发病率监测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，公开了一种基于历史疾病信息的发病率监测方法，根据预置的门控递归神经网络与集成学习算法的结合对历史病历数据的不断自主学习，形成基于历史疾病信息的发病率监测的预测模型，然后根据待测疾病的疾病数据输入值预测模型中进行预测和监控。本发明专利技术还公开了一种基于历史疾病信息的发病率监测装置、设备及计算机可读存储介质，本发明专利技术通过上述的算法与神经网络的结合来从历史病历数据中捕捉到一定的规律性，而形成预测模型，且门控递归神经网络与集成学习算法的相结合不仅简化了模型对数据的记忆量，而且还加快了对疾病预测的效率，实现了疾病流行的快速准确预测，能及时启动预警，便于相关工作人员的流行疾病的防控部署准备。

Incidence monitoring methods, devices, equipment and storage media

【技术实现步骤摘要】
发病率监测方法、装置、设备及存储介质
本专利技术涉及人工智能
，尤其涉及一种发病率监测方法、装置、设备及存储介质。
技术介绍
随着科技与经济、生活一体化进程的加快，经济与交流活动增加，人群流动日益频繁，为疾病的传播与爆发提供了有利环境，公共卫生健康问题越来越严峻。同时，社会与自然环境也发生着变化，环境污染、自然灾害等影响公众健康事件的增多也增加了突发公共卫生事件爆发的可能性。如何能早期识别到疾病突发，及时发出预警，尽早采取相应的控制措施，将疾病爆发所带来的损伤降到最低，是当前医疗科技比较关注的重点之一。尤其是流感疾病的监控上，例如登革热，主要在热带和亚热带地区流行，主要位于南部城市较为流行，是一种具有季节性流行传播的疾毒之一，而这种疾毒的传播和影响因素比较多，而且危害程度和影响力度都是比较不明显的，为了预防这类型的病毒，目前在医学界中主要是通过季节的气候和天气，以及机器学习来判断是否产生，而对于发病率的预测，现有的控制方式是通过采样某一区域上的样本以及诱发因素，根据样本和诱发因素进行模型的训练、测试，然后根据模型和实时的数据进行发病的预测，这种方式对于影响疾病的发病的因素并不能进行有效的集成在一个模型中，导致机器未能及时学习，而影响了疾病预测的准确率。
技术实现思路
本专利技术的主要目的在于提供一种基于历史疾病信息的发病率监测方法、装置、设备及存储介质，旨在解决现有技术中以机器学习方式，对疾病发病率监测的准确率不高的技术问题。为实现上述目的，本专利技术提供一种基于历史疾病信息的发病率监测方法，所述基于历史疾病信息的发病率监测方法包括以下步骤：获取疾病的历史病历数据，根据预先划分好的不同的年龄段区间对所述历史病历数据进行归类划分处理；基于归类划分处理后的所述历史病历数据，通过预置的门控递归神经网络和集成学习算法对各年龄段区间中的历史病历数据进行模型训练的自主学习操作，生成预测模型，其中，所述预测模型用于实现对待预测疾病的发病率的预测计算；获取待预测的疾病的种类、待预测的时间点，以及所述时间点之前的相关数据，将所述相关数据输入到所述预测模型中，计算得到所述时间点上的待预测疾病的发病率的预测结果，其中，所述相关数据包括在所述时间点之前监测到的病例数据。可选的，所述基于归类划分处理后的所述历史病历数据，通过预置的门控递归神经网络和集成学习算法对各年龄段区间中的历史病历数据进行模型训练的自主学习操作，生成预测模型的步骤包括：通过样本随机抽取方式从划分后的每个类别的历史病历数据中抽取至少两个训练样本；从抽取的所述训练样本中选择一个训练样本作为初始样本，根据所述初始样本进行模型的初步训练，得到所述预测模型的模型雏形；通过所述门控递归神经网络在所述模型雏形中增加信息存储门，并利用所述集成学习算法将从各个类别中抽取到的所述训练样本对增加了信息存储门后的所述练模型雏形进行二次深度的集成学习训练，以构建出所述预测模型。可选的，所述利用所述集成学习算法将从各个类别中抽取到的所述训练样本对增加了信息存储门后的所述练模型雏形进行深入的集成学习训练，以构建出所述预测模型包括：基于所述集成学习算法对每个所述训练样本进行特征分裂的训练，得到第一训练特征；将所述第一训练特征依次输入至所述模型雏形中，进行深度的特征训练，得到具有多分枝的决策树模型，并将所述决策树模型作为所述预测模型。可选的，在所述获取所述时间点之前的相关数据的步骤之前，还包括：获取与所述历史病历数据对应的医疗生态信息，所述医疗生态信息包括天气数据、医疗水平数据和疾病监控数据中的至少一种；在所述将所述第一训练特征依次输入至所述模型雏形中，进行深度的特征训练，得到具有多分枝的决策树模型的步骤之后，还包括：通过所述集成学习算法将所述医疗生态信息进行特征分解的训练，得到第二训练特征；将所述第二训练特征输入至所述决策树模型中，进行三次深度训练学习，以构建出完整的所述预测模型。可选的，在所述基于归类划分处理后的所述历史病历数据，通过预置的门控递归神经网络和集成学习算法对各年龄段区间中的历史病历数据进行模型训练的自主学习操作，生成预测模型的步骤之后，还包括：从所述历史病历数据中随机截取一时间段的病历数据，并输入至所述预测模型中，得到与所述时间段的病历数据对应的发病数量的预测值；判断所述预测值是否满足所述时间段的病历数据对应的实际发病数据，得到模型校验结果；根据所述模型校验结果，确定是否执行四次深度训练，以实现对所述预测模型的优化，其中所述四次深度训练为重复所述二次深度训练和三次深度训练学习的过程。可选的，在所述获取待预测的疾病的种类、待预测的时间点，以及所述时间点之前的相关数据，将所述相关数据输入到所述预测模型中，计算得到所述时间点上的待预测疾病的发病率的预测结果的步骤之后，还包括：若判所述模型校验结果为所述预测值不满足所述实际发病数据，则从所述历史病历数据中提取若N个样本数据，并通过加法机制对用于训练所述预测模型的训练样本进行更新和/重置处理，根据更新和/重置处理后的训练样本进行预测模型的训练，其中，N大于或等于2。可选的，所述集成学习算法为随机森林学习算法。此外，为实现上述目的，本专利技术还提供了一种基于历史疾病信息的发病率监测装置，所述基于历史疾病信息的发病率监测装置包括：第一数据获取模块，用于获取疾病的历史病历数据，根据预先划分好的不同的年龄段区间对所述历史病历数据进行归类划分处理；模型训练模块，用于基于归类划分处理后的所述历史病历数据，通过预置的门控递归神经网络和集成学习算法对各年龄段区间中的历史病历数据进行模型训练的自主学习操作，生成预测模型，其中，所述预测模型用于实现对待预测疾病的发病率的预测计算；发病预测模块，用于获取待预测的疾病的种类、待预测的时间点，以及所述时间点之前的相关数据，将所述相关数据输入到所述预测模型中，计算得到所述时间点上的待预测疾病的发病率的预测结果，其中，所述相关数据包括在所述时间点之前监测到的病例数据。可选的，所述模型训练模块包括样本提取单元、模型生成单元和深度训练单元；所述样本提取单元，用于通过样本随机抽取方式从划分后的每个类别的历史病历数据中抽取至少两个训练样本；所述模型生成单元，用于从抽取的所述训练样本中选择一个训练样本作为初始样本，根据所述初始样本进行模型的初步训练，得到所述预测模型的模型雏形；所述深度训练单元，用于通过所述门控递归神经网络在所述模型雏形中增加信息存储门，并利用所述集成学习算法将从各个类别中抽取到的所述训练样本对增加了信息存储门后的所述练模型雏形进行二次深度的集成学习训练，以构建出所述预测模型。可选的，所述深度训练单元用于基于所述集成学习算法对每个所述训练样本进行特征分裂的训练，得到第一训练特征；将所述第一训练特征依次输入至所述模型雏形中，进行深度的特征训练，得到具有多分枝的决策树模型，并将所述本文档来自技高网...

【技术保护点】
1.一种基于历史疾病信息的发病率监测方法，其特征在于，所述基于历史疾病信息的发病率监测方法包括以下步骤：/n获取疾病的历史病历数据，根据预先划分好的不同的年龄段区间对所述历史病历数据进行归类划分处理；/n基于归类划分处理后的所述历史病历数据，通过预置的门控递归神经网络和集成学习算法对各年龄段区间中的历史病历数据进行模型训练的自主学习操作，生成预测模型，其中，所述预测模型用于实现对待预测疾病的发病率的预测计算；/n获取待预测的疾病的种类、待预测的时间点，以及所述时间点之前的相关数据，将所述相关数据输入到所述预测模型中，计算得到所述时间点上的待预测疾病的发病率的预测结果，其中，所述相关数据包括在所述时间点之前监测到的病例数据。/n

【技术特征摘要】
1.一种基于历史疾病信息的发病率监测方法，其特征在于，所述基于历史疾病信息的发病率监测方法包括以下步骤：
获取疾病的历史病历数据，根据预先划分好的不同的年龄段区间对所述历史病历数据进行归类划分处理；
基于归类划分处理后的所述历史病历数据，通过预置的门控递归神经网络和集成学习算法对各年龄段区间中的历史病历数据进行模型训练的自主学习操作，生成预测模型，其中，所述预测模型用于实现对待预测疾病的发病率的预测计算；
获取待预测的疾病的种类、待预测的时间点，以及所述时间点之前的相关数据，将所述相关数据输入到所述预测模型中，计算得到所述时间点上的待预测疾病的发病率的预测结果，其中，所述相关数据包括在所述时间点之前监测到的病例数据。


2.如权利要求1所述的基于历史疾病信息的发病率监测方法，其特征在于，所述基于归类划分处理后的所述历史病历数据，通过预置的门控递归神经网络和集成学习算法对各年龄段区间中的历史病历数据进行模型训练的自主学习操作，生成预测模型的步骤包括：
通过样本随机抽取方式从划分后的每个类别的历史病历数据中抽取至少两个训练样本；
从抽取的所述训练样本中选择一个训练样本作为初始样本，根据所述初始样本进行模型的初步训练，得到所述预测模型的模型雏形；
通过所述门控递归神经网络在所述模型雏形中增加信息存储门，并利用所述集成学习算法将从各个类别中抽取到的所述训练样本对增加了信息存储门后的所述练模型雏形进行二次深度的集成学习训练，以构建出所述预测模型。


3.如权利要求2所述的基于历史疾病信息的发病率监测方法，其特征在于，所述利用所述集成学习算法将从各个类别中抽取到的所述训练样本对增加了信息存储门后的所述练模型雏形进行深入的集成学习训练，以构建出所述预测模型包括：
基于所述集成学习算法对每个所述训练样本进行特征分裂的训练，得到第一训练特征；
将所述第一训练特征依次输入至所述模型雏形中，进行深度的特征训练，得到具有多分枝的决策树模型，并将所述决策树模型作为所述预测模型。


4.如权利要求3所述的基于历史疾病信息的发病率监测方法，其特征在于，在所述获取所述时间点之前的相关数据的步骤之前，还包括：
获取与所述历史病历数据对应的医疗生态信息，所述医疗生态信息包括天气数据、医疗水平数据和疾病监控数据中的至少一种；
在所述将所述第一训练特征依次输入至所述模型雏形中，进行深度的特征训练，得到具有多分枝的决策树模型的步骤之后，还包括：
通过所述集成学习算法将所述医疗生态信息进行特征分解的训练，得到第二训练特征；
将所述第二训练特征输入至所述决策树模型中，进行三次深度训练学习，以构建出完整的所述预测模型。


5.如权利要求1-4任一项所述的基于历史疾病信息的发病率监测方法，其特征在于，在所述基于归类划分处理后的所述...

【专利技术属性】
技术研发人员：陈娴娴，阮晓雯，徐亮，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44