基于人工智能的电子档案大数据挖掘健康评估方法及系统技术方案

本发明专利技术公开了一种基于人工智能的电子档案大数据挖掘健康评估方法及系统。获得电子健康档案。基于所述电子健康档案，得到档案向量。将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量。基于所述健康评估向量，得到用户健康评估信息。所述健康评估模型包括生成网络、信息融合结构和判别网络，所述生成网络包括神经输入层、第一神经网络隐藏层和第二神经网络隐藏层，所述判别网络包括第一判别网络、第二判别网络。采用生成对抗方法和直接获得损失的训练方法，训练生成网络，使得生成网络更加准确，同时在构建生成网络时，由于健康信息较好判别，所以将健康信息先输出，减少之后神经元个数，同时减轻计算量，使得更加快速准确的训练好网络。速准确的训练好网络。速准确的训练好网络。

【技术实现步骤摘要】
基于人工智能的电子档案大数据挖掘健康评估方法及系统


[0001]本专利技术涉及计算机
，具体而言，涉及一种基于人工智能的电子档案大数据挖掘健康评估方法及系统。

技术介绍

[0002]目前，可以针对病人的病情进行简单的类别分类，从而将病人推荐给负责的不同病症方向的意思。但是目前一般医院采用门诊的人工方式，对病人进行病症类别的判断。但是由于互联网的不断发展，越来越多的病人会希望通过互联网进行诊断，大大节省了病人和医生的时间和精力。但是一般互联网也是通过人工和病人进行交流，来判断病人的病症信息。而少许让病人填写信息进行自动判断模型的准确度不够，无法满足精确判断病人病症类别的情况。

技术实现思路

[0003]本专利技术的目的在于提供了一种基于人工智能的电子档案大数据挖掘健康评估方法及系统，用以解决现有技术中存在的上述问题。
[0004]第一方面，本专利技术实施例提供了一种基于人工智能的电子档案大数据挖掘健康评估方法，包括：
[0005]获得电子健康档案；所述电子健康档案为记录了用户身体信息的档案；
[0006]基于所述电子健康档案，得到档案向量；
[0007]将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量；所述健康评估向量中的元素包括用户健康情况和病症类别；
[0008]基于所述健康评估向量，得到用户健康评估信息；将所述用户健康评估信息发送给医生；
[0009]所述健康评估模型包括生成网络、信息融合结构和判别网络，所述判别网络包括第一判别网络、第二判别网络：
[0010]所述生成网络的输入为所述档案向量；所述生成网络的输出为健康情况信息和病症类别；第一判别网络的输入为病症类别和标注病症类别；信息融合结构的输入为健康情况信息和病症类别；第二判别网络的输入为信息融合结构的输出。
[0011]可选的，健康评估模型的训练方法：
[0012]获得训练集；训练集包括训练健康信息和健康标注值；所述健康标注值包括标注健康评估信息和标注病症类别；所述训练健康信息表示用于训练的健康信息；所述标注健康评估信息表示医生通过训练健康信息判别是否健康；所述标注健康评估信息为1表示健康，所述标注健康评估信息为0表示不健康；所述标注病症类别表示训练健康信息对应的病症类别；
[0013]将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括训练健康情况信息和训练病症类别；
[0014]基于所述训练健康评估信息和标注健康评估信息，得到第一损失值；
[0015]获得健康评估模型当前的训练迭代次数以及预先设定的所述健康评估模型训练的最大迭代次数；
[0016]当所述第一损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的信息提取模型。
[0017]可选的，所述将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括健康情况信息和病症类别，包括：
[0018]所述生成网络包括神经网络输入层、第一神经网络隐藏层和第二神经网络隐藏层；
[0019]所述神经网络输入层的输入为所述训练健康信息，所述第一神经网络隐藏层的输入为所述神经网络输入层的输出；所述第一神经网络隐藏层中第一个神经元的输出为健康情况信息；所述第二神经网络隐藏层的输入为所述第一神经网络隐藏层的输出；所述第二神经网络隐藏层中的输出为病症类别。
[0020]可选的，所述基于所述训练健康评估信息和标注健康评估信息，得到第一损失值，包括：
[0021]基于所述训练健康评估信息中的训练健康情况信息与所述标注健康评估信息，得到第一生成健康损失值；
[0022]基于所述训练健康评估信息和所述健康标注值，得到判别损失值；
[0023]获得第一损失值；所述第一损失值为所述第一生成健康损失值与所述判别损失值相加之和。
[0024]可选的，所述基于所述训练健康评估信息和所述健康标注值，得到判别损失值，包括：
[0025]获得标注真假信息；所述标注真假信息为0表示为生成网络预测得到的值；所述标注真假信息为1表示训练健康信息对应的用户所得病症；
[0026]基于所述训练健康评估信息中的训练病症类别、所述标注病症类别和所述标注真假信息，通过第一判别网络，得到第一判别损失值；
[0027]基于所述训练健康评估信息，通过信息融合结构，得到训练健康评估向量；
[0028]基于所述训练健康评估向量和所述标注真假信息，通过第二判别网络，得到第二判别损失值；
[0029]获得判别损失值，所述判别损失值为所述第一判别损失值和所述第二判别损失值相加之和。
[0030]可选的，所述基于所述训练健康评估信息中的训练病症类别、所述健康标注值和所述标注真假信息，通过第一判别网络，得到第一判别损失值，包括：
[0031]将所述训练健康评估信息中的训练病症类别输入第一判别网络，得到第一训练判别误差；所述第一训练判别误差表示输入的训练病症类别真假的概率；所述第一训练判别误差若是真就越靠近1，若是假就越靠近0；
[0032]基于所述第一训练判别误差和所述标注真假信息，得到第一训练判别损失值；
[0033]将所述健康标注值中的标注病症类别输入第一判别网络，得到第一标注判别误差；所述第一标注判别误差表示输入的训练病症类别真假的概率；所述第一标注判别误差
若是真就越靠近1，若是假就越靠近0；
[0034]基于所述第一标注判别误差和所述标注真假信息，得到第一标注判别损失值；
[0035]获得第一判别损失值；所述第一判别损失值为所述第一训练判别损失值与所述第一标注判别损失值相加之和。
[0036]可选的，所述将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量，包括：
[0037]将所述档案向量输入健康评估模型中的生成网络，得到健康评估向量；所述健康评估向量包括健康情况和健康类别。
[0038]第二方面，本专利技术实施例提供了一种基于人工智能的电子档案大数据挖掘健康评估系统，包括：
[0039]信息获取模块：获得电子健康档案；所述电子健康档案为记录了用户身体信息的档案；基于所述电子健康档案，得到档案向量；
[0040]健康评估模块：将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量；
[0041]信息发送模块：基于所述健康评估向量，得到用户健康评估信息，将用户健康评估信息发送给用户并给予健康建议；
[0042]所述健康评估模型包括生成网络、信息融合结构和判别网络，所述判别网络包括第一判别网络、第二判别网络和第三判别网络：
[0043]所述生成网络的输入为所述档案向量；所述生成网络的输出为健康情况信息和病症类别；第一判别网络的输入为病症类别和标注病症类别；信息融合结构的输入为健康情况信息和病症类别；第二判别网络的输入为信息融合结构的输出。...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的电子档案大数据挖掘健康评估方法，其特征在于，包括：获得电子健康档案；所述电子健康档案为记录了用户身体信息的档案；基于所述电子健康档案，得到档案向量；将所述档案向量输入健康评估模型，进行健康评估，得到健康评估向量；所述健康评估向量中的元素包括用户健康情况和病症类别；基于所述健康评估向量，得到用户健康评估信息；将所述用户健康评估信息发送给医生；所述健康评估模型包括生成网络、信息融合结构和判别网络，所述判别网络包括第一判别网络、第二判别网络：所述生成网络的输入为所述档案向量；所述生成网络的输出为健康情况信息和病症类别；第一判别网络的输入为病症类别和标注病症类别；信息融合结构的输入为健康情况信息和病症类别；第二判别网络的输入为信息融合结构的输出。2.根据权利要求1所述的一种基于人工智能的电子档案大数据挖掘健康评估方法，其特征在于，健康评估模型的训练方法：获得训练集；训练集包括训练健康信息和健康标注值；所述健康标注值包括标注健康评估信息和标注病症类别；所述训练健康信息表示用于训练的健康信息；所述标注健康评估信息表示医生通过训练健康信息判别是否健康；所述标注健康评估信息为1表示健康，所述标注健康评估信息为0表示不健康；所述标注病症类别表示训练健康信息对应的病症类别；将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括训练健康情况信息和训练病症类别；基于所述训练健康评估信息和标注健康评估信息，得到第一损失值；获得健康评估模型当前的训练迭代次数以及预先设定的所述健康评估模型训练的最大迭代次数；当所述第一损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的信息提取模型。3.根据权利要求2所述的一种基于人工智能的电子档案大数据挖掘健康评估方法，其特征在于，所述将所述训练健康信息输入健康评估模型中的生成网络，得到训练健康评估信息；所述训练健康评估信息包括健康情况信息和病症类别，包括：所述生成网络包括神经网络输入层、第一神经网络隐藏层和第二神经网络隐藏层；所述神经网络输入层的输入为所述训练健康信息，所述第一神经网络隐藏层的输入为所述神经网络输入层的输出；所述第一神经网络隐藏层中第一个神经元的输出为健康情况信息；所述第二神经网络隐藏层的输入为所述第一神经网络隐藏层的输出；所述第二神经网络隐藏层中的输出为病症类别。4.根据权利要求2所述的一种基于人工智能的电子档案大数据挖掘健康评估方法，其特征在于，所述基于所述训练健康评估信息和标注健康评估信息，得到第一损失值，包括：基于所述训练健康评估信息中的训练健康情况信息与所述标注健康评估信息，得到第一生成健康损失值；基于所述训练健康评估信息和所述健康标注值，得到判别损失值；
获得第一损失值；所述第一损失值为所述第一生成健康损失值与所述判别损失值相加之和。5.根据权利要求4所述的一种基于人工智能的电子档案大数据挖掘健康评估方法，其特征在于，所述基于所述训练健康评估信息和所述健康标注值，得到判别损失值，包括：获得标注真假信息；所述标注真假信息为0表示为生成网络预测得到的值；所述标注真假信息为1表示训练健康信息对应的用户所得病症；基于所述训练健康评估信息中的训练病症类别、所述标注病症类别和所述标注真假信息，通过第一判别网络，得到第一判别损失值；基于所述训练健康评估信息，通过信息融合结构，得到训练健康评估向量；基于所述训练健康评估向量和所述标注真假信息，通过第二判别网络，得到第二判别损失值；获得判别损失值，所述判别损失值为所述第一判别损失值和所述第二判别损失值相加之和。6.根据权利要求5所述的一种基于人工智能...

【专利技术属性】
技术研发人员：姜妹英，
申请(专利权)人：姜妹英，
类型：发明
国别省市：