一种针对2型糖尿病并发症的多模态大数据的数据分析方法技术

本发明专利技术涉及一种针对2型糖尿病并发症的多模态大数据的数据分析方法，根据确定好的糖尿病并发症类型，获取糖尿病并发症类型对应的历史大数据；通过历史大数据在各模态下对应的变化率设计多密度量化器以得到实时数据的感知与获取方法；对历史大数据采用多模态数据挖掘方法，并结合卷积神经网络方法，提取出糖尿病并发症类型对应的特征信息；依据特征信息推导出历史大数据中感染糖尿病并发症类型的个体的动态演化规律；结合所述个体的动态演化规律得到实时数据的性能评估指标。通过本发明专利技术，能够预测糖尿病并发症的发病趋势，为糖尿病并发症的早诊断早治疗提供决策依据和技术支撑，提高了诊断效率和诊疗质量。高了诊断效率和诊疗质量。高了诊断效率和诊疗质量。

【技术实现步骤摘要】
一种针对2型糖尿病并发症的多模态大数据的数据分析方法


[0001]本专利技术涉及深度学习
，更具体地说，涉及一种针对2型糖尿病并发症的多模态大数据的数据分析方法。

技术介绍

[0002]国际糖尿病联盟(IDF)数据显示，2018年世界成年人口(22～79岁)的糖尿病患病率约为8.8％，而我国作为世界上糖尿病患病人口最多(1.144亿)的国家，患病率高达11.0％，患病人数占世界糖尿病总人数的近四分之一。根据联合国人口司的数据，考虑人口结构和城市化进展，中国在2045年的成年糖尿病患病人口将达到约1.2亿。2型糖尿病(T2DM)是机体胰岛素抵抗或胰岛素相对缺乏的一类代谢异常疾病，其患病总数占全部糖尿病患者的90％～95％。糖尿病及其并发症所造成的疾病负担已成为当前世界各国共同面临的重大公共健康问题和社会经济问题。
[0003]随着社会的发展，科学技术也相应地不断提高，全国各大小医院开始将自己存储数据的方式变得更加多样化，因此医疗多模态大数据的概念得到了广大专家学者的关注。临床疾病的多模态大数据是指对疾病从不同的角度和视觉采集得到的各类数据的集合。多模态大数据为复杂疾病的诊断研究提供了新的研究思路。海量多模态医疗数据中隐含着数据与疾病之间的相关性信息。
[0004]然而目前在临床上主要依靠临床表现和实验室检查做出诊断，而且随着近年来检测技术的发展，人类已经能够获得到更多的人体疾病相关的多种检查项目结果等多模态的数据，而这些数据往往与疾病间存在相关性。医疗临床资源丰富，病例病种全，多模态样本量巨大。但是由于缺乏大数据处理环境的支撑和多模态数据的有效利用，当前已有的疾病诊断研究仍然停留在传统的基于单模态的数据研究。
[0005]医学信息内容丰富多样，数据结构特殊，临床疾病大数据可能含有纯数据、图像、文字、检测信号、音频或者视频信息等。同时许多医学信息的表达、记录具有不确定性、模糊性、不完整性、带有噪声和冗余性等特征加大了医学数据挖掘的难度。尽管现如今科学界对数据的感知与获取方法有不少举足轻重的发展，但是在普适化多模态大数据环境下，数据量大及模态繁多给数据的采集、传输、清洗和储存带来了新的挑战，致使现有的方法无法直接融入到基于非侵入式普适化多模态大数据的信息提取及疾病演化规律的建模中。
[0006]然而，糖尿病(DM)患者病程较长，糖代谢的紊乱，常常会又发一系列的并发症，如视网膜病变、周围神经病变及全身性微血管病变等。糖尿病全世界发病率和病死率最高疾病之一，如何更好地控制和治疗DM已成为医学领域一个重要的课题。目前，单纯利用中西药治疗糖尿病难以到达预期的效果，同时还会引起各种不良反应，无法保证患者的生存质量得到改善。采用中西药治疗的同时，结合医疗大数据分析和挖掘方法，对于提高2型糖尿病的临床疗效及患者的生存质量具有重要意义。为此，特提出一种针对2型糖尿病并发症的多模态大数据的数据分析方法。

技术实现思路

[0007]本专利技术要解决的技术问题在于，针对现有技术的缺陷，提供一种针对2型糖尿病并发症的多模态大数据的数据分析方法。
[0008]本专利技术解决其技术问题所采用的技术方案是：构造一种针对2型糖尿病并发症的多模态大数据的数据分析方法，包括：
[0009]根据确定好的糖尿病并发症类型，获取所述糖尿病并发症类型对应的历史大数据；
[0010]通过所述历史大数据在不同模态下对应的变化率，设计多密度量化器以得到实时数据的感知与获取方法；
[0011]对所述历史大数据采用多模态数据挖掘方法，并结合卷积神经网络方法，提取出糖尿病并发症类型对应的特征信息；
[0012]依据所述特征信息推导出历史大数据中，感染糖尿病并发症类型的个体的动态演化规律，并结合所述个体的动态演化规律得到所述实时数据的性能评估指标。
[0013]其中，在通过所述历史大数据在不同模态下对应的变化率，设计多密度量化器以得到实时数据的感知与获取方法的步骤中，包括步骤：
[0014]按照所述变化率将所述历史大数据进行分段，并求解各分段结果对应的平均值；
[0015]按照各所述平均值的偏差的范围将所述平均值划分成多个集合，并求解所述集合的平均值；
[0016]计算所述集合中的测量数据的偏差，并根据所述测量数据的偏差与所述集合的平均值的对应关系设计预测函数；
[0017]根据所述预测函数将所述测量数据标准化；对标准化后的测量数据进行数据清洗，并依据传输网络的负载特性设置多密度量化器。
[0018]其中，所述多密度量化器用于根据传输网络的情况，动态调节量化器的设定值；由于实际传输网络的情况是动态的，多密度量化器保证最大效率量化数据，达到对多模态大数据的高效传输。
[0019]其中，通过将量化处理后的数据写成输出值加上一个高斯噪声的形式，即：
[0020][0021]其中，yi(k)为实际测量数据，yi(k)弯为量化后的测量数据，qi(k)为量化误差；
[0022]求出相应时刻的负载度，并根据历史大数据统计数据变化的窗口值，结合数据仓库所需要的精度和负载设计多密度量化器。
[0023]其中，在构建多密度量化器的步骤中，包括步骤：
[0024]对采集到的数据进行融合分析，针对数据不同特性，对数据进行特征抽取及属性融合，针对不同应用需求及数据结构，构建聚类分析、关联分析和分类预测算法库，实现对来自多源的结构化数据和非结构化数据进行融合分析。
[0025]其中，在对所述历史大数据采用多模态数据挖掘方法，并结合卷积神经网络方法，提取出糖尿病并发症类型对应的特征信息的步骤中，包括步骤：
[0026]将糖尿病并发症与危险因素的影响关系生成关系矩阵；
[0027]依据所述关系矩阵设定目标函数，并对所述目标函数极小化；其中，所述目标函数为：
[0028][0029]其中，M
ij
为所述关系矩阵，U为糖尿病并发症，V为危险因素，X
u
表示糖尿病并发症的特征，X
v
为危险因素的特征，R(U,V)是对U与V的规则化约束，R
u
(U，X
u
)为U对X
u
的规则化约束，R
v
(V,X
v
)为V对X
v
的规则化约束，λ、λ
u
和λ
v
分别为对应规则化约束项的权重，值在0～1之间，L(U
i
，V
j
，M
ij
)为U
i
、V
i
和M
ij
的关系函数；
[0030]按照测量数据所属模态的类型建立多种卷积核；对所述卷积核进行混合采样得到所述特征信息；将所述特征信息与所述卷积神经网络的输出层全连接。
[0031]其中，卷积神经网络方法采用了前后传输的输出值，反向传播权重和偏置，内部的神经网络中相邻之间额神经单元采用部分连接，使上层的部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对2型糖尿病并发症的多模态大数据的数据分析方法，其特征在于，包括：根据确定好的糖尿病并发症类型，获取所述糖尿病并发症类型对应的历史大数据；通过所述历史大数据在不同模态下对应的变化率，设计多密度量化器以得到实时数据的感知与获取方法；对所述历史大数据采用多模态数据挖掘方法，并结合卷积神经网络方法，提取出糖尿病并发症类型对应的特征信息；依据所述特征信息推导出历史大数据中，感染糖尿病并发症类型的个体的动态演化规律，并结合所述个体的动态演化规律得到所述实时数据的性能评估指标。2.根据权利要求1所述的针对2型糖尿病并发症的多模态大数据的数据分析方法，其特征在于，在通过所述历史大数据在不同模态下对应的变化率，设计多密度量化器以得到实时数据的感知与获取方法的步骤中，包括步骤：按照所述变化率将所述历史大数据进行分段，并求解各分段结果对应的平均值；按照各所述平均值的偏差的范围将所述平均值划分成多个集合，并求解所述集合的平均值；计算所述集合中的测量数据的偏差，并根据所述测量数据的偏差与所述集合的平均值的对应关系设计预测函数；根据所述预测函数将所述测量数据标准化；对标准化后的测量数据进行数据清洗，并依据传输网络的负载特性设置多密度量化器。3.根据权利要求2所述的针对2型糖尿病并发症的多模态大数据的数据分析方法，其特征在于，所述多密度量化器用于根据传输网络的情况，动态调节量化器的设定值；由于实际传输网络的情况是动态的，多密度量化器保证最大效率量化数据，达到对多模态大数据的高效传输。4.根据权利要求3所述的针对2型糖尿病并发症的多模态大数据的数据分析方法，其特征在于，通过将量化处理后的数据写成输出值加上一个高斯噪声的形式，即：其中，yi(k)为实际测量数据，yi(k)弯为量化后的测量数据，qi(k)为量化误差；求出相应时刻的负载度，并根据历史大数据统计数据变化的窗口值，结合数据仓库所需要的精度和负载设计多密度量化器。5.根据权利要求2所述的针对2型糖尿病并发症的多模态大数据的数据分析方法，其特征在于，在构建多密度量化器的步骤中，包括步骤：对采集到的数据进行融合分析，针对数据不同特性，对数据进行特征抽取及属性融合，针对不同应用需求及数据结构，构建聚类分析、关联分析和分类预测算法库，实现对来自多源的结构化数据和非结构化数据进行融合分析。6.根据权利要求1所述的针对2型糖尿病并发症的多模态大数据的数据分析方法，其特征在于，在对所述历史大数据采用多模态数据挖掘方法，并结合卷积神经网络方法，提取出糖尿病并发症类型对应的特征信息的步骤中，包括步骤：将糖尿病并发症与危险因素的影响关系生成关系矩阵；依据所述关系矩阵设定目标函数，并对所述目标函数极小化；其中...

【专利技术属性】
技术研发人员：邱士军，谭欣，梁艺，覃春红，李伊凡，
申请(专利权)人：广州中医药大学第一附属医院，
类型：发明
国别省市：