模糊分析方法已廣泛應用于醫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學知識。很多未經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據的模糊性都將帶來噪聲。如果將心理測量數據中的屬性看作信息系統的條件屬性，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：數據獲取、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，以降低心理測量數據中選項的模糊度。實驗中采用兩個真實臨床數據集驗證FOAD算法的性能。首先使用各種屬性提取算法對測試數據集進行處理，獲取關鍵屬性，然后將輸郵的關鍵屬性作為條件屬性，以診斷結論作為分類標簽，利用邏輯回歸方法對樣本數據進行分類實驗結果表朗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）對各種參數斂感，尤其是對保留屬性的個數.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據方差最大，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，出現了FOAD引起PCA分類準確率降低的情況。此外，實驗發現基于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。心理診斷數據具有明虛的模糊性，一般的統計分析方法往往不能得到需要的結果。而利用最新的模糊集和粗糙集等特殊的數據預處理方法可以消除這種數據噪聲，提髙臨床診斷效果。