基于模糊選項(xiàng)關(guān)系的關(guān)鍵屬性提取方法

　　模糊分析方法已廣泛應(yīng)用于醫(yī)學(xué)實(shí)踐包括對(duì)心理疾病的輔助診斷。屬性約簡(jiǎn)方法在過(guò)濾冗余信息并提取關(guān)鍵信息時(shí)起到了重要作用，使整個(gè)臨床決策過(guò)程更加準(zhǔn)確和高效。這些方法抽取的有價(jià)值信息可以從新的視角揭示深層次醫(yī)學(xué)知識(shí)。很多未經(jīng)培訓(xùn)的參與者很難識(shí)別心理量表中選項(xiàng)間模糊的界線，即很難區(qū)分擁有相同意義但程度不同的選項(xiàng)。臨床心理學(xué)自身的模糊性和心理測(cè)量數(shù)據(jù)的模糊性都將帶來(lái)噪聲。如果將心理測(cè)量數(shù)據(jù)中的屬性看作信息系統(tǒng)的條件屬性，利用降維算法可提取關(guān)鍵屬性，從而簡(jiǎn)化對(duì)疑似患者的臨床篩查過(guò)程。實(shí)際使用時(shí)，可對(duì)提取的關(guān)鍵屬性或者擁有高權(quán)重的屬性進(jìn)行重點(diǎn)關(guān)注，從而迅速定位擁有異常關(guān)鍵屬性的患者，對(duì)其優(yōu)先處理。由此該文提出一種稱為FOAD（ Fuzzy-option based Attribute Discriminant method）的基于模糊選項(xiàng)關(guān)系的關(guān)鍵屬性提取方法，包括三個(gè)主要步驟：數(shù)據(jù)獲取、模糊選項(xiàng)的選擇與約簡(jiǎn)以及關(guān)鍵屬性的排序與提取。每個(gè)參與者樣本包含若干身體癥狀屬性，為每個(gè)屬性都選擇一個(gè)程度選項(xiàng)。選擇模糊選項(xiàng)時(shí)須同時(shí)考慮選擇該選項(xiàng)的樣本數(shù)量和選項(xiàng)的程度含義。而模糊選項(xiàng)約簡(jiǎn)筧法作為整個(gè)方法的核心，可以將模糊選項(xiàng)合并到其他選項(xiàng)，以降低心理測(cè)量數(shù)據(jù)中選項(xiàng)的模糊度。實(shí)驗(yàn)中采用兩個(gè)真實(shí)臨床數(shù)據(jù)集驗(yàn)證FOAD算法的性能。首先使用各種屬性提取算法對(duì)測(cè)試數(shù)據(jù)集進(jìn)行處理，獲取關(guān)鍵屬性，然后將輸郵的關(guān)鍵屬性作為條件屬性，以診斷結(jié)論作為分類標(biāo)簽，利用邏輯回歸方法對(duì)樣本數(shù)據(jù)進(jìn)行分類實(shí)驗(yàn)結(jié)果表朗FOAD算法在不增加時(shí)間復(fù)雜度的前提下能將分類準(zhǔn)確率普遍提髙3.3%~14.1%.雖然選項(xiàng)約簡(jiǎn)操作造成部分信息的損失，但是合并模糊選項(xiàng)使選項(xiàng)分布更加清晰.FOAD作用下的LDA（ Linear Discrimination Analysis）對(duì)各種參數(shù)斂感，尤其是對(duì)保留屬性的個(gè)數(shù).LDA的預(yù)測(cè)準(zhǔn)確率從保留最少屬性時(shí)提高6.7%，上升到保留最多屬性時(shí)提高亻4PCA（ Principal Component Analysis）算法選擇的投影方向會(huì)使數(shù)據(jù)方差最大，保留的信息量最多，但分類效果差。因此FOAD算法很難應(yīng)用于提高PCA的預(yù)測(cè)準(zhǔn)確率，甚至在個(gè)別情況下，出現(xiàn)了FOAD引起PCA分類準(zhǔn)確率降低的情況。此外，實(shí)驗(yàn)發(fā)現(xiàn)基于FOAD的LDA算法比其他屬性模糊提取算法具有更高預(yù)測(cè)準(zhǔn)確率。心理診斷數(shù)據(jù)具有明虛的模糊性，一般的統(tǒng)計(jì)分析方法往往不能得到需要的結(jié)果。而利用最新的模糊集和粗糙集等特殊的數(shù)據(jù)預(yù)處理方法可以消除這種數(shù)據(jù)噪聲，提髙臨床診斷效果。