一种糖尿病风险预测方法、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机器学习技术领域，具体涉及一种糖尿病风险预测方法、装置、设备及存储介质。方法包括获取目标对象的生理监测数据；对目标对象的生理监测数据进行数据清洗，并对清洗后的生理监测数据进行数据转换，生成数值数据；将数值数据导入训练完成的糖尿病风险预测模型进行处理，获得预测数值；根据预测数值从数据库中调取相应的预测展示文件进行展示。本发明专利技术可以针对糖尿病的生理预兆，进行是否有患病风险的提前预测，提高风险预测的效率和准确率，并提供相应的指导性建议。并提供相应的指导性建议。并提供相应的指导性建议。

【技术实现步骤摘要】
一种糖尿病风险预测方法、装置、设备及存储介质


[0001]本专利技术涉及机器学习
，具体涉及一种糖尿病风险预测方法、装置、设备及存储介质。

技术介绍

[0002]糖尿病是一组以高血糖为特征的代谢性疾病。随着社会经济的发展，糖尿病患病率在世界范围内呈上升趋势。高血糖则是由于胰岛素分泌缺陷或其生物作用受损，或两者兼有引起。长期存在的高血糖，导致各种组织，特别是眼、肾、心脏、血管、神经的慢性损害、功能障碍。因此，糖尿病的提前预防对治疗糖尿病起着至关重要的作用。
[0003]目前针对糖尿病主要还是靠侵入式的测量来直接获得检测结果，以在诊断检测后进行事后的针对治疗，而不能针对个体的体征参数、生活习惯等生理信息进行一种提前的且具有一定预见性的风险预测评估，个体在患糖尿病之前，其体征参数、生活习惯等生理信息均会呈现相应的规律状态，只要能在计算机人工智能技术的基础上进行相应规律状态的刻画、演练，就可以做到运用机器学习技术来针对糖尿病进行提前的风险预测评估。但是目前还没有形成相应的预测评估技术手段。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术提供了一种糖尿病风险预测方法、装置、设备及存储介质，其应用时，可以针对糖尿病的生理预兆，进行是否有患病风险的提前预测，提高风险预测的效率和准确率，并提供相应的指导性建议。
[0005]第一方面，本专利技术提供一种糖尿病风险预测方法，包括：
[0006]获取目标对象的生理监测数据；
[0007]对目标对象的生理监测数据进行数据清洗，并对清洗后的生理监测数据进行数据转换，生成数值数据；
[0008]将数值数据导入训练完成的糖尿病风险预测模型进行处理，获得预测数值；
[0009]根据预测数值从数据库中调取相应的预测展示文件进行展示。
[0010]基于上述
技术实现思路
，通过获取目标对象的生理监测数据来进行相应的数据清洗和数据转换处理，然后导入训练好的相应糖尿病风险预测模型进行数据化的风险预测处理，得到相应的预测数值，就可以实现根据生理监测数据进行目标对象是否有患糖尿病风险的提前预测，同时，根据预测数值从数据库中调取相应的预测展示文件进行展示，可以为目标对象提供适配的风险预测评估结果及建议，以便目标对象做到相应的预防措施。该方法提供一种有效的手段/途径，可以针对糖尿病的生理预兆，进行是否有患病风险的提前预测，提高风险预测的效率和准确率，并提供相应的指导性建议。
[0011]在一个可能的设计中，所述对目标对象的生理监测数据进行数据清洗，包括删除噪声数据和重复数据，并采用回归法补全缺失数据。
[0012]在一个可能的设计中，所述对清洗后的生理监测数据进行数据转换，包括：
[0013]根据预设的映射规则对清洗后的生理监测数据进行数据转换，获得转换后数值；
[0014]对转换后数值进行归一化处理，得到数值数据。
[0015]在一个可能的设计中，所述糖尿病风险预测模型采用对抗神经网络模型，所述对抗神经网络模型的特征层均使用全连接层，并且引入金字塔层级特征和注意力机制，对抗神经网络模型包括判别器和生成器。
[0016]在一个可能的设计中，所述糖尿病风险预测模型的训练过程包括：
[0017]获取采样数据集；
[0018]对采样数据集进行数据清洗，并对清洗后的采样数据集进行数据转换，生成采样数值数据集；
[0019]对采样数值数据集进行数据切分，获得训练集和测试集；
[0020]利用训练集对对抗神经网络模型进行训练，获得训练后模型；
[0021]利用测试集对训练后模型进行测试校正，获得糖尿病风险预测模型。
[0022]在一个可能的设计中，在利用训练集对对抗神经网络模型进行训练之前，所述方法还包括：采用加权采样算法对训练集进行加权采样处理。
[0023]在一个可能的设计中，所述预测数值为0
‑
1之间的数值，所述根据预测数值从数据库中调取相应的预测展示文件进行展示，包括：在预测数值小于第一设定阈值时，从数据库中调取第一预测展示文件进行展示；在预测数值大于第二设定阈值时，从数据库中调取第二预测展示文件进行展示，所述第一预测展示文件和第二预测展示文件均为预置的可编辑展示文件。
[0024]第二方面，本专利技术提供一种糖尿病风险预测装置，所述装置包括：
[0025]获取单元，用于获取目标对象的生理监测数据；
[0026]生成单元，用于对目标对象的生理监测数据进行数据清洗，并对清洗后的生理监测数据进行数据转换，生成数值数据；
[0027]预测单元，用于将数值数据导入训练完成的糖尿病风险预测模型进行处理，获得预测数值；
[0028]调取单元，用于根据预测数值从数据库中调取相应的预测展示文件进行展示。
[0029]第三方面，本专利技术提供一种计算机设备，所述计算机设备包括：
[0030]存储器，用于存储指令；
[0031]处理器，用于读取所述存储器中存储的指令，并根据指令执行上述第一方面中任意一种所述的方法。
[0032]第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令在计算机上运行时，使得所述计算机执行上述第一方面中任意一种所述的方法。
[0033]第五方面，本专利技术提供一种包含指令的计算机程序产品，当所述指令在计算机上运行时，使所述计算机执行上述第一方面中任意一种所述的方法。
[0034]本专利技术的有益效果为：
[0035]本专利技术通过获取目标对象的生理监测数据来进行相应的数据清洗和数据转换处理，然后导入训练好的相应糖尿病风险预测模型进行数据化的风险预测处理，得到相应的预测数值，就可以实现根据生理监测数据进行目标对象是否有患糖尿病风险的提前预测，
同时，根据预测数值从数据库中调取相应的预测展示文件进行展示，可以为目标对象提供适配的风险预测评估结果及建议，以便目标对象做到相应的预防措施。该方法提供一种有效的手段/途径，可以针对糖尿病的生理预兆，进行是否有患病风险的提前预测，提高风险预测的效率和准确率，并提供相应的指导性建议。
附图说明
[0036]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0037]图1为本专利技术的方法步骤示意图；
[0038]图2为对抗神经网络模型判别器的结构示意图；
[0039]图3为对抗神经网络模型生成器的结构示意图；
[0040]图4为注意力机制的结构示意图；
[0041]图5为抗神经网络模型的训练过程示意图；
[0042]图6为本专利技术的装置结构示意图；
[0043]图7为本专利技术的计算机设备构成示意图。
具体实施方式
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种糖尿病风险预测方法，其特征在于，包括：获取目标对象的生理监测数据；对目标对象的生理监测数据进行数据清洗，并对清洗后的生理监测数据进行数据转换，生成数值数据；将数值数据导入训练完成的糖尿病风险预测模型进行处理，获得预测数值；根据预测数值从数据库中调取相应的预测展示文件进行展示。2.根据权利要求1所述的一种糖尿病风险预测方法，其特征在于，所述对目标对象的生理监测数据进行数据清洗，包括删除噪声数据和重复数据，并采用回归法补全缺失数据。3.根据权利要求1所述的一种糖尿病风险预测方法，其特征在于，所述对清洗后的生理监测数据进行数据转换，包括：根据预设的映射规则对清洗后的生理监测数据进行数据转换，获得转换后数值；对转换后数值进行归一化处理，得到数值数据。4.根据权利要求1所述的一种糖尿病风险预测方法，其特征在于，所述糖尿病风险预测模型采用对抗神经网络模型，所述对抗神经网络模型的特征层均使用全连接层，并且引入金字塔层级特征和注意力机制，对抗神经网络模型包括判别器和生成器。5.根据权利要求4所述的一种糖尿病风险预测方法，其特征在于，所述糖尿病风险预测模型的训练过程包括：获取采样数据集；对采样数据集进行数据清洗，并对清洗后的采样数据集进行数据转换，生成采样数值数据集；对采样数值数据集进行数据切分，获得训练集和测试集；利用训练集对对抗神经网络模型进行训练，获得训练后模型；利用测试集对训练后模型进行测试校正，获得糖尿病风险预测模型。6.根据权利要求5所...

【专利技术属性】
技术研发人员：郜铮，
申请(专利权)人：河北工程大学，
类型：发明
国别省市：