基于检测样本的脑卒中风险筛查方法、装置及存储介质制造方法及图纸

本发明专利技术涉及一种基于检测样本的脑卒中风险筛查方法、装置及存储介质，方法包括：导入检测样本和用户健康监测数据，对检测样本进行预处理，得到风险预测数据；将风险预测数据导入随机森林模型中进行脑卒中风险评估，得到风险评估结果，对风险评估结果进行异常筛选，将其作为训练样本，将训练样本导入随机森林模型中进行训练，得到风险评估模型；将用户健康监测数据导入所述风险评估模型中，得到脑卒中风险筛查结果。本发明专利技术对检测样本进行一定的处理，得到风险预测数据，将风险预测数据作为训练样本对随机森林模型进行训练，通过风险评估模型筛查用户健康监测数据，得到较为准确的脑卒中风险筛查结果，提供医务人员较高的参考价值。提供医务人员较高的参考价值。提供医务人员较高的参考价值。

【技术实现步骤摘要】
基于检测样本的脑卒中风险筛查方法、装置及存储介质


[0001]本专利技术主要涉及医疗监护
，具体涉及一种基于检测样本的脑卒中风险筛查方法、装置及存储介质。

技术介绍

[0002][0003]现有的脑卒中风险预测模型没有考虑到脑卒中检测样本，导致脑卒中风险预测模型的预测结果准确率不高。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于检测样本的脑卒中风险筛查方法、装置及存储介质。
[0005]本专利技术解决上述技术问题的技术方案如下：一种基于检测样本的脑卒中风险筛查方法，包括如下步骤：
[0006]S1：导入检测样本和用户健康监测数据，对所述检测样本进行预处理，得到风险预测数据；
[0007]S2：将所述风险预测数据导入随机森林模型中进行脑卒中风险评估，得到风险评估结果，对所述风险评估结果进行异常筛选，将筛选后的风险评估结果作为训练样本，将所述训练样本导入所述随机森林模型中进行训练，得到风险评估模型；
[0008]S3：将所述用户健康监测数据导入所述风险评估模型中，得到脑卒中风险筛查结果。
[0009]本专利技术的有益效果是：对检测样本进行一定的处理，得到风险预测数据，将风险预测数据作为训练样本对随机森林模型进行训练，得到风险评估模型，通过风险评估模型筛查用户健康监测数据，得到较为准确的脑卒中风险筛查结果，提供医务人员较高的参考价值。
[0010]在上述技术方案的基础上，本专利技术还可以做如下改进。
[0011]进一步地，所述对所述检测样本进行预处理，得到风险预测数据，具体为：
[0012]通过Z
‑
score标准化对所述检测样本进行归一化处理，所述Z
‑
score标准化公式为U
′
＝(U
‑
Mean)/(Sdv)，其中，U表示个体的观测值，Mean表示总体数据的均值，Sdv表示总体数据的标准差，得到归一化后的检测样本；
[0013]对归一化后的检测样本进行卡方检验，得到重要性检验结果；
[0014]通过特征复合得分指标对重要性检验结果进行优化，得到风险预测数据。
[0015]采用上述进一步的有益效果是：通过对检测样本进行预处理，能够得到更为准确的训练数据，从而进一步的对随机森林模型进行训练。
[0016]进一步地，所述对风险评估结果进行异常筛选，将筛选后的风险评估结果作为训练样本，具体为：
[0017]对风险评估结果中的异常结果进行筛选，并对筛选出的异常结果进行标记，并在所述风险评估结果中剔除标记的异常结果，得到筛选后的风险评估结果。
[0018]进一步地，所述对风险评估结果中的异常结果进行筛选，具体为：
[0019]通过孤立森林算法对所述风险评估结果进行缺失值处理，得到多个缺失值，逐一判断各个缺失值是否在预设范围值内，若是，则判定该缺失值为异常结果。
[0020]采用上述进一步的有益效果是：对风险评估结果中的异常结果进行筛选，排除不确定性的因素，提高训练样本的准确性。
[0021]本专利技术解决上述技术问题的另一技术方案如下：一种基于检测样本的脑卒中风险筛查装置，包括：
[0022]导入模块，用于导入检测样本和用户健康监测数据，对所述检测样本进行预处理，得到风险预测数据；
[0023]模型训练模块，用于将所述风险预测数据导入随机森林模型中进行脑卒中风险评估，得到风险评估结果，对所述风险评估结果进行异常筛选，将筛选后的风险评估结果作为训练样本，将所述训练样本导入所述随机森林模型中进行训练，得到风险评估模型；
[0024]筛查模块，用于将所述用户健康监测数据导入所述风险评估模型中，得到脑卒中风险筛查结果。
[0025]进一步地，所述导入模块中，对所述检测样本进行预处理，得到风险预测数据，具体为：
[0026]通过Z
‑
score标准化对所述检测样本进行归一化处理，所述Z
‑
score标准化公式为U
′
＝(U
‑
Mean)/(Sdv)，其中，U表示个体的观测值，Mean表示总体数据的均值，Sdv表示总体数据的标准差，得到归一化后的检测样本；
[0027]对归一化后的检测样本进行卡方检验，得到重要性检验结果；
[0028]通过特征复合得分指标对重要性检验结果进行优化，得到风险预测数据。
[0029]进一步地，所述对风险评估结果进行异常筛选，将筛选后的风险评估结果作为训练样本，具体为：
[0030]对风险评估结果中的异常结果进行筛选，并对筛选出的异常结果进行标记，并在所述风险评估结果中剔除标记的异常结果，得到筛选后的风险评估结果。
[0031]进一步地，所述对风险评估结果中的异常结果进行筛选，具体为：
[0032]通过孤立森林算法对所述风险评估结果进行缺失值处理，得到多个缺失值，逐一判断各个缺失值是否在预设范围值内，若是，则判定该缺失值为异常结果。
[0033]本专利技术解决上述技术问题的另一技术方案如下：一种脑卒中风险筛查装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的基于检测样本的脑卒中风险筛查方法。
[0034]本专利技术解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的基于检测样本的脑卒中风险筛查方法。
附图说明
[0035]图1为本专利技术实施例提供的基于检测样本的脑卒中风险筛查方法的流程示意图；
[0036]图2为本专利技术实施例提供的基于检测样本的脑卒中风险筛查装置的功能模块框图。
具体实施方式
[0037]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0038]实施例1：
[0039]如图1所示，一种基于检测样本的脑卒中风险筛查方法，包括如下步骤：
[0040]导入检测样本和用户健康监测数据，对所述检测样本进行预处理，得到风险预测数据；
[0041]将所述风险预测数据导入随机森林模型中进行脑卒中风险评估，得到风险评估结果，对所述风险评估结果进行异常筛选，将筛选后的风险评估结果作为训练样本，将所述训练样本导入所述随机森林模型中进行训练，得到风险评估模型；
[0042]将所述用户健康监测数据导入所述风险评估模型中，得到脑卒中风险筛查结果。
[0043]上述实施例中，对检测样本进行一定的处理，得到风险预测数据，将风险预测数据作为训练样本对随机森林模型进行训练，得到风险评估模型，通过风险评估模型筛查用户健康监测数据，得到较为准确的脑卒中风险筛查结果，提供医务人员较高的参考价值。
[0044]在实施例1的基础上，实施例2：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于检测样本的脑卒中风险筛查方法，其特征在于，包括如下步骤：导入检测样本和用户健康监测数据，对所述检测样本进行预处理，得到风险预测数据；将所述风险预测数据导入随机森林模型中进行脑卒中风险评估，得到风险评估结果，对所述风险评估结果进行异常筛选，将筛选后的风险评估结果作为训练样本，将所述训练样本导入所述随机森林模型中进行训练，得到风险评估模型；将所述用户健康监测数据导入所述风险评估模型中，得到脑卒中风险筛查结果。2.根据权利要求1所述的脑卒中风险筛查方法，其特征在于，所述对所述检测样本进行预处理，得到风险预测数据，具体为：通过Z
‑
score标准化对所述检测样本进行归一化处理，所述Z
‑
score标准化公式为U
′
＝(U
‑
Mean)/(Sdv)，其中，U表示个体的观测值，Mean表示总体数据的均值，Sdv表示总体数据的标准差，得到归一化后的检测样本；对归一化后的检测样本进行卡方检验，得到重要性检验结果；通过特征复合得分指标对重要性检验结果进行优化，得到风险预测数据。3.根据权利要求1所述的脑卒中风险筛查方法，其特征在于，所述对风险评估结果进行异常筛选，将筛选后的风险评估结果作为训练样本，具体为：对风险评估结果中的异常结果进行筛选，并对筛选出的异常结果进行标记，并在所述风险评估结果中剔除标记的异常结果，得到筛选后的风险评估结果。4.根据权利要求1至3任一项所述的脑卒中风险筛查方法，其特征在于，所述对风险评估结果中的异常结果进行筛选，具体为：通过孤立森林算法对所述风险评估结果进行缺失值处理，得到多个缺失值，逐一判断各个缺失值是否在预设范围值内，若是，则判定该缺失值为异常结果。5.一种基于检测样本的脑卒中风险筛查装置，其特征在于，包括：导入模块，用于导入检测样本和用户健康监测数据，对所述检测样本进行预处理，得到风险预测数据；模型训练模块，用于将所述风险预测数据导入随机森林模型中进行脑卒中风险评估，得到风险评估...

【专利技术属性】
技术研发人员：叶上荣，张天美，王泽岳，陈文君，蒙苇婷，张鹏，任中玉，陈汉仁，聂琪，谢尚伦，李清华，文剑，
申请(专利权)人：桂林医学院，
类型：发明
国别省市：