买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆市公共卫生医疗救治中心

摘要：本申请提供一种重大传染病队列数据分型方法、分型模型及电子设备，方法包括：获取重大传染病的多维度数据，其中，多维度数据包括数值型数据、符号型数据和文本型数据；对多维度数据对应的数据集进行数据准备处理，确定出多个重要性特征；使用多种预设的聚类模型对重要性特征的数据集进行聚类分析，并对得到的多种聚类结果进行聚类效果评估，以从多种聚类结果中确定出目标聚类结果；基于目标聚类结果，对数据集的所有特征数据进行T检验、卡方检验和F检验，并对检验结果的显著性差异进行分型；对分型结果进行评估，若分型结果符合专家共识，则确定当前分型有效，若分型结果不符合专家共识，则确定当前分型无效，并重新分型。

主权项：1.一种重大传染病队列数据分型方法，其特征在于，包括：获取重大传染病的多维度数据，其中，所述多维度数据包括数值型数据、符号型数据和文本型数据；对所述多维度数据对应的数据集进行数据准备处理，确定出多个重要性特征，其中，对所述多维度数据对应的数据集进行数据准备处理，确定出多个重要性特征，包括：对所述数据集中的所述多维度数据进行筛选，删除与该重大传染病的诊断和治疗无关的特征数据；对所述数据集中筛选后的所述多维度数据进行数据预处理：对筛选后的所述多维度数据中的缺陷数据进行删减，对筛选后的所述多维度数据中的多类别数据进行标准化处理，对所述筛选后的所述多维度数据中的文本数据进行聚类后标准化处理，其中，所述缺陷数据包括缺失数据和异常数据中的至少一项，所述多类别数据表示存在多种固定结果的数据；对所述数据集中预处理后的所述多维度数据进行主成分分析特征降维处理，确定出多个所述重要性特征；使用多种预设的聚类模型对所述重要性特征的数据集进行聚类分析，并对得到的多种聚类结果进行聚类效果评估，以从多种所述聚类结果中确定出目标聚类结果；基于所述目标聚类结果，对所述数据集的所有特征数据进行T检验、卡方检验和F检验，并对检验结果的显著性差异进行分型；对分型结果进行评估，若所述分型结果符合专家共识，则确定当前分型有效，若所述分型结果不符合专家共识，则确定当前分型无效，并重新分型；对所述数据集中预处理后的所述多维度数据进行主成分分析特征降维处理，确定出多个所述重要性特征，包括：对所述数据集中预处理后的所述多维度数据使用pca.fittransform函数进行主成分分析，获取主成分分析的矩阵components_和矩阵explained_variance_ratio_，矩阵components_的维度为p，q，矩阵explained_variance_ratio_的维度为q，1，其中p和q为正整数且大于1；获取预设可信度阈值M，取矩阵explained_variance_ratio_前N个值，使得前N个值的和大于M；获取对目标文献进行文本挖掘而确定的文本权重矩阵，其中，所述目标文献为与该重大传染病相关的文献；将所述文本权重矩阵与components_[:N,:]×explained_variance_ratio_[:N]的矩阵相乘，并取其中绝对值最大的多个特征为多个所述重要性特征，其中，得到最终的权重重要性矩阵为：components[:N,:]×explained_variance_ratio_[:N]×Ptext，其中，Ptext为文本特征重要性权重矩阵；对分型结果进行评估，若所述分型结果符合专家共识，则确定当前分型有效，若所述分型结果不符合专家共识，则确定当前分型无效，并重新分型，包括：基于所述显著性差异对所述分型结果进行评估；若所述显著性差异符合专家共识，则确定当前分型有效，并确定是否使用当前分型继续进行亚群的分型，若继续进行亚群的分型，则利用本次分型继续进行亚群分型，若不继续进行亚群的分型，则确定本次的分型结果为最终分型；若所述显著性差异不符合专家共识，则回到步骤：对所述多维度数据对应的数据集进行数据准备处理，确定出多个重要性特征，并继续执行后续步骤，其中，再次执行步骤的过程中采用的聚类模型不同于已经采用过的聚类模型；以及，判断所述数据集中所有具有重要性特征的数据是否可用；若所述数据集中具有重要性特征的数据存在不可用的情况，则采用协同过滤的缺失数据分型方式对所述数据集进行分型；具体包括：建立各类型数据标准化矩阵，分型结果为重型、中型和轻型，建立矩阵X0＝[x1,x2,Λ,xN]、X1＝[x′1,x′2,Λ,x′N]和X2＝[x″1,x″2,Λ,x″N]，其中，xi在为数值类型的数据时，xi取全部数据的中位值，xi在为非数值类型的数据时，xi取全部数据的平均值，N为总的特征数量；对于缺失重要性特征的患者数据，去掉缺失值以后，建立矩阵X3＝[x″′1,Λ,x″′n],n≤N，且n为正整数；取矩阵X0、X1和X2中没有缺失重要性特征的患者数据建立矩阵X′0＝[x1,Λ,xn]、X′1＝[x′1,Λ,x′n]和X′2＝[x″1,∧,x″n]，其中，n≤N；使用sklearn.metrics.pairwise.cosine_similarity余弦相似度函数计算X′0、X′1和X′2对X3的相似值，并取最大值对应的类型为该患者数据对应的类型。

全文数据：

权利要求：

百度查询： 重庆市公共卫生医疗救治中心 一种重大传染病队列数据分型方法、分型模型及电子设备