【技术实现步骤摘要】
健康风险智能监测装置和迁移学习方法
本专利技术涉及大数据统计分析及挖掘
，尤其涉及一种健康风险智能监测装置和一种迁移学习方法。
技术介绍
2018年中国人健康大数据显示，中国高血压人口有2.7亿人，糖尿病患者达到9240万人，中国20％患慢性病。根据这些数据可以预见，在不久的将来健康风险预警将成为综合性社会工程，因此，展开积极的健康风险管理研究是十分必要的。目前，居民健康检查主要是通过医疗机构及体检机构进行的。这种健康检查方式为传统模式为主，缺乏个体针对性及精准性，导致有些必要的检查并未进行，而另外又有一些不必要的检查，造成一定的资源浪费。另外，传统健康检查模式缺乏个体健康状况评估，无法获知个体遗传状况、生活习惯及地域性的差异性特征。最重要的是，传统健康检查模式属于定期检查或触发型检查，多次的健康检查结果之间相对独立，检查所获取的诸多数据间的相关性被极大长度地忽略了。为了能够实现健康风险预测性，在现有技术中，本领域技术人员尝试通过大数据、云计算和智能评估等手段对部分固定维度的健康参数进行分析，以得到健康...
【技术保护点】
1.一种健康风险智能监测装置，其特征在于，其包括基础模块以及与基础模块分别连接的迁移学习模块、多层级加权参数学习模块、健康数据更新模块、超健康参数处理模块和混合值属性数据处理模块；/n所述健康风险智能监测装置中能够生成健康风险评估模型；/n所述迁移学习模块用于进行数据填充；/n所述多层级加权参数学习模块用于执行含高维参数的健康数据结构和变量的参数学习；/n所述健康数据更新模块用于执行不同类型健康数据的更新和扩展；/n所述超健康参数处理模块用于处理超健康参数的约减；/n所述混合值属性数据处理模块用于完成健康风险评估模型的混合值属性的归约。/n
【技术特征摘要】
1.一种健康风险智能监测装置，其特征在于，其包括基础模块以及与基础模块分别连接的迁移学习模块、多层级加权参数学习模块、健康数据更新模块、超健康参数处理模块和混合值属性数据处理模块；
所述健康风险智能监测装置中能够生成健康风险评估模型；
所述迁移学习模块用于进行数据填充；
所述多层级加权参数学习模块用于执行含高维参数的健康数据结构和变量的参数学习；
所述健康数据更新模块用于执行不同类型健康数据的更新和扩展；
所述超健康参数处理模块用于处理超健康参数的约减；
所述混合值属性数据处理模块用于完成健康风险评估模型的混合值属性的归约。
2.如权利要求1所述的健康风险智能监测装置，其特征在于，在所述多层级加权参数学习模块中设置多隐藏层特征子空间模块，所述多隐藏层特征子空间模块用于通过特征子空间隐藏层方法建立线性映射，将高维数据的可分组特征投影到低维度空间中。
3.如权利要求1所述的健康风险智能监测装置，其特征在于，在所述多层级加权参数学习模块中设置嵌套式混合正则模块，所述嵌套式混合正则模块用于将混合正则模型嵌套进入无监督聚类过程中，同时对数据进行聚类。
4.如权利要求1所述的健康风险智能监测装置，其特征在于，所述健康数据更新模块中相对数据集Dnew的健康风险评估模型Lnew表示为：
其中，运算符号表示不同评估模型的集成，表示基模型的权重，且表示基于新增数据训练的健康风险评估模型，Lold表示原有的健康风险评估模型。
5.如权利要求4所述的健康风险智能监测装置，其特征在于，所述相对数据集Dnew表示为：
其中，为新增加的健康数据，Dold为原有的数据集。
6.如权利要求5所述的健康风险智能监测装置，其特征在于，所述基模型的权重的确定方法为：
当新增数据为纵向增加的数据时，先通过核密度估计方法得到新增加的健康数据的概率密度函数再通过度量与pold之间的相似性确定的取值，pold为原有的数据集Do...
【专利技术属性】
技术研发人员：陈勇明，
申请(专利权)人：深圳甲田科技有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。