流變數據，并提取所述血流變數據中的血流因素；
[0006] 步驟S2、標準化處理所述血流因素；
[0007] 步驟S3、利用所述關聯規則算法對經標準化處理后的所述血流因素進行處理，以 獲取所述血流變數據與中風疾病的關聯規則。
[0008] 較佳的，所述血流因素包括血粘度信息和/或紅細胞壓積信息和/或血漿濃度信息 和/或血沉信息和/或體外血栓長度信息。
[0009] 較佳的，所述步驟S3包括：
[0010]步驟S31、結合因子分析法和逐步聚類分析法分析經標準化處理的所述血流因素 并獲取分析結果；
[0011] 步驟S32、根據所述關聯規則算法以及所述分析結果挖掘所述血流變數據與中風 疾病相關的關聯規則。
[0012] 較佳的，所述關聯規則算法為Apriori算法。
[0013]較佳的，步驟S32包括：
[0014] 步驟S321、找出所述分析結果中所有滿足最小支持度的所有頻繁項集；
[0015] 步驟S322、根據所述頻繁項集計算出滿足最小置信度的所有的關聯規則；
[0016] 步驟S323、對所有計算出的關聯規則進行評價，以獲取最優的關聯規則。
[0017] 較佳的，對所述關聯規則的評價方法包括基于有效度評價和基于興趣度評價。
[0018] 本發明還提供了一種關聯規則算法在血液變與中風關系中的應用裝置，所述裝置 包括：
[0019] 獲取模塊，用以獲取若干中風病人的血流變數據，并提取所述血流變數據中的血 流因素；
[0020] 標準化模塊，與獲取模塊相連，用以標準化處理所述血流因素；
[0021] 關聯模塊，與標準化模塊相連，用以利用所述關聯規則算法對經標準化處理后的 所述血流因素進行處理，以獲取所述血流變數據與中風疾病的關聯規則。
[0022]較佳的，所述關聯模塊包括：
[0023] 分析單元，與所述標準化模塊相連，用以結合因子分析法和逐步聚類分析法分析 經標準化處理的所述血流因素并獲取分析結果；
[0024] 挖掘單元，與所述分析單元相連，用以根據所述關聯規則算法以及所述分析結果 挖掘所述血流變數據與中風疾病相關的所述關聯規則。
[0025]較佳的，所述挖掘單元包括：
[0026] 頻繁項集獲取子單元，與所述分析單元相連，用以找出所述分析結果中所有滿足 最小支持度的所有頻繁項集；
[0027] 關聯規則獲取子單元，與所述頻繁項集獲取子單元相連，用以根據所述頻繁項集 計算出滿足最小置信度的所有的關聯規則。
[0028]較佳的，所述挖掘單元還包括：
[0029] 評價子單元，與所述關聯規則獲取子單元相連，用以對所有計算出的關聯規則進 行評價，以獲取最優的關聯規則。
[0030] 上述技術方案具有如下優點或有益效果:本發明提供的方法應用于中風患者的血 流變數據中，對中風患者血流變的臨床特征進行科學分類以及提取隱藏的更有價值的醫療 信息，并在以往的常規評價模式"支持度-置信度"基礎上采用有效度和興趣度有效的評價 標準對所得到的關聯規則進行評價，使中風預防更加具有針對性，從而提高臨床疾病的預 防和早期治療的效果。
【附圖說明】
[0031] 參考所附附圖，以更加充分的描述本發明的實施例。然而，所附附圖僅用于說明和 闡述，并不構成對本發明范圍的限制。
[0032] 圖1為本發明一種關聯規則算法在血液變與中風關系中的應用方法的流程示意圖 ，
[0033] 圖2為本發明一種關聯規則算法在血液變與中風關系中的應用方法的流程示意圖 -* *
[0034] 圖3為本發明一種關聯規則算法在血液變與中風關系中的應用方法的流程示意圖 -* · -·，
[0035] 圖4為本發明一種關聯規則算法在血液變與中風關系中的應用裝置的結構示意圖 ，
[0036] 圖5為本發明一種關聯規則算法在血液變與中風關系中的應用裝置的結構示意圖 --〇
[0037] 圖6為本發明一種關聯規則算法在血液變與中風關系中的應用裝置的結構示意圖 _-〇
【具體實施方式】
[0038] 下面結合附圖和具體實施例對本發明關聯規則在血液變與中風疾病關系中的應 用方法及裝置進行詳細說明。
[0039] 實施例一
[0040] 如圖1所示，一種關聯規則在血液變與中風疾病關系中的應用方法，該方法包括步 驟：
[0041] S1、采集多個中風病人的血流變數據，提取血流變中的血流因素；
[0042] S2、將血粘度信息、紅細胞壓積信息、血漿濃度信息、血沉信息以及體外血栓長度 信息等血流因素進行標準化處理；
[0043] S3、利用關聯規則對經標準化處理的血流變數據進行處理，以獲取血流變數據與 中風疾病的關系。
[0044]具體來說，在本實施例提出的關聯規則在血液變與中風疾病關系中的應用方法 中，首先需要采集若干個中風病人的血流變數據，在實際應用中，采集到的血流變數據越 多，后續進行分析的準確性也會越高。之后，提取血流變數據中的一個或多個血流因素，并 將這些血流因素進行標準化處理。值得指出的是，血流因素包括血粘度信息和/或紅細胞壓 積信息和/或血漿濃度信息和/或血沉信息和/或體外血栓長度信息。
[0045]在實際應用中，收集了安徽省淮北礦工總醫院2003年至2009年期間，首次發作且 按臨床標準和CT掃描結果診斷為中風住院病人的552個血流變數據，如表1:
[0046]表1原始數據
[0048] 進一步來講，如圖2所示，在步驟S3中，具體包括步驟：
[0049] S31:結合因子分析法和逐步聚類分析法分析經標準化處理后的血流因素并獲取 分析結果；
[0050] S32:根據關聯規則算法以及分析結果挖掘血流變與中風疾病相關的規則。
[0051] 具體來說，在本實施例提出的方法中，在對血流因素進行標準化處理后，要結合因 子分析法和逐步聚類分析法，將該血流因素進行分析處理并獲取分析結果。之后，利用關聯 規則算法，根據分析結果挖掘血流變與中風疾病相關的關聯規則。
[0052 ]進一步來講，關聯規則算法為Apr i or i算法。
[0053]下面對因子分析法、逐步聚類法以及Apriori算法進行詳細說明：
[0054] 1)因子分析法
[0055]因子分析主要用于從中風疾病與血流變錯綜復雜的關系問題中找出少數幾個主 要因子，每個因子代表原始變量間相互依賴的一種作用。這些彼此不相關的因子代替原來 較多高度相關的原始隨機變量，同時這些主要因子盡可能多的反映中風患者血流變數據原 始變量的信息。
[0056] 2)逐步聚類法
[0057]逐步聚類法，它是以樣本組內的離差平方和達到最小為標準，通過反復調整每個 樣本組中的個體數，從而達到樣本組內具有最大同質性，而樣本組間具有最大異質性這一 優化目標。此法，是先將樣本進行一次粗略的分類，即初始分類，然后根據最優原則進行反 復不斷的修改，直到分類合理為止。
[0058] 3 )Apriori 算法
[0059] Apriori算法利用頻繁項集性質的先驗知識，使用一種稱作逐層搜索的迭代方法， 該算法將關聯規則的發現分為兩步:第一步是識別所有的頻繁項目集，即不低于最低支持 度(min_ SUp)的項目集;第二步是從頻繁項目集中產生關聯規則，在頻繁項目集中找出滿足 用戶最低可信度(min_conf)的規則。
[0060]其中，支持度:表示頻繁項目集中A和B同時發生的概率，是對關聯規則重要性的衡 量。
[0061 ] sup port(AU Β) Π Ρ(Α] Β)
[0062] 信任度:表示頻繁項目集中包含A的同時也包含B的概率，可信度是對關聯規則準 確度的衡量。
[0063] canftdeme(A[] B)QF(B/4)
[0064] 進一步來講，如圖3所示，步驟S32中，根據關聯規則算法以及分析結果挖掘血流變 與中風疾病關系的關聯規則中，包括步驟：
[0065] S321:找出分析結果中所有滿足最小支持度的所有頻繁項集；
[0066] S322:根據頻繁項集計算出滿足最小置信度的關聯規則；
[0067] S323:對關聯規則進行評價，以獲取最優的關聯規則。
[0068] 進一步來講，在運用關聯規則算法挖掘關聯規則前，需要將原始數據中的各變量 的取值轉化為一系列的整數或代碼，映射為事務的項。按照年齡對數據進行劃分，將血流變 數據轉化為布爾型數據，把所有屬性映射為成項的索引表，如表2所示：
[0069]表2血流變數據與賦值
[0072]利用數據轉換算法將表1中的數據逐條掃描數據庫記錄，通過查詢項目映射表獲 取相應的項編號，并將其填充到事務表中的相應位置，完成了關系數據庫到事務表的轉換， 事務數據如表3:
[0073]表3中風事務數據庫
[0075] 具體來講，在利用關聯規則算法挖掘關聯規則的過程中，首先要找出分析結果中 所有滿足最小支持度的所有頻繁項集，然后根據該頻繁項集計算出滿足最小置信度的關聯 規則。但是，并不是所有計算出的關聯規則都是有意義的，此時就需要對計算出的關聯規則 進行評價，以保留其中一條或幾條有用的關聯規則，即獲取最終結果。
[0076] 進一步來講，在對有效關聯規則評價的評價方法有兩種:基于有效度評價和基于 興趣度評價。
[0077] 本實施例提供的方法主要應用于中風患者的血流變數據中，對中風患者血流變的 臨床特征進行科學分類以及提取隱藏的更有價值的醫療信息，并在以往的常規評價模式 "支持度-置信度"基礎上采用有效度和興趣度有效的評價標準對所得到的關聯規則進行評 價，使中風預防更加具有針對性從而提高臨床疾病的預防和早期治療的效果。實施例二
[0078] 根據上述實施例提出的一種關聯規則算法在血液變與中風關系中的應用方法，本 實施例提出了一種關聯規則算法在血液變與中風關系中的應用裝置。
[0079] 如圖4所示，一種關聯規則算法在血液變與中風關系中的應用裝置，包括：
[0080] 獲取模塊1，用以獲取若干中風病人的血流變數據，并提取血流變數據中的血流因 素；
[0081 ]標準化模塊2，與獲取模塊1相連，用以標準化處理血流因素；
[0082]關聯模塊3,與標準化模塊2相連，用以利用關聯規則算法對經標準化處理后的血 流因素進行處理，以獲取血流變數據與中風疾病的關聯規則。
[0083] 具體來說，本實施例提出的裝置中，首先利用獲取模塊1獲取若干中風病人的血流 變數據，并提取血流變數據中的血流因素，然后由標準化模塊2將血流因素標準化處理，最 后由關聯模塊3利用關聯規則算法對經標準化處理后的血流因素進行處理，以獲取血流變 數據與中風疾病的關系。其中，血流因素包括血粘度信息和/或紅細胞壓積信息和/或血漿 濃度信息和/或血沉信息和/或體外血栓長度信息等。
[0084] 進一步來講，如圖5所示，關聯模塊3包括：
[0085] 分析單元31，與標準化模塊2相連，用以結合因子分析法和逐步聚類分析法分析經 標準化處理的血流因素并獲取分析結果；
[0086] 挖掘單元32,與分析單元31相連，用以根據關聯規則算法以及分析結果挖掘血流 變數據與中風疾病相關的關聯規則。
[0087] 值得指出的是，并不是直接利用挖掘單元32挖掘關聯規則，而是需要先利用分析 單元31結合因子分析法和逐步聚類分析法分析經標準化處理的血流因素，獲取分析結果之 后，由挖掘單元32利用關聯規則算法挖掘血流變與中風疾病相關的關聯規則。
[0088I 進一步來講，如圖6所示，挖掘單元32包括：
[0089] 頻繁項集獲取子單元321，與分析單元31相連，用以找出分析結果中所有滿足最小 支持度的所有頻繁項集；
[0090] 關聯規則獲取子單元322,與頻繁項集獲取子單元321相連，用以根據頻繁項集計 算出滿足最小置信度的所有的關聯規則；
[0091 ]評價子單元323，與關聯規則獲取子單元322相連，用以對所有計算出的關聯規則 進行評價，以獲取最優的關聯規則。
[0092]值得指出的是，在挖掘單元32挖掘有用的關聯規則時，首先要利用頻繁項集獲取 子單元321分析結果中所有滿足最小支持度的所有頻繁項集，再由關聯規則獲取子單元322 根據頻繁項集計算出滿足最小置信度的所有的關聯規則。但是，獲取的關聯規則并不是全 部有用的，此時需要評價子單元323對獲取的所有關聯規則進行評價，以獲取最優的關聯規 則。
[0093]進一步來講，對關聯規則的評價方法包括基于有效度評價和基于興趣度評價兩種 方式。
[0094]對于本領域的技術人員而言，閱讀上述說明后，各種變化和修正無疑將顯而易見。 因此，所附的權利要求書應看作是涵蓋本發明的真實意圖和范圍的全部變化和修正。在權 利要求書范圍內任何和所有等價的范圍與內容，都應認為仍屬本發明的意圖和范圍內。
【主權項】
1. 一種關聯規則算法在血液變與中風關系中的應用方法，其特征在于，所述方法包括： 步驟S1、獲取若干中風病人的血流變數據，并提取所述血流變數據中的血流因素； 步驟S2、標準化處理所述血流因素； 步驟S3、利用所述關聯規則算法對經標準化處理后的所述血流因素進行處理，以獲取 所述血流變數據與中風疾病的關聯規則。2. 根據權利要求1所述的關聯規則算法在血液變與中風關系中的應用方法，其特征在 于，所述血流因素包括血粘度信息和/或紅細胞壓積信息和/或血漿濃度信息和/或血沉信 息和/或體外血栓長度信息。3. 根據權利要求2所述的關聯規則算法在血液變與中風關系中的應用方法，其特征在 于，所述步驟S3包括： 步驟S31、結合因子分析法和逐步聚類分析法分析經標準化處理的所述血流因素并獲 取分析結果； 步驟S32、根據所述關聯規則算法以及所述分析結果挖掘所述血流變數據與中風疾病 相關的關聯規則。4. 根據權利要求3所述的關聯規則算法在血液變與中風關系中的應用方法，其特征在 于，所述關聯規則算法為Apriori算法。5. 根據權利要求3所述的關聯規則算法在血液變與中風關系中的應用方法，其特征在 于，步驟S32包括： 步驟S321、找出所述分析結果中所有滿足最小支持度的所有頻繁項集； 步驟S322、根據所述頻繁項集計算出滿足最小置信度的所有的關聯規則； 步驟S323、對所有計算出的關聯規則進行評價，以獲取最優的關聯規則。6. 根據權利要求5所述的關聯規則算法在血液變與中風關系中的應用方法，其特征在 于，對所述關聯規則的評價方法包括基于有效度評價和基于興趣度評價。7. -種關聯規則算法在血液變與中風關系中的應用裝置，其特征在于，所述裝置包括： 獲取模塊，用以獲取若干中風病人的血流變數據，并提取所述血流變數據中的血流因 素； 標準化模塊，與獲取模塊相連，用以標準化處理所述血流因素； 關聯模塊，與標準化模塊相連，用以利用所述關聯規則算法對經標準化處理后的所述 血流因素進行處理，以獲取所述血流變數據與中風疾病的關聯規則。8. 根據權利要求7所述的關聯規則算法在血液變與中風關系中的應用裝置，其特征在 于，所述關聯模塊包括： 分析單元，與所述標準化模塊相連，用以結合因子分析法和逐步聚類分析法分析經標 準化處理的所述血流因素并獲取分析結果； 挖掘單元，與所述分析單元相連，用以根據所述關聯規則算法以及所述分析結果挖掘 所述血流變數據與中風疾病相關的所述關聯規則。9. 根據權利要求8所述的關聯規則算法在血液變與中風關系中的應用裝置，其特征在 于，所述挖掘單元包括： 頻繁項集獲取子單元，與所述分析單元相連，用以找出所述分析結果中所有滿足最小 支持度的所有頻繁項集； 關聯規則獲取子單元，與所述頻繁項集獲取子單元相連，用以根據所述頻繁項集計算 出滿足最小置信度的所有的關聯規則。10.根據權利要求9所述的關聯規則算法在血液變與中風關系中的應用裝置，其特征在 于，所述挖掘單元還包括： 評價子單元，與所述關聯規則獲取子單元相連，用以對所有計算出的關聯規則進行評 價，以獲取最優的關聯規則。
【文檔編號】G06F19/00GK105938516SQ201610227357
【公開日】2016年9月14日
【申請日】2016年4月12日
【發明人】田思, 張維朋, 李永平, 王勇
【申請人】寧波大紅鷹學院