一种用于颈椎病病理信号的聚类集成方法技术

本发明专利技术涉及生理信号数据管理与应用技术领域，具体涉及一种用于颈椎病病理信号的聚类集成方法，该方法包括：获取患者的语义特征向量，根据患者的语义特征向量得到患者之间的语义相似度，构建聚类稳定性评估指标，构建第一目标函数，对患者进行第一次聚类；获取第一次聚类结果中患者在对应类别中的匹配程度，获得类别的评价指标，计算患者之间的个体相似度，构建第二目标函数，对第一次聚类结果进行筛选得到优选类别；对优选类别内的所有患者进行融合，根据共现矩阵获得共协矩阵，基于第二目标函数进而对融合后的患者进行第二次聚类得到最优类别。本发明专利技术能够有效避免全局优化过程中不稳定聚类结果的产生，提高整体聚类的稳定性。性。性。

【技术实现步骤摘要】
一种用于颈椎病病理信号的聚类集成方法


[0001]本专利技术涉及生理信号数据管理与应用
，具体涉及一种用于颈椎病病理信号的聚类集成方法。

技术介绍

[0002]颈椎病是颈椎的一种慢性“磨损”退行性过程。它最初涉及锥体和颈部椎间盘退变。然后，发展为椎间盘破裂、骨赘、脊髓压迫或脊髓型颈椎病。研究表明超过86％的颈椎病患者可以通过手术治疗在早期缓解。目前的临床早期分类是临床症状和脊柱病变的联合分类，通常将早期颈椎病患者分为一组。然而，这种类型的分类对于后续的非手术治疗缺乏必要的针对性。此外，放射学读数主要关注椎间隙狭窄、骨质增生、不稳定和曲率变化。尽管如此，临床医生经常发现大多数患者的临床症状严重程度与影像学表现不一致。因此，这种分类方法远远不能满足指导临床工作的需要。
[0003]大量医学研究文献证实颈椎病的发生发展与颈部周围肌肉系统的病变密切相关。因此，现有技术研究出了根据患者颈部周围肌肉的生理信号对颈椎病患者进行分类，但是利用该方法在对颈椎病患者进行精细分类时，聚类算法不同或者同一聚类算法的参数不同均会使得分类结果不同，因此，利用该方法对颈椎病患者进行分类时的稳定性较低。

技术实现思路

[0004]为了解决利用现有的分类方法对颈椎病患者进行聚类时的稳定性较低的技术问题，本专利技术的目的在于提供一种用于颈椎病病理信号的聚类集成方法，所采用的技术方案具体如下：
[0005]获取颈椎病患者的颈部肌肉病理特征数据构成患者的语义特征向量，根据患者的语义特征向量得到患者之间的语义相似度；构建聚类稳定性评估指标，根据聚类稳定性评估指标和患者之间的语义相似度得到第一目标函数；基于第一目标函数对患者进行第一次聚类；
[0006]获取第一次聚类结果中患者在对应类别中的匹配程度，根据同一类别内患者对应的匹配程度得到类别的评价指标；根据患者对应的匹配程度和患者的语义特征向量得到患者之间的个体相似度，根据类别的评价指标和个体相似度得到第二目标函数，根据第二目标函数对第一次聚类结果进行筛选得到优选类别；
[0007]对优选类别内的所有患者进行融合，根据颈椎病患者的颈部肌肉病理特征数据生成共现矩阵，根据共现矩阵获得共协矩阵，根据共协矩阵和第二目标函数对融合后的患者进行第二次聚类得到最优类别。
[0008]优选地，根据患者的语义特征向量得到患者之间的语义相似度具体为：
[0009]计算任意两个患者的语义特性向量之间的差值，以所述差值的范数的平方作为患者之间的语义相似度。
[0010]优选地，所述聚类稳定性评估指标的获取方法具体为：
[0011][0012]其中，ICS
k
表示聚类稳定性评估指标，表示第i个患者在第k次划分的匹配程度，n表示患者的数量。
[0013]优选地，所述第一目标函数的获取方法具体为：
[0014][0015]其中，O
k
为第一目标函数，表示第i个患者和第j个患者之间的语义相似度，表示第i个患者和第l个患者之间的语义相似度，ICS
k
表示聚类稳定性评估指标，M为第k次划分的簇的数量，n为患者的数量。
[0016]优选地，所述获取聚类结果中患者在对应类别中的匹配程度具体为：
[0017][0018]其中，表示第i个患者在第k次划分的匹配程度，m表示一个患者拥有的样本数量。
[0019]优选地，所述类别的评价指标的获取方法具体为：
[0020]对于任意一个类别，以该类别内所有患者对应的匹配程度之和作为该类别的评价指标。
[0021]优选地，所述个体相似度的获取方法具体为：
[0022][0023]其中，表示第i个患者和第j个患者之间的个体相似度，表示第i个患者在第k个类别内的匹配程度，表示第j个患者在第k次划分的匹配程度，表示第i个患者的第a个样本在第k次划分内的语义特征向量，表示第i个患者的第a个样本在第k次划分内的语义特征向量。
[0024]优选地，所述根据第二目标函数筛选得到优选类别具体为：
[0025]计算所有类别对应的第二目标函数值的均值，将第二目标函数值大于或等于均值对应的类别记为优选类别。
[0026]优选地，所述共协矩阵的获取方法具体为：
[0027][0028]其中，CM
i,j
表示融合后的共协矩阵中第i行和第j列的元素取值，表示共现矩阵中第i行第j列元素，t表示划分次数的编号，m为划分的数量。
[0029]本专利技术实施例至少具有如下有益效果：
[0030]本专利技术首先从颈部肌肉病理特征数据中提取语义信息获得颈椎病患者的语义特
征向量，基于语义特征向量获得患者之间的语义相似度，利用聚类稳定性评估指标表征患者样本的个体稳定性，并构建第一目标函数，对患者进行第一次聚类，以获得稳定的聚类结果；然后计算第一次聚类结果中患者在对应类别的匹配程度，进而获得类别的评价指标，利用类别的评价指标表征类别内个体的一致性程度，获取个体相似度，构建第二目标函数，进而对第一次聚类结果中的类别进行筛选得到优选类别，基于个体一致性对一个个体的多个样本进行处理，从而提高个体聚类的合理性；最后，对优选类别内的所有患者进行融合，根据共现矩阵获得共协矩阵，根据共协矩阵和第二目标函数对融合后的患者进行第二次聚类，在原始算法的目标函数中加入个体稳定性，能够有效避免全局优化过程中不稳定聚类结果的产生，提高整体聚类的稳定性。
附图说明
[0031]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0032]图1是本专利技术的一种用于颈椎病病理信号的聚类集成方法的方法流程图。
具体实施方式
[0033]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种用于颈椎病病理信号的聚类集成方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0034]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0035]下面结合附图具体的说明本专利技术所提供的一种用于颈椎病病理信号的聚类集成方法的具体方案。
[0036]实施例：
[0037]请参阅图1，其示出了本专利技术一个实施例提供的一种用于颈椎病病理信号的聚类集成方法的方法流程图，该方法包括以下步骤：
[0038]步骤一，获取颈椎病患者的颈部肌肉病理特征数据构成患者的语义特征向量，根据患者的语义特征向量得到患者之间的语义相似度；构建聚类稳定性评估指标，根据聚类稳本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于颈椎病病理信号的聚类集成方法，其特征在于，该方法包括以下步骤：获取颈椎病患者的颈部肌肉病理特征数据构成患者的语义特征向量，根据患者的语义特征向量得到患者之间的语义相似度；构建聚类稳定性评估指标，根据聚类稳定性评估指标和患者之间的语义相似度得到第一目标函数；基于第一目标函数对患者进行第一次聚类；获取第一次聚类结果中患者在对应类别中的匹配程度，根据同一类别内患者对应的匹配程度得到类别的评价指标；根据患者对应的匹配程度和患者的语义特征向量得到患者之间的个体相似度，根据类别的评价指标和个体相似度得到第二目标函数，根据第二目标函数对第一次聚类结果进行筛选得到优选类别；对优选类别内的所有患者进行融合，根据颈椎病患者的颈部肌肉病理特征数据生成共现矩阵，根据共现矩阵获得共协矩阵，根据共协矩阵和第二目标函数对融合后的患者进行第二次聚类得到最优类别。2.根据权利要求1所述的一种用于颈椎病病理信号的聚类集成方法，其特征在于，所述根据患者的语义特征向量得到患者之间的语义相似度具体为：计算任意两个患者的语义特性向量之间的差值，以所述差值的范数的平方作为患者之间的语义相似度。3.根据权利要求1所述的一种用于颈椎病病理信号的聚类集成方法，其特征在于，所述聚类稳定性评估指标的获取方法具体为：其中，ICS
k
表示聚类稳定性评估指标，表示第i个患者在第k次划分的匹配程度，n表示患者的数量。4.根据权利要求1所述的一种用于颈椎病病理信号的聚类集成方法，其特征在于，所述第一目标函数的获取方法具体为：其中，O
k
为第一目标函数，表示第i个患者和第j个患者之...

【专利技术属性】
技术研发人员：王娜娜，
申请(专利权)人：河南大学，
类型：发明
国别省市：