一种基于内省学习的案例推理属性权重调整方法技术

本发明专利技术提出一种案例推理的属性权重调整应用程序及心血管病诊断装置，其中的应用程序包括检索相似案例模块、更新属性权重模块、归一化模块和计算最优权重模块。本发明专利技术通过借鉴内省学习的原理对权重进行全局优化调整，可以随着案例库的更新对权重进行迭代学习，达到提高CBR系统性能的目的。高CBR系统性能的目的。高CBR系统性能的目的。

【技术实现步骤摘要】
一种基于内省学习的案例推理属性权重调整方法


[0001]本专利技术涉及人工智能领域及医疗辅助系统
，具体涉及一种基于内省学习的案例推理属性权重调整方法。

技术介绍

[0002]脉搏波中蕴藏着丰富的心血管生理病理信息，脉搏波的波形特征如形态、强度、速率与节律等信息与心血管状态密切相关，临床上常利用脉搏波检测设备分析心血管功能。脉搏波检测设备可以得到大量波形特征信息，利用这些波形数据对心血管病的诊断提供辅助决策支持具有现实意义。
[0003]案例推理(CBR)是人工智能领域一种较新的问题求解和机器学习方法，其基本思想是利用过去解决类似问题的经验案例(或称源案例)进行推理求解新问题(或称目标案例)。利用案例推理对脉搏波数据所代表的心血管状态进行诊断时，可利用以前检测的脉搏波及相应的诊断结果建立历史案例库，当有新的待诊波形时，首先从历史库中检索出与当前待诊断脉搏波波形参数相似的历史记录，然后根据这些相似历史记录中的诊断结果为当前波形提供建议的诊断结果，该建议可为人们的日常检测或医生的临床检查提供辅助决策支持。
[0004]现有的将CBR应用于医疗辅助系统的技术，如中国专利CN110974260A公开的一种基于脑电特征的案例推理抑郁症识别系统，通常案例检索的成功与否直接关系到整个系统的性能优劣。CBR的检索目标是快速有效地从案例库中找到尽可能少的与问题描述最相似的案例。在检索策略方面主要有知识导引策略、模板检索策略以及KNN检索策略等。其中，以相似度为检索原则的KNN策略得到了广泛关注，但这种策略对于噪声或者不相关的数据比较敏感。这一问题的解决通常依赖于给案例属性分配不同的权重。确定权重的方法主要有主观法和客观法，主观分析常用的定权方法有：专家咨询法、调查统计法、无差异折衷法、相关分析法等，也包括应用较为广泛的层次分析法。由于这些传统的主观分析法过分依赖于主观判断和经验，会给相似案例检索的准确性造成影响。于是，一些客观分析法被相继提出，例如，遗传算法、信息熵等，但这些方法一旦确定权重便不再调整，即使案例库处于不断更新之中，实际是一种消极学习方式。因此，有必要从新的角度探索权重的动态调整方法，赋予其积极学习能力。

技术实现思路

[0005]为了赋予应用案例推理的医疗辅助系统积极学习能力，使其能够解决权重的动态调整的技术问题，本专利技术提出的技术方案包括以下三个方面的内容：
[0006]第一方面，提出一种案例推理的属性权重调整应用程序，包括以下模块：
[0007]检索相似案例模块，被配置为：
[0008]获取心血管病案例的训练集B，遍历所述B中的所有N个目标案例，
[0009]对于每个目标案例进行包括如下步骤的迭代：
[0010]从心血管病案例的历史集A中检索出K个与所述目标案例最相似案例；
[0011]若所述最相似案例中有被正确分类的案例，更新所述被正确分类的案例的属性权重；
[0012]更新属性权重模块，被配置为：
[0013]增加所述被正确分类的案例与所述目标案例相匹配的属性的权重；
[0014]减少所述被正确分类的案例与所述目标案例不匹配的属性的权重；归一化模块，被配置为：
[0015]按式I计算得到归一化后的属性权重：
[0016][0017]其中，ω
″
i
(t)表示第i项属性在第t次所述迭代后并归一化的权重，ω
′
i
(t)表示第i项属性在在第t次所述迭代后的权重，i＝1,2，
…
，m，t＝1，2，
…
，N，m表示属性总数，N表示所述B中的案例个数，即所述迭代次数；
[0018]计算最优权重模块，被配置为：
[0019]基于第t次所述迭代后的m项属性权重，对所述训练集B进行案例推理分类，并计算案例推理分类的准确率；
[0020]将最大的分类准确率所对应的m项属性权重记录为基于内省学习的案例推理的最优属性权重。
[0021]第二方面，提出一种心血管病的诊断装置，所述装置加载有案例推理的属性权重调整应用程序。
[0022]第三方面，提出一种计算机可读存储介质，所述计算机可读存储介质存储有案例推理的属性权重调整应用程序的所有计算机程序/指令和相关数据。
[0023]本专利技术借鉴内省学习的原理对权重进行全局优化调整，可以随着案例库的更新对权重进行迭代学习，达到提高CBR系统性能的目的。
附图说明
[0024]图1、一些案例推理的属性权重调整应用程序的模块图；
[0025]图2、一些心血管病诊断装置的工作流程图。
具体实施方式
[0026]一些实施方式涉及的案例推理的属性权重调整应用程序，包括如图1所示的主要模块：
[0027]检索相似案例模块，被配置为：
[0028]获取心血管病案例的训练集B，遍历B中的所有N个目标案例，对于每个目标案例进行包括如下步骤的迭代：
[0029]从心血管病案例的历史集A中检索出K个与目标案例最相似案例；
[0030]若最相似案例中有被正确分类的案例，更新被正确分类的案例的属性权重；
[0031]更新属性权重模块，被配置为：
[0032]增加被正确分类的案例与目标案例相匹配的属性的权重；
[0033]减少被正确分类的案例与目标案例不匹配的属性的权重；
[0034]归一化模块，被配置为：
[0035]按式I计算得到归一化后的属性权重：
[0036][0037]其中，ω
″
i
(t)表示第i项属性在第t次迭代后并归一化的权重，ω
′
i
(t)表示第i项属性在在第t次迭代后的权重，i＝1,2，
…
，m；t＝1，2，
…
，N；m表示属性总数，N表示B中的案例个数，即迭代次数；计算最优权重模块，被配置为：
[0038]基于第t次迭代后的m项属性权重，对训练集B进行案例推理分类，并计算案例推理分类的准确率；
[0039]将最大的分类准确率所对应的m项属性权重记录为基于内省学习的案例推理的最优属性权重。
[0040]需要说明的是，训练集B中的所有案例都可以视为目标案例，因此本实施方式包括：训练集B共有N个案例，将这N个案例视为目标案例。在每次迭代更新权重时：首先，取训练集B中的一条案例(视为目标案例)，分别从历史集A中检索出K个最相似案例。然后对比这些相似案例与目标案例，如果相似案例与该目标案例类别相同，则增加相似案例中与目标案例相匹配的属性的权重，并减少该相似案例中与该目标案例中不匹配的属性的权重。
[0041]计算案例推理分类的准确率(ACCtr)的方法包括：每次迭代后会有一组属性权重，按照这组权重可以对B中的每条案例进行案例推理分类。如果推理得到的分类类别与B中该案例真实类别相同，则表示分类正确，否则分类不正确；案例推理分类的准确率(ACCtr)等于B中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种案例推理的属性权重调整应用程序，其特征在于，包括以下模块：检索相似案例模块，被配置为：获取心血管病案例的训练集B，遍历所述B中的所有N个目标案例，对于每个目标案例进行包括如下步骤的迭代：从心血管病案例的历史集A中检索出K个与所述目标案例最相似案例；若所述最相似案例中有被正确分类的案例，更新所述被正确分类的案例的属性权重；更新属性权重模块，被配置为：增加所述被正确分类的案例与所述目标案例相匹配的属性的权重；减少所述被正确分类的案例与所述目标案例不匹配的属性的权重；归一化模块，被配置为：按式I计算得到归一化后的属性权重：其中，ω
″
i
(t)表示第i项属性在第t次所述迭代后并归一化的权重，ω
′
i
(t)表示第i项属性在在第t次所述迭代后的权重，i＝1,2，
…
，m；t＝1，2，
…
，N；m表示属性总数，N表示所述B中的案例个数，即所述迭代次数；计算最优权重模块，被配置为：基于第t次所述迭代后的m项属性权重，对所述训练集B进行案例推理分类，并计算案例推理分类的准确率；将最大的分类准确率所对应的m项属性权重记录为基于内省学习的案例推理的最优属性权重。2.如权利要求1所述的应用程序，其特征在于，所述检索相似案例模块配置的检索过程包括以下步骤：计算所述A中的每个案例X与所述目标案例C
k
的相似度S(X,C
k
)；将所述A中的案例根据相似度排序，依次选取相似度最大的K个案例作为所述最相似案例。3.如权利要求2所述的应用程序，其特征在于，所述相似度S(X,C
k
)的计算过程包括按照式II计算的步骤：其中，X表示所述A中的...

【专利技术属性】
技术研发人员：张春晓，朱青松，徐美德，师宁，
申请(专利权)人：北京电子科技职业学院，
类型：发明
国别省市：