通信加密的诊断监控综合医疗系统及其通信加密方法.pdf

《通信加密的诊断监控综合医疗系统及其通信加密方法.pdf》由会员分享，可在线阅读，更多相关《通信加密的诊断监控综合医疗系统及其通信加密方法.pdf（13页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910856851.9 (22)申请日 2019.09.10 (71)申请人 赵志宇 地址 250012 山东省济南市历下区文化西 路44号山东大学医学院 (72)发明人 赵志宇 (74)专利代理机构 济南圣达知识产权代理有限 公司 37221 代理人 孟雪 (51)Int.Cl. G16H 40/20(2018.01) G16H 50/70(2018.01) H04L 29/06(2006.01) A61B 5/11(2006.01) (54)发明名称 一种通信加密的诊断。

2、监控综合医疗系统及 其通信加密方法 (57)摘要 一种通信加密的诊断监控综合医疗系统， 包 括客户端、 工作站、 云端服务器、 图像采集装置以 及生理参数传感器， 生理参数传感器通过短距离 无线通信技术传输到网络协调器与客户端连接， 客户端通过互联网与云端服务器连接， 工作站与 云端服务器之间使用加密算法进行通信。 权利要求书3页 说明书8页 附图1页 CN 110580951 A 2019.12.17 CN 110580951 A 1.一种通信加密的诊断监控综合医疗系统， 包括客户端、 工作站、 云端服务器、 图像采 集装置以及生理参数传感器， 生理参数传感器通过短距离无线通信技术传输到网络。

3、协调器 与客户端连接， 客户端通过互联网与云端服务器连接， 图像采集装置与工作站连接， 将采集 到的图像上传至云端服务器， 患者用户通过客户端上传患者用户的基本信息至云端服务 器， 决策用户通过工作站上传案例概况信息、 患者用户主要症状和体征、 化验结果、 病理信 息、 患者用户病情的基本判断、 治疗手段、 手术后症状、 护理建议和策略至云端服务器， 云端 服务器存储有诊疗案例库， 云端服务器对上传的各类信息综合形成案例， 决策用户通过工 作站对诊疗案例库进行检索， 在诊疗案例库中找到相似度匹配找到最相似的案例， 图像采 集装置包括CT机、 超声仪和核磁共振仪， 生理参数传感器包括心率采集传感。

4、器、 血压计、 血 氧仪和加速度计， 其为可穿戴设备， 工作站使用图像融合对采集到的CT图像、 超声图像和核 磁共振图像进行两两图像融合， 并将融合后的图像上至云端服务器， 工作站与云端服务器 之间使用加密算法进行通信， 其特征在于工作站与云端服务器之间使用加密算法进行通 信， 其加密解密过程如下： 步骤1， 发送方与接收方双方密钥共享， 根据接收方的公钥生成共享密钥； 步骤2， 发送方使用共享密钥和其他可选择参数作为密钥求导函数的输入， 求导结果构 成对称加密密钥和MAC密钥对； 步骤3， 使用对称加密算法将对称加密密钥和明文作为输入， 生成密文； 步骤4， 使用加密信息、 MAC密钥和其他。

5、公共参数作为输入， 选用MAC函数生成标识； 步骤5， 发送方使用临时公钥、 标识以及密文组成加密信息发送给接收方； 步骤6， 接收方接收加密信息， 并且获知发送方的临时公钥、 标识以及密文， 从而将加密 信息分解； 步骤7， 接收方将接收的临时公钥和接收方的私钥进行乘积； 步骤8， 使用共享密钥和其他发送方也使用的公共参数， 接收方进行和发送方相同的求 导过程， 从而得到加密密钥和MAC密钥对； 步骤9， 使用加密信息、 MAC密钥和发送方使用的其他公共参数作为输入， 接收方计算出 新的标识， 并与接收到的标识进行比较， 如果新的标识和接收到的标识不同， 则验证失败， 拒绝接收密文； 步骤1。

6、0， 如果新的标识和接收到的标识相同， 则接收方继续解密流程， 使用对称解密算 法， 以加密信息和解密密钥作为输出， 输出发送方的明文。 2.根据权利要求1所述的一种通信加密的诊断监控综合医疗系统， 其特征在于： 工作站 或云端服务器作为发送方， 云端服务器或工作站作为接收方。 3.根据权利要求1所述的一种通信加密的诊断监控综合医疗系统， 其特征在于： 生理参 数传感器为可穿戴设备， 其通过加速度计的加速度数据判断患者的运动状态， 具体判断过 程如下： 步骤1， 从加速度计获取加速度数据； 步骤2， 数据预处理， 步骤3， 数据特征生成， 步骤4匹配识别。 4.根据权利要求1所述的一种通信加密。

7、的诊断监控综合医疗系统， 其特征在于： 采用超 权利要求书 1/3 页 2 CN 110580951 A 2 声图像和核磁共振图像生成聚焦彩色图像， 其融合过程如下： 步骤1， 通过HSV变换将图像A、 B从RGB空间转化到HSV空间， 并获得H、 S、 V三个分量； 步骤2， 通过邻域叠加得到融合后的H分量； 步骤3， 通过梯度计算得到融合后的S分量和V分量； 步骤4， 根据上述步骤的H分量、 S分量和V分量， 通过HSV逆变换构成最终的融合图像。 5.根据权利要求1所述的一种通信加密的诊断监控综合医疗系统， 其特征在于使用CT 图像和核磁共振图像或者使用CT图像和超声图像生成灰度图像， 其。

8、融合过程如下： 步骤1， 图像A为参考图像， 图像B为标准图像， 取得图像A、 B的灰度函数； 步骤2， 两幅图像的平均灰度值； 步骤3.计算两幅图像的标准偏差： 步骤4.计算修正系数； 步骤5.计算平均灰度值校正项； 步骤6.计算标准图像B的匹配图像灰度函数； 步骤6， 计算参考图像A以及匹配灰度后的图像B的梯度； 步骤8， 融合， 得到融合的灰度图像。 6.根据权利要求5所述的一种通信加密的诊断监控综合医疗系统， 其特征在于： 图像A 为超声图像或核磁共振图像， 图像B为CT图像。 7.根据权利要求1所述的一种通信加密的诊断监控综合医疗系统， 其特征在于： 决策用 户通过工作站对诊疗案例库。

9、进行检索， 在诊疗案例库中找到相似度匹配找到最相似的案 例， 具体步骤如下： 步骤1， 根据医学临床诊疗特点， 定义源决策案例的特征属性， 建立诊疗案例库； 步骤2， 患者用户就诊后， 通过人机交互界面输入特征属性信息， 并提取特征向量； 步骤3， 输入特征向量， 模糊诊疗知识发现程序在诊疗案例库发现相关案例； 步骤4， 通过遗传算法获取各特征向量中各特征属性的最优权重； 步骤5， 结合最优权重和各特征属性， 通过案例检索程序在诊疗案例库中进行检索， 进 行相似度分析获取最相似的案例； 步骤6， 返回最相似的案例给决策用户， 如满足要求， 则生成诊断案例， 并进入步骤7； 如 不满足要求， 则。

10、决策用户输入特定需求， 启动案例修正程序， 对获取的案例进行修正， 直至 满足要求的案例， 并进入步骤7； 步骤7： 决策用户审查和评估检索得到的案例价值， 如果认为该案例有价值， 则生成相 应的诊断结论， 并存入诊疗案例库， 如果认为该案例没有有价值， 则生成相应的诊断结论， 并退出。 8.一种权利要求1所述的诊断综合医疗监控系统的通信加密方法， 工作站与云端服务 器之间使用加密算法进行通信， 其加密解密过程如下： 步骤1， 发送方与接收方双方密钥共享， 根据接收方的公钥生成共享密钥； 步骤2， 发送方使用共享密钥和其他可选择参数作为密钥求导函数的输入， 求导结果构 成对称加密密钥和MAC密。

11、钥对； 步骤3， 使用对称加密算法将对称加密密钥和明文作为输入， 生成密文； 步骤4， 使用加密信息、 MAC密钥和其他公共参数作为输入， 选用MAC函数生成标识； 权利要求书 2/3 页 3 CN 110580951 A 3 步骤5， 发送方使用临时公钥、 标识以及密文组成加密信息发送给接收方； 步骤6， 接收方接收加密信息， 并且获知发送方的临时公钥、 标识以及密文， 从而将加密 信息分解； 步骤7， 接收方将接收的临时公钥和接收方的私钥进行乘积； 步骤8， 使用共享密钥和其他发送方也使用的公共参数， 接收方进行和发送方相同的求 导过程， 从而得到加密密钥和MAC密钥对； 步骤9， 使用加。

12、密信息、 MAC密钥和发送方使用的其他公共参数作为输入， 接收方计算出 新的标识， 并与接收到的标识进行比较， 如果新的标识和接收到的标识不同， 则验证失败， 拒绝接收密文； 步骤10， 如果新的标识和接收到的标识相同， 则接收方继续解密流程， 使用对称解密算 法， 以加密信息和解密密钥作为输出， 输出发送方的明文。 9.根据权利要求8所述的诊断综合医疗监控系统的通信加密方法， 其特征在于： 工作站 或云端服务器作为发送方， 云端服务器或工作站作为接收方。 权利要求书 3/3 页 4 CN 110580951 A 4 一种通信加密的诊断监控综合医疗系统及其通信加密方法 技术领域 0001 本发。

13、明属医疗监控领域， 特别涉及一种通信加密的诊断监控综合医疗系统。 背景技术 0002 将自动化医疗设备引入现代医疗信息系统具有多种优势， 患者护理、 更安全、 更智 能以及减少人为错误的可能性。 医疗设备之间的通信连接是保证患者安全的重要因素之 一。 医疗和健康数据对操作人员也很重要。 它可以帮助医生、 护士和健康保险人员共享手术 期间记录的患者信息， 以诊断患者的疾病， 恢复人们的健康， 并在发生或准备任何医疗事故 时审核医疗记录。 然而， 由于医疗数据通常是高度敏感和私密的， 如果使用或披露不当， 可 能会危害患者的隐私并危及他们的生命。 个人健康信息的安全性、 隐私性和保密性是人们 对医。

14、疗信息系统最关心的问题。 因此， 医疗信息系统的安全性和可靠性要求很高。 0003 随着进入二十一世纪， 智能化时代即将到来， 患者的监护问题也将是智能化时代 的一个重要的研究课题。 患者经常会遇到各种意想不到的伤害， 例如跌倒和心率不正常等， 缺少对患者运动状态的实时监控。 0004 传统上， 国内外医学界的诊疗决策尤其是诊断决策方法大都是根据各种医疗仪器 对病人的检查结果， 由医生凭借自身的医学知识和多年积累的临床诊断经验， 对病情进行 分析判断， 从而做出相应的决策。 这种决策方法的有效性取决于医生的业务水平， 主观因素 影响较大。 缺少医院诊疗中诊疗案例相似度匹配方法。 发明内容 00。

15、05 本发明要解决的技术问题是如何实现工作站与云服务器之间的安全加密通信， 对 此本发明提供一种通信加密的诊断监控综合医疗系统以及方法， 包括客户端、 工作站、 云端 服务器、 图像采集装置以及生理参数传感器， 生理参数传感器通过短距离无线通信技术传 输到网络协调器与客户端连接， 客户端通过互联网与云端服务器连接， 图像采集装置与工 作站连接， 将采集到的图像上传至云端服务器， 患者用户通过客户端上传患者用户的基本 信息至云端服务器， 决策用户通过工作站上传案例概况信息、 患者用户主要症状和体征、 化 验结果、 病理信息、 患者用户病情的基本判断、 治疗手段、 手术后症状、 护理建议和策略至云。

16、 端服务器， 云端服务器存储有诊疗案例库， 云端服务器对上传的各类信息综合形成案例， 决 策用户通过工作站对诊疗案例库进行检索， 在诊疗案例库中找到相似度匹配找到最相似的 案例， 图像采集装置包括CT机、 超声仪和核磁共振仪， 生理参数传感器包括心率采集传感 器、 血压计、 血氧仪和加速度计， 其为可穿戴设备， 工作站使用图像融合对采集到的CT图像、 超声图像和核磁共振图像进行两两图像融合， 并将融合后的图像上至云端服务器， 工作站 与云端服务器之间使用加密算法进行通信。 0006 一种诊断综合医疗监控系统的通信加密方法， 工作站与云端服务器之间使用加密 算法进行通信， 其加密解密过程如下： 。

17、0007 步骤1， 发送方与接收方双方密钥共享， 根据接收方的公钥生成共享密钥； 说明书 1/8 页 5 CN 110580951 A 5 0008 步骤2， 发送方使用共享密钥和其他可选择参数作为密钥求导函数的输入， 求导结 果构成对称加密密钥和MAC密钥对； 0009 步骤3， 使用对称加密算法将对称加密密钥和明文作为输入， 生成密文； 0010 步骤4， 使用加密信息、 MAC密钥和其他公共参数作为输入， 选用MAC函数生成标识； 0011 步骤5， 发送方使用临时公钥、 标识以及密文组成加密信息发送给接收方； 0012 步骤6， 接收方接收加密信息， 并且获知发送方的临时公钥、 标识以。

18、及密文， 从而将 加密信息分解； 0013 步骤7， 接收方将接收的临时公钥和接收方的私钥进行乘积； 0014 步骤8， 使用共享密钥和其他发送方也使用的公共参数， 接收方进行和发送方相同 的求导过程， 从而得到加密密钥和MAC密钥对； 0015 步骤9， 使用加密信息、 MAC密钥和发送方使用的其他公共参数作为输入， 接收方计 算出新的标识， 并与接收到的标识进行比较， 如果新的标识和接收到的标识不同， 则验证失 败， 拒绝接收密文； 0016 步骤10， 如果新的标识和接收到的标识相同， 则接收方继续解密流程， 使用对称解 密算法， 以加密信息和解密密钥作为输出， 输出发送方的明文。 00。

19、17 本发明的有益效果： 0018 (1)通过加密通信有效保证了患者的隐私不被泄露； 0019 (2)通过运动状态的判断实现了患者姿态的识别， 实时监控病人的状态； 0020 (3)通过图像融合实现了患者病灶图像的细节显示， 为医生诊断提供有力的依据； 0021 (4)通过相似度匹配寻找与患者最为接近的案例， 从而为医生诊断提供可靠的依 据治疗方案以及病人治疗环境的选择提供依据， 从而极大减少了医生的劳动强度。 附图说明 0022 图1为本发明的系统框图； 0023 图2为本发明的加密算法通信的加密解密流程图。 具体实施方式 0024 下面结合附图与实施例对本发明作进一步的说明。 0025 本。

20、发明的实施例参考图1-2示。 0026 一种通信加密的诊断监控综合医疗系统， 包括客户端、 工作站、 云端服务器、 图像 采集装置以及生理参数传感器， 生理参数传感器通过短距离无线通信技术传输到网络协调 器与客户端连接， 客户端通过互联网与云端服务器连接， 图像采集装置与工作站连接， 将采 集到的图像上传至云端服务器， 患者用户通过客户端上传患者用户的基本信息至云端服务 器， 决策用户通过工作站上传案例概况信息、 患者用户主要症状和体征、 化验结果、 病理信 息、 患者用户病情的基本判断、 治疗手段、 手术后症状、 护理建议和策略至云端服务器， 云端 服务器存储有诊疗案例库， 云端服务器对上传。

21、的各类信息综合形成案例， 决策用户通过工 作站对诊疗案例库进行检索， 在诊疗案例库中找到相似度匹配找到最相似的案例， 图像采 集装置包括CT机、 超声仪和核磁共振仪， 生理参数传感器包括心率采集传感器、 血压计、 血 氧仪和加速度计， 其为可穿戴设备， 工作站使用图像融合对采集到的CT图像、 超声图像和核 说明书 2/8 页 6 CN 110580951 A 6 磁共振图像进行两两图像融合， 并将融合后的图像上至云端服务器， 工作站与云端服务器 之间使用加密算法进行通信。 0027 其中， 工作站与云端服务器之间使用加密算法进行通信， 其加密解密过程如下： 0028 步骤1， 发送方与接收方双。

22、方密钥共享， 根据接收方的公钥生成共享密钥； 0029 步骤2， 发送方使用共享密钥和其他可选择参数作为密钥求导函数的输入， 求导结 果构成对称加密密钥和MAC密钥对； 0030 步骤3， 使用对称加密算法将对称加密密钥和明文作为输入， 生成密文； 0031 步骤4， 使用加密信息、 MAC密钥和其他公共参数作为输入， 选用MAC函数生成标识； 0032 步骤5， 发送方使用临时公钥、 标识以及密文组成加密信息发送给接收方； 0033 步骤6， 接收方接收加密信息， 并且获知发送方的临时公钥、 标识以及密文， 从而将 加密信息分解； 0034 步骤7， 接收方将接收的临时公钥和接收方的私钥进行。

23、乘积； 0035 步骤8， 使用共享密钥和其他发送方也使用的公共参数， 接收方进行和发送方相同 的求导过程， 从而得到加密密钥和MAC密钥对； 0036 步骤9， 使用加密信息、 MAC密钥和发送方使用的其他公共参数作为输入， 接收方计 算出新的标识， 并与接收到的标识进行比较， 如果新的标识和接收到的标识不同， 则验证失 败， 拒绝接收密文； 0037 步骤10， 如果新的标识和接收到的标识相同， 则接收方继续解密流程， 使用对称解 密算法， 以加密信息和解密密钥作为输出， 输出发送方的明文。 0038 其中， 工作站或云端服务器作为发送方， 云端服务器或工作站作为接收方。 0039 其中，。

24、 生理参数传感器为可穿戴设备， 其通过加速度计的加速度数据判断患者的 运动状态， 具体判断过程如下： 0040 步骤1， 从加速度计获取加速度数据； 0041 步骤2， 数据预处理， 0042 将获取的加速度数据生成为加速度时间序列数据， 采用滑动窗口为加速度时间序 列数据的时域加窗， 对每个加窗得到的加速度时间序列数据进行处理和识别， 滑动窗口使 用时间轴来分段提取序列， 定义窗口长度w以及重叠窗口长度o。 0043 对于一段加速度时间序列x1， x2.xn.， 第一个窗口为x1， x2.xw， 第二个窗 口为xw-oxw-o+1.x2w-o-1， 第三个窗口为x2w-2o-1， x2w-2。

25、o.x3w-2o-2， 第n各窗口为 xn(w-o)-n+1， xn(w-o)-n+2.xn(w-o)+w-n， 其中， w60， o10。 xn为加速度时间序列数据。 0044 重叠的作用是减轻频谱泄漏， 减少信号截断对信息的破坏。 0045 步骤3， 数据特征生成， 0046 加速度数据特征包括时域特征和频域特征， 时域特征包括加速的在窗口长度w内 的平均值、 均方根、 方差和绝对平均差， 频域特征为窗口长度w内的能量。 0047均值为加速度数值的平均大小， 是加速的直流分量， 其计算公式为： 0048 0049 均方根D为加速度值的总体大小， 其计算公式如下： 0050 说明书 3/8 。

26、页 7 CN 110580951 A 7 0051 方差 x为加速度的分散程度， 其计算公式如下： 0052 0053 方差明显的反映了数据变化的剧烈程度， 其中-是加速度的均值。 0054 绝对平均差K的计算为： 0055 0056 能量E的计算方法是对信号做FFT之后， 各个分量的幅值平方和， 其公式为： 0057 0058 Fi为加速度时间FFT之后第i个分量的幅度， N为分量个数。 0059 通过上述平均值、 均方根、 方差、 绝对平均差、 能量的计算分别得到多个窗口的平 均值序列、 均方根序列、 方差序列、 绝对平均差序列、 能量序列。 0060 特征生成在模式识别的任务中是至关重要。

27、的， 给定了测度集合， 特征生成的目标 是探索获取数据的固有模式和信息的重表示。 一个良好的特征生成过程会将数据的基本信 息压缩， 同时剔除冗余的信息， 从而减少原始数据空间的维数。 0061 步骤4匹配识别， 0062 生成样本序列， 样本序列包括在行走状态、 奔跑状态、 跳跃状态、 跌倒状态、 静止状 态下各个平均值序列、 均方根序列、 方差序列、 绝对平均差序列、 能量序列， 样本序列为预先 设置或者通过用户本身通过执行相应的状态进行设置； 0063 将上述得到的平均值序列、 均方根序列、 方差序列、 绝对平均差序列、 能量序列分 别匹配不同状态下的样本序列， 将匹配度最高的样本序列的状。

28、态作为当前用户的运动状 态。 0064 其中， 采用超声图像和核磁共振图像生成聚焦彩色图像， 其融合过程如下： 0065 步骤1， 通过HSV变换将图像A、 B从RGB空间转化到HSV空间， 并获得H、 S、 V三个分量； 0066 步骤2， 通过邻域叠加得到融合后的H分量； 0067 步骤3， 通过梯度计算得到融合后的S分量和V分量； 0068 步骤4， 根据上述步骤的H分量、 S分量和V分量， 通过HSV逆变换构成最终的融合图 像。 0069 其中， 使用CT图像和核磁共振图像或者使用CT图像和超声图像生成灰度图像， 其 融合过程如下： 0070 步骤1， 图像A为参考图像， 图像B为标准。

29、图像， 取得图像A、 B的灰度函数， 分别为fA (i， j)， fB(i， j)； 0071 步骤2， 两幅图像的平均灰度值 A、 B， 0072 0073 0074 其中， M和N是图像二维像素尺寸； 说明书 4/8 页 8 CN 110580951 A 8 0075 步骤3.计算两幅图像的标准偏差 A、 B： 0076 0077 0078 步骤4.计算修正系数cr： 0079 0080 步骤5.计算平均灰度值校正项 c： 0081 c A-(cr B)； 0082 步骤6.计算标准图像B的匹配图像灰度函数fB， 0083 fB(fB(i， j)cr)+ c； 0084 步骤7， 计算参考。

30、图像A以及匹配灰度后的图像B的梯度， 0085 0086 0087其中， 0088 0089 0090 0091 0092 说明书 5/8 页 9 CN 110580951 A 9 0093 0094 0095其中，为原始图像A、 B在点(i， j)处的梯度， Gi()、 Gj()、 Gij()、 Gji() 为点(i， j)处的横向、 竖向、 45 斜向、 135 斜向变化函数， fA(i， j)、 fB(i， j)为参考图像A以 及匹配灰度后的图像B在点(i， j)处的灰度分量； 0096 步骤8， 融合， 0097 0098 其中， FAB(i， j)为在点(i， j)处融合后的灰度分量。

31、。 0099 由此得到融合的灰度图像。 0100 其中， 图像A为超声图像或核磁共振图像， 图像B为CT图像。 0101 其中， 决策用户通过工作站对诊疗案例库进行检索， 在诊疗案例库中找到相似度 匹配找到最相似的案例， 具体步骤如下： 0102 步骤1， 根据医学临床诊疗特点， 定义源决策案例的特征属性， 建立诊疗案例库； 0103 步骤2， 患者用户就诊后， 通过人机交互界面输入特征属性信息， 并提取特征向量； 0104 其中， 特征向量包括： 0105 案例概况信息向量， 其包括案例编号， 案例名， 案例发生时间， 主治医生姓名， 住院 医师姓名， 护理人员姓名在内的特征属性； 0106。

32、 病人基本信息向量， 其包括患者用户性别， 年龄， 身高， 体重， 家族史， 健康史， 药物 过敏史， 入院日期， 出院日期在内的特征属性； 0107 患者用户主要症状和体征的向量， 其包括患者用户主观异常感觉， 患者用户体征 在内的特征属性； 0108 化验结果向量， 包括血常规， 免疫组合， 凝血象， 尿常规， 血气分析， B超检查， CT检 查， 心电， 血压， 血氧饱和度在内的特征属性； 0109 病理信息向量， 包括来自理报告中的肿瘤大小、 受侵淋巴结数、 有无结节冒、 恶性 肿瘤程度， 肿块位置、 肿块所在象限， 分布特征， 生长特征在内的特征属性； 0110 患者用户病情的基本判。

33、断向量， 包括决策用户的主观判断结果， 即恶性、 良性、 易 复发和不易复发在内的特征属性； 0111 治疗向量， 包括病情描述， 诊断过程， 是否放疗， 治疗过程， 治疗效果以及中间的检 查情况在内的特征属性； 0112 手术后症状向量， 即治疗后的乳腺癌患者用户症状描述在内的特征属性； 0113 患者用户具体病情以及症状特征的护理建议和策略的向量。 0114 步骤3， 输入特征向量， 模糊诊疗知识发现程序在诊疗案例库发现相关案例； 0115 步骤4， 通过遗传算法获取各特征向量中各特征属性的最优权重； 具体为： 说明书 6/8 页 10 CN 110580951 A 10 0116 步骤4。

34、.1， 将特征属性进行编码； 0117 步骤4.2， 生成各特征属性的初始权重； 0118 步骤4.3， 计算适应度并保持优选的染色体； 0119 步骤4.4， 发现准确值； 0120 步骤4.5， 用轮盘赌选择方法进行复制和选择； 0121 步骤4.6， 交叉； 0122 步骤4.7， 变异； 0123 步骤4.8， 优选染色体； 0124 步骤4.9， 替代现有染色体； 0125 步骤4.10， 进化迭代次数是否达到上限， 是则停止迭代， 进入步骤11， 否则返回步 骤3， 继续迭代； 0126 步骤4.11， 将当前染色体逆编码， 生成最优权重； 0127 步骤5， 结合最优权重和各特征。

35、属性， 通过案例检索程序在诊疗案例库中进行检 索， 进行相似度分析获取最相似的案例， 具体为： 0128 步骤5.1， 确定决策用户的正负理想案例， 构造模糊矩阵并进行规范化； 0129 步骤5.2， 对模糊矩阵进行加权计算； 0130 步骤5.3， 对正负理想案例各属性指标值加权； 0131 步骤5.4， 计算正负理想案例、 目标案例与输入案例的距离， 0132 0133 0134 0135 其中， i为特征向量序数； j为特征属性序数； n为特征向量总数； l为特征属性总数； xij为第i个特征向量的第j个特征属性值；为到正理想点的距离；为到负理想点的距 离； IDT为各案例与目标案例的距。

36、离； 为正理想点值， 为负理想点值， xT为目标点值， d(， ) 为模糊数之间的距离函数； 0136 步骤5.5， 计算贴合度， 确定各个案例之间的顺序， 找到与目标案例最相似的案例， 计算各个案例与目标案例之间的贴近度， 0137 0138 其中， TH为贴合度， TH值越高表示两个案例越相近， 选择贴合度最高的案例作为最 相似的案例； 0139 步骤6， 返回最相似的案例给决策用户， 如满足要求， 则生成诊断案例， 并进入步骤 7； 如不满足要求， 则决策用户输入特定需求， 启动案例修正程序， 对获取的案例进行修正， 直至满足要求的案例， 并进入步骤7； 0140 步骤7： 决策用户审查。

37、和评估检索得到的案例价值， 如果认为该案例有价值， 则生 成相应的诊断结论， 并存入诊疗案例库， 如果认为该案例没有有价值， 则生成相应的诊断结 说明书 7/8 页 11 CN 110580951 A 11 论， 并退出。 0141 以上所述实施方式仅表达了本发明的一种实施方式， 但并不能因此而理解为对本 发明范围的限制。 应当指出， 对于本领域的普通技术人员来说， 在不脱离本发明构思的前提 下， 还可以做出若干变形和改进， 这些都属于本发明的保护范围。 说明书 8/8 页 12 CN 110580951 A 12 图1 图2 说明书附图 1/1 页 13 CN 110580951 A 13 。