遗传算法多分类器的创伤患者监测指标筛选方法和系统与流程

本发明属于计算机辅助医疗监测，涉及遗传算法多分类器的创伤患者监测指标筛选方法和系统。

背景技术：

1、创伤患者入院后，其生理生化检测指标种类繁多，包括凝血功能、血常规、代谢产物等多类项目。临床实践中，不同创伤类型如颅脑损伤、胸腹联合伤、长骨骨折等的患者在伤情演变过程中，各项检测指标的变化规律存在显著差异，某些指标对特定创伤类型的伤情变化敏感，而对其他类型则关联微弱。当前医疗机构通常按照固定的广谱检测套餐对全部创伤患者进行周期性监测，这种一刀切的监测模式虽然保障了数据的全面性，却引入了大量冗余信息，不仅增加了医护人员的阅读和判读负担，也使得真正具有预警价值的核心指标淹没在海量数据之中。如何在众多可用的检测项目中，针对不同创伤类型的内在病理生理特征，筛选出具有代表性的少量关键指标，是提升伤情监测效率和准确性的首要前提。

2、现有技术中，针对伤情监测指标的筛选方法主要依赖于临床专家的经验判断或采用单变量统计检验方式。经验判断法受限于医师个人的知识背景和临床阅历，筛选结果的主观性强且难以复现；单变量统计检验方式逐一评估每个检测指标与伤情结局之间的关联显著性，但忽略了检测指标之间的协同互补关系，也难以反映不同创伤类型对同一指标的不同响应特征。近年来，部分研究尝试采用经典的特征选择算法，但这类算法大多基于单一评价准则和单一分类器结构，对不同创伤类型数据分布的适应性不足。当数据中各类创伤样本的数量不均衡或不同类型间的指标判别难度差异较大时，单一分类器引导的搜索过程往往倾向于优化多数类或易分类型的判别效果，而忽视了对少数类或难分类型具有特异性的指标，导致最终筛选出的指标集合在覆盖各类创伤的监测需求时存在盲区。

技术实现思路

1、针对上述缺陷，本技术提出遗传算法多分类器的创伤患者监测指标筛选方法和系统。该策略首先按照创伤类型将患者数据划分为多个独立的数据组，为每一组配置专用的分类器，使每一个分类器仅针对一种创伤类型进行指标子集搜索，从而保证每种类型的特异性指标均能被各自对应的分类器识别和保留。遗传算法作为全局搜索工具，能够在庞大的指标组合空间中高效逼近最优指标子集，避免局部最优困境。随后，通过合并所有分类器寻获的最优指标子集并依据线性相关性进行二次排序，既保留了各类创伤的关键监测指标，又借助线性相关性剔除了与所有类型均无明确线性关系的非特异性项目。上述过程不需要进行任何数据归一化或标准化预处理，也不依赖多源数据的外部融合，仅基于同一临床数据体系内部的指标实测值和类型标签即可完成筛选，最终输出的监测指标集合能够兼顾各类创伤的差异化需求，为临床伤情监测提供客观、明确且可操作性强的指标清单。

2、根据本发明第一方面，本技术提供一种遗传算法多分类器的创伤患者监测指标筛选方法，包括：

3、s1，获取创伤患者的临床病历信息以及相对应的各项检测指标数据，所述临床病历信息中包含对每一患者所确诊的创伤类型标识；

4、s2，根据所述创伤类型标识将全部患者的检测指标数据划分为多个类别数据组，并为每一类别数据组分别配置对应的分类器，以检测指标数据为输入，以该检测指标数据所属创伤类型的判别结果为输出；

5、s3，针对每一分类器，将所对应的类别数据组中的检测指标数据作为分析对象，并以全部检测指标项目构成候选指标全集，采用遗传算法在所述候选指标全集中搜索使该分类器在当前分析对象上的判别性能达到最优指标子集；

6、s4，收集每一分类器通过遗传算法搜索得到的最优指标子集，将所有最优指标子集中的检测指标项目执行合并去重操作，形成集成指标集合；

7、s5，对于所述集成指标集合中的每一检测指标，计算该检测指标的数值序列与各类创伤类型标识序列之间的线性相关程度，得到该检测指标对应的创伤类型的线性相关系数值，根据所述线性相关系数值对所有检测指标进行综合排序，从集成指标集合中选取出最终用于伤情监测的监测指标集合。

8、进一步地，所述分类器选自支持向量机分类器、决策树分类器或随机森林分类器中的任意一种，所述分类器的参数采用默认参数配置，并且每一类别数据组所配置的分类器类型相同或不同。

9、进一步地，所述遗传算法在执行搜索之前，先随机生成初始种群，所述初始种群中包含多个染色体个体，每个染色体个体对应所述候选指标全集的随机指标子集，种群规模根据检测指标项目的总数确定，遗传算法在每一代进化中，按照适应度值从当前种群中选取适应度值排名靠前的部分染色体个体作为精英个体直接保留至下一代种群。

10、进一步地，所述遗传算法在每一代进化过程中，执行以下选择操作、交叉操作和变异操作：

11、在选择操作中，基于当前种群中各染色体个体的适应度值计算每个个体被选中的概率，适应度值越高的个体被选中的概率越大，按照所述概率从当前种群中随机抽取两个染色体个体作为父代亲本；

12、在交叉操作中，对抽取到的两个父代亲本的二进制编码，随机确定一个或多个交叉位点，在每一交叉位点处交换两个父代亲本对应位置的二进制位值，生成两个新的子代染色体个体，将生成的子代染色体个体加入临时种群；

13、在变异操作中，对临时种群中的每一子代染色体个体，以设定的变异概率随机选取该子代染色体个体的二进制编码中的多个位，将所选取的位上的二进制位值改变得到变异后的子代染色体个体；

14、将变异后的子代染色体个体与上一代保留的精英个体共同构成新一代种群，并计算新一代种群中每个染色体个体的适应度值，重复执行选择操作、交叉操作和变异操作直至满足遗传算法的终止条件，将终止时种群中适应度值最高的染色体个体所对应的指标子集作为该分类器的最优指标子集。

15、进一步地，所述s4中的合并去重操作为：

16、建立空集合，遍历所有分类器的最优指标子集，将每个最优指标子集中的所有检测指标项目逐一加入所述空集合中，若某一检测指标项目已在集合中存在则不重复添加，若不存在则添加至集合中，遍历完毕后得到的集合即为所述集成指标集合。

17、进一步地，所述s5中计算检测指标的数值序列与创伤类型标识序列之间的线性相关程度时，将每一患者的创伤类型标识转换为数值型编码，同一创伤类型对应同一数值编码，不同创伤类型对应不同数值编码，将检测指标的实测数值按照患者顺序排列为第一序列，将对应的数值型编码按照相同患者顺序排列为第二序列，计算第一序列与第二序列之间的协方差，并计算第一序列的标准差和第二序列的标准差，将所述协方差除以第一序列的标准差与第二序列的标准差的乘积，得到该检测指标与该创伤类型之间的线性相关系数值。

18、进一步地，所述s5中根据所述线性相关系数值对所有检测指标进行综合排序，从集成指标集合中选取出最终用于伤情监测的监测指标集合包括：

19、针对集成指标集合中的每一检测指标，根据该检测指标对应每一种创伤类型的线性相关系数值，构建该检测指标的相关性向量，该向量的维度等于创伤类型的种类数量，每一维度的值为该检测指标与对应创伤类型的线性相关系数值；

20、对所述相关性向量中各维度的绝对值进行求和，得到该检测指标的综合相关性得分或者对所述相关性向量中各维度的平方和求平方根，得到该检测指标的综合相关性得分，或者取所述相关性向量中各维度绝对值的最大值作为该检测指标的综合相关性得分；

21、根据每一检测指标的综合相关性得分，按照从大到小的顺序对集成指标集合中的所有检测指标进行排序，形成排序列表；

22、从所述排序列表的起始位置开始，依次选取检测指标，直至所选取的检测指标的数量达到预设选取数量，将所选取的检测指标构成所述最终用于伤情监测的监测指标集合；

23、若在排序列表中存在综合相关性得分相同的多个检测指标，则针对这些得分相同的检测指标，比较各自相关性向量中绝对值最大的维度所对应的创伤类型，按照创伤类型的预设优先级顺序确定这些检测指标的先后次序。

24、进一步地，所述s3中分类器的判别性能通过k折交叉验证方式评估，具体为：

25、遗传算法的染色体编码方式为二进制编码，每一位二进制位对应一项检测指标，取值为1表示选中该指标，取值为0表示未选中该指标，遗传算法的适应度函数设置为该分类器基于当前染色体所对应的指标子集对验证样本进行创伤类型判别的准确率；

26、将分类器所对应的类别数据组中的检测指标数据随机均分为k个子集，轮流将其中一个子集作为验证样本，其余k-1个子集作为参考样本，分类器基于当前染色体对应的指标子集在参考样本上建立判别规则，利用该判别规则对验证样本进行创伤类型判别，统计验证样本中判别正确的样本数量与验证样本总数量之比作为此次验证的准确率，将k次验证的准确率的平均值作为该染色体个体的适应度值。

27、进一步地，所述遗传算法的终止条件为：判断当前种群的最优适应度值在连续多个代进化中的变化量是否低于预设变化量阈值，若是则终止进化；或者，判断当前已执行的进化代数是否达到预设最大进化代数，若是则终止进化；当同时设置上述两种终止条件时，满足其中任意一种即终止进化。

28、根据本发明第二方面，本发明请求保护一种遗传算法多分类器的创伤患者监测指标筛选系统，包括：

29、一个或多个处理器；

30、存储器，其上存储有一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据所述的一种遗传算法多分类器的创伤患者监测指标筛选方法。

31、本发明属于计算机辅助医疗监测技术领域，涉及遗传算法多分类器的创伤患者监测指标筛选方法和系统。获取创伤患者的临床病历信息及检测指标数据，依据创伤类型标识将全部样本划分为多个类别数据组并配置分类器，以全部检测项目为候选全集，采用遗传算法得到分类器判别准确率最高的最优指标子集合并去重形成集成指标集合，计算每一项检测指标数值序列与各类创伤类型标识序列之间的线性相关系数，并进行综合排序选取监测指标集合。本发明避免单一评价带来的偏向性，在庞大组合空间内高效逼近最优指标子集，剔除与创伤类型无明确线性关系的冗余项目，输出精简有效且覆盖各类创伤需求的监测指标清单，显著提升临床伤情监测的数据聚焦度和判别可靠性。