心血管风险评估模型的训练方法、装置、设备和介质制造方法及图纸

本发明专利技术属于数据处理技术领域，特别是涉及一种心血管风险评估模型的训练方法、装置、设备和介质，其中，方法包括：获取用于心血管风险评估的各项基础数据；将各项基础数据导入待训练心血管风险评估模型中，并根据先验知识对各项基础数据预设权重系数，得到预处理数据；根据预设划分规则将预处理数据进行划分，得到第一数据和第二数据；通过待训练心血管风险评估模型对第一数据和第二数据进行迭代训练，获取预设训练结果；根据预设训练结果对待训练心血管风险评估模型进行参数更新，输出完成训练的心血管风险评估模型。本发明专利技术通过训练心血管风险评估模型，使得模型具备心血管预测性能，进而辅助用户对心血管风险的监控，保障了用户的健康。健康。健康。

【技术实现步骤摘要】
心血管风险评估模型的训练方法、装置、设备和介质


[0001]本专利技术涉及数据处理
，特别涉及一种心血管风险评估模型的训练方法、装置、设备和介质。

技术介绍

[0002]随着科技的发展和时代的进步，人们的生活水平在不断的提高，但人们日常不规律的生活方式和习惯对身体造成的影响也逐渐显现，具体体现在一些疾病的发病率和死亡率逐年增高，其中，最为突出的就是心血管类疾病，心血管类疾病复发率高、并发症多，对健康危害极为严重。预测和预警心血管类疾病风险可以帮助人们采取预防措施并减少发生心血管事件的可能性，当前心血管风险预警方式有生活方式风险评估、生物标志物以及基因检测等方式，其中，生活方式风险评估的方法容易受到主观因素和记忆偏差的影响，生物标志物可能受到生理和环境因素的影响，如时间、饮食和药物使用等，而基因检测成本高，上述每种方法均存在一定局限性。
[0003]因此，如何优化心血管疾病的预测技术是目前需要解决的问题。

技术实现思路

[0004]本专利技术提供一种心血管风险评估模型的训练方法、装置、设备和介质，旨在优化心血管疾病的预测技术，进而获取高置信度的心血管疾病预测数据，以辅助用户对心血管风险的监控，减少发生心血管事件的可能性，保障了用户的健康。
[0005]为了实现上述专利技术目的，本专利技术第一方面提出一种心血管风险评估模型的训练方法，所述方法包括：
[0006]获取用于心血管风险评估的各项基础数据；
[0007]将各项所述基础数据导入待训练计心血管风险评估模型中，并根据先验知识对各项所述基础数据预设权重系数，得到预处理数据；
[0008]根据预设划分规则将所述预处理数据进行划分，得到第一数据和第二数据；
[0009]通过所述待训练心血管风险评估模型对所述第一数据和所述第二数据进行迭代训练，获取预设训练结果；
[0010]根据所述预设训练结果对所述待训练心血管风险评估模型进行参数更新，输出完成训练的心血管风险评估模型。
[0011]进一步地，所述通过所述待训练心血管风险评估模型对所述第一数据和所述第二数据进行迭代训练之前，还包括：
[0012]构建项目计数，所述项目计数用于记录每个项集的计数；
[0013]将所述第一数据和所述第二数据分别转换为集合，得到对应的第一数据集和第二数据集；
[0014]统计所述第一数据集中的每一个集合包含项集出现的次数，并记录于所述项目计数中；以及，
[0015]统计所述第二数据集中的每一个集合包含项集出现的次数，并记录于所述项目计数中；
[0016]通过计算所述第一数据集中每一个项集出现的频率，筛选出满足最小支持度的第一频繁项集；以及，
[0017]通过计算所述第二数据集中每一个项集出现的频率，筛选出满足最小支持度的第二频繁项集。
[0018]进一步地，所述通过所述待训练心血管风险评估模型对所述第一数据和所述第二数据进行迭代训练，包括：
[0019]将所述第一频繁项集和所述第二频繁项集作为候选项集；
[0020]遍历所述候选项集中的每一个集合，并统计所述每一个集合出现的次数，以筛选出满足最小支持度的高阶频繁项集；
[0021]根据所述高阶频繁项集进行分析预测，得到预测数据。
[0022]进一步地，所述得到预测数据之后，还包括：
[0023]计算所述预测数据的损失数值；
[0024]将所述损失数值与预设损失阈值进行比较，判断所述损失数值是否小于所述预设损失阈值；
[0025]若是，则记录所述预测数据对应的实际权重系数。
[0026]进一步地，所述输出完成训练的心血管风险评估模型，包括：
[0027]将所述实际权重系数与所述预设权重系数进行比较，判断所述实际权重系数与所述预设权重系数是否一致；
[0028]若不一致，则将所述实际权重系数作为各项所述基础数据的固定权重系数，进而输出完成训练的心血管风险评估模型。
[0029]进一步地，所述输出完成训练的心血管风险评估模型之后，还包括：
[0030]基于智能穿戴设备实时获取用户的各项实际基本数据；
[0031]将各项所述实际基本数据输入所述心血管风险评估模型；
[0032]通过所述心血管风险评估模型对所述各项实际基本数据进行计算及预测，得到实时预测数值；
[0033]判断所述实时预测数值是否大于预设阈值；
[0034]若是，则基于所述实时预测数值触发告警。
[0035]本申请还提供一种心血管风险评估模型的训练装置，所述装置包括：
[0036]获取模块，用于获取用于心血管风险评估的各项基础数据；
[0037]导入模块，用于将各项所述基础数据导入待训练心血管风险评估模型中，并根据先验知识对各项所述基础数据预设权重系数，得到预处理数据；
[0038]划分模块，用于根据预设划分规则将所述预处理数据进行划分，得到第一数据和第二数据；
[0039]训练模块，用于通过所述待训练心血管风险评估模型对所述第一数据和所述第二数据进行迭代训练，获取预设训练结果；
[0040]更新模块，用于根据所述预设训练结果对所述待训练心血管风险评估模型进行参数更新，输出完成训练的心血管风险评估模型。
[0041]进一步地，所述训练模块，包括：
[0042]第一构建单元，用于构建项目计数，所述项目计数用于记录每个项集的计数；
[0043]转换单元，用于将所述第一数据和所述第二数据分别转换为集合，得到对应的第一数据集和第二数据集；
[0044]统计单元，用于统计所述第一数据集中的每一个集合包含项集出现的次数，并记录于所述项目计数中；以及，
[0045]统计所述第二数据集中的每一个集合包含项集出现的次数，并记录于所述项目计数中；
[0046]第一计算单元，用于通过计算所述第一数据集中每一个项集出现的频率，筛选出满足最小支持度的第一频繁项集；以及，
[0047]通过计算所述第二数据集中每一个项集出现的频率，筛选出满足最小支持度的第二频繁项集。
[0048]本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的心血管风险评估模型的训练方法的步骤。
[0049]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的心血管风险评估模型的训练方法的步骤。
[0050]有益效果：在本申请中，获取用于心血管风险评估的各项基础数据；将各项所述基础数据导入待训练心血管风险评估模型中，并根据先验知识对各项所述基础数据赋予不同地权重系数，进而得到预处理数据；根据预设划分规则将所述预处理数据划分为第一数据和第二数据，通过所述待训练心血管风险评估模型对所述第一数据和所述第二数据进行迭代训练，其中，第一数据用于训练模型对确诊数据的敏锐度，第二数据用于训练模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种心血管风险评估模型的训练方法，其特征在于，所述方法包括：获取用于心血管风险评估的各项基础数据；将各项所述基础数据导入待训练心血管风险评估模型中，并根据先验知识对各项所述基础数据预设权重系数，得到预处理数据；根据预设划分规则将所述预处理数据进行划分，得到第一数据和第二数据；通过所述待训练心血管风险评估模型对所述第一数据和所述第二数据进行迭代训练，获取预设训练结果；根据所述预设训练结果对所述待训练心血管风险评估模型进行参数更新，输出完成训练的心血管风险评估模型。2.根据权利要求1所述的心血管风险评估模型的训练方法，其特征在于，所述通过所述待训练心血管风险评估模型对所述第一数据和所述第二数据进行迭代训练之前，还包括：构建项目计数，所述项目计数用于记录每个项集的计数；将所述第一数据和所述第二数据分别转换为集合，得到对应的第一数据集和第二数据集；统计所述第一数据集中的每一个集合包含项集出现的次数，并记录于所述项目计数中；以及，统计所述第二数据集中的每一个集合包含项集出现的次数，并记录于所述项目计数中；通过计算所述第一数据集中每一个项集出现的频率，筛选出满足最小支持度的第一频繁项集；以及，通过计算所述第二数据集中每一个项集出现的频率，筛选出满足最小支持度的第二频繁项集。3.根据权利要求2所述的心血管风险评估模型的训练方法，其特征在于，所述通过所述待训练心血管风险评估模型对所述第一数据和所述第二数据进行迭代训练，包括：将所述第一频繁项集和所述第二频繁项集作为候选项集；遍历所述候选项集中的每一个集合，并统计所述每一个集合出现的次数，以筛选出满足最小支持度的高阶频繁项集；根据所述高阶频繁项集进行分析预测，得到预测数据。4.根据权利要求3所述的心血管风险评估模型的训练方法，其特征在于，所述得到预测数据之后，还包括：计算所述预测数据的损失数值；将所述损失数值与预设损失阈值进行比较，判断所述损失数值是否小于所述预设损失阈值；若是，则记录所述预测数据对应的实际权重系数。5.根据权利要求4所述的心血管风险评估模型的训练方法，其特征在于，所述输出完成训练的心血管风险评估模型，包括：将所述实际权重系数与所述预设权重系数进行比较，判断所述实际权重系数与所述预设权重系数是否一致；若不一致，则将所述实际权重系数作为各项所述基础数据的固...

【专利技术属性】
技术研发人员：姚晨姣，宋政宇，黄穰浪，朱海霞，姚季锦，张磐，肖盛，姜艳红，
申请(专利权)人：中南大学湘雅三医院，
类型：发明
国别省市：