一种呼吸系统住院病人数量预测方法技术方案

本发明专利技术公开了一种呼吸系统住院病人数量预测方法，属于医疗数据挖掘技术领域，包括获取呼吸系统住院病人数量，就诊病人数量、季节，空气质量指数来制作数据集，将数据集分解为多个初始训练集和多个初始测试集，再将多个初始训练集和多个初始测试集重构为多个训练集和多个测试集，最后输入训练集对多特征自注意力融合网络进行训练，输入测试集对训练后的时空多特征自注意力融合网络进行测试，预测值不符合预期时，获取下一个预设期限内每日的所述呼吸系统住院病人数量、每日的所述就诊病人数量、季节，以及每日的所述空气质量指数进行数据更新和在线学习，最终得到符合预期的预测值，数据采集比较简便，能够准确的预测病人数量。量。量。

【技术实现步骤摘要】
一种呼吸系统住院病人数量预测方法


[0001]本专利技术涉及医疗数据挖掘
，特别涉及一种呼吸系统住院病人数量预测方法。

技术介绍

[0002]如何提高医疗资源的配置效率，有效减少住院病人无效等待排队是医疗管理者迫切解决的问题。科学的对医院住院病人数量进行分析预测，及时、准确地分析住院病人的人流量变化及趋势特征，可以为管理者的合理配置卫生资源，统筹医护人员，优化病床统筹等提供科学的决策依据，从而提高医院的工作效率和管理水平，进而提高患者满意度，为患者提供及时的医疗卫生服务具有积极意义。
[0003]医院呼吸系统住院病人数量受较多因素影响，一方面是医院自身因素，如医疗技术，医疗服务，地理位置等；另一方面是患者自身的就医选择，包括疾病的病种、经济地位、教育水平等因素。医院因素和患者自身因素通常长期稳定且难以改变，此外还受自然环境因素的影响。一些疾病并非直接由气象变化引起的，但通常伴有一定的季节性和气象条件。研究表明，大气污染和健康效应之间存在协同作用，与就诊率、患病率、死亡率、住院人数等密切相关。大气污染的季节性、短期波动、长期趋势特征比较明显，而门急诊就诊选择是医院因素和患者自身因素的综合考量的体现。因此，通过研究空气质量、季节因素、就诊病人数量实现呼吸系统住院病人数量的预测有重要意义。
[0004]经检索发现，Morina等提出一种基于二阶整数值自回归时间序列的医院急诊服务模型，用于预测每周因流感入院的病人数。朱相鹏采用叶贝斯模型，对上海市某医院肠道科的门诊病人流进预测。Wang等提出了一种基于规则提取的模糊最小最大神经网络的患者预测时间都要求较高。然而，这些模型方法计算过程较为复杂，对计算能力、训练样本数量和预测时间都要求较高。同时，这些方法简单的使用单一的时序特征具有局限性，而且在预测数量突变时具有一定的滞后性。由于病人数量的变化受多种复杂因素的影响，这些方法未能考虑病人数量的线性和非线性特征，以及未能综合多因素建模、时间序列分析，均缺乏对时序数据关联考虑。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中所存在的由于病人数量的变化受多种复杂因素的影响，现有的病人数量预测方法都未能考虑病人数量的线性和非线性特征，以及未能综合多因素建模、时间序列分析，均缺乏对时序数据关联的考虑的不足，提供一种呼吸系统住院病人数量预测方法。
[0006]为了实现上述专利技术目的，本专利技术提供了以下技术方案：
[0007]一种呼吸系统住院病人数量预测方法，包括以下步骤：
[0008]S1：获取预设期限内每日的呼吸系统住院病人数量，获取预设期限内每日的就诊病人数量、季节，以及获取预设期限内每日的空气质量指数；
[0009]S2：根据所述呼吸系统住院病人数量，所述就诊病人数量、季节，所述空气质量指数来制作病人的数据集；
[0010]S3：将所述数据集分解为多个初始训练集和多个初始测试集，并对所述初始训练集和所述初始测试集进行重构，得到多个训练集和多个测试集；
[0011]S4：构建时空多特征自注意力融合网络，并且输入所述训练集对所述时空多特征自注意力融合网络进行训练；
[0012]S5：将所述测试集输入训练后的多特征自注意力融合网络，并进行呼吸系统住院病人数量预测得到预测值；
[0013]S6：判断所述预测值是否符合预期，符合则输出所述预测值的平均值，不符合则获取下一个预设期限内每日的所述呼吸系统住院病人数量、每日的所述就诊病人数量、季节，以及每日的所述空气质量指数进行数据更新，并重复步骤S2
‑
S5进行在线学习。
[0014]采用上述技术方案，首先获取呼吸系统住院病人数量，就诊病人数量，季节，空气质量指数来制作数据集，数据采集比较简便，将数据集分解为多个初始训练集和多个初始测试集，再将多个初始训练集和多个初始测试集重构为多个训练集和多个测试集，最后输入训练集对多特征自注意力融合网络进行训练，训练完成后输入测试集对训练后的时空多特征自注意力融合网络进行测试，预测值不符合预期时，获取下一个预设期限内每日的所述呼吸系统住院病人数量、每日的所述就诊病人数量、季节，以及每日的所述空气质量指数进行数据更新和时空多特征自注意力融合网络的在线学习，最终得到符合预期的预测值，能够使得时空多特征自注意力融合网络更好的适应当前住院病人数据集序列，实现准确预测，并且解决了多因素影响因子不确定造成的数量预测效果不佳的问题，从而提高了呼吸系统住院病人数量预测的准确度。同时，使用时空多特征自注意力融合网络能够将医疗数据预测问题转化为基于数据驱动的有监督学习问题，最终实现准确的呼吸系统住院病人数量的预测。
[0015]作为本专利技术的优选方案，所述步骤S2包括：将每日的所述呼吸系统住院病人数量、所述就诊病人数量、季节、所述空气质量指数分别排列成4维单向量，并将所述预设期限内的所述4维单向量串联成[t1，t2，t3，t4]的数据集，最终排列成n行
×
4列的向量矩阵，其中，第一列为所述数据集的真实标签，后三列为所述数据集的特征因素；
[0016]n为预设期限的天数。
[0017]作为本专利技术的优选方案，所述步骤S3中的将所述数据集分解为多个初始训练集和多个初始测试集包括：对所述特证因素进行VMD变分模态分解，分解为固有模态分量IMF1、IMF2、IMF3、IMF4、IMF5、IMF6、IMF7、IMF8和残差分量Res，取每日的所述呼吸系统住院病人数量与其中所述固有模态分量IMF1、 IMF2、IMF3组成4维训练单向量，并将所述预设期限内每日的所述4维训练单向量串联成[T1,T2,T3,T4]的训练向量矩阵，最终组成n行
×
4列的平稳特征矩阵，其中，第一列为所述平稳特征矩阵的真实标签，后三列的所述IMF1、IMF2、IMF3为所述平稳特征矩阵的平稳特征因素，将所述平稳特征矩阵按照4:1的时间长度划分为多个初始训练集和多个初始测试集。
[0018]采用上述技术方案，采用VMD变分模态分解，能够有效的获取数据的固有线性特征，并降低数据复杂度和耦合度，有利于消除较多噪声信息，提高时空多特征自注意力融合网络的预测准确度。
[0019]作为本专利技术的优选方案，所述步骤S3中的对分解的所述初始训练集和所述初始测试集进行重构，得到多个训练集和多个测试集包括：通过设定的滑动窗口和步长，将所述初始训练集和所述初始测试集分别重构为1+(3/4n
‑
w)/s个w行
×
4列的训练集和(1/4n
‑
w)/s个w行
×
4列的测试集；
[0020]其中，w为滑动窗口，s为步长。
[0021]作为本专利技术的优选方案，所述步骤S4中的所述时空多特征自注意力融合网络包括：空间特征提取结构、时序特征结构和自注意力输出结构三部分构成；
[0022]所述空间特征提取结构包括两个一维卷积层和一个一维池化层，所述两个一维卷积层通道数均为64，卷积核大小为1
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种呼吸系统住院病人数量预测方法，其特征在于，包括以下步骤：S1：获取预设期限内每日的呼吸系统住院病人数量，获取预设期限内每日的就诊病人数量、季节，以及获取预设期限内每日的空气质量指数；S2：根据所述呼吸系统住院病人数量，所述就诊病人数量、季节，所述空气质量指数来制作病人的数据集；S3：将所述数据集分解为多个初始训练集和多个初始测试集，并对所述初始训练集和所述初始测试集进行重构，得到多个训练集和多个测试集；S4：构建时空多特征自注意力融合网络，并且输入所述训练集对所述时空多特征自注意力融合网络进行训练；S5：将所述测试集输入训练后的多特征自注意力融合网络，并进行呼吸系统病人数量预测得到预测值；S6：判断所述预测值是否符合预期，符合则输出所述预测值的平均值，不符合则获取下一个预设期限内每日的所述呼吸系统住院病人数量、每日的所述就诊病人数量、季节，以及每日的所述空气质量指数进行数据更新，并重复步骤S2
‑
S5进行在线学习。2.根据权利要求1所述的一种呼吸系统住院病人数量预测方法，其特征在于，所述步骤S2包括：将每日的所述呼吸系统住院病人数量、所述就诊病人数量、季节、所述空气质量指数分别排列成4维单向量，并将所述预设期限内的所述4维单向量串联成[t1，t2，t3，t4]的数据集，最终排列成n行
×
4列的向量矩阵，其中，第一列为所述数据集的真实标签，后三列为所述数据集的特征因素；n为预设期限的天数。3.根据权利要求2所述的一种呼吸系统住院病人数量预测方法，其特征在于，所述步骤S3中的将所述数据集分解为多个初始训练集和多个初始测试集包括：对所述特证因素进行VMD变分模态分解，分解为固有模态分量IMF1、IMF2、IMF3、IMF4、IMF5、IMF6、IMF7、IMF8和残差分量Res，取每日的所述呼吸系统住院病人数量与其中所述固有模态分量IMF1、IMF2、IMF3组成4维训练单向量，并将所述预设期限内每日的所述4维训练单向量串联成[T1,T2,T3,T4]的训练向量矩阵，最终组成n行
×
4列的平稳特征矩阵，其中，第一列为所述平稳特征矩阵的真实标签，后三列的所述IMF1、IMF2、IMF3为所述平稳特征矩阵的平稳特征因素，将所述平稳特征矩阵按照4:1的时间长度划分为多个初始训练集和多个初始测试集。4.根据权利要求3所述的一种呼吸系统住院病人数量预测方法，其特征在于，所述步骤S3中的对分解的所述初始训练集和所述初始测试集进行重构，得到多个训练集和多个测试集包括：通过设定的滑动窗口和步长，将所述初始训练集和所述初始测试集分别重构为1+(3/4n
‑
w)/s个w行
×
4列的训练集和(1/4n
‑
w)/s个w行
×
4列的测试集；其中，w为滑动窗口，s为步长。5.根据权利要求4所述的一种呼吸系统住院病人数量预测方法，其特征在于，所述步骤S4中的所述时空多特征自注意力融合网络包括：空间...

【专利技术属性】
技术研发人员：余双彬，郑玲，彭荷玲，廖芳，
申请(专利权)人：四川省医学科学院，
类型：发明
国别省市：