基于多源健康感知数据融合的生理特征判别方法及系统技术方案

本发明专利技术公开了一种基于多源健康感知数据融合的生理特征判别方法，包括：获取健康感知数据并进行预处理；构建医学感测数据矩阵；基于门控循环单元网络，融合学习医学感测数据矩阵和个人体质记录数据向量的隐藏特征；基于生理特征状况数据，采用条件概率方法计算任意一类生理特征对另一类生理特征的影响系数，构建生理特征关联矩阵；通过全连接网络将隐藏特征转换为多类别生理特征的判别概率，并将判别概率与生理特征关联矩阵相乘，获得最终的生理特征判别结果。本发明专利技术方法能够融合学习多源异构健康感知数据，并充分利用生理特征之间潜在的相关性。在基于海量的健康感知数据计算中，具有更好的检测效果。有更好的检测效果。有更好的检测效果。

【技术实现步骤摘要】
基于多源健康感知数据融合的生理特征判别方法及系统


[0001]本专利技术属于模式分析领域，特别是一种基于多源健康感知数据融合的生理特征判别方法、系统、计算机设备和存储介质。

技术介绍

[0002]近年来，传感技术在我国得到了快速发展，医学感测仪器随之崛起，生物传感等高新技术的出现及应用，使得临床监测设备不断向测量速度更快、准确度更高的方向发展。由于我国人口众多，每年入院治疗人数以亿计量，必然会产生大量包含医疗感测数据、住院信息、个人体质状况和生理特征记录等的电子健康记录(Electronic Health Record，EHR)，但电子健康记录数据的复杂性给这些数据的处理和利用带来了很大的难度。随着人工智能技术的不断进步和计算机计算能力的提升，利用电子健康系统进行生理特征判别和风险评估成为可能，这给医学诊断智能化提供了良好的发展机遇。
[0003]为了更好地利用大量的电子健康记录数据，对不同类型结构的数据进行处理和分析是必要的。先前的工作大多仅针对相似结构的数据进行研究，如R Mohammad等人选取了大量的时序体征数据，采用逻辑回归和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源健康感知数据融合的生理特征判别方法，其特征在于，所述方法包括以下步骤：步骤1，获取健康感知数据，包括医学感测数据、个人体质记录数据和生理特征状况数据，并对数据进行预处理以消除噪声数据；步骤2，将医学感测数据按相同时间间隔填充成规则序列数据，添加指示每个时间间隔对应的特征值是否为真实测量值二进制掩码向量，将其与处理后的医学感测数据拼接，获得相应大小结构的医学感测数据矩阵X
M
；步骤3，基于门控循环单元网络，融合学习医学感测数据矩阵X
M
和个人体质记录数据向量X
R
的隐藏特征H
T
；步骤4，基于生理特征状况数据X
S
，采用条件概率方法计算任意一类生理特征j对另一类生理特征k的影响系数，构建生理特征关联矩阵I；步骤5，通过全连接网络将隐藏特征H
T
转换为多类别生理特征的判别概率C，并将判别概率C与生理特征关联矩阵I相乘，获得最终的生理特征判别结果。2.根据权利要求1所述的基于多源健康感知数据融合的生理特征判别方法，其特征在于，步骤1中所述医学感测数据，包括在不同时间t测量到的毛细血管充盈率、吸入氧浓度、格拉斯哥昏迷量表睁眼、格拉斯哥昏迷量表运动反应、格拉斯哥昏迷总评分、格拉斯哥昏迷量表言语反应、舒张压、收缩压、平均血压、血糖、心率、血氧饱和度、呼吸频率、体温、身高、体重、酸碱度；所述个人体质记录数据，包括性别、年龄、种族；所述生理特征状况数据，包括急性和非特定肾衰竭、急性脑血管病、急性心肌梗死、心律失常、慢性肾病、慢性阻塞性肺疾病、外科/医疗护理的并发症、传导障碍、非高血压充血性心力衰竭、冠状动脉粥样硬化及其相关因素、糖尿病及其并发症、无并发症的糖尿病、脂质代谢紊乱、原发性高血压、液体和电解质紊乱、消化道出血、高血压伴并发症、其他肝病、其他下呼吸道疾病、其他上呼吸道疾病、胸膜炎/气胸/肺塌陷、肺炎、呼吸衰竭、败血症、休克。3.根据权利要求1或2所述的基于多源健康感知数据融合的生理特征判别方法，其特征在于，步骤1中所述对数据进行预处理以消除噪声数据，具体包括：步骤1
‑
1，去除缺少医疗感测数据、个人体质记录数据、生理特征状况数据中任意一项的数据样本；步骤1
‑
2，删除离群点数据和剩余数据中时间序列长度不足24小时的数据；步骤1
‑
3，对剩余的数据进行归一化处理，并将离散属性数据处理成独热值数据。4.根据权利要求3所述的基于多源健康感知数据融合的生理特征判别方法，其特征在于，步骤2所述将医学感测数据按相同时间间隔填充成规则序列数据，添加指示每个时间间隔对应的特征值是否为真实测量值二进制掩码向量，将其与处理后的医学感测数据拼接，获得相应大小结构的医学感测数据矩阵X
M
，具体过程包括：步骤2
‑
1，以1小时为间隔对医学感测数据重新采样，如果在同一时间间隔内存在同一特征的多个测量值，则使用最后一个测量值；步骤2
‑
2，对于存在缺失值的数据，如果缺失值在其先前时间内存在测量值，以先前最近的测量值来代替缺失值，否则使用预先设定值；
步骤2
‑
3，添加二进制掩码特征来标记真实数据和填充数据，将其与处理后的医学感测数据拼接，获得医学感测数据矩阵T为时间序列长度，d
m
为医学感测数据特征维度。5.根据权利要求4所述的基于多源健康感知数据融合的生理特征判别方法，其特征在于，步骤3所述基于门控循环单元网络，融合学习医学感测数据矩阵X
M
和个人体质记录数据向量X
R
的隐藏特征H
T
，具体过程包括：步骤3
‑
1，初始化隐藏状态为零向量，在每个时间步t，t＝1,2,...,T，将向量对作为门控循环单元的输入，记为作为门控循环单元的输入，记为表示t时刻的医学感测数据，表示个人体质记录数据，d
r
为个人体质记录数据特征维度，d
in
＝2d
m
+d
r
；假设隐藏单元个数为h，给定上一时间步隐藏状态则重置门和更新门的计算如下：R
t
＝σ(X
t
W
xr
+H
t
‑1W
hr
+b
r
)Z
t
＝σ(X
t
W
xz
+H
t
‑1W
hz
+b
z
)其中，W
xr
,W
hr
,W
xz

【专利技术属性】
技术研发人员：顾晶晶，霍甜媛，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：