基于代理的直觉模糊理论医疗诊断模型的构建方法及装置

摘要

本发明公开了一种基于代理的直觉模糊理论医疗诊断模型的构建方法及装置，将传感器技术和人工智能技术，实现对病患症状的远程自动采集与传输；进而通过基于直觉模糊集理论建立的智能医疗诊断模型，对病患的症状进行诊断分析；通过对系统的知识模块，即症状-疾病知识库和疾病-医药知识库，持续的更新完善，改善和提高系统的诊断效果；在现有医疗人员、资源和技术有限，人口老龄化加剧的情况下，将AIMD设计实体化为ATM并安装在老年社区，通过自助终端服务，为患者提供便捷高效的医疗服务，有效的缓解了医疗压力，该医疗服务模式既节省了医疗就诊时间，又降低了医疗成本。

主权项

一种基于代理的直觉模糊理论医疗诊断模型的构建方法，其特征在于，包括三种基于直觉模糊集的关联测度的关联系数计算方法：一般的计算关联系数的方法、改进的计算关联系数的方法以及基于集合论的计算关联系数的方法；具体步骤如下：1)直觉模糊集及其扩展的概念和定义：a.设X为一个非空集合，则称为直觉模糊集，其中μ_A(x)和ν_A(x)分别表示为X中元素x属于A的隶属度和非隶属度，i表示症状变量，j表示疾病变量，即μ_A:X→[0,1]，x∈X→μ_A(x)∈[0,1]ν_A:X→[0,1]，x∈X→ν_A(x)∈[0,1]且满足条件0≤μ_A(x)+ν_A(x)≤1,x∈X此外π_A(x)＝1‑(μ_A(x)+ν_A(x)),x∈X表示π_A(x)中元素x属于A的犹豫度或者不确定度；b.对于任一直觉模糊数α＝(μ_α,ν_α)，通过得分函数S对其进行评估：s(α)＝μ_α‑ν_α其中，s(α)为α的得分值，s(α)∈[0,1]；直觉模糊数α的得分值与其隶属度μ_α和非隶属度ν_α的差值直接相关，μ_α和ν_α的差值越大，则α的得分值越大，从而直觉模糊数α越大；精确函数：h(α)＝μ_α+ν_α其中，α＝(μ_α,ν_α)为直觉模糊数，h为α的精确函数，h(α)为α的精确度，h(α)值越大，则直觉模糊数α的精确度越高；从而得α的犹豫度和精确度之间的函数关系如下：h(α)+π_α＝1因此，犹豫度π_α越小，则精确度h(α)值越大；2)三种关联测度的关联系数的计算方法：2‑1)一般的直觉模糊集A₀和A_j的关联测度方法：设X＝{x₁,x₂,...,x_n}为一个有限集合，和$A_j=\{<x_i,{\mu }_{A_j}\left(x_i\right),{\nu }_{A_j}(x_i)>|x_i\in X\}$为直觉模糊集，若$\rho (A_0,A_j)=\frac{c(A_0,A_j)}{{\left(c\right(A_0,A_0)·c(A_0,A_j\left)\right)}^{1/2}}---\left(1\right)$其中，$c(A_0,A_j)=\underset{i=1}{\overset{n}{\Sigma }}\left({\mu }_{A_0}\right(x_i)·{\mu }_{A_j}(x_i)+{\nu }_{A_0}(x_i)·{\nu }_{A_j}(x_i\left)\right)---\left(2\right)$则称ρ(A₀,A_j)为直觉模糊集A₀和A_j的关联系数；关联系数x_i∈X满足下列性质：0≤ρ₁(A₁,A₂)≤10≤ρ₁(A₁,A₂)≤1ρ₁(A₁,A₂)＝ρ₁(A₂,A₁)2‑2)改进的直觉模糊集A₀和A_j的关联测度方法：设X＝{x₁,x₂,...,x_n}为一个有限集合，和$A_j=\{<x_i,{\mu }_{A_j}\left(x_i\right),{\nu }_{A_j}\left(x_i\right)>|x_i\in X\}$为直觉模糊集，则称$\rho \left(A_0,A_j\right)=\frac{1}{2n}\underset{i=1}{\overset{n}{\Sigma }}\left(\frac{{\mathrm{\Delta \mu }}_{\min }+{\mathrm{\Delta \mu }}_{\max }}{{\mathrm{\Delta \mu }}_i+{\mathrm{\Delta \mu }}_{\max }}+\frac{{\mathrm{\Delta \nu }}_{\min }+{\mathrm{\Delta \nu }}_{\max }}{{\mathrm{\Delta \nu }}_i+{\mathrm{\Delta \nu }}_{\max }}\right)---\left(3\right)$为直觉模糊集A₀和A_j的关联系，其中${\mathrm{\Delta \mu }}_i=|{\mu }_{A_1}\left(x_i\right)-{\mu }_{A_2}\left(x_i\right)|,{\mathrm{\Delta \nu }}_i=|{\nu }_{A_1}\left(x_i\right)-{\nu }_{A_2}\left(x_i\right)|$${\mathrm{\Delta \mu }}_{min}=\underset{i}{min}\left\{\right|{\mu }_{A_1}\left(x_i\right)-{\mu }_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\Delta \nu }}_{min}=\underset{i}{min}\left\{\right|{\nu }_{A_1}\left(x_i\right)-{\nu }_{A_2}\left(x_i\right)\left|\right\}$${\mathrm{\Delta \mu }}_{\max }=\underset{i}{\max }\left\{\right|{\mu }_{A_1}\left(x_i\right)-{\mu }_{A_2}\left(x_i\right)\left|\right\},{\mathrm{\Delta \nu }}_{\max }=\underset{i}{\max }\left\{\right|{\nu }_{A_1}\left(x_i\right)-{\nu }_{A_2}\left(x_i\right)\left|\right\}$考虑元素x_i∈X的权重，在多属性决策中，每个属性具有不同的重要性，因而赋予不同的权重，公式(3)概括为：$\rho \left(A_0,A_j\right)=\frac{1}{2}\underset{i=1}{\overset{n}{\Sigma }}{\omega }_i\left(\frac{{\mathrm{\Delta \mu }}_{\min }+{\mathrm{\Delta \mu }}_{\max }}{{\mathrm{\Delta \mu }}_i+{\mathrm{\Delta \mu }}_{\max }}+\frac{{\mathrm{\Delta \nu }}_{\min }+{\mathrm{\Delta \nu }}_{\max }}{{\mathrm{\Delta \nu }}_i+{\mathrm{\Delta \nu }}_{\max }}\right)---\left(4\right)$其中，ω＝(ω₁,ω₂,...,ω_n)^T为x_i的权重向量，ω_i≥0，且其中i＝1,2,...,n；权重的排列是ω₁≥ω₂≥…≥ω_n，不全取等号；2‑3)基于集合论的计算关联系数的方法：设X＝{x₁,x₂,...,x_n}为一个有限集合，和为直觉模糊集，直觉模糊集A₀和A_j的关联系数为：$\rho (A_0,A_j)=\frac{\underset{i=1}{\overset{n}{\Sigma }}\left({\mu }_{A_0}\right(x_i)·{\mu }_{A_j}(x_i)+{\nu }_{A_0}(x_i)·{\nu }_{A_j}(x_i\left)\right)}{max\left(\underset{i=1}{\overset{n}{\Sigma }}\right({\mu }_{A_0}^2\left(x_i\right)+{\nu }_{A_0}^2\left(x_i\right)),\underset{i=1}{\overset{n}{\Sigma }}({\mu }_{A_j}^2\left(x_i\right)+{\nu }_{A_j}^2\left(x_i\right)\left)\right)}---\left(5\right)$3)根据步骤2)中三种不同的关联测度算法，得到基于代理的直觉模糊理论医疗诊断模型。