【技术实现步骤摘要】
本专利技术涉及甲状腺疾病数据处理，具体涉及基于大数据的甲状腺疾病数据智能管理方法及系统。
技术介绍
1、甲状腺疾病是指影响甲状腺功能或结构的一类疾病，包括甲状腺功能亢进、甲状腺功能减退、甲状腺结节、甲状腺炎等。为了了解甲状腺疾病患者的监测数据的分布情况，一般通过聚类的方式将相近病症的甲状腺疾病患者的监测数据分为一类，以便于帮助医生更好地了解患者的病情，实现个性化治疗。同时根据分类的结果可以了解到不同年龄段的甲状腺疾病患者的具体分布情况，以便于对甲状腺疾病患者进行更好地分类和管理。
2、在对甲状腺疾病患者监测数据进行分类管理时，一般采用现有的dbscan聚类算法对甲状腺疾病患者的监测数据通过聚类的方式划分为不同的类簇，以便于进行分析和管理。但是利用该算法对采集的甲状腺疾病患者的监测数据进行聚类时，选择的聚类半径过大，可能导致多个簇被合并成一个簇，而如果聚类半径过小，则可能导致将一个密集的簇拆分成多个簇，因此若聚类半径选择的不合适会影响到最终聚类结果的准确性。
技术实现思路
1、为了解决现有dbscan聚类算法对甲状腺患者的监测数据进行聚类时聚类半径设置的不合适，导致聚类结果的准确性较低的问题，本专利技术的目的在于提供一种基于大数据的甲状腺疾病数据智能管理方法及系统，所采用的技术方案具体如下：
2、第一方面，本专利技术提供了一种基于大数据的甲状腺疾病数据智能管理方法，该方法包括以下步骤：
3、获取预设时间段内每个甲状腺疾病患者的年龄和不同检测项目的监
4、根据每个患者的每个检测项目的监测数据与其他患者的检测项目的监测数据之间的差异情况，得到每个患者的甲状腺特征值；基于所述甲状腺特征值和年龄获得每个患者对应的数据点；根据每个数据点与其邻域内数据点的甲状腺特征值的差异以及年龄的差异，得到每个数据点的局部密度；
5、根据所有数据点的局部密度的分布情况确定初始聚类半径；基于所述初始聚类半径采用dbscan聚类算法对所有数据点进行初次聚类获得各初始聚类簇；基于不同初始聚类簇内的数据点对应的患者的甲状腺特征值的差异对初始聚类半径进行修正，获得目标聚类半径；
6、基于所述目标聚类半径采用dbscan聚类算法对所有数据点进行再次聚类获得各目标聚类簇，将同一目标聚类簇内的所有数据点对应的患者的监测数据作为一类进行数据管理。
7、优选的，所述根据每个患者的每个检测项目的监测数据与其他患者的检测项目的监测数据之间的差异情况，得到每个患者的甲状腺特征值，包括：
8、对于第i个患者：
9、对于第s个检测项目：分别将第i个患者的第s个检测项目的监测数据与除第i个患者外的其他每个患者的第s个检测项目的监测数据之间的差值的平方，作为除第i个患者外的其他每个患者的第s个检测项目对应的第一差异；
10、基于除第i个患者外的其他每个患者的每个检测项目对应的第一差异，获得第i个患者的甲状腺特征值。
11、优选的，所述基于除第i个患者外的其他每个患者的每个检测项目对应的第一差异，获得第i个患者的甲状腺特征值，包括：
12、分别将除第i个患者外的其他每个患者的所有检测项目对应的第一差异的平均值，作为除第i个患者外的其他每个患者的第一特征指标；
13、将除第i个患者外的其他所有患者的第一特征指标的平均值，作为第i个患者的甲状腺特征值。
14、优选的，所述基于所述甲状腺特征值和年龄获得每个患者对应的数据点，包括：
15、将每个患者的年龄作为坐标系中的横坐标，将每个患者的甲状腺特征值作为坐标系的纵坐标，构建坐标系，获得每个患者对应的数据点。
16、优选的，所述根据每个数据点与其邻域内数据点的甲状腺特征值的差异以及年龄的差异，得到每个数据点的局部密度，包括：
17、对于第y个数据点：
18、分别将第y个数据点与其邻域内每个数据点之间的甲状腺特征值的差值的绝对值，作为第y个数据点的邻域内每个数据点对应的第二差异；分别将第y个数据点与其邻域内每个数据点之间的年龄的差值的绝对值，作为第y个数据点的邻域内每个数据点对应的第三差异；
19、基于所述第二差异和所述第三差异获得第y个数据点的局部密度。
20、优选的，所述基于所述第二差异和所述第三差异获得第y个数据点的局部密度，包括：
21、对于第y个数据点的邻域内第v个数据点：将第y个数据点的邻域内第v个数据点对应的第二差异与第y个数据点的邻域内第v个数据点对应的第三差异之和，作为第y个数据点的邻域内第v个数据点的第二特征指标；
22、将第y个数据点的邻域内所有数据点的第二特征指标的平均值，记为第y个数据点对应的差异指标；将所述差异指标的负相关归一化结果，确定为第y个数据点的局部密度。
23、优选的，所述根据所有数据点的局部密度的分布情况确定初始聚类半径，包括：
24、分别计算所有数据点的局部密度的平均值和极差；
25、根据所有数据点的局部密度的平均值、极差以及每个数据点的局部密度与所有数据点的局部密度的平均值之间的差异，获得初始聚类半径。
26、优选的，采用如下公式计算初始聚类半径：
27、
28、其中，r表示初始聚类半径，表示所有数据点的局部密度的最大值，表示所有数据点的局部密度的最小值，表示所有数据点的局部密度的平均值，y表示数据点的数量，表示第y个数据点的局部密度，表示取绝对值符号，norm( )表示归一化函数。
29、优选的，采用如下公式计算目标聚类半径：
30、
31、其中，表示目标聚类半径，r表示初始聚类半径，表示第a个初始聚类簇内所有数据点对应的患者的甲状腺特征值的平均值，表示第b个初始聚类簇内所有数据点对应的患者的甲状腺特征值的平均值，k表示初始聚类簇的数量，表示取绝对值符号，norm( )表示归一化函数，c表示预设超参数，c大于0。
32、第二方面，本专利技术提供了一种基于大数据的甲状腺疾病数据智能管理系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的基于大数据的甲状腺疾病数据智能管理方法。
33、本专利技术至少具有如下有益效果：
34、本专利技术在对甲状腺疾病患者不同检测项目的监测数据进行分类管理时，首先对每个患者的每个检测项目的监测数据与其他患者的检测项目的监测数据之间的差异情况进行了分析，得到了每个患者的甲状腺特征值，由于甲状腺疾病患者的病症与年龄具有一定的关系，因此本专利技术结合甲状腺特征值和年龄获得了每个患者对应的数据点，对每个数据点的局部密度进行了分析，确定了初始聚类半径，根据初始聚类半径使用dbscan聚类算法对所有数据点进行初次聚类获得了多个初始聚类簇，为了提高甲状腺疾病患者监测数据聚类结果的准确性，本专利技术根据初次聚类的聚类效果对初始聚类半径进行了修正，从而得到更加准确的目标聚本文档来自技高网...
【技术保护点】
1.一种基于大数据的甲状腺疾病数据智能管理方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述根据每个患者的每个检测项目的监测数据与其他患者的检测项目的监测数据之间的差异情况，得到每个患者的甲状腺特征值，包括：
3.根据权利要求2所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述基于除第i个患者外的其他每个患者的每个检测项目对应的第一差异，获得第i个患者的甲状腺特征值，包括：
4.根据权利要求1所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述基于所述甲状腺特征值和年龄获得每个患者对应的数据点，包括：
5.根据权利要求1所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述根据每个数据点与其邻域内数据点的甲状腺特征值的差异以及年龄的差异，得到每个数据点的局部密度，包括：
6.根据权利要求5所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述基于所述第二差异和所述第三差异获得第y个数据点的局部密度，包括：
<...【技术特征摘要】
1.一种基于大数据的甲状腺疾病数据智能管理方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述根据每个患者的每个检测项目的监测数据与其他患者的检测项目的监测数据之间的差异情况，得到每个患者的甲状腺特征值，包括：
3.根据权利要求2所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述基于除第i个患者外的其他每个患者的每个检测项目对应的第一差异，获得第i个患者的甲状腺特征值，包括：
4.根据权利要求1所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述基于所述甲状腺特征值和年龄获得每个患者对应的数据点，包括：
5.根据权利要求1所述的基于大数据的甲状腺疾病数据智能管理方法，其特征在于，所述根据每个数据点与其邻域内数据点的甲状腺特征值的差异以及年龄的差异，...
【专利技术属性】
技术研发人员：何代玉，王亚平，王丹，
申请(专利权)人：徕兄健康科技威海有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。