一种减少中医主观问卷不一性的机器学方法

摘要

本发明是一种减少中医主观问卷不一性的机器学方法。包括如下步骤：1）向量化主观问卷数据：主观问卷由问题、权重和分值构成，向量化把问卷的结构转化为向量；2）定义问卷组的一致性目标，并表达出来；定义矛盾函数C(x)来表达问卷组之间的一致性，矛盾函数以问卷组的分值经过一个变换之后得到的值作为输入，该过程使用负相关性作为矛盾函数，符合统计学理论；3)对中医使用的主要主观问卷NPQ、MPQ和SF-36进行一致性分析，其中NPQ和MPQ各有一个子问卷，SF-36有8个子问卷，根据第2）步的矛盾函数，定义下列一致性的目标函数：4）对目标函数求解。本发明减低不同中医治疗效果评估问卷的结果之间的不一致性，提高对中医治疗效果的评估的准确性。

主权项

1.一种减少中医主观问卷不一性的机器学习方法，其特征在于包括如下步骤：1）向量化主观问卷数据：主观问卷由问题、权重和分值构成，向量化把问卷的结构转化为向量，设主观问卷表示为Q={q₁，q₂，…,q_m}，其中q_i是第i个问卷项的得分；2）定义问卷组的一致性目标，并形式化表达出来；定义矛盾函数C(x)来表达问卷组之间的一致性，矛盾函数以问卷组的分值经过一个变换之后得到的值作为输入，该过程使用负相关性作为矛盾函数，符合统计学习理论；3)对中医使用的主要主观问卷NPQ、MPQ和SF-36进行一致性分析，其中NPQ和MPQ各有一个子问卷，SF-36有8个子问卷，根据第2）步的矛盾函数，定义下列一致性的目标：$\underset{\Phi }{\max }\mathrm{corr}\left({\phi }_1\left(\mathrm{NPQ}\right)\right),{\phi }_2(\mathrm{MPQ}\left)\right),{\phi }_3(\mathrm{SF}-{36}_1),···,{\phi }_{10}(\mathrm{SF}-{36}_8))$（1）在（1）式中，corr代表相关性的计算函数；4）对（1）式的求解，认为Φ具有如下的线性形式：Φ(x)=w^Tx，由于使用了核映射，所以其结果不会受到基函数的线性组合的限制，使用类似于KCCA的思想对(1)式所示的优化问题进行求解，先推出两组问卷之间一致性最大化的解，然后再推广到多组问卷的情形；以NPQ和MPQ两组问卷为例，设其具有规模l，即NPQ={NPQ₁,NPQ₂,…,NPQ_l}和MPQ={MPQ₁,MPQ₂,…,MPQ_l}，设u=M_N×NPQ，υ=M_M×MPQ;要使u和υ的相关性最大，等价于求解下列优化问题：$\underset{M_N,M_M}{\max }\frac{E\left[\mathrm{u\upsilon }\right]}{\sqrt{E\left[u^2\right]E\left[{\upsilon }^2\right]}}---\left(1\right)$其中E[·]是数学期望，记C_NPQ,MPQ为协方差矩阵，则(2)可表示为：$\underset{M_N,M_M}{\max }\frac{M_N^T{C}_{N,M}{M}_M}{\sqrt{M_N^T{C}_{N,N}{M}_N{M}_M^T{C}_{M,M}{M}_M}}---\left(2\right)$根据KCCA理论，在优化目标(3)中考虑u^Tu和υ^Tυ而不是原来的u和υ，有助于引入核函数到优化目标中；引用两个标准化项：和它仅为简化计算，并不会影响(3)的优化目标；同时，只要训练的数据点数目比特征空间的维数要大，(3)的最优解和一定在集合span{φ(x₁),φ(x₂),…,φ(x_n)}和中，其中x和y分别是NPQ和MPQ的训练样本点，即$M_M^{*}={\Sigma }_{i=1}^n{\alpha }_i\phi \left(x_i\right),$使用极大似然的方式控制模型复杂度，增加两个关于α和β的正则化项，得到如下的优化目标表达式：$\underset{\alpha ,\beta }{\max }{\alpha }^T{K}_X{K}_Y\beta -{\eta }_{\alpha }{\left|\right|\alpha \left|\right|}^2-{\eta }_{\beta }{\left|\right|\beta \left|\right|}^2---\left(4\right)$其中K_X=Σ_iφ(x_i)^Tφ(x_i)，(4)式即为求解目标。