基于证据推理规则的缺血性脑卒中程度辨识建模方法技术

本发明专利技术公开了一种基于证据推理规则的缺血性脑卒中程度辨识建模方法。本发明专利技术首先构建证据推理模型，将缺血区域占比、血管总面积占比、血管类型比例作为输入特征，将脑卒中程度作为输出；然后通过ImageJ测量大鼠脑皮层血管实时OCT图像得到输入特征数据；利用k均值聚类算法结合输入特征数据的最小值和最大值确定输入特征参考等级；然后构造初始证据置信度分布表建立输入特征和输出之间的非线性映射关系；通过证据推理规则融合输入特征激活的所有证据得到最终融合结果；通过融合结果辨识脑卒中程度；利用遗传算法（GA）对模型进一步优化，使得结果更加准确。使得结果更加准确。使得结果更加准确。

【技术实现步骤摘要】
基于证据推理规则的缺血性脑卒中程度辨识建模方法


[0001]本专利技术涉及一种基于脑皮层血管数据和证据推理规则的缺血性脑卒中程度辨识建模方法。

技术介绍

[0002]脑卒中主要分为缺血性脑卒中(即脑梗塞)和出血性脑卒中(即脑出血)两类，缺血性脑卒中的发病率高于出血性脑卒中，占脑卒中患者总数的60％
‑
70％。据世界卫生组织研究报道，世界范围内脑卒中已成为仅次于癌症和冠心病的致死原因。
[0003]近年来，我国脑血管疾病数量呈急剧上升的趋势，且以22.45％的死亡率位列疾病致死原因的首位。脑卒中具有较高的复发率和致残率，由此导致75％脑卒中患者表现为不同程度的肢体功能障碍，如偏瘫、偏身感觉障碍、姿势与肌张力异常等进而导致日常行为能力的丧失，对个体、家庭以及劳动力造成了严重的影响，给生活、工作以及社会均带来了沉重的负担。中国老龄化社会即将到来，我国脑卒中临床康复面临巨大挑战。
[0004]目前临床上仍主要采用以行为表现评估为主的评定量表对患者进行神经功能损伤鉴定和康复水平评定，这种传统的脑卒中康复评定方式具有明显缺陷。康复理疗师自身水平和主观性负面影响以及患者自身个体差异所导致的量表内容不匹配、不准确等问题限制康复水平的准确评定及康复方案的有效制定。而如果能直观观察损伤血管的血流变化和再生情况以及神经组织损伤和恢复情况，就可以使患者的康复水平得到准确评定。因此，一套客观、准确、直观、科学的脑卒中程度辨识模型就成为当前一个必要的需求。

技术实现思路

[0005]本专利技术针对现有技术的不足，提出一种基于脑皮层血管数据和证据推理规则的缺血性脑卒中程度辨识建模方法。
[0006]本专利技术包括以下步骤：
[0007]确定脑卒中程度辨识模型的输入特征和输出框架，所述输入特征即为脑皮层血管二维图像特征数据，输出框架即为脑卒中程度。
[0008]获取样本数据集，所述样本数据集包括训练数据集和验证数据集。
[0009]根据所述样本数据集确定输入特征参考等级并构建证据的相似性分布表，通过似然归一化得到证据的置信度分布表，通过专家经验确定证据的可靠性因子和证据的重要性因子。
[0010]计算输入特征数据与其参考等级之间的匹配度分布，融合输入特征数据激活的参考等级证据得到特征证据。
[0011]通过递归证据推理规则融合所述输入特征证据，得到输入特征对输出的支持程度。
[0012]根据所述证据的重要性因子和脑卒中程度辨识模型输出结果的均方误差构建优化目标函数，将优化后的模型作为最终辨识模型。
[0013]本专利技术方法的创新性在于针对脑皮层血管的损伤、恢复与神经组织损伤、恢复有正相关性，将生物医学研究基础与人工智能的方法相结合，建立一套基于脑皮层血管OCT图像数据和证据推理规则的缺血性脑卒中程度辨识建模方法。
[0014]本专利技术的有益效果：
[0015]第一，应用本专利技术提供的建模方法，可构建辨识缺血性脑卒中程度的模型，辨识结果不受主观因素影响，更为客观、科学、准确。
[0016]第二，将脑皮层损伤血管数据作为辨识脑卒中程度的依据，以大鼠脑皮层损伤血管数据(输入)和脑卒中程度(输出)的非线性映射关系建模，利用证据推理规则从脑皮层血管样本数据中总结规律，推理样本数据的脑卒中程度。
附图说明
[0017]图1是本专利技术的流程示意图。
[0018]图2是150个大鼠脑皮层实时OCT图像血管样本数据的脑卒中诊断程度与真实程度变化趋势对比图。
具体实施方式
[0019]以下结合图1对本专利技术方法原理进行详细说明。
[0020]基于证据推理规则的缺血性脑卒中程度辨识建模方法，包括步骤：
[0021]确定脑卒中程度辨识模型的输入特征和输出框架，所述输入特征即为脑皮层血管二维图像特征数据，输出框架即为脑卒中程度；
[0022]具体地，构造缺血性脑卒中程度的证据推理模型，模型输入为X＝{x1,x2,x3,x4,x5}，其中x1为缺血区域占比，x2为血管面积占比，x3为大血管占比，x4为中血管占比，x5为小血管占比；划分缺血性脑卒中程度为轻微、轻度、中度、重度、严重5个程度构成该模型的输出集合Θ＝{d1,d2,d3,d4,d5}，每一个命题d
j
(j＝1,2,...,5)对应一种脑卒中程度，记P(Θ)。将x1，x2，x3，x4，x5和d
j
(j＝1,2,...,5)表示成样本集合S
i
＝{[x1,x2,x3,x4,x5,d
j
]|j＝1,2,...,5}，其中[x1,x2,x3,x4,x5,d
j
]为一个样本向量。将脑卒中程度d
j
状态下获取的样本数据x
1,j
，x
2,j
，x
3,j
，x
4,j
，x
5,j
构成样本集合Q
j
＝{x
1,j
,x
2,j
,x
3,j
,x
4,j
,x
5,j
}。分别获取各个脑卒中程度下的样本数据，构成样本集
[0023]获取样本数据集，所述样本数据集包括训练数据集和验证数据集；
[0024]根据所述样本数据集确定输入特征参考等级并构建证据的相似性分布表，通过似然归一化得到证据的置信度分布表，通过专家经验确定证据的可靠性因子和证据的重要性因子；
[0025]计算输入特征数据与其参考等级之间的匹配度分布，融合输入特征数据激活的参考等级证据得到特征证据；
[0026]通过递归证据推理规则融合所述输入特征证据，得到输入特征对输出的支持程度；
[0027]根据所述证据的重要性因子和脑卒中程度辨识模型输出结果的均方误差构建优化目标函数，将优化后的模型作为最终辨识模型。
[0028]在一些实施例中，所述样本数据集的获取步骤包括：
[0029]通过连续观测大鼠脑皮层血管缺血前后变化的动物光窗模型，利用光相干层析成像术实时记录血管堵塞前后血管的损伤和再生情况，得到不同缺血性脑卒中程度的皮层血管OCT图像；
[0030]根据所述脑皮层血管OCT图像分析脑皮层血管特征信息，从图像中获得脑皮层血管二维特征数据；
[0031]通过ImageJ基于全局自动阈值的图像二值化处理，对所述脑皮层血管OCT图像二值化，统计脑皮层血管二维特征数据。
[0032]具体地，通过ImageJ软件测量大鼠脑皮层OCT图像的血管数据，从图像中提取大鼠脑皮层血管的二维特征数据。首先将脑皮层OCT图像转化为8
‑
bit类型的图像，使用ImageJ测量大鼠脑皮层血管区域。手动选取脑皮层血管区域内的缺血区域，缺血区域与脑皮层血管区域之比即为缺血区域占比；利用ImageJ软件得到脑皮层血管总面积，脑皮层血管总面积与脑皮层血管区域之比即为脑皮层血管面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于证据推理规则的缺血性脑卒中程度辨识建模方法，其特征在于，包括步骤：确定脑卒中程度辨识模型的输入特征和输出框架，所述输入特征即为脑皮层血管二维特征数据，输出框架即为脑卒中程度；获取样本数据集，所述样本数据集包括训练数据集和验证数据集；根据所述样本数据集确定输入特征参考等级并构建证据的相似性分布表，通过似然归一化得到证据的置信度分布表，通过专家经验确定证据的可靠性因子和证据的重要性因子；计算输入特征数据与其参考等级之间的匹配度分布，融合输入特征数据激活的参考等级证据得到特征证据；通过递归证据推理规则融合所述输入特征证据，得到输入特征对输出的支持程度；根据所述证据的重要性因子和脑卒中程度辨识模型输出结果的均方误差构建优化目标函数，将优化后的模型作为最终辨识模型。2.根据权利要求1所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法，其特征在于，所述样本数据集的获取步骤包括：通过连续观测大鼠脑皮层血管缺血前后变化的动物光窗模型，利用光相干层析成像术实时记录血管堵塞前后血管的损伤和再生情况，得到不同缺血性脑卒中程度的脑皮层血管OCT图像；根据所述脑皮层血管OCT图像分析脑皮层血管特征信息，从图像中获得脑皮层血管二维特征数据；通过ImageJ基于全局自动阈值的图像二值化处理，对所述脑皮层血管OCT图像二值化，统计脑皮层血管二维特征数据。3.根据权利要求2所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法，其特征在于，基于所述脑皮层血管二维特征数据集确定输入特征数据的参考等级，构建所述证据的相似性分布表的步骤包括：计算每一个脑皮层血管二维特征数据轮廓值的平均值，通过k均值聚类得到脑皮层血管二维特征数据的聚类中心，聚类中心数为输入特征即所述脑皮层血管二维特征数据轮廓值的平均值；通过所述脑皮层血管二维特征数据集的最小值、最大值以及所述脑皮层血管二维特征数据的聚类中心确定脑皮层血管每一种二维特征数据的参考等级；计算所述样本数据集输入特征数据与其参考等级的匹配度分布用以构建证据的相似性分布表，所述输入特征数据被包含于输出框架所有脑卒中程度。4.根据权利要求3所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法，其特征在于，所述根据所述证据的相似性分布表通过似然归一化得到证据的置信度分布表。5.根据权利要求1所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法，其特征在于，计算所述样本数据集输入特征数据与其参考等级之间的匹配度分布，融合输入特征数据激活的参考等级证据得到特征证据包括步骤：根据专家经验确定参考等级证据的可靠性因子和重要性因子，所述参考等级证据即为所述证据的...

【专利技术属性】
技术研发人员：刘珂舟，付广玉，徐晓滨，常雷雷，蔡正厅，魏劭农，印梦婕，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：