一种用于颈椎病病理信号的聚类集成方法

技术领域

本发明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。

背景技术

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。

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。

发明内容

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，本发明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：

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。

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：

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。

优选地，所述聚类稳定性评估指标的获取方法具体为：

其中，ICS

优选地，所述第一目标函数的获取方法具体为：

其中，O

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：

其中，

优选地，所述类别的评价指标的获取方法具体为：

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。

优选地，所述个体相似度的获取方法具体为：

其中，

优选地，所述根据第二目标函数筛选得到优选类别具体为：

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。

优选地，所述共协矩阵的获取方法具体为：

其中，CM

本发明实施例至少具有如下有益效果：

本发明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

为了更清楚地说明本发明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发明的一些实施例，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。

图1是本发明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

为了更进一步阐述本发明为达成预定发明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，对依据本发明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。

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发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明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。

实施例：

请参阅图1，其示出了本发明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：

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。

首先，需要说明的是，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。运动疗法是颈椎病综合治疗中不可或缺的治疗方法。它可以锻炼颈部局部肌肉，增强肌肉力量，缓解肌肉痉挛，减少复发。因此，有必要根据反映与颈椎功能障碍相关的病理变化的颈部肌肉问题对颈椎病患者进行聚类。根据聚类结果，医生可以为不同的患者制定运动康复计划。

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，在本实施例中，通过表面肌电图获取患者的颈部肌电数据，以患者的颈部肌电数据作为患者颈部肌肉病理特征数据。

具体地，在本实施例中，如表1所示，表1为语义特征向量元素表，患者的颈部肌电数据包括SYM、UN、DU、ACI和FRR、RMS，分别表示对称性特征、协调性特征、肌肉激活时间、肌肉激活模式和肌肉力量，分别反映了患者的肌肉对称性、肌肉协调性、肌肉激活时间、肌肉激活模式以及肌肉力量，患者的颈部肌电数据能够反映不同类型的肌肉问题，如表1所示。

表1

由患者的颈部肌电数据构成患者的语义特征向量，可以表示为SF＝(ε,α,β,γ,δ)。

需要说明的是，表面肌电图是一种重要的生理信号，能够反映颈部肌肉功能状态。生理信号数据具有高纬度和低样本量的特点，降维技术和特征抽取是解决高纬度低样本数据的有效方法，并且语义特征抽取可以提供颈椎病病变的语义信息。因此，在本实施例中，对高纬度小样本的肌电数据构成的数据集合进行语义特征的抽取，获得低纬度的语义特征信息构成的集合，进而后续可以对低纬度的语义特征信息进行聚类，以获得低纬度的基类。

然后，根据患者的语义特征向量得到患者之间的语义相似度，利用语义相似度表征样本的语义特征之间的相似程度。具体地，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，用公式表示为：

其中，

构建聚类稳定性评估指标，利用聚类稳定性评估指标衡量每个聚类的总体个体稳定性。所述聚类稳定性评估指标的获取方法具体为：

其中，ICS

结合聚类稳定性评估指标，改进聚类算法中的目标函数，进而改进k-means聚类算法的聚类过程，即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；基于聚类稳定性评估指标和第一目标函数对患者进行聚类。

所述第一目标函数的获取方法具体为：

其中，O

基于第一目标函数，采用k-means聚类算法对患者进行第一次聚类，得到第一次聚类的多个类别，在本实施例中聚类结果的每个类别均为基类，同时第一次聚类的过程可以看作是第一次基类生成过程，第一次聚类结果即可以表示第一次基类划分结果。

具体地，从集合D

需要说明的是，相比于现有的高维度数据降维方法忽略了数据物理意义使得最终的聚类结果不具有实际意义，本发明实施例通过构建和抽取与颈椎病病理相关得到语义特征来减少样本维度，不但可以有效提高计算效率，而且不同的病理特征可以有效的表征聚类，进而针对不同类别的病理现象制定康复计划。

步骤二，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。

首先，对第一次聚类结果中的各个类别内的个体样本进行分析，进而获得每个类别的稳定性情况，基于每个类别的稳定性情况利用阈值筛查法，对所有类别进行筛选。获聚类结果中取患者在对应类别中的匹配程度，利用匹配程度表征一个聚类内个体与该聚类的关联性。所述匹配程度用公式表示为：

其中，

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，具体地，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。类别的评价指标表征了该类别内个体的一致性程度，类别的评价指标用公式表示为：

其中，ICS

基于患者对应的匹配程度对个体进行筛选，将以样本为中心的类别转换为以个体为中心的类别。具体地，当患者对应的匹配程度小于第一阈值时，该患者的标签定义为第一数值，当患者对应的匹配程度小于第二阈值时，该患者的标签定义为第二数值。

其中，在本实施例中，第一阈值的取值为1，第二阈值的取值为3，第一数值的取值为0，第二数值的取值为1。即当

然后，将基于语义特性的样本相似度距离转换为基于个体特征的相似度距离，即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，用公式表示为：

其中，

根据第一次基类生成结果构成的类别集合P＝{P

具体地，根据评价指标和个体相似度得到第二目标函数，根据第二目标函数筛选得到优选类别，用公式表示为：

其中，O

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。即遍历第二目标函数值构成的集合O，筛选出满足阈值条件的类别。

需要说明的是，利用现有的聚类算法进行聚类处理时，由于一个个体包含多个样本，个体的样本值不同，处于同一状态的个体的样本被分到不同的类别中，很难判断个体被分配到哪个簇中更合理。本发明实施例通过对个体的一致性程度进行分析，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。

步骤三，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。

首先，对优选类别内的所有患者进行融合，即对筛查过的基类进行融合，进而使用改进的K-means算法对其进行二次聚类，从而确保获得稳定的基类。

对于融合后的所有患者样本，根据证据积累框架基于样本的共现生成一个共现矩阵M

聚类融合将不同算法或者同一算法下使用不同参数得到的结果进行合并，从而得到比单一算法更为优越的结果。在聚类融合中，先要产生数据集的多个聚类成员，然后对这些聚类成员的聚类结果采用共识函数进行合并。共识函数可以采用Co-association矩阵，即共协矩阵，用于衡量数据点之间的相似度。

在本实施例中采用共协矩阵融合共现矩阵，融合后的共协矩阵中每一个单元定义为：

其中，CM

最后基于共现矩阵和第二目标函数利用k-means聚类算法对融合后的患者进行第二次聚类，获得最优的类别划分结果，即最优类别。

具体地，从融合后的共协矩阵中选择m个样本作为质心，并将样本的初始个体一致性设置为3；计算样本之间的欧几里得距离，根据欧几里得距离选择新的质心；进而输出类别集合P＝{P

需要说明的是，现有K-means聚类方法通常通过优化最小类内间距最大化类间间距获得最终聚类，该过程会产生大量的不稳定的聚类结果。本发明首先在原算法的优化目标函数的基础上插入个体稳定性，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。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。