一种基于智能骨松预测模型的骨松预测方法

本发明涉及骨松预测，具体而言，涉及一种基于智能骨松预测模型的骨松预测方法。

背景技术：

1、骨质疏松症(osteoporosis)是一种可诊断、可治疗的疾病[4]，由于多种原因导致的骨密度和骨质量下降，骨微结构破坏，造成骨脆性增加，从而容易发生骨折的全身性骨病。骨质疏松症分为原发性和继发性二大类。骨质疏松症结合不同人的生活习惯、生活环境、身体状况等会由不同的因素造成。

2、目前，对于骨质疏松的预测还没有系统性的分析方式，简单的主要是利用人工神经网络进行自主学习式的预测分析，但这样的方式一方面不能充分的进行影响因素特征的提取，需要耗费较多的资源和时间才能完成，另一方面没有形成导致骨质疏松症相关因素的关联性分析，仅是基于单因素的可能性分析，预测分析的准确度不高。

3、因此，设计一种基于智能骨松预测模型的骨松预测方法，通过对造成骨质疏松的关联因素的自动化特征信息提取和关联性分析，形成了更加系统高效的预测模型，大大提高了骨松预测的准确性，是目前亟待解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于智能骨松预测模型的骨松预测方法，通过对采集的具有目标骨对象数据进行正常骨质和骨松标定的对象划分来分别提取正常骨质的骨预测特征数据以及骨松预测特征数据，并将正常骨质预测特征数据与骨松预测特征数据进行对比分析，提取出骨松预测更为准确的特征信息，为后续骨松预测提供准确的预测对比数据，同时结合导致骨松可能得因素进行合理的关联性分析，确定出不同因素影响产生骨松的相关性大小，进而为后续在进行目标对象的骨松预测时建立不同因素综合分析的预测模型，大大提高了骨松预测综合分析的准确度，使对骨松的预测更加系统化。另外，周期性的采集新的大数据对预测模型进行更新，可以充分借助大数据的优势自动实现预测精度的提升，使预测模型更加准确且合理。

2、第一方面，本发明提供一种基于智能骨松预测模型的骨松预测方法，包括获取含骨预测对象的检测标定样本数据，并提取标定为骨松的样本数据进行初始预测特征信息的分析，形成初始骨松预测特征数据；从检测标定样本数据中提取标定为正常骨质的样本数据进行正常预测特征信息的分析，形成正常骨质预测特征数据；根据初始骨松预测特征数据和正常骨质预测特征数据，进行预测特征信息的筛选分析，建立骨松预测模型；根据骨松预测模型，对含骨预测对象的待检测目标进行骨松预测分析，形成骨松预测指示结果信息；周期性更新检测标定样本数据，并根据更新的检测标定样本数据对骨松预测模型进行优化更新。

3、在本发明中，该方法通过对采集的具有目标骨对象数据进行正常骨质和骨松标定的对象划分来分别提取正常骨质的骨预测特征数据以及骨松预测特征数据，并将正常骨质预测特征数据与骨松预测特征数据进行对比分析，提取出骨松预测更为准确的特征信息，为后续骨松预测提供准确的预测对比数据，同时结合导致骨松可能得因素进行合理的关联性分析，确定出不同因素影响产生骨松的相关性大小，进而为后续在进行目标对象的骨松预测时建立不同因素综合分析的预测模型，大大提高了骨松预测综合分析的准确度，使对骨松的预测更加系统化。另外，周期性的采集新的大数据对预测模型进行更新，可以充分借助大数据的优势自动实现预测精度的提升，使预测模型更加准确且合理。

4、作为一种可能的实现方式，获取含骨预测对象的检测标定样本数据，并提取标定为骨松的样本数据进行初始预测特征信息的分析，形成初始骨松预测特征数据，包括：设定骨松预测因素，形成初始骨松预测因素集；根据初始骨松预测因素集，在标定为骨松的每个样本对象上获取所有骨松预测因素的样本采集值，形成样本对象下不同骨松预测因素的样本对象因素采集值；对每个骨松预测因素，集合所有标定为骨松的样本对象下的样本对象因素采集值，形成预测因素采集值集；对每个预测因素采集值集进行特征影响范围分析，形成因素初始预测特征范围集；结合初始骨松预测特征因素集中所有骨松预测因素对应的因素初始预测特征范围集，形成初始骨松预测特征数据。

5、在本发明中，考虑引起骨松的因素多样，这些因素综合作用诱发骨松。因此，在进行骨松预测时，针对这些影响因素进行诱发骨松所要达到的水平特征进行提取是后续利用这些特征信息进行准确的骨松预测的基础。考虑诱发骨松的因素较多，因而在进行因素特征信息的提取时，对因素的选定可以是输入设定，也可以基于大数据信息进行筛选。需要说明的是，对于获得的骨松预测因素由于需要提取出进行骨松预测判断的特征信息才能完全确定所分析的骨松预测因素是真正能够诱发骨松的因素，所以初期确定的骨松预测因素还不能完全断定是预测所需的因素。通常来说，身高、体重、运动量、与影响骨质发育的营养摄入量等都是关联骨松诱发的因素，基本上所有的因素都是可以量化的，因而在对样本数据进行特征信息提取时以量化的采集值作为特征信息提取分析的主要形式，一方面可以充分把握因素在诱发骨松上所需达到的水平条件，另一方面也大大简化了特征信息提取分析的复杂度。

6、作为一种可能的实现方式，对每个预测因素采集值集进行特征影响范围分析，形成因素初始预测特征范围集，包括：将预测因素采集值集中所有的样本对象因素采集值进行拟合离散化分析，形成因素拟合离散采集值和每个因素拟合离散采集值对应的拟合数量值；根据所有因素拟合离散采集值和对应的拟合数量值，进行连续拟合分析，形成骨松预测因素对应的骨松标定特征连续函数fn(x)，其中，x为编号为n的骨松预测因素所对应的因素采集值，选定的x根据骨松标定特征连续函数fn(x)所获取的数值为对应的因素数量值；根据骨松标定特征连续函数fn(x)，进行基于变化量的特征范围提取，形成骨松预测因素对应的因素初始预测特征范围集。

7、在本发明中，可以理解的是，对于所要分析的初始骨松预测因素，通过基于大数据下的采集值来获取预测骨松的特征信息，这些骨松预测因素对应的采集值虽然是离散的数据信息，但在大数据下能够表征出连续数据的特征形式，这种连续数据的波动特征或者分布特性能够充分反映出初始骨松预测因素在到达何种取值水平时产生骨松诱发的影响。因此在获取离散的采集值后根据这些离散采集值进行连续变化规律的拟合来获取特征信息，以完整且充分的提取初始骨松预测因素所对应的特征范围数据。不同的初始骨松预测因素在诱发骨松的作用上具有不同的影响程度，因而不同初始骨松预测因素对应的连续特征曲线也是不同的，所以分别进行每个初始骨松预测因素的连续特征曲线的拟合以准确把握每个初始骨松预测因素在诱发骨松上的特征。

8、作为一种可能的实现方式，根据所有因素拟合离散采集值和对应的拟合数量值，进行连续拟合分析，形成骨松预测因素对应的骨松标定特征连续函数fn(x)，包括：在以因素拟合离散采集值为横轴单位，以拟合数量值为竖轴单位的拟合坐标系下，将所有因素拟合离散采集值和对应的拟合数量值以拟合离散点的形式标记在拟合坐标系中；设定聚类距离阈值α，并根据聚类距离阈值α对拟合坐标系中所有的拟合离散点进行聚类分析，形成聚类拟合点；根据聚类分析形成的所有聚类拟合点和剩余的拟合离散点，进行函数拟合，形成骨松预测因素对应的骨松标定特征连续函数fn(x)。

9、在本发明中，采用离散采集值进行特征曲线的拟合的方式多样。本发明提供一种较为合理的拟合方式，该方式主要是在拟合的前期对原始的采集值进行有效且合理的聚类分析，形成在拟合时更加直观反应变化特征的离散离合点数据。考虑每个采集值对应不同的样本对象，因而不能直接简化删除任意的采集值，因为每个采集值都是有效的。可以理解的是，对于初始骨松预测因素来说，其所达到的能够诱发骨松的数值水平可能会有多个不同的数值范围，这样对于所采集的标定为骨松的样本对象的采集值信息所展现出来的就是大量的离散点集中分布在一些数值范围下且呈现一定的波动状态。利用离散点进行连续特征曲线的拟合就是要将这种聚集的范围下的波动特征表达出来，因而在进行分析时，考虑某些集中度较高的离散点不利于特征曲线的拟合，因而进行聚类的分析将这些集中度较高的离散点聚类成等效的拟合点，一方面拟合点充分把握了这些集中度较高的离散点的分布或者波动趋势，另一方面也有利于拟合时快速高效的形成更加直观的特征曲线，有利于合理的进行特征范围的提取处理。对于聚类距离阈值来说，其可以根据离散点实际的集中程度来设定，也可以基于大数据分析确定。

10、作为一种可能的实现方式，设定聚类距离阈值α，并根据聚类距离阈值α对拟合坐标系中所有的拟合离散点进行聚类分析，形成聚类拟合点，包括：提取任意的拟合离散点确定为对象离散点，在对象离散点为中心，聚类距离阈值α为半径的圆形范围内进行以下形式的聚类离散点收集：若在圆形范围内不存在其他的拟合离散点，则判断对象离散点为孤立拟合离散点，并继续提取除对象离散点外的任意拟合离散点继续建立圆形范围进行聚类分析；若在圆形范围内存在其他的拟合离散点，则将存在的其他拟合离散点标记为聚类拟合离散点，继续以每个聚类拟合离散点为中心建立半径为聚类距离阈值α的圆形范围进行聚类分析，直至不再获取到新的聚类拟合离散点，将获取到的所有聚类拟合离散点和对象离散点集合形成聚类拟合离散点集，并继续提取除聚类拟合离散点集中包含的拟合离散点外的任意拟合离散点继续建立圆形范围进行聚类分析；对获取到的每个聚类拟合离散点集进行以下形式的聚类拟合，形成对应的聚类拟合点：获取聚类拟合离散点集中所有拟合离散点在拟合坐标系中的位置信息，形成聚类拟合离散点位置信息集其中，i为聚类拟合离散点集的编号，k为编号为i的聚类拟合离散点集中拟合离散点的编号；根据聚类拟合离散点位置信息集，确定对应的聚类拟合点bi，聚类拟合点bi满足聚类总距离最小，且聚类拟合点bi的纵坐标位置取整数，其中：聚类总距离sk表示聚类拟合点到编号为k的拟合离散点的距离。

11、在本发明中，在进行离散点的聚类分析时，考虑初始骨松预测因素能够诱发骨松的特征范围可能会有多个，因而离散点的集中也可能有多个。因此在进行聚类分析时，首先对离散点存在多少个需要进行聚类分析的集中范围进行判断。通常，同一个范围下集中的离散点其在集中度较高的区域，相邻的离散点之间的距离都会小于给定的聚类距离阈值，这些集中度高的离散点会因为均满足于周围的离散点之间的距离小于聚类距离阈值而形成连续的区域范围。通过扩散式的进行相邻离散点的距离判断进而可以确定需要聚类的离散点信息。在聚类时，由于每个采集值均对应不同的样本对象，且都具有有效性，因而不能删除采集值相同的重复样本对象，毕竟在进行聚类时采集值相同的数据重复出现是对聚类时形成的拟合点的位置产生实际有效的权重偏离影响，进而影响特征曲线的拟合。这样，就需要在聚类分析时考虑采集值和对应的数量情况了，因此以采集值和数量为聚类分析的对象元素，进行在这两个元素特征下的最小距离拟合，能够形成实际有效的等效于这些聚类离散点的拟合点。需要说明的是，采集值对应的数量因为是样本对象，所以为了保证拟合点的实际有效性，其在进行聚类分析时，数量元素必须取得整数。

12、作为一种可能的实现方式，根据骨松标定特征连续函数fn(x)，进行基于变化量的特征范围提取，形成骨松预测因素对应的因素初始预测特征范围集，包括：确定骨松标定特征连续函数fn(x)在拟合坐标系的横坐标位置上的最小边界值xmin和最大边界值xmax，并根据最小边界值xmin和最大边界值xmax确定平均水平量yave，其中：根据平均水平量yave，确定出骨松标定特征连续函数fn(x)上超过平均水平量yave的所有横坐标取值范围，形成因素初始预测特征范围t表示编号为n的骨松预测因素对应因素初始预测特征范围的编号；集合所有因素初始预测特征范围形成因素初始预测特征范围集。

13、在本发明中，在获取到初始骨松预测因素所对应的连续特征曲线后，需要正确的从连续特征曲线中提取出用于预测骨松的特征范围。考虑连续特征曲线的数据基础是标定为骨松的样本对象的数据，这些原始数据本身就可能已经达到了诱发骨松的数值水平，因此可以通过平均水平的分析方式来取得更加明显的特征范围。通过在取值范围上进行连续特征曲线的积分处理来确定平均水平线，进而划定出连续特征曲上超过平均水平线的范围端点值，进而获取到初始骨松预测因素对应的具有明显预测特征的数值范围。

14、作为一种可能的实现方式，从检测标定样本数据中提取标定为正常骨质的样本数据进行正常预测特征信息的分析，形成正常骨质预测特征数据，包括：根据初始骨松预测因素集，在标定为正常骨质的每个样本对象上获取所有骨松预测因素的正常采集值，形成样本对象下不同骨松预测因素的对象因素正常采集值；对每个骨松预测因素，集合所有标定为正常骨质的样本对象下的对象因素正常采集值，形成因素正常采集值集；对每个因素正常采集值集进行离散值的特征拟合分析，形成因素正常特征连续函数；根据因素正常特征连续函数，进行正常特征范围的提取，形成因素正常特征范围集；结合初始骨松预测特征因素集中所有骨松预测因素对应的因素正常特征范围集，形成正常骨质预测特征数据。

15、在本发明中，需要说明的是，在对标定为骨松的样本对象进行所确定的初始骨松预测因素对应的能够预测骨松的特征范围信息进行分析提取后，并不能直接认定这些特征范围就是能够诱发骨松的特征范围，毕竟初始骨松预测因素仅是分析初期所确定的可能诱发骨松的因素。因而需要对正常样本数据进行相同的因素的特征信息采集，获取到正常水平下这些初始骨松预测因素的正常特征范围。以便在后续将正常特征范围和预测骨松的特征范围进行对比确定出真正能够诱发骨松的因素抑或是对于诱发骨松影响较大的因素，当然确定出的是能够诱发骨松的因素还是诱发影响较大的因素取决于在进行特征范围提取时诸如聚类距离阈值、特征范围的端点取值等条件量的设定情况。这些条件量的设定根据实际的分析需要来进行确定。另外，对于因素正常特征范围的获取同样可以采用与从标定为骨松的样本对象中提取因素初始预测特征范围的方式相同的形式取得，这里不在赘述，当然，也可以根据实际情况进行新方式的分析处理。

16、作为一种可能的实现方式，根据初始骨松预测特征数据和正常骨质预测特征数据，进行预测特征信息的筛选分析，建立骨松预测模型，包括：对相同的初始骨松预测特征因素，将初始骨松预测特征数据和正常骨质预测特征数据进行对比分析，确定关联骨松预测特征因素以及关联骨松预测特征因素对应的预测特征范围数据；对每个关联骨松预测特征因素，根据关联骨松预测特征因素对应的预测特征范围数据，建立关联骨松预测特征因素对应的预测条件函数cv(e)，v表示不同关联骨松预测特征因素的编号，其中：当关联骨松预测特征因素的获取值e不属于对应的预测特征范围数据中任意的预测特征范围，则cv(e)＝0；当关联骨松预测特征因素的获取值e属于对应的预测特征范围数据中任意的预测特征范围，则cv(e)＝1；根据标定为骨松的样本数据的样本量，对不同的关联骨松预测特征因素进行相关性分析，确定每个关联骨松预测特征因素对应的相关性因子βv；根据预测条件函数cv(e)和对应的相关性因子βv，建立以下骨松预测模型：p＝c1(e)*β1+c2(e)*β2+…+cv(e)*βv，p表示骨松预测概率。

17、在本发明中，在分别取得标定为骨松的样本数据的初始骨松预测因素对应的因素初始预测特征范围和正常骨质样本数据下初始骨松预测因素对应的因素正常特征范围后，就可以进行对比分析确定出真正诱发骨松的因素，进而确定这些因素对应的合理预测特征范围。需要说明的是，这些因素并不是单一的作用来诱发骨松，而是综合作用下系统性的产生诱发骨松的影响。因而单一的因素达到特征范围水平不一定或者说大概率的不会诱发骨松，而是需要综合考虑所有的关联骨松预测特征因素是否达到特征范围的取值水平来进行诱发骨松的分析判断，基于此在进行因素初始预测特征范围和因素正常特征范围的判断分析确定关联骨松预测特征因素后就可以建立进行骨松预测的模型，以提供骨松预测的概率引导数据。这里，在预测模型下每个关联骨松预测特征因素达到特征范围水平即能增加诱发骨松的概率，因而对于每个关联骨松预测特征因素在确定特征范围的情况下即可以建立关于预测模型的条件式，以在进行分析判断时提供准确的关联性概率，使预测模型的预测结果更加合理且准确。

18、作为一种可能的实现方式，对相同的初始骨松预测特征因素，将初始骨松预测特征数据和正常骨质预测特征数据进行对比分析，确定关联骨松预测特征因素以及关联骨松预测特征因素对应的预测特征范围数据，包括：对初始骨松预测特征因素对应的所有因素初始预测特征范围将每个因素初始预测特征范围与对应的因素正常特征范围集中的所有因素正常特征范围进行以下对比判断：若因素正常特征范围集中的因素正常特征范围包含初始骨松预测特征因素对应的每个因素初始预测特征范围则确定初始骨松预测特征因素为非关联预测因素；若因素正常特征范围集中的因素正常特征范围与初始骨松预测特征因素对应的每个因素初始预测特征范围均不存在交集，则确定初始骨松预测特征因素为关联骨松预测特征因素，且将所有因素初始预测特征范围确定为对应的预测特征范围；若存在因素正常特征范围集中的因素正常特征范围包含初始骨松预测特征因素对应的部分因素初始预测特征范围则确定初始骨松预测特征因素为关联骨松预测特征因素，且将不具有包含关系的因素初始预测特征范围确定为对应的预测特征范围；若存在因素正常特征范围集中的因素正常特征范围与初始骨松预测特征因素对应的因素初始预测特征范围有交集，则确定初始骨松预测特征因素为关联骨松预测特征因素，且将因素初始预测特征范围排除交集部分后形成的范围确定为对应的预测特征范围；结合关联骨松预测特征因素下所有的预测特征范围，形成对应的预测特征范围数据。

19、在本发明中，这里，对于如何确定初始骨松预测因素为预测模型所需的关联骨松预测特征因素以及对比确定出关联骨松预测特征因素准确的特征范围信息，采用因素初始预测特征范围和因素正常特征范围对比分析的形式进行。即如果初始骨松预测因素不是预测模型所需的关联骨松预测特征因素，则其针对标定为骨松的样本数据提取的特征范围就不是真正得特征范围，这些特征范围其实还是正常数据获取的特征范围，因而这样的初始骨松预测因素所对应的因素初始预测特征范围和因素正常特征范围具有完全的包含关系，且一定是因素正常特征范围包含因素初始预测特征范围，毕竟正常骨质的样本数据量是较大且准确的。如果初始骨松预测因素是预测模型所需的关联骨松预测特征因素，那么因素初始预测特征范围和因素正常特征范围之间就不存在完全的包含关系，而是存在部分交集、没有交集或者仅有部分特征范围被包含的情况。通过范围的对比分析可以快速且准确的确定出关联骨松预测特征因素。同时，在确定出关联骨松预测特征因素后，将关联骨松预测特征因素对应的不与因素正常特征范围重合的因素初始预测特征范围确定为最终的特征范围，该特征范围通过对比处理大大提高了准确性，使得预测模型的分析更加准确且合理。

20、作为一种可能的实现方式，根据标定为骨松的样本数据的样本量，对不同的关联骨松预测特征因素进行相关性分析，确定每个关联骨松预测特征因素对应的相关性因子βv，包括：对标定为骨松的所有样本对象，分别确定每个关联骨松预测特征因素下样本对象的关联骨松预测特征因素采集值属于对应的预测特征范围数据中的预测特征范围的样本对象数量，并获取每个关联骨松预测特征因素对应的关联样本频率wv，其中：qv表示所获取的样本对象的关联预测特征因素采集值属于编号为v的关联骨松预测特征因素对应的预测特征范围数据中的预测特征范围的样本对象数量，qall表示标定为骨松的样本对象总量；根据每个关联样本频率wv，确定对应的相关性因子βv，其中：

21、在本发明中，对于相关性因子，则是体现不同关联骨松预测特征因素相对其他关联骨松预测特征因素诱发骨松的权重比。在确定所有的关联骨松预测特征因素后，可以在标定为骨松的样本数据下，对每个关联骨松预测特征因素进行数量上的频率统计来确定相关性因子。毕竟在标定位骨松的样本数据中，如果关联骨松预测特征因素对诱发骨松的影响较大，那么其出现采集值处于特征范围的频率就越高，因而利用频率统计可以准确的确定出相关性因子的大小，在通过归一化的处理以方面预测模型的结果更加合理且便于进行横向的数据对比。

22、本发明提供的一种基于智能骨松预测模型的骨松预测方法的有益效果有：

23、该方法通过对采集的具有目标骨对象数据进行正常骨质和骨松标定的对象划分来分别提取正常骨质的骨预测特征数据以及骨松预测特征数据，并将正常骨质预测特征数据与骨松预测特征数据进行对比分析，提取出骨松预测更为准确的特征信息，为后续骨松预测提供准确的预测对比数据，同时结合导致骨松可能得因素进行合理的关联性分析，确定出不同因素影响产生骨松的相关性大小，进而为后续在进行目标对象的骨松预测时建立不同因素综合分析的预测模型，大大提高了骨松预测综合分析的准确度，使对骨松的预测更加系统化。另外，周期性的采集新的大数据对预测模型进行更新，可以充分借助大数据的优势自动实现预测精度的提升，使预测模型更加准确且合理。