本發(fā)明涉及醫(yī)療診斷領(lǐng)域，更具體地說(shuō)，涉及一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法及裝置。
背景技術(shù)：
：隨著人工智能的發(fā)展，計(jì)算機(jī)技術(shù)也在醫(yī)療領(lǐng)域中起到了重要的作用，實(shí)現(xiàn)醫(yī)療領(lǐng)域中的人工智能。計(jì)算機(jī)技術(shù)與眾多領(lǐng)域的人類(lèi)醫(yī)學(xué)專(zhuān)家的大量權(quán)威知識(shí)經(jīng)驗(yàn)相融合，開(kāi)發(fā)出醫(yī)療診斷系統(tǒng)，可以有效地解決各種臨床問(wèn)題，起到了輔助醫(yī)生診斷的作用。在醫(yī)療診斷系統(tǒng)中，引入了dna微陣列技術(shù)，即基因芯片，應(yīng)用基因芯片就可以在同一時(shí)間定量的分析大量的基因表達(dá)數(shù)據(jù)的水平，通過(guò)這些數(shù)據(jù)就可以研究生物的本質(zhì)。但是由于dna微陣列技術(shù)的發(fā)展，導(dǎo)致了基因表達(dá)數(shù)據(jù)的爆炸性增長(zhǎng)，在這些大量的基因表達(dá)數(shù)據(jù)中選擇出重要的基因，對(duì)于現(xiàn)有技術(shù)提出了新的挑戰(zhàn)。局部超平面(localhyperlane，lh-relief)算法可以實(shí)現(xiàn)對(duì)大量基因表達(dá)數(shù)據(jù)進(jìn)行降維，即篩選掉沒(méi)有用的基因表達(dá)數(shù)據(jù)，選擇出重要的基因，減小冗余度的問(wèn)題。但是該算法對(duì)含有噪聲的數(shù)據(jù)以及高位數(shù)據(jù)的應(yīng)用中，收斂性不能得到保證，導(dǎo)致算法的計(jì)算復(fù)雜度高。因此，如何實(shí)現(xiàn)對(duì)大量基因數(shù)據(jù)降維的同時(shí)，降低算法的計(jì)算復(fù)雜度，是本領(lǐng)域技術(shù)人員需要解決的問(wèn)題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的在于提供一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，以實(shí)現(xiàn)對(duì)大量基因數(shù)據(jù)降維的同時(shí)降低算法的計(jì)算復(fù)雜度。為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供了如下技術(shù)方案：一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，包括：s101：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性；s102：設(shè)置所述第一樣本屬性的初始權(quán)重向量，將所述初始權(quán)重向量作為本次權(quán)重向量；s103：通過(guò)梯度下降的更新方式對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量；s104：判斷確定規(guī)則是否成立，若是，則將所次權(quán)重向量作為最終權(quán)重向量，執(zhí)行s105；若否，則將下次權(quán)重向量作為本次權(quán)重向量，返回s103；其中||wt+1-wt||≤θ為確定規(guī)則，wt為本次權(quán)重向量，wt+1為下次權(quán)重向量，θ為停止準(zhǔn)則；s105：根據(jù)所述最終權(quán)重向量進(jìn)行特征選擇，得到特征索引子集；s106：將所述第一樣本集根據(jù)所述特征索引子集進(jìn)行特征選擇，得到特征選擇后的第二樣本集；s107：獲取第一待評(píng)估數(shù)據(jù)，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)；s108：在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。優(yōu)選地，所述獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，包括：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，并對(duì)所述第一樣本集進(jìn)行離差標(biāo)準(zhǔn)化處理；優(yōu)選地，所述通過(guò)梯度下降的更新方式對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量，包括：通過(guò)規(guī)則對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量wt+1，j(w)為優(yōu)化目標(biāo)函數(shù)，通過(guò)最大化j(w)＝(zit+1)twt+1計(jì)算得到。優(yōu)選地，所述獲取第一待評(píng)估數(shù)據(jù)，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)，包括：獲取第一待評(píng)估數(shù)據(jù)，進(jìn)行離差標(biāo)準(zhǔn)化處理，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)。優(yōu)選地，在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果，包括：在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)利用k近鄰分類(lèi)器進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)裝置，包括：第一樣本集獲取模塊，用于獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性；初始權(quán)重限量設(shè)置模塊，用于設(shè)置所述第一樣本屬性的初始權(quán)重向量，將所述初始權(quán)重向量作為本次權(quán)重向量；下次權(quán)重向量獲取模塊，用于通過(guò)梯度下降的更新方式對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量；判斷模塊，用于判斷確定規(guī)則是否成立，若是，則將所述下次權(quán)重向量作為最終權(quán)重向量，調(diào)用特征索引子集獲取模塊；若否，則將下次權(quán)重向量作為本次權(quán)重向量，調(diào)用所述下次權(quán)重向量獲取模塊；其中確定規(guī)則為||wt+1-wt||≤θ，wt為本次權(quán)重向量，wt+1為下次權(quán)重向量，θ為停止準(zhǔn)則；所述特征索引子集獲取模塊，用于根據(jù)所述最終權(quán)重向量進(jìn)行特征選擇，得到特征索引子集；第二樣本集獲取模塊，用于將所述第一樣本集根據(jù)所述特征索引子集進(jìn)行特征選擇，得到特征選擇后的第二樣本集；第二待評(píng)估數(shù)據(jù)獲取模塊，用于獲取第一待評(píng)估數(shù)據(jù)，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)；分類(lèi)模塊，用于在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。優(yōu)選地，所述第一樣本集獲取模塊具體用于：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，并對(duì)所述第一樣本集進(jìn)行離差標(biāo)準(zhǔn)化處理。優(yōu)選地，所述下次權(quán)重向量獲取模塊具體用于：通過(guò)規(guī)則對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量wt+1，j(w)為優(yōu)化目標(biāo)函數(shù)，通過(guò)最大化j(w)＝(zit+1)twt+1計(jì)算得到。優(yōu)選地，所述第二待評(píng)估數(shù)據(jù)獲取模塊具體用于：獲取第一待評(píng)估數(shù)據(jù)，進(jìn)行離差標(biāo)準(zhǔn)化處理，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)。優(yōu)選地，所述分類(lèi)模塊具體用于：在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)利用k近鄰分類(lèi)器進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。通過(guò)以上方案可知，本發(fā)明實(shí)施例提供的一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，首先根據(jù)訓(xùn)練樣本集得到樣本的屬性值，根據(jù)屬性值利用梯度下降的權(quán)重更新方式計(jì)算屬性對(duì)應(yīng)的權(quán)重向量，因此可以保證收斂性，可以較快地達(dá)到算法的停止準(zhǔn)則，減少計(jì)算時(shí)間，降低計(jì)算復(fù)雜度；根據(jù)計(jì)算出的權(quán)重向量進(jìn)行特征選擇得到最優(yōu)特征集，將待評(píng)估數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化后再最優(yōu)特征子集中進(jìn)行特征選擇，再將特征選擇后的待評(píng)估數(shù)據(jù)樣本進(jìn)行分類(lèi)就可以使數(shù)據(jù)樣本實(shí)現(xiàn)降維，因此本發(fā)明實(shí)施例提供的方法實(shí)現(xiàn)降維的同時(shí)又降低了計(jì)算的復(fù)雜度，減少了計(jì)算時(shí)間。本發(fā)明還提供了一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)裝置，同樣可以實(shí)現(xiàn)上述技術(shù)效果。附圖說(shuō)明為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明實(shí)施例公開(kāi)的一種醫(yī)療數(shù)據(jù)分類(lèi)方法流程圖；圖2為本發(fā)明實(shí)施例公開(kāi)的一種醫(yī)療數(shù)據(jù)分類(lèi)裝置結(jié)構(gòu)示意圖；圖3為本發(fā)明實(shí)施例公開(kāi)的一種醫(yī)療數(shù)據(jù)分類(lèi)方法與lh-relief的收斂結(jié)果對(duì)比圖。圖4為本發(fā)明實(shí)施例公開(kāi)的一種醫(yī)療數(shù)據(jù)分類(lèi)方法與lh-relief的平均性能性能對(duì)比圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。參見(jiàn)圖1，本發(fā)明實(shí)施例公開(kāi)了一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法。具體地：s101：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性。具體地，獲取醫(yī)療數(shù)據(jù)的第一樣本集得到第一樣本集的樣本屬性，作為第一樣本屬性。其中xi∈ri，yi∈{1,2,...,c}是xi的標(biāo)簽，表明xi的類(lèi)別，n是訓(xùn)練樣本的個(gè)數(shù)，i是樣本的維數(shù)，c是類(lèi)別總數(shù)。s102：設(shè)置所述第一樣本屬性的初始權(quán)重向量，將所述初始權(quán)重向量作為本次權(quán)重向量。具體地，設(shè)置初始權(quán)重向量w0＝[1/i,1/i,...,1/i]t，其中t為迭代次數(shù)，當(dāng)前t＝0，即沒(méi)有開(kāi)始迭代，將初始權(quán)重向量w0作為本次權(quán)重向量wt。s103：通過(guò)梯度下降的更新方式對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量。具體地，進(jìn)行一次迭代，即將本次權(quán)重向量wt使用梯度下降的更新方式進(jìn)行一次更新，得到下次權(quán)重向量wt+1。s104：判斷確定規(guī)則是否成立，若是，則將所次權(quán)重向量作為最終權(quán)重向量，執(zhí)行s105；若否，則將下次權(quán)重向量作為本次權(quán)重向量，返回s103；其中確定規(guī)則為||wt+1-wt||≤θ，wt為本次權(quán)重向量，wt+1為下次權(quán)重向量，θ為停止準(zhǔn)則。具體地，設(shè)置一個(gè)停止準(zhǔn)則θ，并判斷||wt+1-wt||≤θ是否成立，如果成立，則將下次權(quán)重向量wt+1作為最終權(quán)重向量w，w＝[w1,w2,...,wi]t∈r,進(jìn)行s105；如果不成立，則將下次權(quán)重向量wt+1作為本次權(quán)重向量wt，并返回s103，進(jìn)行新的一次迭代。s105：根據(jù)所述最終權(quán)重向量進(jìn)行特征選擇，得到特征索引子集。具體地，根據(jù)最終權(quán)重向量w通過(guò)分類(lèi)精度進(jìn)行特征選擇，得到對(duì)應(yīng)的特征索引子集實(shí)現(xiàn)對(duì)第一樣本的特征降維，從而減少計(jì)算量以及計(jì)算時(shí)間。s106：將所述第一樣本集根據(jù)所述特征索引子集進(jìn)行特征選擇，得到特征選擇后的第二樣本集。具體地，將第一樣本集根據(jù)特征索引子集進(jìn)行特征選擇，得到第二樣本集其中每一個(gè)樣本xi∈r|f|，|f|＜i。s107：獲取第一待評(píng)估數(shù)據(jù)，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)。具體地，獲取第一待評(píng)估數(shù)據(jù)樣本x，x∈ri，當(dāng)前樣本x未進(jìn)行降維處理，樣本維數(shù)為i。將數(shù)據(jù)樣本根據(jù)特征索引子集進(jìn)行特征選擇，得到第二待評(píng)估數(shù)據(jù)x′。s108：在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。具體地，在第二樣本集對(duì)第二待評(píng)估數(shù)據(jù)x′進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果，得到分類(lèi)結(jié)果?？梢岳眠@個(gè)分類(lèi)結(jié)果對(duì)第一待評(píng)估數(shù)據(jù)樣本x進(jìn)行診斷。因此，本發(fā)明實(shí)施例提供的一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，首先根據(jù)訓(xùn)練樣本集得到樣本的屬性值，根據(jù)屬性值利用梯度下降的權(quán)重更新方式計(jì)算屬性對(duì)應(yīng)的權(quán)重向量，因此可以保證收斂性，可以較快地達(dá)到算法的停止準(zhǔn)則，減少計(jì)算時(shí)間，降低計(jì)算復(fù)雜度；根據(jù)計(jì)算出的權(quán)重向量進(jìn)行特征選擇得到最優(yōu)特征集，將待評(píng)估數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化后再最優(yōu)特征子集中進(jìn)行特征選擇，再將特征選擇后的待評(píng)估數(shù)據(jù)樣本進(jìn)行分類(lèi)就可以使數(shù)據(jù)樣本實(shí)現(xiàn)降維，因此本發(fā)明實(shí)施例提供的方法實(shí)現(xiàn)降維的同時(shí)又降低了計(jì)算的復(fù)雜度，減少了計(jì)算時(shí)間。本發(fā)明實(shí)施例公開(kāi)了一種具體的基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，區(qū)別于上一實(shí)施例，本發(fā)明對(duì)s101做了具體的限定，其他步驟內(nèi)容與上一實(shí)施例大致相同，詳細(xì)內(nèi)容可以參見(jiàn)上一實(shí)施例，此處不再贅述。具體地，s101包括：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，并對(duì)所述第一樣本集進(jìn)行離差標(biāo)準(zhǔn)化處理；具體地，獲取醫(yī)療數(shù)據(jù)的第一樣本集得到第一樣本集的樣本屬性，作為第一樣本屬性。其中xi∈ri，yi∈{1,2,...,c}是xi的標(biāo)簽，表明xi的類(lèi)別，n是訓(xùn)練樣本的個(gè)數(shù)，i是樣本的維數(shù)，c是類(lèi)別總數(shù)。需要說(shuō)明的是，不同的特征屬性往往具有不同的量綱和量綱單位，這樣的情況會(huì)影響到數(shù)據(jù)分析的結(jié)果，為了消除不同量綱及量綱單位造成的影響，需要對(duì)第一樣本集進(jìn)行離差標(biāo)準(zhǔn)化處理，以解決特征屬性數(shù)據(jù)之間的可比性。離差標(biāo)準(zhǔn)化處理的轉(zhuǎn)換函數(shù)為其中，xij為第i個(gè)樣本的第j個(gè)屬性，為取所有訓(xùn)練樣本數(shù)據(jù)中屬性j的最大值，為所有數(shù)據(jù)中屬性j的最小值。進(jìn)行標(biāo)準(zhǔn)化處理后，特征數(shù)據(jù)的各指標(biāo)都是同一個(gè)數(shù)量級(jí)，更利于對(duì)這些數(shù)據(jù)進(jìn)行綜合對(duì)比評(píng)價(jià)，本發(fā)明實(shí)施例所用的特征數(shù)據(jù)均為進(jìn)行離差標(biāo)準(zhǔn)化處理后的數(shù)據(jù)。本發(fā)明實(shí)施例公開(kāi)了一種具體的基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，區(qū)別于上一實(shí)施例，本發(fā)明對(duì)s103做了具體的限定，其他步驟內(nèi)容與上一實(shí)施例大致相同，詳細(xì)內(nèi)容可以參見(jiàn)上一實(shí)施例，此處不再贅述。具體地，s103包括：通過(guò)規(guī)則對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量wt+1，j(w)為優(yōu)化目標(biāo)函數(shù)，通過(guò)最大化j(w)＝(zit+1)twt+1計(jì)算得到。具體地，最大化求解j(w)，對(duì)下次權(quán)重向量wt+1進(jìn)行更新。其中和分別是樣本xi在異類(lèi)樣本以及同類(lèi)樣本中的近鄰樣本矩陣，k是先驗(yàn)設(shè)置的近鄰個(gè)數(shù)。αi和βi分別是異類(lèi)樣本以及同類(lèi)樣本xi關(guān)于的系數(shù)向量。求解的優(yōu)化問(wèn)題可以獲得αi；求解的優(yōu)化問(wèn)題可以獲得βi，因此可以通過(guò)優(yōu)化目標(biāo)函數(shù)j(w)，利用公式對(duì)本次權(quán)重向量wt進(jìn)行更新得到迭代一次后的下次權(quán)重向量wt+1。利用梯度下降的權(quán)重更新方式能夠保證收斂性，當(dāng)收斂性可以保證時(shí)，就能夠較快地達(dá)到算法的停止準(zhǔn)則，因此就可以降低計(jì)算的復(fù)雜度，減少計(jì)算的時(shí)間。本發(fā)明實(shí)施例公開(kāi)了一種具體的基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，區(qū)別于上一實(shí)施例，本發(fā)明對(duì)s107做了具體的限定，其他步驟內(nèi)容與上一實(shí)施例大致相同，詳細(xì)內(nèi)容可以參見(jiàn)上一實(shí)施例，此處不再贅述。具體地，s107包括：獲取第一待評(píng)估數(shù)據(jù)，進(jìn)行離差標(biāo)準(zhǔn)化處理，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)。具體地，獲得待評(píng)估信用數(shù)據(jù)樣本x，作為第一待評(píng)估數(shù)據(jù)，其中x∈ri，對(duì)第一待評(píng)估數(shù)據(jù)利用上述實(shí)施例介紹的離差標(biāo)準(zhǔn)化的方法進(jìn)行標(biāo)準(zhǔn)化處理，即需要說(shuō)明的是，本發(fā)明所用的第一待評(píng)估數(shù)據(jù)均為進(jìn)行利差標(biāo)準(zhǔn)化處理后的數(shù)據(jù)，對(duì)第一待評(píng)估數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化處理，同樣避免了特征數(shù)據(jù)之間量綱與量綱單位的不同影響數(shù)據(jù)分析結(jié)果，將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，是待評(píng)估數(shù)據(jù)的各指標(biāo)處于同一數(shù)量級(jí)，適合進(jìn)行綜合對(duì)比評(píng)價(jià)。本發(fā)明實(shí)施例公開(kāi)了一種具體的基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，區(qū)別于上一實(shí)施例，本發(fā)明對(duì)s108做了具體的限定，其他步驟內(nèi)容與上一實(shí)施例大致相同，詳細(xì)內(nèi)容可以參見(jiàn)上一實(shí)施例，此處不再贅述。具體地，s108包括：在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)利用k近鄰分類(lèi)器進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。具體地，在第二樣本集的基礎(chǔ)上，利用k近鄰分類(lèi)器對(duì)第二待評(píng)估數(shù)據(jù)x′進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果，得到分類(lèi)結(jié)果?？梢岳眠@個(gè)分類(lèi)結(jié)果對(duì)第一待評(píng)估數(shù)據(jù)樣本x進(jìn)行診斷。下面對(duì)本發(fā)明實(shí)施例提供的一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)裝置進(jìn)行介紹，下文描述的一種醫(yī)療數(shù)據(jù)分類(lèi)裝置與上文描述的一種醫(yī)療數(shù)據(jù)分類(lèi)方法可以相互參照。參見(jiàn)圖2，本發(fā)明實(shí)施例提供的一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)裝置，具體包括：第一樣本集獲取模塊201，用于獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性。具體地，第一樣本集獲取模塊201獲取醫(yī)療數(shù)據(jù)的第一樣本集得到第一樣本集的樣本屬性，作為第一樣本屬性。其中xi∈ri，yi∈{1,2,...,c}是xi的標(biāo)簽，表明xi的類(lèi)別，n是訓(xùn)練樣本的個(gè)數(shù)，i是樣本的維數(shù)，c是類(lèi)別總數(shù)。初始權(quán)重限量設(shè)置模塊202，用于設(shè)置所述第一樣本屬性的初始權(quán)重向量，將所述初始權(quán)重向量作為本次權(quán)重向量。具體地，初始權(quán)重限量設(shè)置模塊202對(duì)初始權(quán)重向量設(shè)置，即初始權(quán)重向量為w0＝[1/i,1/i,...,1/i]t，其中t為迭代次數(shù)，當(dāng)前t＝0，即沒(méi)有開(kāi)始迭代，將初始權(quán)重向量w0作為本次權(quán)重向量wt。下次權(quán)重向量獲取模塊203，用于通過(guò)梯度下降的更新方式對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量。具體地，通過(guò)下次權(quán)重向量獲取模塊203對(duì)本次權(quán)重向量進(jìn)行一次迭代，即將本次權(quán)重向量wt使用梯度下降的更新方式進(jìn)行一次更新，得到下次權(quán)重向量wt+1。判斷模塊204，用于判斷去定規(guī)則是否成立，若是，則將所述下次權(quán)重向量作為最終權(quán)重向量，調(diào)用特征索引子集獲取模塊；若否，則將下次權(quán)重向量作為本次權(quán)重向量，調(diào)用所述下次權(quán)重向量獲取模塊；其中確定規(guī)則為||wt+1-wt||≤θ，wt為本次權(quán)重向量，wt+1為下次權(quán)重向量，θ為停止準(zhǔn)則。具體地，在判斷模塊204中設(shè)置一個(gè)停止準(zhǔn)則θ，判斷||wt+1-wt||≤θ是否成立，如果是，則將下次權(quán)重向量wt+1作為最終權(quán)重向量w，w＝[w1,w2,...,wi]t∈r,調(diào)用特征索引子集獲取模塊205，；如果否，則將下次權(quán)重向量wt+1作為本次權(quán)重向量wt，再次調(diào)用下次權(quán)重向量獲取模塊203，進(jìn)行新的一次迭代。所述特征索引子集獲取模塊205，用于根據(jù)所述最終權(quán)重向量進(jìn)行特征選擇，得到特征索引子集。具體地，特征索引子集獲取模塊205根據(jù)最終權(quán)重向量w通過(guò)分類(lèi)精度進(jìn)行特征選擇，得到對(duì)應(yīng)的特征索引子集實(shí)現(xiàn)對(duì)第一樣本的特征降維，從而減少計(jì)算量以及計(jì)算時(shí)間。第二樣本集獲取模塊206，用于將所述第一樣本集根據(jù)所述特征索引子集進(jìn)行特征選擇，得到特征選擇后的第二樣本集。具體地，在第二樣本集獲取模塊206中，將第一樣本集根據(jù)特征索引子集進(jìn)行特征選擇，得到第二樣本集其中每一個(gè)樣本xi∈r|f|，|f|＜i。第二待評(píng)估數(shù)據(jù)獲取模塊207，用于獲取第一待評(píng)估數(shù)據(jù)，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)。具體地，第二待評(píng)估數(shù)據(jù)獲取模塊207獲取第一待評(píng)估數(shù)據(jù)樣本x，x∈ri，當(dāng)前樣本x未進(jìn)行降維處理，樣本維數(shù)為i。將數(shù)據(jù)樣本根據(jù)特征索引子集進(jìn)行特征選擇，得到第二待評(píng)估數(shù)據(jù)x′。分類(lèi)模塊208，用于在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。具體地，分類(lèi)模塊208將第二待評(píng)估數(shù)據(jù)x′在第二樣本集進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果，得到分類(lèi)結(jié)果?？梢岳眠@個(gè)分類(lèi)結(jié)果對(duì)第一待評(píng)估數(shù)據(jù)樣本x進(jìn)行診斷。因此，本發(fā)明實(shí)施例提供的一種基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)方法，首先通過(guò)第一樣本集獲取模塊201得到樣本的屬性值，根據(jù)屬性值在下次權(quán)重向量獲取模塊203中，利用梯度下降的權(quán)重更新方式計(jì)算屬性對(duì)應(yīng)的權(quán)重向量，因此可以保證收斂性，可以較快地達(dá)到算法的停止準(zhǔn)則，減少計(jì)算時(shí)間，降低計(jì)算復(fù)雜度；第二樣本集獲取模塊206根據(jù)計(jì)算出的權(quán)重向量進(jìn)行特征選擇得到最優(yōu)特征集，第二待評(píng)估數(shù)據(jù)獲取模塊207將待評(píng)估數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化后再最優(yōu)特征子集中進(jìn)行特征選擇，再將特征選擇后的待評(píng)估數(shù)據(jù)樣本進(jìn)行分類(lèi)就可以使數(shù)據(jù)樣本實(shí)現(xiàn)降維，因此本發(fā)明實(shí)施例提供的方法實(shí)現(xiàn)降維的同時(shí)又降低了計(jì)算的復(fù)雜度，減少了計(jì)算時(shí)間。本發(fā)明實(shí)施例公開(kāi)了一種具體的基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)裝置，區(qū)別于上一實(shí)施例，本發(fā)明對(duì)第一樣本集獲取模塊201做了具體的限定，其他步驟內(nèi)容與上一實(shí)施例大致相同，詳細(xì)內(nèi)容可以參見(jiàn)上一實(shí)施例，此處不再贅述。上述第一樣本集獲取模塊201具體用于：獲取醫(yī)療數(shù)據(jù)的第一樣本集，得到第一樣本屬性，并對(duì)所述第一樣本集進(jìn)行離差標(biāo)準(zhǔn)化處理。具體地，第一樣本集獲取模塊201獲取醫(yī)療數(shù)據(jù)的第一樣本集得到第一樣本集的樣本屬性，作為第一樣本屬性。其中xi∈ri，yi∈{1,2,...,c}是xi的標(biāo)簽，表明xi的類(lèi)別，n是訓(xùn)練樣本的個(gè)數(shù)，i是樣本的維數(shù)，c是類(lèi)別總數(shù)。需要說(shuō)明的是，不同的特征屬性往往具有不同的量綱和量綱單位，這樣的情況會(huì)影響到數(shù)據(jù)分析的結(jié)果，為了消除不同量綱及量綱單位造成的影響，需要對(duì)第一樣本集進(jìn)行離差標(biāo)準(zhǔn)化處理，以解決特征屬性數(shù)據(jù)之間的可比性。離差標(biāo)準(zhǔn)化處理的轉(zhuǎn)換函數(shù)為其中，xij為第i個(gè)樣本的第j個(gè)屬性，為取所有訓(xùn)練樣本數(shù)據(jù)中屬性j的最大值，為所有數(shù)據(jù)中屬性j的最小值。進(jìn)行標(biāo)準(zhǔn)化處理后，特征數(shù)據(jù)的各指標(biāo)都是同一個(gè)數(shù)量級(jí)，更利于對(duì)這些數(shù)據(jù)進(jìn)行綜合對(duì)比評(píng)價(jià)，本發(fā)明實(shí)施例所用的特征數(shù)據(jù)均為進(jìn)行離差標(biāo)準(zhǔn)化處理后的數(shù)據(jù)。本發(fā)明實(shí)施例公開(kāi)了一種具體的基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)裝置，區(qū)別于上一實(shí)施例，本發(fā)明對(duì)下次權(quán)重向量獲取模塊203做了具體的限定，其他步驟內(nèi)容與上一實(shí)施例大致相同，詳細(xì)內(nèi)容可以參見(jiàn)上一實(shí)施例，此處不再贅述。上述下次權(quán)重向量獲取模塊203具體用于：通過(guò)規(guī)則對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量wt+1，j(w)通過(guò)最大化優(yōu)化目標(biāo)函數(shù)j(w)＝(zit+1)twt+1計(jì)算得到。具體地，在下次權(quán)重向量獲取模塊203中，首先最大化求解j(w)，對(duì)下次權(quán)重向量wt+1進(jìn)行更新。其中和分別是樣本xi在異類(lèi)樣本以及同類(lèi)樣本中的近鄰樣本矩陣，k是先驗(yàn)設(shè)置的近鄰個(gè)數(shù)。αi和βi分別是異類(lèi)樣本以及同類(lèi)樣本xi關(guān)于的系數(shù)向量。求解的優(yōu)化問(wèn)題可以獲得αi；求解的優(yōu)化問(wèn)題可以獲得βi，因此可以通過(guò)j(w)，利用公式對(duì)本次權(quán)重向量wt進(jìn)行更新得到迭代一次后的下次權(quán)重向量wt+1。其中，優(yōu)化目標(biāo)函數(shù)j(w)通過(guò)最大化j(w)＝(zit+1)twt+1計(jì)算得到。利用梯度下降的權(quán)重更新方式能夠保證收斂性，當(dāng)收斂性可以保證時(shí)，就能夠較快地達(dá)到算法的停止準(zhǔn)則，因此就可以降低計(jì)算的復(fù)雜度，減少計(jì)算的時(shí)間。本發(fā)明實(shí)施例公開(kāi)了一種具體的基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)裝置，區(qū)別于上一實(shí)施例，本發(fā)明對(duì)第二待評(píng)估數(shù)據(jù)獲取模塊207做了具體的限定，其他步驟內(nèi)容與上一實(shí)施例大致相同，詳細(xì)內(nèi)容可以參見(jiàn)上一實(shí)施例，此處不再贅述。上述第二待評(píng)估數(shù)據(jù)獲取模塊207具體用于：獲取第一待評(píng)估數(shù)據(jù)，進(jìn)行離差標(biāo)準(zhǔn)化處理，并根據(jù)所述特征索引子集進(jìn)行特征選擇得到第二待評(píng)估數(shù)據(jù)。具體地，第二待評(píng)估數(shù)據(jù)獲取模塊207獲得待評(píng)估信用數(shù)據(jù)樣本x，作為第一待評(píng)估數(shù)據(jù)，其中x∈ri，對(duì)第一待評(píng)估數(shù)據(jù)利用上述實(shí)施例介紹的離差標(biāo)準(zhǔn)化的方法進(jìn)行標(biāo)準(zhǔn)化處理，即需要說(shuō)明的是，本發(fā)明所用的第一待評(píng)估數(shù)據(jù)均為進(jìn)行利差標(biāo)準(zhǔn)化處理后的數(shù)據(jù)，對(duì)第一待評(píng)估數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化處理，同樣避免了特征數(shù)據(jù)之間量綱與量綱單位的不同影響數(shù)據(jù)分析結(jié)果，將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，是待評(píng)估數(shù)據(jù)的各指標(biāo)處于同一數(shù)量級(jí)，適合進(jìn)行綜合對(duì)比評(píng)價(jià)。本發(fā)明實(shí)施例公開(kāi)了一種具體的基于局部學(xué)習(xí)特征權(quán)重選擇的醫(yī)療數(shù)據(jù)分類(lèi)裝置，區(qū)別于上一實(shí)施例，本發(fā)明對(duì)分類(lèi)模塊208做了具體的限定，其他步驟內(nèi)容與上一實(shí)施例大致相同，詳細(xì)內(nèi)容可以參見(jiàn)上一實(shí)施例，此處不再贅述。上述分類(lèi)模塊208具體用于：在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)利用k近鄰分類(lèi)器進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。具體地，分類(lèi)模塊208在第二樣本集的基礎(chǔ)上，利用k近鄰分類(lèi)器對(duì)第二待評(píng)估數(shù)據(jù)x′進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果，得到分類(lèi)結(jié)果?？梢岳眠@個(gè)分類(lèi)結(jié)果對(duì)第一待評(píng)估數(shù)據(jù)樣本x進(jìn)行診斷。本發(fā)明實(shí)施例公開(kāi)了一種基于局部學(xué)習(xí)特征權(quán)重的醫(yī)療數(shù)據(jù)分類(lèi)方法，具體包括：本發(fā)明實(shí)施例在胚數(shù)據(jù)集(cns)數(shù)據(jù)集中進(jìn)行了測(cè)試，該數(shù)據(jù)集中共包含34名患者樣本，每個(gè)樣本有7129個(gè)基因。這34個(gè)樣本包括25個(gè)經(jīng)典型髓母細(xì)胞瘤(c)以及9個(gè)促結(jié)締組織增生性成神經(jīng)管細(xì)胞瘤(d)，因此共有2類(lèi)。cns數(shù)據(jù)集分為兩個(gè)子集：23個(gè)訓(xùn)練樣本(6個(gè)c，17個(gè)d)，用來(lái)選擇基因和調(diào)整分類(lèi)器的權(quán)重，11個(gè)測(cè)試樣本(3個(gè)c，8個(gè)d)，用來(lái)評(píng)價(jià)系統(tǒng)所得結(jié)果的性能。每個(gè)樣本均有都有7129個(gè)特征。我們將c視為第一類(lèi)，d視為第二類(lèi)。具體實(shí)施步驟分為兩個(gè)模塊進(jìn)行，具體如下：模型訓(xùn)練模塊：s301，輸入醫(yī)療數(shù)據(jù)樣本集作為第一樣本集，其中xi∈ri，yi∈{1,2,...,c}是xi的標(biāo)簽，表明xi的類(lèi)別，n是訓(xùn)練樣本的個(gè)數(shù)，i是樣本的維數(shù)，c是類(lèi)別總數(shù)。這里n＝23，i＝7129，c＝2。s302，對(duì)所述第一樣本集進(jìn)行離差標(biāo)準(zhǔn)化處理，轉(zhuǎn)換函數(shù)為其中，xij為第i個(gè)樣本的第j個(gè)屬性，為取所有訓(xùn)練樣本數(shù)據(jù)中屬性j的最大值，為所有數(shù)據(jù)中屬性j的最小值。s303，設(shè)置所述第一樣本屬性的初始權(quán)重向量w0＝[1/i,1/i,...,1/i]t，將所述初始權(quán)重向量作為本次權(quán)重向量。其中t為迭代次數(shù)，當(dāng)前t＝0，即沒(méi)有開(kāi)始迭代，將初始權(quán)重向量w0作為本次權(quán)重向量wt，迭代次數(shù)一共為30次，即一共進(jìn)行30次迭代。s304，通過(guò)梯度下降的更新方式對(duì)本次權(quán)重向量進(jìn)行更新，得到迭代一次后的下次權(quán)重向量。具體地，最大化求解優(yōu)化目標(biāo)函數(shù)j(w)，對(duì)下次權(quán)重向量wt+1進(jìn)行更新。其中和分別是樣本xi在異類(lèi)樣本以及同類(lèi)樣本中的近鄰樣本矩陣，k是先驗(yàn)設(shè)置的近鄰個(gè)數(shù)。αi和βi分別是異類(lèi)樣本以及同類(lèi)樣本xi關(guān)于的系數(shù)向量。求解的優(yōu)化問(wèn)題可以獲得αi；求解的優(yōu)化問(wèn)題可以獲得βi，因此可以通過(guò)j(w)，利用公式對(duì)本次權(quán)重向量wt進(jìn)行更新得到迭代一次后的下次權(quán)重向量wt+1。s305，判斷確定規(guī)則是否成立，若是，則將所次權(quán)重向量作為最終權(quán)重向量，執(zhí)行s306；若否，則將下次權(quán)重向量作為本次權(quán)重向量，返回s304；其中確定規(guī)則為||wt+1-wt||≤θ，wt為本次權(quán)重向量，wt+1為下次權(quán)重向量，θ為停止準(zhǔn)則。具體地，設(shè)置一個(gè)停止準(zhǔn)則θ＝0.001，并判斷||wt+1-wt||≤θ是否成立，如果成立，則將下次權(quán)重向量wt+1作為最終權(quán)重向量w，w＝[w1,w2,...,wi]t∈r7129,進(jìn)行s306；如果不成立，則將下次權(quán)重向量wt+1作為本次權(quán)重向量wt，并返回s304，進(jìn)行新的一次迭代。s306，根據(jù)所述最終權(quán)重向量進(jìn)行特征選擇，得到特征索引子集。具體地，根據(jù)最終權(quán)重向量w通過(guò)分類(lèi)精度進(jìn)行特征選擇，得到對(duì)應(yīng)的特征索引子集實(shí)現(xiàn)對(duì)第一樣本的特征降維，從而減少計(jì)算量以及計(jì)算時(shí)間。s307，將所述第一樣本集根據(jù)所述特征索引子集進(jìn)行特征選擇，得到特征選擇后的第二樣本集。具體地，將第一樣本集根據(jù)特征索引子集進(jìn)行特征選擇，得到第二樣本集其中每一個(gè)樣本xi∈r|f|，|f|＜7129。評(píng)估模塊：s308，獲取第一待評(píng)估數(shù)據(jù)。具體地，輸入待評(píng)估信用數(shù)據(jù)樣本x作為第一待評(píng)估數(shù)據(jù)樣本，x∈ri。s309，對(duì)第一待評(píng)估數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化處理。具體地，獲得待評(píng)估信用數(shù)據(jù)樣本x，作為第一待評(píng)估數(shù)據(jù)，其中x∈ri，對(duì)第一待評(píng)估數(shù)據(jù)利用上述實(shí)施例介紹的離差標(biāo)準(zhǔn)化的方法進(jìn)行標(biāo)準(zhǔn)化處理，即s310，根據(jù)特征索引子集對(duì)第一待評(píng)估數(shù)據(jù)進(jìn)行特征選擇，得到第二待評(píng)估數(shù)據(jù)x′。s311，在所述第二樣本集上對(duì)第二待評(píng)估數(shù)據(jù)利用k近鄰分類(lèi)器進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果。具體地，在第二樣本集的基礎(chǔ)上，利用k近鄰分類(lèi)器對(duì)第二待評(píng)估數(shù)據(jù)x′進(jìn)行分類(lèi)，得到分類(lèi)結(jié)果，得到分類(lèi)結(jié)果?？梢岳眠@個(gè)分類(lèi)結(jié)果對(duì)第一待評(píng)估數(shù)據(jù)樣本x進(jìn)行診斷。通過(guò)本發(fā)明提出一種基于局部學(xué)習(xí)特征權(quán)重的醫(yī)療數(shù)據(jù)分類(lèi)方法，對(duì)lh-relief的特征選擇方法進(jìn)行了改進(jìn)，提取23個(gè)7129維的訓(xùn)練樣本中的特征的組合f，1≤length(f)≤7129，對(duì)11個(gè)7129維的測(cè)試樣本進(jìn)行分類(lèi)。本實(shí)驗(yàn)提出的方法與lh-relief算法在相同的數(shù)據(jù)集上做比較，隨機(jī)取78個(gè)訓(xùn)練樣本10次，平均收斂結(jié)果如圖3所示，平均性能結(jié)果如圖4所示?？梢钥吹奖景l(fā)明比msvm-rfe算法收斂得更快，在相同選擇了相同基因個(gè)數(shù)的情況下，具有更好的分類(lèi)性能。表1給出了兩種方法各自獲得的最好平均分類(lèi)性能時(shí)的對(duì)比。本發(fā)明比lh-relief方法提高了大約2個(gè)百分點(diǎn)。表1lh-relief和本發(fā)明最好分類(lèi)性能的對(duì)比方法識(shí)別率(％)本發(fā)明70.91(10)lh-relief69.09(10)本說(shuō)明書(shū)中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專(zhuān)業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。當(dāng)前第1頁(yè)12