冠心病运动反应性预测模型的建模方法、模型、设备技术

本发明专利技术涉及运动健康领域，公开一种冠心病运动反应性预测模型的建模方法，包括S101：采集冠心病患者的医疗数据和运动信息数据，筛选出影响冠心病复发的显著特征参数；S102：对显著特征参数进行预处理得到特征数据；S103：建立第一预测模型，对冠心病复发风险预测模型进行训练；S104：基于第一预测模型，结合运动信息数据观察冠心病复发风险变化情况，基于该变化情况评价运动康复方案效果反应；S105：建立第二预测模型，对第二预测模型进行训练。本发明专利技术经过两次建模，有针对性地预测患者冠心病复发风险改善效果。风险改善效果。风险改善效果。

【技术实现步骤摘要】
冠心病运动反应性预测模型的建模方法、模型、设备


[0001]本专利技术涉及生物医学工程技术与运动健康领域，具体涉及一种冠心病运动反应性预测模型及建模方法、电子设备。

技术介绍

[0002]心脏康复是治疗稳定期心血管疾病以及预防再发心血管事件的重要手段。运动是预防和治疗冠心病最具成本效益的生活方式干预。运动训练和以运动为基础的心脏康复对无症状运动能力、心血管和骨骼肌功能、一般健康生活方式以及减轻抑郁症状和社会心理压力的有益作用现在已得到公认。科学运动能够降低冠心病发病率。然而，哪种运动训练频率、强度、时间、类型的特征是最能降低冠心病复发率的，这在很大程度上仍不清楚。
[0003]欧洲心血管疾病预防和康复协会就冠心病患者运动期间的频率、强度、时间、运动类型以及安全性方面制定了建议，建议指出：对于冠状动脉疾病或慢性心脏衰竭患者，每天30
‑
60分钟（每周3
‑
5天）耐力运动训练可能减低复发风险。
[0004]而目前医生开具的运动康复方案因遗传及环境因素不同，运动干预存在个体反应差异。根据同一运动处方制定的不同运动方案，有的表现为运动有反应，有的表现为无反应甚至运动抵抗，运动康复方案的效果无法估计。
[0005]因此，亟需开发一种冠心病运动反应性预测模型及建模方法、设备。

技术实现思路

[0006]为了使医生对开具的冠心病运动康复方案来预测该运动康复方案对冠心病复发的改善效果，本专利技术的提供一种冠心病运动反应性预测模型及建模方法、设备。
[0007]根据本专利技术的第一方面，本专利技术公开一种冠心病运动反应性预测模型的建模方法，包括如下步骤：S101：采集冠心病患者的医疗数据和运动信息数据，所述医疗数据包括冠心病患者的各项医疗指标和预定时间段内的冠心病的复发情况，通过分析冠心病患者的各项医疗指标和复发情况筛选出影响冠心病复发的显著特征参数，所述冠心病的复发情况为复发或不复发；S102：对显著特征参数进行预处理得到特征数据；S103：建立第一预测模型：以特征数据作为第一预测模型的输入，以冠心病的复发情况作为第一预测模型的输出，对第一预测模型进行训练；S104：基于第一预测模型，在给定运动周期开始到给定运动周期结束期间内，结合运动信息数据观察冠心病复发风险变化情况，基于该变化情况评价运动康复方案效果反应，所述运动康复方案效果反应为有反应或无反应；S105：建立第二预测模型：以显著特征参数、运动信息数据和第一预测模型的输出作为第二预测模型的输入，以运动康复方案效果反应作为第二预测模型的输出，对第二预测模型进行训练。
[0008]作为本专利技术一示例实施方式，步骤S101中，所述运动信息数据包括运动量、运动强度、运动时间、运动类型、运动类型个数、运动次数和运动时机选择。
[0009]作为本专利技术一示例实施方式，步骤S101中，所述通过分析冠心病患者的各项医疗指标和复发情况筛选出影响冠心病复发的显著特征参数的方法包括：基于单变量分析筛选法分析冠心病患者的各项医疗指标，对于服从正态分布的数据采用独立T检验，对于不服从正态分布的数据采用Wilconxon秩和检验。
[0010]作为本专利技术一示例实施方式，步骤S102中，所述对显著特征参数进行预处理得到特征数据的方法包括：将显著特征参数输入卷积神经网络，得到特征数据。
[0011]作为本专利技术一示例实施方式，步骤S103中，所述对第一预测模型进行训练的方法包括基于递归神经网络算法对第一预测模型进行训练。
[0012]作为本专利技术一示例实施方式，所述递归神经网络采用分类交叉损失函数和带有热重启的Adam优化器进行学习。
[0013]作为本专利技术一示例实施方式，所述分类交叉损失函数采用公式1：公式1；其中，N表示训练样本的数量，M表示分类结果的个数，表示分类结果的真实值，表示预测为该分类结果的概率。L
i
指的分类信息熵，反映的是分类结果和预测为该分类结果概率的乘积之和，i为自然数，表示是当前是第几个样本，i的取值范围从1~N。
[0014]作为本专利技术一示例实施方式，所述带有热重启的Adam优化器进行学习的方法包括：在每个训练周期后使用验证集验证模型，直到连续训练周期的分类交叉损失函数的数值不再减少。
[0015]作为本专利技术一示例实施方式，步骤S104中，所述基于该变化情况评价运动方案效果的方法包括：给定运动周期结束时的复发风险低于给定运动周期开始时的复发风险，则认为运动康复方案有反应，否则认为无反应。
[0016]作为本专利技术一示例实施方式，步骤S105中，所述对第二预测模型进行训练的方法包括：采用XGBoost算法生成一个集合，集合内包括多棵回归树，每棵回归树利用十折交叉验证法进行训练，将对应每棵回归树的叶子节点得分相加，对第i个样本，计算出预测估计值，采用如下公式2：公式2；其中，f
k
表示每一棵回归树的预测结果，K为回归树的数量，x
i
表示第i个样本的特征，y
i
表示第i个样本的第二预测估计值，公式1表示给定一个输入值x
i
，输出值为K棵回归树的第二预测估计值y
i
；k为1到K的自然数，i为1到n的自然数，n表示训练用的冠心病患者的样本数量；φ表示求和符号，是对每棵树生成的预测结果的求和，在本实施例中，树的个数为K个。
[0017]建立第二迭代函数，第t次第二迭代函数采用如下公式3：
公式3；其中，l是一个可以微分的损失函数，y
i
,y
i~(t
‑
1)
表示第t
‑
1次迭代中的第i个样本的实际值y
i~(t
‑
1)
与第二预测估计值yi之间的差异，f
t
(x
i
)是经过第t次迭代后第i个样本的预测结果，Ω(f
t
)是复杂度的惩罚函数，t为大于1的自然数。m表示训练样本的个数。m为大于或等于1000的自然数。
[0018]作为本专利技术一示例实施方式，所述建模方法还包括S106：设置第二预测模型的输出，将第二预测模型输出经四舍五入后输出0或1，0代表运动康复方案无反应，1代表运动康复方案有反应。
[0019]根据本专利技术的第二个方面，提供一种冠心病运动反应性预测模型，采用所述的冠心病运动反应性预测模型的建模方法进行构建。
[0020]根据本专利技术一示例实施方式，所述反应性预测模型包括：医疗数据获取模块、显著特征参数获取模块、预处理模块、第一预测模型、运动信息数据获取模块、第二预测模型和反应效果获取模块；所述医疗数据获取模块用于获取冠心病患者的医疗数据，所述医疗数据包括冠心病患者的各项医疗指标和预定时间段内的冠心病的复发情况，所述冠心病的复发情况为复发或不复发；所述显著特征参数获取模块用于通过分析冠心病患者的各项医疗指标和复发情况筛选出影响冠心病复发的显著特征参数；所述预处理模块用于对显著特征参数进行预处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冠心病运动反应性预测模型的建模方法，其特征在于，包括如下步骤：S101：采集冠心病患者的医疗数据和运动信息数据，所述医疗数据包括冠心病患者的各项医疗指标和预定时间段内的冠心病的复发情况，通过分析冠心病患者的各项医疗指标和复发情况筛选出影响冠心病复发的显著特征参数，所述冠心病的复发情况为复发或不复发；S102：对显著特征参数进行预处理得到特征数据；S103：建立第一预测模型：以特征数据作为第一预测模型的输入，以冠心病的复发情况作为第一预测模型的输出，对第一预测模型进行训练；S104：基于第一预测模型，在给定运动周期开始到给定运动周期结束期间内，结合运动信息数据观察冠心病复发风险变化情况，基于该变化情况评价运动康复方案效果反应，所述运动康复方案效果反应为有反应或无反应；S105：建立第二预测模型：以显著特征参数、运动信息数据和第一预测模型的输出作为第二预测模型的输入，以运动康复方案效果反应作为第二预测模型的输出，对第二预测模型进行训练。2.根据权利要求1所述的冠心病运动反应性预测模型的建模方法，其特征在于，步骤S101中，所述运动信息数据包括：运动量、运动强度、运动时间、运动类型、运动类型个数、运动次数和运动时机选择。3.根据权利要求1所述的冠心病运动反应性预测模型的建模方法，其特征在于，步骤S101中，所述通过分析冠心病患者的各项医疗指标和预定时间段内的复发情况筛选出影响冠心病复发的显著特征参数的方法包括：基于单变量分析筛选法分析冠心病患者的各项医疗指标，对于服从正态分布的数据采用独立T检验，对于不服从正态分布的数据采用Wilconxon秩和检验。4.根据权利要求1所述的冠心病运动反应性预测模型的建模方法，其特征在于，步骤S102中，所述对显著特征参数进行预处理得到特征数据的方法包括：将显著特征参数输入卷积神经网络，得到特征数据。5.根据权利要求1所述的冠心病运动反应性预测模型的建模方法，其特征在于，步骤S103中，所述对第一预测模型进行训练的方法包括基于递归神经网络算法对第一预测模型进行训练；所述递归神经网络采用分类交叉损失函数和带有热重启的Adam优化器进行学习；所述分类交叉损失函数采用公式1：公式1；其中，N表示训练样本的数量，M表示分类结果的个数，表示分类结果的真实值，表示预测为该分类结果的概率；所述带有热重启的Adam优化器进行学习的方法包括：在每个训练周期后使用验证集验证模型，直到连续训练周期的分类交叉损失函数的数值不再减少。6.根据权利要求1所述的冠心病运动反应性预测模型的建模方法，其特征在于，步骤S104中，所述基于该变化情况评价运动康复方案效果的方法包括：给定运动周期结束时的复发风险低于给定运动周期开始时的复发风险，则认为运动康复方案有反应，否则认为无反应。
7.根据权利要求1所述的冠心病运动反应性预测模型的建模方法，其特征在于，步骤S105中，所述对第二预测模型进行训练的方法包括：采用XGBoost算法生成一个集合，集合内包括多棵回归树，每棵回归树利用十折交叉验证法进行训练，将对应每棵回...

【专利技术属性】
技术研发人员：张永亮，叶骏，
申请(专利权)人：合肥伊阳健康科技有限公司，
类型：发明
国别省市：