基于PCA-C4.5算法的高血壓預(yù)診系統(tǒng)研究

方克邦 張云華

摘要：為避免診斷結(jié)果受醫(yī)生潛意識和自身知識不全面等因素干擾而造成誤判，提高醫(yī)生診斷準(zhǔn)確性，基于PCA-C4.5算法設(shè)計一款高血壓預(yù)診系統(tǒng)。采用PCA算法把可能具有相關(guān)性的高維變量變成線性無關(guān)的低維變量;對數(shù)據(jù)屬性缺失問題通過決策樹處理屬性值缺失樣本，對預(yù)處理后的數(shù)據(jù)特征值進行訓(xùn)練和學(xué)習(xí)生成決策樹。實驗結(jié)果表明，基于PCA-C4.5算法的分類準(zhǔn)確率平均達到了85.46%，相較傳統(tǒng)C4.5算法提高了約1.27%。該系統(tǒng)不僅能夠輔助醫(yī)護人員進行高血壓診斷，還可為用戶自診提供支持。

關(guān)鍵詞：PCA算法;高血壓診斷;決策樹;預(yù)診系統(tǒng)

DOI： 10. 11907/rjdk.191744

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP319

文獻標(biāo)識碼：A

文章編號：1672-7800（2020）004-0164-05

Hypertension Pre-diagnosis System Based on PCA-C4.5 Algorithm

FANG Ke-bang， ZHANG Yun-hua

（School 0f Information ， Zhejiang kSci- Tech Univer.sity ， Hangzhou 310018.Ch.ina ）Abstract： In order to avoid the misjudgment caused by the doctors ' subconscious and incomplete kno，，-ledge， and improve the accura-cy of doctor' s diagnosis， a pre-diagnosis sy stem for hypertension was designed based on PCA-C4.5 algorithm. This sy stem uses thePCA algorithiu to turn the high-dimensional variables that would be related into linear-independent low-dimensional variahles. For theproblem of missing data attributes. the missing samples of the attribute values were processed by the decision tree. and the characteris-tics of' the preprocessed data were processed. Values are trained and learned to generate decision trees. The experimental results showthat the average classification accuracy rate based on PCA-C4.5 algorithm reached 85.46c7e . u-hich u-as ahout l.27% higher than thetraditional C4.5 algorithm. The pre-diagnosis system based on this design can not only assist medical staff' in the diagnosis of hyperten-sion . but also provide effective self-diagnosis f'or users.Key Words ： PCA algorithm ; hy pertension ; decision tree ; pre-diagnosis system

O 引言

高血壓是世界上最常見的心血管疾病，也是最大的流行病之一，我國有大量的高血壓患者…。高血壓常引起心、腦、腎等臟器并發(fā)癥，嚴(yán)重危害人類健康。提高對高血壓病的認識，對早期預(yù)防、及時治療有極其重要意義。根據(jù)2017年統(tǒng)計，我國高血壓患病人口已超過2.7億，而且每年還有大量新增患者[2]。現(xiàn)代醫(yī)療數(shù)據(jù)呈現(xiàn)爆炸式增長，而數(shù)據(jù)多以分散、不連續(xù)的形式出現(xiàn)[3]，人工閱讀根本無法滿足需求。若能應(yīng)用現(xiàn)代計算機技術(shù)及相關(guān)專業(yè)知識構(gòu)建一套系統(tǒng)供醫(yī)生和患者使用，無疑會帶來很大便利，提高診斷效率和準(zhǔn)確率。

數(shù)據(jù)處理需要建立在完備的數(shù)據(jù)上，但在數(shù)據(jù)整理收集過程中很難避免缺失和維數(shù)較高等問題[4-5]，所以在進行分析之前，必須對高維數(shù)據(jù)進行降維處理。以前對數(shù)據(jù)處理時一般存在數(shù)據(jù)丟失嚴(yán)重或降維不徹底等缺陷，導(dǎo)致分類結(jié)果不準(zhǔn)確[5]。通過PCA算法，可以把高維數(shù)據(jù)降成低維數(shù)據(jù)，而且新的低維數(shù)據(jù)集會盡可能保留原始數(shù)據(jù)的變量[4]，這使得后面的分析更準(zhǔn)確。將預(yù)處理后的數(shù)據(jù)進行決策樹構(gòu)建，達到分類預(yù)測目的。基于此，設(shè)計一款高血壓預(yù)診分析系統(tǒng)，以有效輔助醫(yī)療診斷。

1 數(shù)據(jù)降維處理

I.1 PCA算法原理

主成分分析（ Principal Component Analvsi，PCA）是Pear-son[5]在1901年提出、后來自Hotelling在1933年加以發(fā)展的一種多變量統(tǒng)計方法[6]，是一種探索高維數(shù)據(jù)結(jié)構(gòu)的技術(shù)，也是一種較常用的降維技術(shù)。PCA的主要思想是將n維特征映射到k維上，k維全新的正交特征也稱為主成分，是在原有n維特征基礎(chǔ)上重新構(gòu)造出來的k維特征。在PCA中，數(shù)據(jù)從原來的坐標(biāo)系轉(zhuǎn)換到新的坐標(biāo)系，新的坐標(biāo)系選擇與數(shù)據(jù)本身密切相關(guān)[7]。第一個新坐標(biāo)軸選擇原始數(shù)據(jù)中方差最大的方向，第二個新坐標(biāo)軸選擇和第一個坐標(biāo)軸正交且具有最大方差的方向[8]。該過程一直重復(fù)，重復(fù)次數(shù)為原始數(shù)據(jù)中的特征數(shù)目。大部分方差都包含在最前面的幾個新坐標(biāo)軸中。因此，可以忽略包含方差幾乎為0的特征維度，由此實現(xiàn)對數(shù)據(jù)的降維[9]，見圖1。

主成分分析（PCA）算法是經(jīng)典的線性降維技術(shù)，算法簡單，具有無線性誤差、無參數(shù)限制等優(yōu)點[10]。

1.2 PCA算法步驟

假定有n個病人樣本，每個樣本共有p個影響因素，構(gòu)成一個nXp階的疾病數(shù)據(jù)矩陣：

由于電子病歷或其它收集到的高血壓病人高危致病因素P較多，所以在P維空間中考察問題比較復(fù)雜，為克服這一困難就需要進行降維處理，即用較少的幾個綜合指標(biāo)代替原來較多的變量指標(biāo)。如將年齡階段離散化，分為青年、中年、老年3個階段;熬夜程度分為輕度和重度，這樣可以用較少的綜合指標(biāo)盡量多地反映信息。

讀人如式（1）的X矩陣。根據(jù)式（2）：

計算出各個病人樣本與樣本均值差的平方和均值，即方差：

根據(jù)式（3）度量兩個變量線性相關(guān)性程度，即協(xié)方差。選取協(xié)方差和方差較好的樣本數(shù)據(jù)，再計算特征值和特征向量。將計算得到的結(jié)果按值大小排序，保留需要的樣本個數(shù)用于決策樹。PCA算法流程如圖2所示。

2 決策樹C4.5算法

分類技術(shù)是數(shù)據(jù)挖掘領(lǐng)域一種非常重要的研究方法[11]。決策樹技術(shù)是數(shù)據(jù)挖掘的重要分支，由于其具有簡單直觀、易于理解、分類效率高等特點[12]而被廣泛應(yīng)用。C4.5算法構(gòu)造決策樹時選擇分支節(jié)點屬性的依據(jù)是信息增益率[13]。ID3算法中節(jié)點屬性的選擇標(biāo)準(zhǔn)是信息增益大小。因為有較多取值的屬性具有較大的信息增益特點，ID3算法節(jié)點屬性的選擇側(cè)重于取值較多的屬性[14]。C4.5算法以信息增益率為屬性節(jié)點的選擇依據(jù)，克服了ID3算法傾向選擇取值較多屬性的不足[15]。

2.1 C4.5算法處理過程

由于預(yù)處理后得到的數(shù)據(jù)集中屬性值不大，所以本文采用一個閾值，當(dāng)缺失值超過樣本屬性總屬性值的2/3時則舍棄，剩下的缺失數(shù)據(jù)根據(jù)已經(jīng)存在的屬性值列出方程，根據(jù)已知求出未知。

數(shù)據(jù)降維時對維數(shù)有一定要求，降低的維數(shù)越少，原始數(shù)據(jù)就保留得越好，所以本文結(jié)合決策樹算法使分類效果達到最優(yōu)。預(yù)處理得到的數(shù)據(jù)不僅具有離散值還具有連續(xù)值。具有連續(xù)型屬性[16]的數(shù)據(jù)需要離散化處理。進行離散化數(shù)據(jù)預(yù)處理后進行根節(jié)點屬性選擇。計算數(shù)據(jù)集中所有屬性的信息增益率，選擇其中的最大值屬性作為根節(jié)點屬性。

算法相關(guān)概念定義如下：

定義1：信息熵。設(shè)S是含有n個訓(xùn)練樣本的數(shù)據(jù)集。信息熵計算公式為：

其中m為類別數(shù)，P，是類別i 出現(xiàn)的概率。信息熵越大，不確定性就越大。

定義2：信息增益。對于數(shù)據(jù)集S中A的信息增益為：

其中A的取值為a.，a：，a，…，信息增益可以衡量信息的混亂度和復(fù)雜度。

定義3：信息增益率。

信息增益率使用“分裂信息”值將信息增益規(guī)范化[17-18]。

在以上基本概念的基礎(chǔ)上構(gòu)建決策樹基本步驟：①根據(jù)基本定義分別計算出訓(xùn)練數(shù)據(jù)集的信息熵、信息增益以及信息增益率。通過對這些值進行比較后進入下一步操作;②數(shù)據(jù)集中的數(shù)據(jù)不僅有連續(xù)數(shù)據(jù)還有離散數(shù)據(jù)，由步驟①計算出來的信息增益確定節(jié)點屬性，然后根據(jù)節(jié)點屬性的不同建立分支，對于分支中的子數(shù)據(jù)集同樣根據(jù)這樣的規(guī)則建立新的分支，由此構(gòu)建決策樹;③獲取決策規(guī)則進行分類預(yù)測。根據(jù)各分支上屬性的取值獲取決策規(guī)則，新數(shù)據(jù)集根據(jù)決策規(guī)則進行分類預(yù)測。

通過PCA降維得到的數(shù)據(jù)是降序排序的[19]，這樣在C4.5算法中可以省略計算信息增益時的多次順序查找，提高效率，節(jié)省時間。

根據(jù)上述模型進行實驗數(shù)據(jù)分析。表l是統(tǒng)計出來的簡要信息示例，用表中的年齡、是否運動、熬夜程度、體重等數(shù)據(jù)屬性分析是否患病。

由以上簡要數(shù)據(jù)屬性表構(gòu)建決策樹實例，步驟如下：

（1）根據(jù)公式（4）計算訓(xùn)練實例所選屬性的信息熵：

I=一（8/14）log（8/14）-（6/14）log（6/14） =0.76hit

（2）按照公式（5）求屬性的信息增益：Entmpy（青年）=一（3/4 ）log（ 3/4）一（1/4）log（1/4）=0.19hit同理求出Entropy（中年）=0.2lbit、Entropy（老年）=0.09 Gain（年齡）=1-（4/14）* Entropy（青年）-（ 5/14）* Entropy

（中年）-（5/14）* Entropy（老年）=0.146bit

（3）根據(jù)公式（6）計算屬性增益率：

I（年齡）=一（4/14）log（ 4/14）-（5/14）log（5/14）-

（5/14）log（ 5/14=1.577hit

計算出年齡的信息增益率為：gainratio（年齡）=0.146/1.577=0.667。同理，其它屬性的信息增益率為gainratio（運動）=0.436、gainratio（熬夜）=0.376、gainratio（體重）=0.154。

根據(jù)計算出的各屬性信息增益率，選取最大的年齡信息增益率作為根節(jié)點，再根據(jù)不同節(jié)點屬性建立分支。對于各分支內(nèi)的數(shù)據(jù)集，采用遞歸方式計算每個分支內(nèi)屬性的信息增益率。根據(jù)計算的信息增益率選擇屬性20‘，構(gòu)建決策樹，如圖3所示。

通過處理得到的數(shù)據(jù)在構(gòu)建決策樹時省去了很多無意義的屬性數(shù)據(jù)，提高了決策樹的構(gòu)建效率。

2.2算法分析與對比

實驗環(huán)境為：CPU Intel（R）Core（TM） i5-2450M CPU@2.50GHz.8G內(nèi)存，120G SSD固態(tài)硬盤，Windowsl0專業(yè)版操作系統(tǒng)。選取UCI標(biāo)準(zhǔn)數(shù)據(jù)庫中的醫(yī)療相關(guān)數(shù)據(jù)集。表2是所選數(shù)據(jù)集的基本信息。在相同實驗環(huán)境下進行對比試驗。為了方便，將改進的算法記為C4.5PCA，對比算法名稱不作修改。表3分別列出了實驗的分類準(zhǔn)確率和分類時間對比結(jié)果。為了避免過度擬合，實驗采用10折交叉驗證方法，其中的訓(xùn)練數(shù)據(jù)集從每個數(shù)據(jù)集中隨機選取80%的樣本，剩下的20%用于測試算法的分類性能。

通過表3的實驗結(jié)果分析可知，本文提出的新算法模型分類準(zhǔn)確率比傳統(tǒng)C4.5算法得到了提高，算法性能得到了提升。

3高血壓預(yù)診系統(tǒng)設(shè)計

3.1 系統(tǒng)總體設(shè)計

本系統(tǒng)以Java語言為主編寫，以vue-element為前端框架，后臺在業(yè)務(wù)處理上使用微服務(wù)框架Spring Boot、MvSQL關(guān)系型數(shù)據(jù)庫以及作為緩存的Redis等[21]。

從高血壓數(shù)據(jù)集選取年齡、是否運動、熬夜程度、遺傳、體重等因素，將以上因素根據(jù)數(shù)據(jù)類型分別進行布爾值標(biāo)記或數(shù)字化標(biāo)記。將這些數(shù)據(jù)整理后加人事務(wù)數(shù)據(jù)庫，便于后續(xù)挖掘。

登陸系統(tǒng)時首先進行身份權(quán)限認證，通過后進人系統(tǒng)。如果是醫(yī)生，只需輸入病人癥狀就可判斷病人的高血壓病是否嚴(yán)重，然后對癥治療。管理員則負責(zé)對系統(tǒng)進行維護、權(quán)限設(shè)置、數(shù)據(jù)整理等工作。如果數(shù)據(jù)出入很大則要刪除，以保證系統(tǒng)時刻處于正常運行狀態(tài)。普通用戶根據(jù)白己的實際情況在系統(tǒng)中錄入數(shù)據(jù)，根據(jù)分析結(jié)果隨時關(guān)注身體狀況。無論以何種身份使用系統(tǒng)，在錄入數(shù)據(jù)時都會進行錄入數(shù)據(jù)驗證，如果非法則不予通過并返回上一步，合法則進行下一步或保存。

前臺頁面采用時下比較熱門的elementUI設(shè)計，整個系統(tǒng)頁面美觀大方，操作方便，沒有復(fù)雜的使用邏輯，采用消息提示的形式實時提示操作步驟狀態(tài)，分析結(jié)果頁面采用餅圖和柱狀圖直觀展示屬性因素對健康的影響，分析結(jié)果及建議一目了然。

系統(tǒng)設(shè)計開發(fā)采用前后端分離。前端通過調(diào)用后臺接口實現(xiàn)前后臺通信，將后臺處理的數(shù)據(jù)展示出來。后臺的分布式微服務(wù)框架分為網(wǎng)關(guān)層、服務(wù)代理層、具體服務(wù)層。網(wǎng)關(guān)層是統(tǒng)一請求人口，處理權(quán)限認證和負載均衡等問題，并向外提供RESTFul API;服務(wù)代理層提高系統(tǒng)擴展性和可復(fù)用性，抽取公用服務(wù)接口，由代理將請求路由至具體服務(wù);具體服務(wù)層實現(xiàn)數(shù)據(jù)處理、分析、挖掘等核心功能。

數(shù)據(jù)庫簡要信息如表4所示。

3.2系統(tǒng)使用頁面及分析結(jié)果

患者信息管理系統(tǒng)數(shù)據(jù)管理頁面主要用于用戶信息管理和分析。具體的用戶數(shù)據(jù)以表格形式展現(xiàn)在頁面上，包括數(shù)據(jù)唯一標(biāo)識符、姓名、年齡、性別、電話、創(chuàng)建時間等基礎(chǔ)信息以及數(shù)據(jù)是否已分析的狀態(tài)信息，另外支持?jǐn)?shù)據(jù)新增、修改、刪除、查詢等操作。數(shù)據(jù)管理頁面最重要的功能是可對勾選的數(shù)據(jù)進行一鍵分析，得到數(shù)據(jù)分析結(jié)果并在數(shù)據(jù)分析結(jié)果頁面上展示。

當(dāng)輸入患者信息后分析結(jié)果如圖5所示，分析結(jié)果頁面包括患者基本信息、分析結(jié)果、信息提示等部分。

系統(tǒng)將基本信息及癥狀屬性（屬性個數(shù)不限）錄入后，可點擊一鍵分析進行數(shù)據(jù)分析，這時系統(tǒng)將白動判斷數(shù)據(jù)錄入是否有效。若有效則進入分析步驟，無效則不進入分析并提示原因。當(dāng)進入分析步驟并完成分析后，用戶狀態(tài)將由初始錄入完成時的待分析變?yōu)橐淹瓿蔂顟B(tài)，這時可到分析結(jié)果管理頁面查看分析結(jié)果，或者點擊導(dǎo)出分析結(jié)果PDF報告。對獲取的數(shù)據(jù)進行分析后得到的結(jié)果如圖6所示。顯示結(jié)果與真實的醫(yī)學(xué)診斷結(jié)果一致，表明系統(tǒng)具有實用價值，可有效輔助醫(yī)生工作和病人白查。

4 結(jié)語

針對醫(yī)療數(shù)據(jù)分類準(zhǔn)確率不高等問題，本文在進行數(shù)據(jù)分析之前，首先利用PCA算法對數(shù)據(jù)進行降維，通過設(shè)置合理的閾值將數(shù)據(jù)降到合理的維數(shù)，得到質(zhì)量較高的數(shù)據(jù)。然后利用C4.5算法構(gòu)建決策樹，最終對數(shù)據(jù)進行分類。對比實驗表明，基于PCA決策樹分類算法的分類準(zhǔn)確率得到提高。本文設(shè)計的高血壓疾病診療系統(tǒng)用于輔助醫(yī)生診斷，幫助患者日常白查、預(yù)防、保健，應(yīng)用效果較好。在后續(xù)研究中將繼續(xù)對分類算法準(zhǔn)確率及分類時間進行優(yōu)化，將診療系統(tǒng)應(yīng)用于更多疾病診斷。

參考文獻：

[1]楊煥崢，楊國華，徐玲基于比值算法的物聯(lián)網(wǎng)數(shù)字血壓計系統(tǒng)設(shè)計[J]柳州職業(yè)技術(shù)學(xué)院學(xué)報，2019，19（1）：76-82

[2]孫雪松，王曉麗，施天行，等我國高血壓病人就醫(yī)行為研究現(xiàn)狀與啟示[J].中國數(shù)字醫(yī)學(xué)，2018，13（6）：37-39.

[3]王尚哲，張云華基于ABC_NB的慢性病診斷分類研究[J].計算機測量與控制，2017（11）：202-205.

[4]ZHANG T，CHEN W Z，LI M Y.Classification of inter-ictal and ictaleegs using multi-basis mndwpt， dimensionalitv reduction algorithmsand LS-SVM：A comparative studv [J]. Biomedical Signal Prncessingand Control， 2019（47）： 240-251

[5]謝霖銓，畢永朋，廖龍龍.基于PCA的近鄰均值填補優(yōu)化算法[j].軟件導(dǎo)刊，2018，17（6）：67-69

[6]李珩，武雪芳，基于人工智能算法的入侵檢測技術(shù)研究[J].消費電子，2013（ 22）：85-86.

[7] 魏汝哲，王劍平，付萍，等.基于PCA挖掘的SLE疾病的數(shù)據(jù)相關(guān)性研究[J].軟件，2017（12）：95-97

[8]ZHAO X W，GLO J，NIE F P. et al. Joint principal component anddiscriminant analvsis fnr dimensionalitv reduction[J]. IEEE Transac-tions on Neural Networks and Learning Systems 2019（1）：1-12

[9]陸超.PCA方法的運動軌跡檢測算法研究[J].計算機技術(shù)與發(fā)展，2017. 27（5）：179-182.

[10]李蟬娟.高維數(shù)據(jù)降維處理關(guān)鍵技術(shù)研究[D].成都：電子科技大學(xué)，2017.

[II]陳杰，烏春學(xué)決策樹C4.5算法改進與應(yīng)用[J].軟件導(dǎo)刊，2018，17（10）：88-92

[12]HAN L， LI W J，SL Z. An assertive reasoning method for emergency

response management based on knowledge elements C4.5 decision

tree[J]. Expert SystemsWith Applic：ations. 2019（9）： 122-131.

[13]THONGSOOK A. NL NTHAWARASILP T. KRAYPET P C4.5 deci-sion tree against neural network on gait phase recognition for lowerlimp exoskeleton[C] Chulalongkorn Univ. Bangkok， THAILAND：lst International Symposium on Instrumentation， Control. ArtificialIntelligence， and Robotics（ICA-SYMP）， 2019： 69-72.

[14]SUZAN K S，EFEhrDI N A fuzzv id3 induction for linguistic datasets[J] International Journal of Intelligent Systems. 2018，33（4）：931-942

[15]HAO H. CHEN T M， LU J，et al. The research and anah'sis in deci-sion tree algorithm hased on c4.5algorithm[C].Chongqing： The 3rdIEEE Advanced Infnrmation Technology， Electronic and AutomationCnntrol Conference（ IAEAC）. 2018

[16]王志春，劉麗娜.一種改進的C4.5決策樹算法[J].電子技術(shù)與軟件工程，2016（9）：182-183.

[17]BUDIMAN E. HAVILUDDIl＼r， DENGAN N，et al. Performance of de-cision tree c4.5 algorithm in student academic evaluation[C].Inter-national Conference on Computational Scienc.e and Technology.Springer， Singapore， 2017.

[18]陳杰，鄔春學(xué).決策樹C4.5算法改進與應(yīng)用[J].軟件導(dǎo)刊，2018，17（10）：88-92

[19]WU C，YLE J， WANG L. et al. Detection and clansification of reces-sive weakness in superbuck cr）nrerter based on wpd-pca and prnba-bilistic neural network[J]Electrnnics， 2019（8）：290-297.

[20]黃秀霞，孫力.基于屬性依賴度計算和PCA的C4.5算法[J]傳感器與微系統(tǒng)，2017. 36（1）：131-134

[21]張沖，張云華.基于改進Aprinri算法的糖尿病預(yù)診系統(tǒng)[J]計算機系統(tǒng)應(yīng)用，2019. 28（2）：94-100

（責(zé)任編輯：杜能鋼）

收稿日期：2019-05-22

作者簡介：方克邦（1994-），男，浙江理工大學(xué)信息學(xué)院碩士研究生，研究方向為智能信息處理;張云華（1965-），男，博士，浙江理工大

學(xué)信息學(xué)院教授、碩士生導(dǎo)師，研究方向為智能信息處理、模式識別。本文通訊作者：方克邦。