（机械制造及其自动化专业论文）粗糙集理论研究及其在工程和医学诊断中的应用.pdf

摘要 摘要 故障诊断系统发展到今天，仍然面临着支撑理论的局限性、规则获取和更新 困难、诊断模型更新的不同步等各种问题。为此，本文以粗糙集理论为支撑理论， 提出了知识发现模型，并将其分别应用到工程和医学诊断领域，发现了若干有用 的诊断知识。 针对粗糙集理论核心计算环节的计算复杂性问题。本文提出一种适用于连续 和离散条件属性并存的混合条件属性全距离( m i x e d a t t r i b u t e w h o l e d i s t a n c e ，简 称m a w d ) 空间降维模型，并就m a w d 降维方法对于粗糙集理论后续若干重 要计算环节的计算复杂度进行了量化分析，提出了m a w d 模型对于提高粗糙集 核心计算效率的数学评判。 针对故障诊断规则获取问题，本文在所研究的论域空间m a w d 降维模型、 变精度粗糙集模型基础上，结合先进的连续属性i m d v - s o m 启发式自动聚类模 型、决策矩阵计算模型。本文将四个核心模型进行有机的统一和集成，提出了一 种简称为m m s - v p r s ( m a w d m d v - s o m v a r i a b l ep r e c i s i o nr o u g hs e t ) 的知识 发现模型，并实现了程序化，为故障诊断规则的发现提供了精准、高效的规则获 取途径。 本文以工程领域中的旋转机械故障诊断、注射成型质量控制、电子镇流器故 障诊断等着干典型故障诊断问题为对象，开展m m s - v p r s 知识发现模型的应用 性研究，导出了若干有用的工程领域诊断规则。验证了m m s v p r s 知识发现模 型的工程适用性。 为了研究故障诊断模型的更新问题，本文将m m s v p r s 知识发现模型探索 性地应用到医学诊断领域，利用该模型对5 l 例可疑冠心病患者的信息进行全面 分析，得出了较理想的诊断规则。经临床验证，该诊断规则有较高的敏感性与特 异性，可以为早期诊断冠心病提供一种新的途径。 关键词：智能诊断，知识发现，粗糙集，聚类，属性约简，规则，数学模型， 冠，c 病 a b s t r a c t u pt on o w , f a u l td i a g n o s i ss y s t e mi s s t i l lf a c i n gv a r i o u sp r o b l e m ss u c ha st h e l i m i t a t i o no fs u p p o r t i n gt h e o r i e s ，t h ed i f f i c u l t i e si no b t a i n i n ga n dr e n e w i n gt h er u l e s ， n o n - s y n c h r o n i z a t i o no fr e n e w i n gp r o c e s s 嚣o ft h ed i a g n o s t i cm o d e l s t h e r e f o r ei n t h i sp a p e r , w eu s et h er o u g hs e tt h e o r ya sb a s i cs u p p o s i n gt h e o r ya n dp u tf o r w a r da k n o w l e d g ef i n d i n gm o d e l t h i sm o d e li st h e na p p l i e dt oe n g i n e e r i n ga n dm e d i c a l d i a g n o s t i ca r e a sr e s p e c t i v e l y , t of i n ds o m em e a n i n g f u ld i a g n o s t i ck n o w l e d g e t os i m p l i f yt h ec o m p l e x i t yo f c e l c u l a t i o no nr o u g hs e tt h e o r y , w eb r i n gf o r w a r d as p a t i a l - d i m e n s i o n s - r e d u c i n gm o d e ln a m e da sm i x e da t t r i b u t ew h o l ed i s t a n c e ( m a w d ) t h i sm o d e li ss u i t a b l ef o ra n a l y s i so ft h ed a t aw h e r eb o t ht h ec o n t i n u o u s a n dd i s c r e t ea t t r i b u t e sa l ec o e x i s t e d w ef i n d t h a tm a w dm o d e lc a nb eu s e d q u a n t i t a t i v e l yf o rd e a l i n gw i t ht h ec o m p l e x i t yo fc a l c u l a t i o np r o c e s s e so fr o u g hs e t t h e o r ya n di m p r o v et h ec a l c u l a t i o ne f f i c i e n c yo f r o u g hs e tt h e o r y t os o l v et h ep r o b l e mo fo b t a i n i n gf a u l td i a g n o s i sr u l e s ，t h em a w d m o d e l ，t h e v a r i a b l ep r e c i s i o nr o u g hs e t ( v p r s ) m o d e l ，t h ea d v a n c e dc o n t i n u o u sa t t r i b u t e i m d v - s o mh e u r i s t i ca u t o m a t i cc l u s t e r i n gm o d e la n dt h ed e c i s i o nm a t r i xc a l c u l a t i o n m o d e lw e r ei n t e g r a t e di n t h i sp a p e ra n dan e wk n o w l e d g ed i s c o v e r ym o d e lc a l l e d m m s v p r s ( m a w d m d v - s o m - v a r i a b l ep r e c i s i o nr o u g hs e t ) w a sp r e s e n t e df o r t h ef i r s tt i m e t h i sm m s r sm o d e lw a sp r o g r a m m e dt op r o v i d eac o n c i s e h i g h e f f i c i e n c yw a y f o rt h em i n i n go ff a u l td i a g n o s i sr u l e s t ov a l i d a t et h ea p p l i c a b i l i t yo ft h em m s - v p r sk n o w l e d g ed i s c o v e r ym o d e li n e n g i n e e r i n g , a n dt of i n do u tu s e f u ld i a g n o s i sr u l e sf o rp r a c t i c a lf a u l td i a g n o s i s ，w e ： t o o kr o t a t i n gm e c h a n i c a ld e v i c e sf a u l td i a g n o s i s ，e ：c t i n nm o l d i n gq u a l i t yc o n t r o l ， a n de l e c t r o nb a l l a s tf a u l td i a g n o s i sa sp r a c t i c a la p p l i c a t i o ne x a m p l e s a l lt h e s e a p p l i c a t i o ns t u d i e sh a dag o o dr e s u l ta n ds o m eu s e f u ld i a g n o s t i cr u l e si ne n g i n e e r i n g f i e l d sa r ed i s e n v e r e d f o rs t u d y i n gt h eu p d a t i n go ff a u l td i a g n o s i sm o d e l s ，t h em m s - v p r s k n o w l e d g ed i s c o v e r ym o d e lw a si n t r o d u c e di n t om e d i c a ld i a g n o s i sf i e l d t i i i s m o d e lw a su s e dt oa n a l y z ea l l - a r o u n dc l i n i c a li n f o r m a t i o ni n51 p a t i e n t ss u s p e c t e do f h a v i n gc o r o n a r yh e a r td i s e a s e t h eo b t a i n e dd i a g n o s t i cr e s u l t sw e r ew e l lm a t c h e d w i t ht h a tm a d eb ym e d i c a le x p e r t s ，w i t hh i g hs e n s i t i v i t ya n ds p e c i f i c i t y t h u s ，t h i s m o d e lc o u l db eh e l p f u lt od i a g n o s ec o r o n a r yh e a r td i s e a s ea ti t se a r l ys t a g e i nc o n c l u s i o n , t h i sp a p e rp u t sf o r w a r das p a t i a l - d i m e n s i o n s r e d u c i n gm o d e l u ! 坠! ! 竺! c a l l e dm a w d ，w h i c hw a st h e nc o m b i n e dw i t hs e v e r a lo t h e rm o d e l st oc r e a t e m m s v p r s ，an e wk n o w l e d g ed i s c o v e r ym o d e l t h ev a l i d i t yo fm m s - v p r s m o d e l h a sb e e nc o n f i r m e di n 姆n c c r i n gf i e l da n di nm e d i c a ld i a g n o s t i cp r o c e s s k e yw o r d s ：i n t e l l i g e n td i a g n o s i s k n o w l e d g ed i s c o v e r y , r o u g hs e tt h e o r y , c l 璐t a t t l i b u t er e d u c t i o n , r u l e , m a t h e m a t i c sm o d e l ，c o r o n a r yh e a r td i s e a s e 1 1 1 学位论文版权使用授权书 本人完全了解同济大学关于收集、保存、使用学位论文的规定， 同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版 本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、 扫描、数字化或其它手段保存论文；学校有权提供目录检索以及提供 本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有 关部门或者机构送交论文的复印件和电子版；在不以赢利为目的的前 提下，学校可以适当复制论文的部分或全部内容用于学术活动。 学位论文作者签名：焉屹众 巩谚年，月搿日 同济大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行 研究工作所取得的成果。除文中已经注明引用的内容外，本学位论文 的研究成果不包含任何他人创作的、已公开发表或者没有公开发表的 作品的内容。对本论文所涉及的研究工作做出贡献的其他个人和集 体，均已在文中以明确方式标明。本学位论文原创性声明的法律责任 由本人承担。 学位论文作者签名：亳晓众 劢衫年月彩日 第1 章绪论 1 1 引言 第1 章绪论 人类进入2 l 世纪，信息化为现代智能信息处理系统的发展奠定了良好的数 据基础。同时，智能理论的发展，使得各种海量信息的智能化提取和知识发现 ( w l e d g ed i s c o v 钎yi nd a t a b a s e ，k d d ) 成为现代信息系统发展的主流方向之 一智能诊断系统( i n t e l l i g e n td i a g n o s i ss y s t e m ，i d s ) 是基于知识的系统，它 是在对故障信号进行检测和处理的基础上，以知识处理为研究内容，结合领域专 家知识和人工智能技术进行诊断推理。诊断系统的智能就在于它可有效地获取、 传递、处理、再生和利用诊断信息，结合搜索和利用领域专家的知识和经验，从 而具有对给定对象进行成功状态识别和状态预测的能力。 数据挖掘( d a t am i n i n g ，d m ) 是数据库中知识发现过程的一个重要步骤， 它是从大量不完全的、有噪音的、模糊的、随机的数据中提取隐含在其中的、人 们事先不知道的但又是有用的信息和知识。更广义的说法为：数据挖掘是在一些 事实或观察数据集合中寻找模式的决策支持过程。数据挖掘经过数据采集、预处 理、数据分析、结果表述等一系列过程将数据转化为知识【1 3 】。数据挖掘所发现 的知识最常见的有广义知识、关联知识，分类知识、预测型知识和偏差型知识， 智能诊断所处理的主要是分类知识。数据分类方法有决策树分类法、统计法、神 经网络法、粗糙集( r o u g hs e t ，r s ) 方法等。利用粗糙集理论来处理数据挖掘 有着传统数据挖掘工具所不具有的优点。粗糙集理论是传统集合理论的扩展，是 进行数据分析的一种较新的思想方法，更是有效地分析和处理不精确、不一致、 不完整等各种不完备信息的数学工具，它能从中发现隐含的知识，获取潜在的规 律1 4 j 。作为一种新兴的数学工具，粗糙集理论最主要的优点是仅需要对原始数据 进行分析、挖掘，无需提供所需处理的数据集合之外的任何先验信息，因此，对 问题不确定性的描述和处理比较客观。这种特点特别适用于不确定性和不精确性 的知识推理，并发现这些数据中的相互关系【引。许多实验表明，对于同一个数据 集，用基于辋糙集理论的数据挖掘技术进行处理，最终得到的所需的信息更简单、 更准确、更易于被决策者接受和理解。因此，基于粗糙集理论的数据挖掘技术正 在不断发展，出现了各种新的模型和算法，在智能诊断领域得到了越来越广泛的 关注( 6 1 。 开展粗糙集理论在智能诊断中的应用研究的意义首先表现在学科的交叉上。 粗糙集理论的研究方法、智能诊断的研究对象、广泛的工程和医学的应用背景使 第1 章绪论 这一研究领域异常活跃不断出现的新问题和新方法促进了学科的交叉和发展。 租糙集理论在其自身理论研究不断完善的基础上，同时具有了新的研究对象，智 能诊断有了新的研究方法，智能诊断模型有了新的应用背景。智能诊断系统的研 究有了广泛的应用背景，除了传统的工程应用，在生物医学工程中也越来越受到 重视。 本论文研究的故障诊断理论及其关键技术是针对在工程和医学诊断中如何 获取诊断决策规则而提出的。研究的目的是试图克服传统专家系统在知识获取中 的瓶颈问题，通过将耜糙集理论运用于工程和医学领域中的智能诊断，提出了 m m s - v p r s 粗橙集知识发现模型，在若干典型工程诊断应用的基础上，将工程 故障诊断的方法移植到冠心病( c o r o n a r y h e a r td i s e a s e c h d ) 的临床诊断中， 发现了隐藏在二维数据表中的若干有用的医学诊断知识 1 2 智能诊断的研究现状和发展趋势 1 2 1 故障诊断技术综述 故障诊断( f a u l td i a g n o s i s ，f d ) 是指在一定运行工况下通过监测设备的特 征信号来查明导致系统功能失调的原因或因素，并对故障发生的部位和发展做综 合态势评估，从而采取有效措施来消除和避免故障所造成的不利影响。故障诊断 的过程为：信号采集一征兆提取一状态评估1 7 】。故障诊断实质上是一种模式分类 和识别的问胚，即把系统的运行状态分为正常和异常两类，而异常的信号样本属 于何种故障，这又属于模式识别的问题。近几十年来，故障诊断技术得到了深入 广泛的研究，提出了许多可行的方法。故障诊断技术既有基础理论，又有实际应 用背景【8 一，已成为当今科学技术研究的热点之一。 1 2 1 1 故障诊断技术的发展 故障诊断技术起源于2 0 世纪6 0 年代。是- - f l 涉及现代控制论、信号处理与 模式识别、传感及测试技术、计算机科学、人工智能、电子技术、统计数学等多 学科的综合性技术。放障诊断技术的发展大体经历了三个阶段【l0 】：第一阶段是初 级阶段，仅用于机械设备的故障诊断，只能对诊断信息作简单的处理。第二阶段 是以系统论、信息论和控制论为理论指导，以传感及测试技术为手段，以频谱分 析、小波分析和模态分析等信号处理方法和系统辨识、模式识别等建模处理为基 础。第三阶段是智能诊断技术阶段，迸入8 0 年代后，随着计算机技术和人工智 能技术的发展，尤其是基于知识的专家系统和神经网络等技术在智能故障诊断中 第1 章绪论 的应用，故障诊断技术进入了一个新的智能化发展阶段1 美国是世界上最早开发设备诊断技术的国家，于1 9 6 7 年成立了机械故障预 防小组( m f p g ) ，积极从事故障诊断技术的开发工作，并成功运甩于航天、航 空、军事等行业的机械设备中。英国在6 0 - 7 0 年代，以c o l l a c o r t t 为首的英国机 器保健和状态监测协会( m h m g & c m a ) 最先开始研究故障诊断技术。英国在 摩擦磨损、汽车和飞机发电机监测和诊断方面具领先地位。丹麦在机械振动监测 诊断和声发射监测仪器方面具有较高水平。日本提出了全员生产维修( t p m ) 的 观点，日本的故障诊断技术在钢铁、化工和铁路等部门处于世界领先地位。我国 在故障诊断技术方面起步较晚，直至1 9 7 9 年才开始开展设备诊断技术目前我 国的诊断技术在化工、冶金、电力等行业应用较好。我国神州五号飞船系统中的 十多个故障诊断模式系统为保证其成功发射起了很大作用，并最大限度地保障了 系统和宇航员的安全。经过3 0 多年的研究与发展，故障诊断技术目前已广泛应 用于航空航天、汽车工业、机械制造、石油化工、冶金和电力设备等诸多领域， 取得了非常显著的经济效益和社会效益。 2 1 2 故障诊断方法综述 故障诊断技术发展至今，已经出现了基于不同原理的许多方法。按照国际故 障诊断权威，德国的f r a n k 教授的观点【1 2 j ，故障诊断方法可分为三类：基于解析 模型的故障诊断方法、基于信号处理的故障诊断方法和基于知识的故障诊断方 法，见图1 1 。 ( 1 ) 基于解析模型的故障诊断方法 基于解析模型的故障诊断方法，是指通过将被诊断对象的可测信息和由模型 表达的系统先验信息进行比较，从而产生残差，并对残差进行分析和处理，从而 实现故障诊断【i3 1 。在能够对被控过程建立比较准确的数学模型时，可优先选用基 于解析模型的诊断方法。 基于解析模型的故障诊断方法可进一步分为参数估计诊断法、状态估计诊断 法、等价空间法和灰色关联度分析法等。 ( 2 ) 基于信号处理的故障诊断方法【1 t l s l 基于信号处理的故障诊断方法的主要思想是：利用计算机或专用处理设备， 以数值计算的方法对信号进行采集、变换、综合、估值与识别等加工处理来提取 故障征兆，以达到检测出故障的目的。其优点是不受到基于解析模型的故障诊断 方法需要抽取对象数学模型的约束。因此，在可以得到被控过程的输入输出信号， 但很难建立被控对象的解析模型时，可以采用基于信号处理的方法。 常用的基于信号处理的方法有：傅罩叶分析法、小波分析法、频谱分析法、 基于时间序列特征提取的故障诊断方法和基于信息融合的故障诊断方法等。 第1 章绪论 ( 3 ) 基于知识的故障诊断方法 2 0 世纪8 0 年代以来，计算机技术和人工智能技术的飞速发展，为故障诊断 技术提供了新的理论基础，使故障诊断技术逐渐向智能化方向发展，产生了基于 知识的故障诊断方法。该方法是在对故障信号进行检测和处理的基础上，结合领 域专家知识和人工智能技术进行诊断推理，具有对给定环境下的诊断对象进行状 态识别和状态预测的能力。它具有人工智能的特点，适用于模拟人的思维过程， 解决需要进行逻辑推理的复杂诊断问题，根据诊断过程的需要搜索和利用领域专 家的知识及经验来达到诊断目的。基于知识的故障诊断方法的优越性在于它综合 了多个领域专家的最佳经验，其功能水平可以达到或超过专家，实现多故障、多 过程、突发性故障的快速分析诊断。基于知识的故障诊断方法不需要研究对象的 精确数学模型，因此是一种很有发展潜力的方法。 故障诊断方法 基于解析 模型的方法 基于信号 处理的方法 摹j ：知识 的方法 图1 ，1 故障诊断方法的分类 4 参数估计诊断法 状态估计诊断法 等价空间法 灰色关联度分析法 傅里叶分析法 小波分析法 频谱分折法 时间序列特征 提取方法 信息融合方法 专家系统方法 人t 神绎网络方法 模糊故障诊断方法 支持向量目【方= ；杰 第1 章绪论 对智能故障诊断方法进行研究就是试图以计算机模拟人类专家对复杂系统 进行故障诊断，做到既能充分发挥领域专家在故障诊断中根据经验进行快速推理 的作用，又能很方便地推广运用于各种不同的诊断对象。这也正是智能故障诊断 方法优于传统故障诊断方法之处。 基于知识的故障诊断方法主要可以分为：基于专家系统的故障诊断方法、基 于人工神经网络的故障诊断方法、模糊故障诊断方法和基于支持向量机的故障诊 断方法等。其中，基于专家系统的故障诊断方法和基于人工神经网络的故障诊断 方法研究得最多也最成熟。 1 2 2 智能诊断的发展趋势 1 2 2 1 工程领域智能诊断的发展趋势 随着计算机技术、模糊集理论、粗糙集理论、小波分析理论、信息处理、模 式识别和人工智能等专家系统、神经网络技术、数据库和知识工程的发展，诊断 技术正朝着智能化方向飞速发展，己形成了一门多学科交叉的综合性技术。2 0 多年来，智能诊断技术有了很大的发展，一些新的理论与方法已经得到了成功的 应用。前十多年主要是以基于知识的故障诊断专家系统为主流，先后出现了多个 以各具体领域为研究对象的故障诊断专家系统。如1 9 8 5 年r e g e n i n e 等人研制的 飞行器控制引统监视器( e e f s m ) 、1 9 8 7 年m a l i n 研制的汽车故障诊断系统 ( f i x e r ) 、美国宇航局l a n g l e y 研究中心主持开发的飞行器故障诊断专家系统 ( f a u l t - f i n d e r ) 、飞船故障诊断专家系统( f a i t h ) 、飞行器姿态自动检测与诊断 系统( a e s ) 和国内有关单位开发的卫星控制系统实时故障诊断专家系统等。这 些系统都己达到了实际应用水平并得到了实际使用。到8 0 年代末9 0 年代初开 发了不少故障诊断专家系统的商品化软件。通过前面对几种常用的诊断方法的分 析，可以看出每种诊断方法都有其局限性。对于复杂系统的故障诊断而言，任何 单一的诊断方法都不可能完全胜任。有效的解决办法是将几种诊断方法结合起 来，组成一个混合智能诊断系统，提高诊断系统的性能。 目前，将多种不同的智能技术结合起来的混合智能诊断系统是智能故障诊断 研究的一个发展趋势。结合方式主要有：各种诊断理论与神经网络的结合、信号 处理与神经网络的集成、基于知识的专家系统与神经网络诊断系统的综合及由单 机诊断到分布式全系统诊断等。其中，神经网络与专家系统的结合这一诊断模型 被认为是最具有发展前景的，也是目前人工智能领域的研究热点之一。”2 1 。 多a g e n t 系统近几年来已成为人工智能研究的主流。它主要研究的是自主的 a g e n t 之i 日j 智能行为的协调，为了一个共同的全局目标，也可能是各自不同目标， 共享有关问题和求解方法的知识，协作进行问题求解。它为解决由于传统的单结 第1 章绪论 点体系结构中知识与程序耦合过于紧密、复杂，从而为大型复杂系统设备难以构 造和诊断维护的问题提供了一个有效的解决方法。可以预见多a g e n t 系统必将在 智能故障诊断技术的发展过程中发挥巨大的作用1 2 3 , 2 4 1 。 1 2 2 2 医学领域智能诊断的研究现状 疾病诊断从广义上讲也是故障诊断，但医学参数有其特殊的生物学变异性。 医学临床参数可能是定量化的，也可能是半定量化或定性化的，临床症状与诊断 之间无法用明确的数学模型来描述。医学参数比以定量化为主的工程参数复杂得 多。因此，医学诊断比工程上的故障诊断更为复杂，工程上适用的方法不能简单 她照搬到医学领域，丽需要对通常用于工程领域故障诊断的方法加以改迸泌i 。 医学信息具有以下特点：1 ) 模式的多态性：医学信息包括纯数据( 如体征 参数、化验结果等) 、信号( 如肌电信号、脑电信号等) 、图象( 如b 超、心超、 c t 等医学成像设备的检测结果) 、文字( 如病人的身份记录、症状播述、检测 和诊断结果的文字表述) 等。2 ) 不完整性：许多医学信息的表达、记录本身就 具有不确定和模糊性的特点。3 ) 时间性：医学检测的波形、图像都是时间的函 数。4 ) 冗余性：如对于某些不同的疾病，病人所表现的症状、化验的结果以及 所采取的治疗措施都可能完全相同；而同一种疾病，不同病人的表现不尽相同， 治疗也会有很大差别。此即祖国医学中的所谓“同病异治、异病同治”。医学信 息的这些特点，使得医学数据的挖掘与普通的数据挖掘存在较大的差异，决定 了医学数据挖掘的特殊性。其中多模式特性是区分其他领域数据的最显著特征， 这种多属性模式并存加大了挖掘的难度。医学数据挖掘是- - f l 涉及面广、技术 难度大的新兴交叉学科。医学数据挖掘在疾病的诊断和治疗方面将会发挥巨大 的作用。 数据挖掘( d a t am i n i n g ，d m ) 是从数据库之中提取隐含在其中的人们事先 未知的、潜在的有用信息和知识。数据挖掘可以看作知识库中知识发现的一个 基本步骤。数据挖掘将数据转化为知识，数据挖掘利用的技术越多，得出的结 果就越精确 2 6 1 。 智能医疗诊断系统的研究是涉及信息处理技术、人工智能、医学诊断等多 学科领域的综合性研究。其研究目的是实现医疗诊断仪器的自动化，以定量、 形象的方式提供人体的各种相关信息，并且能够得出较为准确的诊断结果。医 疗诊断智能化是人工智能的一部分，即用现代化的技术和手段放大人类的感知 能力，模拟人类的判断和推理能力。可见，智能诊断系统能够扩大医生的诊断 能力，提高诊断效率，成为医疗诊断的重要辅助工具。 医学专家系统( m e d i c a le x p e r ts y s t e m ，m e s ) 是医学知识工程和人工智能 研究中非常活跃的分支，是运用专家系统的设计原理与方法，模拟医学专家诊 6 第1 章绪论 断、治疗疾病的思维过程编制的计算机程序，它可以帮助医生解决复杂的医学 问题，作为医生诊断、治疗以及预防的辅助工具，同时也有助于医学专家宝贵 理论和丰富临床经验的保存、整理和传播。医学专家系统中应用最广的、研究 最多的是用于帮助医生作诊断决策的决策支持系统，因此，医学专家系统也常 常称为临床决策支持系统( c l i n i c a ld e c i s i o ns u p p o r ts y s t e m ，c d s s ) 。 传统的医学诊断专家系统为产生式规则系统【27 捌。其知识库由许多i f - t h e n 规则组成，通过模式匹配来完成诊断过程。但是产生式规则系统也存在着问题： 由于疾病的种类繁多，症状各异，因而需要很多规则，而当知识库中的规则太多 时会导致系统推理前后产生矛盾。随着现代医学的发展，医学中经常遇到不确定 性信息，决策规则往往相互矛盾，无条理可循。这给传统专家系统应用造成极大 困难。因此，如何从复杂的、模糊的、不确定性的医学数据中挖掘出有用的信息， 将新的理论与传统的专家系统结合以解决知识获取这一。瓶颈”问题引起了人们 的广泛关注。 在过去几年中，国内外建立了不少基于租糙集的数据挖掘系统，数据挖掘技 术已开始在l 临床医学诊断中得到应用。其中最有代表性的可用于医学领域的有： 1 ) 美国k a n s a s 大学开发的l e r s 系统。2 ) 由加拿大r e g i n a 大学开发的基于可 变精度粗糙集模型和知识发现的决策矩阵的数据分析系统k d d - r 。 医疗诊断领域是专家系统研究非常多的领域，世界上第一个功能较全面的专 家系统是1 9 7 6 年美国斯坦福大学的s h o r t l i f f e 等人研制成功的著名的用于鉴别细 菌感染及治疗的医学专家系统m y c i n 。从此。医学专家系统正式成为医学领域 内一个重要的应用领域，医学专家系统的开发进入了一个高潮时期，并且逐渐推 向临床应用。在m y c i n 系统框架基础上建立的肺功能专家系统o u f f 系统开创 了医学专家系统临床应用的先例。美国奥兰多的m 。d a l 以及佛罗里达医院，利 用神经网络建立了一个能够基于患者的病史、若干体检数据和心电图等三十五种 数据计算病人患有心脏病的概率的系统，其准确率达到9 5 以上。美国密西根 s t j o s e p hm e r c y 医院利用神经网络建立了一个基于患者的心肌酶谱4 4 8 小时中 的变化系列数据、若干体检数据及心电图等数据判断患有心脏病的概率系统，其 准确率达到9 0 以上。在7 0 年代，拉特格尔斯大学研制出了用于青光眼诊断和 治疗的c a s n e t 专家咨询系统。1 9 8 2 年，美国匹兹堡大学的m i l l e t 等研制成功 著名的i n t e r n i s t i 内科计算机辅助诊断系统【2 9 1 ，其知识库中包含5 7 2 种疾病，约 4 5 0 0 种症状。1 9 9 1 年哈佛医学院b a m e t t 等丌发的“d x p l a r n ”软件1 3 0 1 ，包含 有2 2 0 0 种疾病和5 0 0 0 种症状。1 9 9 0 年u m b a u g h 开发了皮肤癌症辅助诊断系统 3 1 1 。p r o v a n 等人研制了一种动态图素结构的实时系统，用它构造了一个用于诊 断慢性腹痛的决策支持系统p 2 1 。2 0 世纪9 0 年代初丌始了计算机辅助骨科技术 7 第1 章绪论 ( c a o s ) 3 3 - 3 5 1 。1 9 9 6 年b i m d o f f 等人开发了贫血的诊断报告专家系统f 3 6 1 。1 9 9 6 年美国b u t l e r 大学l y n n l i n g 建立了个典型的艾滋病医学专家诊断系统p ”。2 0 0 0 年w e l l s 等入开发了提高乳腺癌治疗计划的知识库系统1 3 3 l 。这些医学专家系统的 开发和应用既方便了医生和病人，也为医学智能诊断的发展起到了极大的推动作 用 我国直到7 0 年代末才开始迸行医学专家系统的开发，虽然起步较晚。但发 展速度很快。8 0 年代以后研究和开发了针对不同医学领域的医学诊断专家系统， 如肝病营养疗法专家系统、急性肾功能衰竭诊断专家系统、肺癌诊断专家系统、 胃病诊断专家系统等，但对于冠心病无创伤性智能诊断专家系统未见报道。 医学专家系统的发展趋势是1 3 9 1 ：医学专家系统与神经网络相结合：医学专家 系统与数据库相结合；医学专家系统与多媒体相结合；医学专家系统与网络技术 相结合；多种推理方法相结合。 ( 1 ) 医学专家系统与秭经网络相结合 一般“专家系统”式的医疗诊断系统通过把专家的经验和知识以规则的形式 存入计算机中，建立知识库，用符号推理的方式进行医疗诊断。但这种“填鸭式” 的知识获取遇到了较大的困难。一方面，一些疑难病症的复杂性使其很难用一些 规则来描述，甚至难以用简单的语言来表达。另一方面，随着规则库规模的增大， 基于规则的专家系统搜索空间急剧增大，可能导致组合爆炸，并且由于推理循环 过程包含了大量无效的匹配尝试，从而浪费了大量的系统时间，推理效率很低。 产生上述闯题的根本原因在于系统的产生式结构及串行工作方式。因此，单纯的 。专家系统”式的医疗诊断系统只能用于比较简单的疾病诊断，价值不大。 ( 2 ) 医学专家系统与数据库相结合 医学专家系统可借鉴数据库关于信息存贮、共享、并发数据库的使用，便于 病例资料的整理和统计，而且一个规模较大的数据库可以单独作为一个原始病例 库在网络上与多用户共享使用，为医疗科研提供方便。因此，医学专家系统与数 据库的相互渗透给医学智能诊断带来了更广阔的前景。 ( 3 ) 与多媒体相结合 多媒体技术具有生动的图、文、声效果，可以使原来只能依靠医生的经验来 模糊判断的症状转变成为利用计算机进行客观定量化处理，以达到知识获取更直 接的目的。专家系统的入机界面引入动画、音频、视频等多媒体技术，可使系统 的推理、演示更加丰富、直观和逼真，可以帮助用户更快更好地掌握和使用系统， 在实际应用中可得到较好的效果。 ( 4 ) 与网络技术相结合 4 0 4 q 与网络技术相融合的专家系统通过网络可实现异地协同工作、资源共享和远 第1 章绪论 程咨询和会诊等，使专家系统的应用范围更宽，可大大提高专家系统的使用效率 与价值。网上医疗站”的出现，也为专家系统更好地服务于人类、应用于社会 提供了更优越的条件。如开展远程诊断，医学远程会诊实际上是一个动态的专家 系统，在高新技术发展的今天，它的覆盖范围可以是全球性的；同时，它的灵活 性、实时性、广泛性、权威性、可扩展性以及包容性( 可在网上传播患者的多种 医学信息) 决定了诊断的符合率、准确率高，实际上也是多个专家系统知识的融 合。 ( 5 ) 多种推理方法相结合 将多种推理方法相结合可以克服单一技术的局限性，取长补短的混合型专家 系统也将是一个发展趋势。 1 3 智能诊断面临的问题和原因分析 目前，故障诊断技术的研究主要集中在故障机理与诊断理论的研究、故障信 息的提取与分析方法研究以及诊断仪器与专用智能诊断系统的研究，并正朝诊断 对象与诊断技术多元化、诊断系统分布式和网络化等方向快速发展。 人工智能的相关理论在故障诊断领域的成功应用，将传统故障诊断提高到了 一个新的水平一智能化诊断水平，有望克服传统诊断方法存在的一些局限，解 决复杂系统的故障诊断问题。 综合智能诊断系统的理论研究和工程应用现状，可以将现代智能诊断系统所 面临的问题及其原因归结如下： i 支撑理论的局限性问题 目前，智能诊断系统的研究仍处于初期阶段。各种智能理论( 例如神经元网 络、模糊理论、遗传算法、粗糙集理论、基因理论等) 在各行业若干智能诊断系 统中的成功应用，反映了智能理论的有效支撑作用，同时推动了智能理论体系中 若干理论的研究和发展。但是，没有哪一种智能理论是万能的，可以适应于各类 诊断问题。即便对于能有效解决某一类诊断问题的智能理论而言，当问题的条件 ( 如新的数据类型、数据取值范围等) 发生改变时，其相应的理论模型和结构参 数多数需要调整。这就形成了支撑理论在具体诊断问题上的条件局限性和在跨行 业中的行业局限性。 本文即针对智能支撑理论在智能诊断问题上的条件局限性，选定粗糙集理论 作为支撑理论，研究粗糙集理论自身的论域空日j 降维模型、变精度模型，引入先 进的连续属性离散化模型和决策矩阵计算模型，根据实际问题的需要，提出一种 基于粗糙集理论的m m s v p r s 知识发现模型。有效地降低了支撑理论的条件局 9 第1 章绪论 限性，改善了该类知识发现模型的适应性和通用性。 2 故障特征信息的提取和简化问题 对于复杂系统而言，自然地要求其故障诊断系统诊断精准而处理范围广泛。 多数情况下，描述复杂系统的特征信息种类繁多，数量庞大。这就使得如何从若 干特征信息中提取出合适的描述和表达方式，并有效简化特征信息、消除冗余描 述、简化诊断闻题，成为故障诊断领域研究的焦点和热点之一目前。特征提取 的理论和技术的滞后已经阻碍了故障诊断技术的全面发展，如何发展新的信号检 测技术及理论以提高故障特征提取能力己成为当务之急。 以粗糙集理论为代表的属性约简方法为故障特征信号提取和简化提供了一 个强有力的工具。在保证问题的分类能力的基础上，如何利用租糙集理论来约简 冗余属性，简化诊断问题，提高计算效率是一个值得研究的重要课题。 3 诊断规则的获取和更新问题 无论在传统的人工故障诊断模式下，还是在现代智能诊断模式下，诊断规则 的获取问题，一直是阻碍故障诊断系统应用的重要因素。在智能诊断阶段，规则 获取的研究焦点在于如何采用先进而有效的支撑理论，构建适合问题实际的知识 发现模型，并将其程序化地实现，确保规则的获取效率。另外，对于规则库中陈 旧规则或者不适应的规则的更新和淘汰，也是海量数据规模下，我们所面临的新 问题。为此，本文将以粗糙集理论为支撑，尝试研究和开发出规则获取和更新两 方面性能兼顾的知识发现模型。 4 诊断方法和模型的更新司题 长期以来，人工智能理论的研究人员一直致力于对于某领域传统诊断模型之 上的智能化理论和方法研究。试图以不断提高诊断精准度和计算效率为主要目 标。但是，随着信息技术的发展，各种传统的诊断方法和模型也在发生着变化。 就诊断方法而言，以前的人工观察和听测的方法已经由现代的各类感官传感器和 超声波相关分析仪等设备所替代。因此，以往的统计式定性描述将由精准的定量 描述所替代。原来的定性属性( 离散属性) 发展为定量属性( 连续属性) ，这就 要求人工智能理论的研究人员采用新的处理连续属性的方法解决该类条件的变 化。 另外，随着人类对客观事物的认知深度的不断增加，以及自身经验的不断积 累和总结，我们对于传统故障诊断的模型也会发展。采用更为有效的诊断模型， 解决传统问题或者新出现的故障问题。这就要求研究人员同步更新基于支撑理论 的智能诊断模型。对于诊断模型的更新问题，经常被忽视，使得研究成果落后于 现实应用。 对于诊断模型的更新问题，随着诊断技术和模型的不断引入，使得医学领域 0 第1 章绪论 诊断模型的更新最为活跃，最具有代表性。为此，本文从这个角度出发，将粗糙 集知识发现模型，在工程领域应用的基础上。探索式的引入到医学诊断领域，已 发现若干有用的诊断规则，并以此验证和完善知识发现模型。 1 4 课题的研究背景 本课题的出发点是冀图把工程上的故障诊断理论和技术移植到生物医学工 程之中，以“冠心病无创伤性智能诊断”为研究对象，以“粗糙集理论”作为理 论支撑，以传统医学方法和人工智能技术相结合为应用背景，对冠心病的检测、 诊断数据进行挖掘和处理等方面进行比较系统和深入的研究，以期在冠心病诊断 领域中开创一个人工智能与生物医学工程相结合的新的交叉热点，并在冠心病医 疗专家的支持下，尝试开发一个对冠心病进行无创伤性智能诊断模块。 目前在智能故障诊断领域，如何获取完备的诊断知识成了亟待解决的瓶颈。 知识发现( k d d ，k n o w l e d g ed i s c o v e r y i nd a t a b a s e ) 即基于数据库中的知识发现， 是指从大量的、不完全的、有噪声的、模糊的、随机的数据中提取真实的、新颖 的、潜在有用的和完全可理解的模式的高级处理过程。该过程中各步骤大致为： 确定应用领域的对象、数据准备、数据挖掘、结果分析和解释评价，而数据挖掘 则是其中的一个关键步骤。本文即在此理论背景下，对粗糙集理论自身存在的论 域空间降维问题、属性约简的计算复杂度问题和规则的变精度泛化问题展开研 究。首先结合各类典型工程领域的故障诊断问题，进行理论的验证和完善。并以 此为依托，将理论研究成果向医学领域展开尝试性推广。 疾病诊断从广义上讲也是故障诊断。但医学参数有其特殊的生物学变异性。 医学参数可能是定量化的，也可能是半定量化或定性化的，临床症状与诊断之间 无法用明确的数学模型来描述。医学参数比以定量化为主的工程参数复杂得多， 因此，医学诊断比工程上的故障诊断更为复杂，工程上适用的方法不能简单地照 搬到医学领域。而需要对通常用于工程领域故障诊断的方法加以改进。 医学信息的这些特点，使得医学数据的挖掘与普通的数据挖掘存在较大的差 异，决定了医学数据挖掘的特殊性。其中多模式特性是区分其他领域数据的最显 著特征，这种多属性模式并存加大了挖掘的难度。医学数据挖掘是一门涉及面广、 技术难度大的新兴交叉学科。医学数据挖掘在疾病的诊断和治疗方面将会发挥巨 大的作用。 冠心病的无创伤性临床诊断至今仍非常困难，医工结合的新方法有可能提供 帮助。国外从2 0