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！

摘要：本发明公开了基于机器学习的特发性肺纤维化中医证型分类方法，包括：采集若干特发性肺纤维化患者数据构建第一数据集；对第一数据集中进行分类编码和聚类，判定各类别的高频率症状所对应的证型结果，对不匹配的证型判定结果进行人工辨证，得到第二数据集；从第二数据集中筛选出各证型中贡献率最高的若干症状作为训练集，完成对改进BP模型的训练；利用改进BP模型对特发性肺纤维化患者数据进行中医证型分类。本发明采用神经网络算法和专家知识结合的方式规范证型数据，提高了特发性肺纤维化中医辨证的准确性和可靠性。利用症状分类的方法对症状特征进行分类和聚类，让降维后的数据更加具有解读性有助于提高后续建模的效率。

主权项：1.基于机器学习的特发性肺纤维化中医证型分类方法，其特征在于，包括以下步骤：采集若干特发性肺纤维化患者的症状、证型及其相互映射关系数据，构建第一数据集；所述症状包括主症、兼症和舌脉象症；所述证型为人工规范证型；对所述第一数据集中的症状数据进行分类编码和聚类，判定各类别的高频率症状所对应的证型结果，并与所述第一数据集中的映射关系进行对比，对不匹配的证型判定结果进行人工辨证，得到修正后的第二数据集；从所述第二数据集中筛选出各证型中贡献率最高的若干症状作为训练集，完成对改进BP模型的训练；利用训练好的改进BP模型对新采集的特发性肺纤维化患者数据进行中医证型分类；所述分类编码的方法包括：对有序多分类症状，从0开始编码该症状，直至编码完同类中的所有症状；对无序多分类症状，先细化拆分为若干子项，然后采用0和1分别编码该子项症状的有无；所述聚类的方法包括：对所述第一数据集中的症状数据进行单项编码：对单一分类症状，采用0和1分别编码该症状的无和有，采用0.5编码该症状的减轻或缓解；对多分类症状，从0开始编码该症状，直至编码完同类中的所有症状；对经过单项编码后的症状数据利用SOM模型进行聚类，通过调参实验结果确定SOM模型的输出层矩阵；所述从所述第二数据集中筛选出各证型贡献率最高的症状作为训练集的方法为：根据所述第二数据集中的症状及其编码构建影响因素矩阵，其中，所述影响因素矩阵的行为症状，列为症状编码；将影响因素矩阵作为常规BP神经网络的输入，完成对常规BP神经网络的训练；将影响因素矩阵分别增减10％，得到第二影响因素矩阵和第三影响因素矩阵，分别输入训练好的常规BP神经网络中，得到第一输出变量Y1和第二输出变量Y2；分别计算各影响因素对辩证结果的影响变化值其中，i为影响因素编号，m为输入样本数量；分别计算各影响因素的贡献度其中，n为影响因素总数。

全文数据：

权利要求：

百度查询： 成都中医药大学 基于机器学习的特发性肺纤维化中医证型分类方法