(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210394039.0 (22)申请日 2022.04.14 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 刘珂舟　付广玉　徐晓滨　常雷雷　 蔡正厅　魏劭农　印梦婕　 (74)专利代理 机构 杭州奥创知识产权代理有限 公司 33272 专利代理师 王佳健 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/62(2017.01) G06V 10/762(2022.01) G06K 9/62(2022.01)G16H 50/20(2018.01) (54)发明名称 基于证据推理规则的缺血性脑卒中程度辨 识建模方法 (57)摘要 本发明公开了一种基于证据推理规则的缺 血性脑卒中程度辨识建模 方法。 本发 明首先构建 证据推理模型， 将缺血区域占比、 血管总面积占 比、 血管类型比例作为输入特征， 将脑卒中程度 作为输出； 然后通过I mageJ测量大鼠脑皮层血管 实时OCT图像得到输入特征数据； 利用k均值聚类 算法结合输入特征数据的最小值和最大值确定 输入特征参考等级； 然后构造初始 证据置信度分 布表建立输入特征和输出之间的非线性映射关 系； 通过证据推理规则融合输入 特征激活的所有 证据得到最终 融合结果； 通过融合结果辨识脑卒 中程度； 利用遗传算法 （GA） 对模型进一步优化， 使得结果更加准确。 权利要求书2页 说明书8页 附图2页 CN 114764793 A 2022.07.19 CN 114764793 A 1.基于证据推理规则的缺血性脑卒中程度辨识建模方法， 其特 征在于， 包括 步骤： 确定脑卒中程度辨识模型的输入特征和输出框架， 所述输入特征即为脑皮层血管二维 特征数据， 输出框架即为脑卒中程度； 获取样本数据集， 所述样本数据集包括训练数据集和验证数据集； 根据所述样本数据集确定输入特征参考等级 并构建证据的相似性分布表， 通过似然归 一化得到证据的置信度分布表， 通过专家经验确定证据的可靠性因子和证据的重要性因 子； 计算输入特征数据与其参考等级之间的匹配度分布， 融合输入特征数据激活 的参考等 级证据得到特 征证据； 通过递归证据推理规则融合所述输入特 征证据， 得到 输入特征对输出的支持程度； 根据所述证据的重要性因子和脑卒中程度辨识模型输出结果的均方误差构建优化目 标函数， 将优化后的模型作为 最终辨识模型。 2.根据权利要求1所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法， 其特 征在于， 所述样本数据集的获取步骤 包括： 通过连续观测大鼠脑皮层血管缺血前后变化的动物光窗模型， 利用光相干层析成像术 实时记录血管堵塞前后血管的损伤和再生情况， 得到不同缺血性脑卒中程度的脑皮层血管 OCT图像； 根据所述脑皮层血管OCT图像分析脑皮层血管特征信息， 从图像中获得脑皮层血管二 维特征数据； 通过ImageJ基于全局自动阈值的图像二值化处理， 对所述脑皮层血管OCT图像二值化， 统计脑皮层血 管二维特 征数据。 3.根据权利要求2所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法， 其特 征在于， 基于所述脑皮层血管二维特征数据集确定输入特征数据的参考等级， 构建所述证 据的相似性分布 表的步骤 包括： 计算每一个脑皮层血管二维特征数据轮廓值的平均值， 通过k均值聚类得到脑皮层血 管二维特征数据的聚类中心， 聚类中心数为输入特征即所述脑皮层血管二维特征数据轮廓 值的平均值； 通过所述脑皮层血管二维特征数据集的最小值、 最大值以及所述脑皮层血管二维特征 数据的聚类中心确定脑皮层血 管每一种二维特 征数据的参 考等级； 计算所述样本数据集输入特征数据与其参考等级的匹配度分布用以构建证据的相似 性分布表， 所述输入特 征数据被包 含于输出框架所有脑卒中程度。 4.根据权利要求3所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法， 其特 征在于， 所述 根据所述证据的相似性分布 表通过似然归一 化得到证据的置信度分布 表。 5.根据权利要求1所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法， 其特 征在于， 计算所述样本数据集输入特征数据与其参考等级之间的匹配度分布， 融合输入特 征数据激活的参 考等级证据得到特 征证据包括 步骤： 根据专家经验确定参考等级证据的可靠性因子和重要性因子， 所述参考等级证据即为 所述证据的置信度分布 表每个输入特 征数据参考等级对输出框架中不同输出的支持程度； 计算所述样本数据集输入特征数据与其参考等级的匹配度分布， 并确定对应参考等级权　利　要　求　书 1/2 页 2 CN 114764793 A 2证据； 根据所述输入特 征数据的匹配度分布和对应参 考等级证据融合得到特 征证据。 6.根据权利要求5所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法， 其特 征在于， 所述 参考等级证据融合得到特 征证据的融合方式为： 其中， 和 为所述第i个脑皮层血管二维输入特征数据与其第Z和Z+1个参考等级 的匹配度分布， βZ,j和βZ+1,j为第Z和Z +1个参考等级证据对第j个输出的支持程度， 为脑皮 层血管第i个二维输入特 征数据对第j个输出的支持程度。 7.根据权利要求6所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法， 其特 征在于， 通过递归证据推理规则融合所述特征证据， 得到输入 特征对输出的支持程度， 所述 融合计算公式为： 其中， mj,i和mj,(i‑1)为第i和i ‑1个脑皮层血管二维特征证据对第 j个输出的支持程度， ri 为第i个特 征证据的可靠性因子， mP(Θ),e(i ‑1)为第i‑1个脑皮层血 管二维特 征证据的幂集， 为第i和i ‑1个脑皮层血管二维特征证据对第j个输出的支持程度的交集， mj,e(i,i‑1)为第i和i ‑1个脑皮层血 管二维特 征证据融合后的证据对第j个输出的支持程度。 8.根据权利要求1所述的基于证据推理规则的缺血性脑卒中程度辨识建模方法， 其特 征在于， 根据所述证据的重要性因子和模型输出结果的均方误差构建优化 目标函数， 优化 模型的步骤 包括： 根据模型辨识准确率和证据的初始重要性因子构造基于最小均方差的优化目标函数； 基于遗传算法的优化过程中， 初始种群在[0， 1]之间通过随即方式产生， 初始种群数量 为60， 将优化目标函数作为 适应度函数； 更新脑卒中程度辨识模型中优化后的证据重要性因子 。 9.根据权利要求1 ‑8任一项所述的基于证据推理规则的缺血性脑卒中程度辨识建模方 法， 其特征在于， 所述样本数据集根据连续观测大鼠在体脑皮层血管OCT图像数据确定， 所 述训练数据集为缺血性脑卒中的训练数据集， 所述验证数据集为缺血性脑卒中的验证数据 集。权　利　要　求　书 2/2 页 3 CN 114764793 A 3