模糊分析方法已廣泛應用于醫(yī)學實踐包括對心理疾病的輔助診斷。屬性約簡方法在過濾冗余信息并提取關鍵信息時起到了重要作用，使整個臨床決策過程更加準確和高效。這些方法抽取的有價值信息可以從新的視角揭示深層次醫(yī)學知識。很多未經(jīng)培訓的參與者很難識別心理量表中選項間模糊的界線，即很難區(qū)分擁有相同意義但程度不同的選項。臨床心理學自身的模糊性和心理測量數(shù)據(jù)的模糊性都將帶來噪聲。如果將心理測量數(shù)據(jù)中的屬性看作信息系統(tǒng)的條件屬性，利用降維算法可提取關鍵屬性，從而簡化對疑似患者的臨床篩查過程。實際使用時，可對提取的關鍵屬性或者擁有高權(quán)重的屬性進行重點關注，從而迅速定位擁有異常關鍵屬性的患者，對其優(yōu)先處理。由此該文提出一種稱為FOAD（ Fuzzy-option based Attribute Discriminant method）的基于模糊選項關系的關鍵屬性提取方法，包括三個主要步驟：數(shù)據(jù)獲取、模糊選項的選擇與約簡以及關鍵屬性的排序與提取。每個參與者樣本包含若干身體癥狀屬性，為每個屬性都選擇一個程度選項。選擇模糊選項時須同時考慮選擇該選項的樣本數(shù)量和選項的程度含義。而模糊選項約簡筧法作為整個方法的核心，可以將模糊選項合并到其他選項，以降低心理測量數(shù)據(jù)中選項的模糊度。實驗中采用兩個真實臨床數(shù)據(jù)集驗證FOAD算法的性能。首先使用各種屬性提取算法對測試數(shù)據(jù)集進行處理，獲取關鍵屬性，然后將輸郵的關鍵屬性作為條件屬性，以診斷結(jié)論作為分類標簽，利用邏輯回歸方法對樣本數(shù)據(jù)進行分類實驗結(jié)果表朗FOAD算法在不增加時間復雜度的前提下能將分類準確率普遍提髙3.3%~14.1%.雖然選項約簡操作造成部分信息的損失，但是合并模糊選項使選項分布更加清晰.FOAD作用下的LDA（ Linear Discrimination Analysis）對各種參數(shù)斂感，尤其是對保留屬性的個數(shù).LDA的預測準確率從保留最少屬性時提高6.7%，上升到保留最多屬性時提高亻4PCA（ Principal Component Analysis）算法選擇的投影方向會使數(shù)據(jù)方差最大，保留的信息量最多，但分類效果差。因此FOAD算法很難應用于提高PCA的預測準確率，甚至在個別情況下，出現(xiàn)了FOAD引起PCA分類準確率降低的情況。此外，實驗發(fā)現(xiàn)基于FOAD的LDA算法比其他屬性模糊提取算法具有更高預測準確率。心理診斷數(shù)據(jù)具有明虛的模糊性，一般的統(tǒng)計分析方法往往不能得到需要的結(jié)果。而利用最新的模糊集和粗糙集等特殊的數(shù)據(jù)預處理方法可以消除這種數(shù)據(jù)噪聲，提髙臨床診斷效果。