s. t. W1XLpX1W = 1， 其中，X是數(shù)據(jù)矩陣，w是所需求解的投影向量； 該優(yōu)化問題的最優(yōu)解是廣義特征值問題XLXtw = AXLpXtw的最小特征值對應(yīng)的特征 向量；當XLpXt可逆時，該廣義特征值問題可以通過（XLpXV 1XLX^特征值分解來計算；當 XLpXt不可逆時，可以在XLpXt的非零子空間中求解，但是這樣僅能利用患者數(shù)據(jù)之間的部分 類間鄰接關(guān)系；為了充分挖掘數(shù)據(jù)之間的局部鑒別信息，使用矩陣對Η ρτ和Ht的廣義奇異值 分解來求解上述廣義特征值問題，具體的計算過程如上述過程的第4)到7步）所述；最終， 右奇異向量矩陣Z的前r列為最優(yōu)的局部鑒別投影矩陣W。
6.根據(jù)權(quán)利要求4所述的一種基于增量局部鑒別子空間嵌入的川崎病和發(fā)燒診斷系 統(tǒng)，其特征在于，所述的訓練子系統(tǒng)中，基于增量局部鑒別子空間嵌入的模型更新模塊是當 新的患者訓練數(shù)據(jù)出現(xiàn)時，最優(yōu)局部鑒別投影矩陣W的一種增量更新方法，即增量局部鑒 別子空間嵌入； 更新過程包括以下步驟： ① 對新的m個患者病歷，利用訓練患者數(shù)據(jù)生成模塊獲取其臨床表現(xiàn)和檢測生理數(shù) 據(jù)，結(jié)果為并記X1= [Xn+1，xn+2，…，xn+m]為新的訓練數(shù)據(jù)矩陣； ② 對X1中的每一個元素與，分析其在全部數(shù)據(jù)[X，X1]中的鄰域關(guān)系，然后在本征圖G 和懲罰圖G'中增加對應(yīng)的節(jié)點和鄰接邊，計算每一條新的鄰接邊的權(quán)重，鄰接權(quán)重矩陣S 和Sp的更新部分表示為
③ 計算本征圖G和懲罰圖G'的索引矩陣的新列L' JP L' P1，其中它們的每一列對 應(yīng)于
I勺上三角矩陣的中的一個正元素，列的具體形式與上述②中的 定義相同； ④ 計算矩陣 H1= [X XJL' 1 和 Hpl= [XXJL' pl; ⑤ 生成矩陣Yb= [Hpl H1],
.其中單位陣的尺寸對應(yīng)于ΗΡι 和H1的列數(shù)； ⑥ 計算QR分解，（I-QQt) Yr= Q此； ⑦ 計算奇異值分解，
⑧ ％為H 5和H P1的列數(shù)和，提取所得到的左奇異向量矩陣:的前％行，計算奇異值分
⑨ 計算廣義奇異值分解的右奇異向量矩陣
?其中A"1是步驟7)所得的奇 異值矩陣的逆，E是步驟⑧中所得的右奇異值向量矩陣，I是單位陣，新的最佳局部鑒別投 影矩陣W是它的前r列。
7.根據(jù)權(quán)利要求6所述的一種基于增量局部鑒別子空間嵌入的川崎病和發(fā)燒診斷系 統(tǒng)，其特征在于，所述的更新過程中： 增加新的訓練數(shù)據(jù)Xk以后的本征圖G和懲罰圖G'更新是利用基于區(qū)域鄰域的鄰接圖 的可疊加性實現(xiàn)，新增樣本以后，鄰接圖的改變是在原有圖上添加新的節(jié)點和鄰接邊，而不 會改變舊的鄰接邊；當新的川崎病患者數(shù)據(jù)\加入時，僅考慮它與半徑為ε 1的鄰域中其他 樣本的鄰接關(guān)系，在更新類內(nèi)鄰接權(quán)重矩陣時，只計算\與ε i-鄰域內(nèi)的其他川崎病患者 數(shù)據(jù)的鄰接權(quán)重；在更新類間鄰接權(quán)重矩陣時，只計算\與ε 2-鄰域內(nèi)的發(fā)燒患者數(shù)據(jù)的 鄰接權(quán)重；權(quán)重的計算方法與訓練過程中的權(quán)利要求4中的步驟2)相同，新的類內(nèi)鄰接權(quán) 重矩陣和類間鄰接權(quán)重矩陣寫成如下形式：
其中所加的部另
為新的患者數(shù)據(jù)引起的類內(nèi)和類間權(quán)重矩陣 的變化； 新的患者數(shù)據(jù)會使得索引矩陣出現(xiàn)新的列L' JP L' P1，分別對應(yīng)于類內(nèi)和類間權(quán)重 矩陣的新添加部分；其中每一個新增列對應(yīng)于
I的上三角矩陣的一個 正元素，具體的計算方法與權(quán)利要求6中的步驟②相同； 在獲得本征圖、懲罰圖、鄰接權(quán)重矩陣和索引矩陣的更新后，所需計算的川崎病和發(fā)燒 特征模型的最優(yōu)化問題也相應(yīng)的改變了；上述步驟采用廣義奇異值的解法中，表現(xiàn)為廣義 奇異值分解的矩陣對分別出現(xiàn)了新的行H 1^P HP1T;基于奇異值分解加性修正算法來增量更 新所需求解的廣義奇異值分解問題，具體的計算過程如權(quán)利要求6的第④到⑨步；最終得 到更新的最佳局部鑒別投影矩陣W。
8. 根據(jù)權(quán)利要求2所述的一種基于增量局部鑒別子空間嵌入的川崎病和發(fā)燒診斷系 統(tǒng)，其特征在于，所述的訓練子系統(tǒng)中，訓練局部鑒別特征提取模塊將川崎病和發(fā)燒患者的 原始訓練數(shù)據(jù)投影到低維空間，是指：用基于局部鑒別子空間嵌入的模型訓練模塊或者基 于增量局部鑒別子空間嵌入的模型更新模塊所得的局部鑒別投影矩陣W的轉(zhuǎn)置乘以川崎 病和發(fā)燒患者的數(shù)據(jù)矩陣，X f= WTX，將其從原始高維數(shù)據(jù)空間映射到具有更佳的鑒別能力 的低維特征空間中；川崎病患者數(shù)據(jù)在低維空間中的表示記為X fi;發(fā)燒患者數(shù)據(jù)在低維空 間中的表示記為Xf2。
9. 根據(jù)權(quán)利要求1-8任一項所述的一種基于增量局部鑒別子空間嵌入的川崎病和發(fā) 燒診斷系統(tǒng)，其特征在于，所述的診斷子系統(tǒng)包括：待診患者數(shù)據(jù)生成模塊、待診局部鑒別 特征提取模塊和基于K-最近鄰的診斷模塊，其中： 所述待診患者數(shù)據(jù)生成模塊，從待診患者的病歷中提取診斷所需的臨床表現(xiàn)和檢測生 理數(shù)據(jù)，作為診斷數(shù)據(jù)輸出給待診局部鑒別特征提取模塊； 所述待診局部鑒別特征提取模塊，利用訓練子系統(tǒng)中基于局部鑒別子空間嵌入的模型 訓練模塊或者基于增量局部鑒別子空間嵌入的模型更新模塊輸出的局部鑒別投影矩陣，將 待診患者的臨床表現(xiàn)和檢測生理數(shù)據(jù)使用局部鑒別投影矩陣將待診斷數(shù)據(jù)投影到低維特 征空間，輸出低維局部鑒別特征給基于K-最近鄰的診斷模塊； 所述基于K-最近鄰的診斷模塊，根據(jù)訓練子系統(tǒng)中訓練局部鑒別特征提取模塊輸出 的川崎病和發(fā)燒特征模型和待診局部鑒別特征提取模塊輸出的待診患者的低維局部鑒別 特征，使用K-最近鄰C方法判斷該患者所得的是川崎病還是普通發(fā)燒。
10. 根據(jù)權(quán)利要求1-8任一項所述的一種基于增量局部鑒別子空間嵌入的川崎病和發(fā) 燒診斷系統(tǒng)，其特征在于，所述的診斷子系統(tǒng)中： 待診患者數(shù)據(jù)生成模塊提取診斷所需的數(shù)據(jù)，是指：從待診患者的病歷中獲取診斷所 需的臨床表現(xiàn)和檢測生理數(shù)據(jù)，其具體格式和所述訓練子系統(tǒng)的訓練患者數(shù)據(jù)生成模塊使 用的相同，結(jié)果表示為X。;待診局部鑒別特征提取模塊將待診患者數(shù)據(jù)投影到低維鑒別空 間，是指：以所述訓練子系統(tǒng)的基于局部鑒別子空間嵌入的模型訓練模塊或者基于增量局 部鑒別子空間嵌入的模型更新模塊所得的局部鑒別投影矩陣W的轉(zhuǎn)置乘以待診患者數(shù)據(jù) X。，得到其低維局部鑒別特征Xf= W Tx。； 基于K-最近鄰的診斷模塊使用K-最近鄰方法判斷該患者所得的是川崎病還是普通發(fā) 燒，是指：尋找xF在原始訓練數(shù)據(jù)集的低維局部鑒別特征XF中的K個最近的近鄰，如果它們 屬于乂"的個數(shù)大于屬于X F2的個數(shù)，那么當前患者在臨床和生理上的綜合表現(xiàn)更接近于歷 史的川崎病患者，斷定其患有川崎病的概率比大；反之，斷定當前患者所得的只是普通的發(fā) 燒。
【專利摘要】本發(fā)明提供了一種基于增量局部鑒別子空間嵌入的川崎病和發(fā)燒診斷系統(tǒng)，包含訓練子系統(tǒng)和診斷子系統(tǒng)，其中：訓練子系統(tǒng)的任務(wù)是從川崎病和普通發(fā)燒兒童的歷史病歷中生成訓練用臨床表現(xiàn)和檢測生理數(shù)據(jù)，然后分析局部結(jié)構(gòu)信息，尋找最優(yōu)的局部鑒別子空間，從而在其中建立川崎病和發(fā)燒特征模型；此外，當獲取了新的患者病歷以后，所述訓練子系統(tǒng)以增量學習的方式進行模型更新；診斷子系統(tǒng)的任務(wù)是觀察待診患者的臨床表現(xiàn)和檢測生理數(shù)據(jù)，根據(jù)所述訓練子系統(tǒng)得到的川崎病和發(fā)燒特征模型判斷其是否患有川崎病。本發(fā)明使患有川崎病的兒童可以及時的得到治療，減少發(fā)展成為冠狀動脈擴張或者動脈瘤的概率，減弱患者的心臟血管受到的損傷。
【IPC分類】G06F19-00, A61B19-00
【公開號】CN104866713
【申請?zhí)枴緾N201510239842
【發(fā)明人】金博, 周曲, 周異, 陳凱, 查宏遠
【申請人】南京霽云信息科技有限公司, 寧波克諾普信息科技有限公司
【公開日】2015年8月26日
【申請日】2015年5月12日