疾病预测方法、装置、电子设备及计算机可读存储介质制造方法及图纸

本发明专利技术提供一种疾病预测方法、装置、电子设备及计算机可读存储介质，该方法包括：根据获取的电子健康记录数据，确定在线时间序列预测；将在线时间序列预测输入至长短期记忆LSTM模型，得到LSTM模型输出的平稳片段集，平稳片段集包括多个时间平稳片段，LSTM模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将平稳片段集输入至时间卷积网络，得到时间卷积网络输出的疾病预测结果，时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对历史平稳片段集进行训练得到的。该方法利用LSTM模型及时间卷积网络，可有效解决该电子健康记录数据无法兼顾长期依赖性和时间不规则性的问题，从而提高疾病预测结果的准确性。性。性。

【技术实现步骤摘要】
疾病预测方法、装置、电子设备及计算机可读存储介质


[0001]本专利技术涉及医疗数据处理
，尤其涉及一种疾病预测方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]近年来，随着医疗信息化的不断发展，电子设备可以在电子健康记录数据中，即在电子病历中获得越来越多的健康数据，这些健康数据可以包括：病情内容、诊断过程和结果，及治疗过程等。其中，这些健康数据具有时序性，可蕴含大量有价值的医疗数据信息，是数据驱动医疗发展的主要载体。
[0003]现有的基于电子健康记录数据进行疾病预测的方法可以基于传统的机器学习和统计技术，例如：逻辑回归、支持向量机和随机森林等。然而，由于电子健康记录数据具有长期依赖性及时间不规则性等特性，就容易导致电子设备基于该电子健康记录数据，利用现有的疾病预测方法，无法得到较为准确的疾病预测结果。

技术实现思路

[0004]本专利技术提供一种疾病预测方法、装置、电子设备及计算机可读存储介质，用以解决现有技术中由于电子健康记录数据具有长期依赖性及时间不规则性等特性，就容易导致电子设备基于该电子健康记录数据，利用现有的疾病预测方法，无法得到较为准确的疾病预测结果的缺陷，实现将电子健康记录数据对应的在线时间序列预测作为一个持续学习问题，利用LSTM模型及时间卷积网络，可有效协调在线时间序列预测与持续学习之间的关系，以解决该电子健康记录数据无法兼顾长期依赖性和时间不规则性的问题，从而提高疾病预测结果的准确性。
[0005]本专利技术提供一种疾病预测方法，包括：r/>[0006]根据获取的电子健康记录数据，确定在线时间序列预测；
[0007]将该在线时间序列预测输入至长短期记忆LSTM模型，得到该LSTM模型输出的平稳片段集，该平稳片段集包括多个时间平稳片段，该LSTM模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；
[0008]将该平稳片段集输入至时间卷积网络，得到该时间卷积网络输出的疾病预测结果，该时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对该历史平稳片段集进行训练得到的。
[0009]根据本专利技术提供的一种疾病预测方法，该LSTM模型是基于以下步骤进行训练得到的：获取该历史在线时间序列预测及该历史平稳片段集之间的累计误差；根据该累计误差，对预训练LSTM模型进行调整，得到训练好的LSTM模型。
[0010]根据本专利技术提供的一种疾病预测方法，该时间卷积网络是基于以下步骤进行训练得到的：获取预训练时间卷积网络对应的自适应参数；利用偏导数建模方法，根据该自适应参数，确定该预训练时间卷积网络对应的第一适应系数；利用稀疏记忆交互方法，根据该历
史平稳片段集及该第一适应系数，对该预训练时间卷积网络进行训练，得到训练好的时间卷积网络。
[0011]根据本专利技术提供的一种疾病预测方法，该利用偏导数建模方法，根据该自适应参数，确定该预训练时间卷积网络对应的第一适应系数，包括：利用偏导数建模方法中的梯度公式，确定该预训练时间卷积网络对应的当前梯度；将该当前梯度进行映射，得到第一适应系数；其中，该梯度公式为系数；其中，该梯度公式为表示该当前梯度；γ表示第一系数，γ∈(0，1)；表示该自适应参数的指数移动平均值EMA对应的梯度；表示该历史平稳片段集在第l层第t时刻对应的梯度。
[0012]根据本专利技术提供的一种疾病预测方法，该利用稀疏记忆交互方法，根据该历史平稳片段集及该第一适应系数，对该预训练时间卷积网络进行训练，得到训练好的时间卷积网络，包括：根据该历史平稳片段集，确定中间适应系数；利用稀疏记忆交互方法中的适应系数公式，确定该预训练时间卷积网络对应的第二适应系数；根据该第二适应系数，对该预训练时间卷积网络进行调整，得到训练好的时间卷积网络；其中，该适应系数公式为u
′
l
表示该第二适应系数；T表示第二系数，T∈(0，1)；u
l
表示该第一适应系数；表示中间适应系数。
[0013]根据本专利技术提供的一种疾病预测方法，该根据该历史平稳片段集，确定中间适应系数，包括：利用稀疏记忆交互方法中的第一公式，确定该平稳片段集包括的每个时间平稳片段；利用第二公式，确定预设数量的目标时间平稳片段；根据第三公式，确定中间适应系数；其中，该第一公式为r
l
＝softmax(M
l
u
l
)；该第二公式为r
l(k)
＝TopK(r
l
)；该第三公式为M
l
表示关联存储器，存储所述第一适应系数；r
l
表示该关联存储器M
l
对应的注意力权重；K表示该预设数量；r
l(k)
表示该平稳片段集中检索最相关的前预设数量K个记忆项，该记忆项为时间平稳片段；r
l(k)
[i]表示该r
l(k)
中第i个时间平稳片段；M
l
[i]表示述关联存储器M
l
中第i行记忆项；表示该中间适应系数。
[0014]根据本专利技术提供的一种疾病预测方法，该方法还包括：根据该平稳片段集，更新该训练好的时间卷积网络中包括的该历史平稳片段集，得到新的历史平稳片段集。
[0015]本专利技术还提供一种疾病预测装置，包括：
[0016]确定模块，用于根据获取模块获取的电子健康记录数据，确定在线时间序列预测；
[0017]输出模块，用于将该在线时间序列预测输入至长短期记忆LSTM模型，得到该LSTM模型输出的平稳片段集，该平稳片段集包括多个时间平稳片段，该LSTM模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将该平稳片段集输入至时间卷积网络，得到该时间卷积网络输出的疾病预测结果，该时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对该历史平稳片段集进行训练得到的。
[0018]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述疾病预测方法。
[0019]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算
机程序被处理器执行时实现如上述任一种所述疾病预测方法。
[0020]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述疾病预测方法。
[0021]本专利技术提供的疾病预测方法、装置、电子设备及计算机可读存储介质，通过根据获取的电子健康记录数据，确定在线时间序列预测；将所述在线时间序列预测输入至长短期记忆LSTM模型，得到所述LSTM模型输出的平稳片段集，所述平稳片段集包括多个时间平稳片段，所述LSTM模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将所述平稳片段集输入至时间卷积网络，得到所述时间卷积网络输出的疾病预测结果，所述时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对所述历史平稳片段集进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种疾病预测方法，其特征在于，包括：根据获取的电子健康记录数据，确定在线时间序列预测；将所述在线时间序列预测输入至长短期记忆LSTM模型，得到所述LSTM模型输出的平稳片段集，所述平稳片段集包括多个时间平稳片段，所述LSTM模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将所述平稳片段集输入至时间卷积网络，得到所述时间卷积网络输出的疾病预测结果，所述时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对所述历史平稳片段集进行训练得到的。2.根据权利要求1所述的方法，其特征在于，所述LSTM模型是基于以下步骤进行训练得到的：获取所述历史在线时间序列预测及所述历史平稳片段集之间的累计误差；根据所述累计误差，对预训练LSTM模型进行调整，得到训练好的LSTM模型。3.根据权利要求1所述的方法，其特征在于，所述时间卷积网络是基于以下步骤进行训练得到的：获取预训练时间卷积网络对应的自适应参数；利用偏导数建模方法，根据所述自适应参数，确定所述预训练时间卷积网络对应的第一适应系数；利用稀疏记忆交互方法，根据所述历史平稳片段集及所述第一适应系数，对所述预训练时间卷积网络进行训练，得到训练好的时间卷积网络。4.根据权利要求3所述的方法，其特征在于，所述利用偏导数建模方法，根据所述自适应参数，确定所述预训练时间卷积网络对应的第一适应系数，包括：利用偏导数建模方法中的梯度公式，确定所述预训练时间卷积网络对应的当前梯度；将所述当前梯度进行映射，得到第一适应系数；其中，所述梯度公式为其中，所述梯度公式为表示所述当前梯度；γ表示第一系数，γ∈(0，1)；表示所述自适应参数的指数移动平均值EMA对应的梯度；表示所述历史平稳片段集在第l层第t时刻对应的梯度。5.根据权利要求4所述的方法，其特征在于，所述利用稀疏记忆交互方法，根据所述历史平稳片段集及所述第一适应系数，对所述预训练时间卷积网络进行训练，得到训练好的时间卷积网络，包括：根据所述历史平稳片段集，确定中间适应系数；利用稀疏记忆交互方法中的适应系数公式，确定所述预训练时间卷积网络对应的第二适应系数；根据所述第二适应系数，对所述预训练时间卷积网络进行调整，得到训练好的时间卷积网络；其中，所述适应系数公式为u
′
l
表示所述第二适应系数；T表示第二系数，T∈(0，1)；u
l
表示所述第一适应系数；表
...

【专利技术属性】
技术研发人员：徐毅，汤昊宬，梁慧，丁振甲，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：