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：中国人民解放军总医院第六医学中心

摘要：本发明公开了一种基于人工智能的病案信息管理方法，方法包括数据采集、数据预处理、定义经济的下界、参数搜索和聚类。本发明属于数据处理技术领域，具体是指一种基于人工智能的病案信息管理方法，本方案通过计算经济的下界避免不必要的欧氏距离的计算，减少计算复杂度；基于快向量、段均值和非线性嵌入的下界计算方式更全面考虑数据特征，增强聚类的鲁棒性；基于三次映射初始化粒子群，设计自适应缩减移动参数激励粒子密集搜索，加速收敛，提高搜索效率；权衡局部搜索和全局搜索设计移动策略，提高搜索准确性。

主权项：1.一种基于人工智能的病案信息管理方法，其特征在于：该方法包括以下步骤：步骤S1：数据采集；采集用户基本信息、病史信息、患者症状、治疗方案和医疗机构信息；步骤S2：数据预处理；对采集的数据进行数据清洗、数据转换和数据标准化处理；步骤S3：定义经济的下界；通过计算并权衡基于快向量、段均值和非线性嵌入的下界，从而定义经济的下界；步骤S4：参数搜索；基于三次映射初始化粒子群，设计自适应缩减移动参数；权衡局部搜索和全局搜索设计移动策略；步骤S5：聚类；在步骤S4中，所述参数搜索是对聚类用k值和经济权重进行搜索，具体包括以下步骤：步骤S41：混沌初始化粒子群，基于三次映射生成粒子群，将基于粒子位置的聚类结果的Calinski-Harabasz指数作为个体适应度值，初始化粒子群所用公式如下： ；式中，和分别是第n+1个和第n个粒子d维度的位置；是控制参数；步骤S42：设计移动参数，当粒子适应度值高于粒子群平均适应度值时，自适应缩减移动参数，否则基于随机数增加搜索随机性；所用公式如下： ； ； ；式中，是第k次迭代时的移动参数；和分别是最大移动参数和最小移动参数；是第i个粒子第k次迭代时的适应度值；和是粒子群的平均适应度值和最大适应度值；c1和c2分别是局部学习因子和全局学习因子；和分别是起始局部学习因子和终止局部学习因子；kmax是最大迭代次数；和分别是起始全局学习因子和终止全局学习因子；步骤S43：设计移动策略，所用公式如下： ； ；式中，和分别是第i个粒子d维度第k+1次迭代和第k次迭代时的速度；r1和r2是属于0到1的随机数且相互独立；是粒子个体历史最优位置；是粒子群最优位置；和分别是第i个粒子d维度第k+1次迭代和第k次迭代时的位置；a是加速度因子；步骤S44：移动判定，预先设有适应度阈值，当存在粒子适应度值高于适应度阈值时，参数搜索完成；若达到最大迭代次数，则重新初始化粒子群搜索参数；否则继续迭代移动搜索参数；在步骤S3中，所述定义经济的下界具体包括以下步骤：步骤S31：预定义，给定数据点x，bsf表示x与最近聚类中心之间的欧几里德距离；设c是下一个需要检查的聚类中心；在计算欧几里德距离EDx,c之前，首先计算经济的下界LBx,c；若LBx,cbsf，则有；因此，c不能是x的聚类中心，而无需计算昂贵的EDx,c；步骤S32：定义基于块向量的下界，包括：步骤S321：给定一个数据点，其中x1、x2和xd是数据点每个维度的值；将其平均分成b个块；每个块的大小为s，即每个块维度大小为s；若d不能被s整除，进行填充操作；得到第i个块；其中，i-1×s+1是块的起始维度索引，i×s是块的结束维度索引；数据点x被重写为；步骤S322：数据点规范化，规范后数据点x的块向量BV表示为，其中、和都是规范化后的数据点，规范化所用公式如下： ；式中，是规范化后的第i个数据点；j是维度索引；步骤S323：计算基于块向量的下界，所用公式如下： ；式中，LBBVx,y是基于块向量BVx和块向量y的下界；ED·是欧几里得距离；步骤S33：定义基于段均值的下界，包括：步骤S331：数据点段均值化，得到数据点x的段均值的表示为，其中、和都是段均值后的数据，段的数量b和块的数量相同；段均值化所用公式如下： ；式中，是第i段数据的均值；s1是每个段的维度大小，j是维度索引；步骤S332：计算基于段均值的下界，所用公式如下： ；式中，LBSMx,y是基于段均值SMx和段均值SMy的下界；步骤S34：定义基于非线性嵌入的下界，包括：步骤S341：计算数据方差，预先设第i段数据 ，所用公式如下： ；式中，是第i段数据中的方差；步骤S342：非线性嵌入表示，基于算术平均值和方差值，数据点x的非线性嵌入表示为：；步骤S343：计算非线性嵌入的下界，所用公式如下： ；式中，LBNEx,y是基于非线性嵌入的下界；和分别是非线性嵌入的向量y中第i段的均值和方差；步骤S35：计算经济的下界，所用公式如下：LBx,y=αLBBVx,y+βLBSMx,y+γLBNEx,y；式中，LB·是经济的下界；α、β和γ分别是基于块向量的下界、基于段均值的下界和基于非线性嵌入的下界的经济权重；在步骤S5中，所述聚类具体包括以下步骤：步骤S51：数据准备，获取数据集D={x1，x2，...，xN}、聚类中心数目k、初始聚类中心集合C={c1，c2，...，ck}和下界函数LB·；初始化迭代次数I=0，最大迭代次数MaxItr；步骤S52：初始化聚类中心，随机选择聚类中心，获取聚类中心集合C；步骤S53：迭代聚类，当I≤MaxItr或者未收敛时执行以下循环：步骤S531：对于数据集中的每个数据点x，执行以下步骤：步骤S5311：设置Ax=None，bsf=+∞，其中Ax是数据点所属的聚类中心；步骤S532：对于每个聚类中心c，执行以下步骤：步骤S5321：计算下界LBx,c；步骤S533：如果LBx,c≤bsf，则执行以下步骤：步骤S5331：计算欧几里得距离EDx,c；步骤S534：如果EDx,cbsf，则执行以下步骤：步骤S5341：更新bsf=EDx,c，Ax=c；步骤S535：更新聚类中心集合C；步骤S536：增加迭代次数I；步骤S54：返回最终的聚类中心集合C；步骤S55：数据整理，基于聚类结果实现病案信息整理统计。

全文数据：

权利要求：

百度查询： 中国人民解放军总医院第六医学中心 一种基于人工智能的病案信息管理方法