买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：岭南师范学院

摘要：本发明公开了基于改进函数因果似然度的糖尿病危险因素因果发现方法，属于医学信息化技术领域；该方法包括获取糖尿病危险因素变量子集的联合分布；根据所述联合分布与因果结构求观察数据的对数似然度；将所述观察数据的对数似然度转化成观察数据噪声的对数似然度，进而建立糖尿病危险因素FCL模型；通过调整阈值对所述糖尿病危险因素FCL模型进行修正，获得糖尿病危险因素IFCL模型，利用所述糖尿病危险因素IFCL模型发现危险因素的因果关系。本申请引入调整阈值，构建糖尿病危险因素IFCL模型，利用所述糖尿病危险因素IFCL模型发现危险因素的因果关系，减少糖尿病危险因素因果结构的冗余边和错误边，进而生成优化的糖尿病危险因素因果结构。

主权项：1.基于改进函数因果似然度的糖尿病危险因素因果发现方法，其特征在于，包括：获取糖尿病危险因素变量子集的联合分布，具体包括：设{X1,X2,···,XN}为糖尿病危险因素变量集合，其中N为糖尿病危险因素变量个数；令G为子集X＝{X1,X2,···,Xn}上的因果结构，n为具有因果关系的糖尿病危险因素变量个数；PXi＝x为变量Xi＝x的概率，x为对应的观测值；为变量Xi在其所有因变量条件下的概率，其中1≤i≤n≤N，i为具有因果关系的糖尿病危险因素变量下标；设因果结构G满足因果马尔可夫假设、因果忠诚性假设，则其联合分布PX表示为： 其中为变量Xi的所有因变量；根据所述联合分布与因果结构求观察数据的对数似然度，具体包括：给定危险因素观察数据其中为n维向量，即令表示为包含的观测值，观察数据的对数似然度为： 将所述观察数据的对数似然度转化成观察数据噪声的对数似然度，进而建立糖尿病危险因素FCL模型，具体包括：设Ei表示Xi对应的随机噪声变量，采用加性噪声模型作为因果关系生成机制，其中Fi是Xi的因果函数，随机噪声变量Ei独立于因变量因此，有如下等式： 其中，表示为包含的观测值，为Xi的所有因变量；由式2和3可知，观察数据的对数似然度等于观察数据噪声的对数似然度；又设S＝G,F为其因果结构，F为因果函数集合，则观察数据噪声的对数似然度为： O为观察数据集合，加入贝叶斯信息准则后的正则化对数似然度为： 式5为糖尿病危险因素FCL模型，其中di为估计Xi使用的系数；通过最大化式5来得到因果结构，maxLBS；O＝maxGsupFLBG,F；O，即为基于糖尿病危险因素FCL模型因果发现方法，其包含两个过程：①拟合与优化因果函数supFLBG,F；O，得到初始因果结构；②采用爬山法筛选目标对数似然度最大的因果结构maxGLBG,F；O，在迭代更新过程中，Xi的局部更新规则为： 通过调整阈值对所述糖尿病危险因素FCL模型进行修正，获得糖尿病危险因素IFCL模型，利用所述糖尿病危险因素IFCL模型发现危险因素的因果关系，具体包括：在式5中引入调整阈值进行修正，修正后的模型为： 式7为改进的糖尿病危险因素IFCL模型，其中α为调整阈值；在爬山法中，式6依然为迭代过程中Xi的局部更新规则，迭代终止条件变为在迭代过程中未发生更新的节点对数似然度为： 迭代后的糖尿病危险因素因果结构对数似然度表示为： 其中，α′是迭代后的总阈值；由7式可知，初始糖尿病危险因素IFCL模型的总阈值为nα，视为每个因果节点对数似然度都具有一个阈值α，即 每次使用式6进行迭代后，更新的节点对数似然度都会有一个阈值α减少，这会致使迭代后的总阈值小于初始糖尿病危险因素IFCL模型的总阈值，即α′＜nα；因此，迭代过程中必须搜索到对数似然度更大的因果节点，才能达到迭代终止条件这是基于IFCL模型的糖尿病危险因素因果发现方法能输出更优化因果结构的根本原因。

全文数据：

权利要求：

百度查询： 岭南师范学院 基于改进函数因果似然度的糖尿病危险因素因果发现方法