卒中风险筛查装置、电子设备和存储介质制造方法及图纸

本公开涉及一种卒中风险筛查装置、电子设备和存储介质，通过该装置周期性获取大量未经卒中疾病诊断的社区用户包括文本信息和数据信息的健康信息。通过训练得到的语义分析模型提取每个文本信息的第一风险特征，通过反向传播梯度算法计算每个数据信息的第二风险特征。根据每个社区用户的第一风险特征和第二风险特征共同进行风险预测，得到对应的风险预测结果的风险预测模块，向对应的风险预测结果为高风险的社区用户发送风险提示。本公开通过搭建用于预测卒中疾病的深度神经网络架构的方式实现对大量社区用户进行健康监控，及时发现存在卒中风险的用户。同时，通过不同方式对不同类型的信息进行精准处理，提高了最终得到的预测结果的准确性。测结果的准确性。测结果的准确性。

【技术实现步骤摘要】
卒中风险筛查装置、电子设备和存储介质


[0001]本公开涉及计算机
，尤其涉及一种卒中风险筛查装置、电子设备和存储介质。

技术介绍

[0002]脑卒中是危害国民健康的慢病，最新的一项中国国家卒中筛查调查报告(CNSSS)的结果显示：2002年至2013年期间，中国的40至74岁的年龄段中第一次出现脑卒中症状的占比从189/十万人增长显著至379/十万人，总体年增长率高达8.3％(高于同时期的中国GDP增长率)。根据2017年发表的中国卒中流行病学调查(NESS
‑
China)分析结果：脑卒中是我国人群死亡的主要原因之一，其在年龄超过20岁的人群中，年龄标化的卒中总死亡率为114.8/十万人年，其中缺血性卒中超过半数。目前脑卒中的检查途径只能由患者自行前往医院由医生诊断，无法实现对未出现症状的大范围人群进行普查，导致卒中疾病的发现通常较晚，影响治疗效果。

技术实现思路

[0003]有鉴于此，本公开提出了一种卒中风险筛查装置、电子设备和存储介质，旨在对大量的无症状人员进行健康筛查，从中筛出具有脑卒中风险的人员以及时治疗。
[0004]根据本公开的第一方面，提供了一种卒中风险筛查装置，所述装置包括：
[0005]数据获取模块，用于以预设的时间周期获取大量社区用户的健康信息，所述社区用户包括未经卒中疾病诊断的用户，所述健康信息中包括文本信息和数据信息；
[0006]第一特征提取模块，用于通过训练得到的语义分析模型提取每个所述社区用户文本信息的第一风险特征；/>[0007]第二特征提取模块，用于通过反向传播梯度算法计算每个所述社区用户数据信息的第二风险特征；
[0008]风险预测模块，用于根据每个所述社区用户的所述第一风险特征和所述第二风险特征共同进行风险预测，得到对应的风险预测结果，所述风险预测结果包括高风险和低风险；
[0009]风险提示模块，用于向对应的风险预测结果为高风险的社区用户发送风险提示。
[0010]在一种可能的实现方式中，所述语义分析模型为基于BERT模型的自定义架构分析模型。
[0011]在一种可能的实现方式中，所述文本信息包括检验特征、检查特征、用药情况、是否存在高血压、是否患有糖尿病、是否存在脑血管病病史以及家族是否存在患脑卒中病史中的至少一项。
[0012]在一种可能的实现方式中，所述数据信息包括体征数据、身体BMI数据、心音数据、颈部血管杂音数据、心电图以及超声检查数据中的至少一项。
[0013]在一种可能的实现方式中，所述风险预测模块，进一步用于：
[0014]根据每个所述社区用户的所述第一风险特征和所述第二风险特征确定对应的用户风险特征；
[0015]通过训练得到的梯度提升树模型基于每个所述社区用户对应的用户风险特征进行风险预测，得到每个所述社区用户的风险预测结果。
[0016]在一种可能的实现方式中，进一步用于：
[0017]通过预设的非线性激活函数对所述第一风险特征进行激活；
[0018]对激活后的所述第一风险特征与所述第二风险特征进行拼接，得到用户风险特征。
[0019]在一种可能的实现方式中，所述风险预测模块，进一步用于：
[0020]将每个所述用户风险特征输入训练得到的梯度提升树模型进行风险预测，得到对应的社区用户的候选预测结果；
[0021]用非线性激活函数和激活函数依次对每个所述社区用户的候选预测结果进行激活处理，得到每个所述社区用户对应的风险预测结果。
[0022]在一种可能的实现方式中，所述梯度提升树模型的树深度为15，叶子结点数为20，训练过程的学习率为0.2，迭代次数为60。
[0023]在一种可能的实现方式中，所述梯度提升树模型的训练过程包括：
[0024]确定包括多个具备标注结果的样本健康信息的训练集；
[0025]确定所述训练集中的样本健康信息对应的样本风险特征；
[0026]将所述样本风险特征输入所述梯度提升树模型，得到预测结果；
[0027]根据每个所述样本健康信息的预测结果p和标注结果y确定模型损失函数为
[0028][0029]通过基于梯度的单侧采样算法求解所述模型损失函数，确定在所述模型损失函数的一阶导数为0的情况下完成模型训练过程。
[0030]根据本公开的第二方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为在执行所述存储器存储的指令时，实现上述方法。
[0031]根据本公开的第三方面，提供了一种非易失性计算机可读存储介质，其上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时实现上述方法。
[0032]根据本公开的第四方面，提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
[0033]在本公开实施例中，通过该装置周期性获取大量未经卒中疾病诊断的社区用户包括文本信息和数据信息的健康信息。通过训练得到的语义分析模型提取每个文本信息的第一风险特征，通过反向传播梯度算法计算每个数据信息的第二风险特征。根据每个社区用户的第一风险特征和第二风险特征共同进行风险预测，得到对应的风险预测结果的风险预测模块，向对应的风险预测结果为高风险的社区用户发送风险提示。本公开通过搭建用于预测卒中疾病的深度神经网络架构的方式实现对大量社区用户进行健康监控，及时发现存在卒中风险的用户。同时，通过不同方式对不同类型的特征进行精准处理，提高了最终得到的预测结果的准确性。
[0034]根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
[0035]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
[0036]图1示出根据本公开实施例的一种卒中风险筛查装置的示意图；
[0037]图2示出根据本公开实施例的一种预测卒中风险过程的示意图；
[0038]图3示出根据本公开实施例的一种电子设备的示意图；
[0039]图4示出根据本公开实施例的另一种电子设备的示意图。
具体实施方式
[0040]以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0041]在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
[0042]另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卒中风险筛查装置，其特征在于，所述装置包括：数据获取模块，用于以预设的时间周期获取大量社区用户的健康信息，所述社区用户包括未经卒中疾病诊断的用户，所述健康信息中包括文本信息和数据信息；第一特征提取模块，用于通过训练得到的语义分析模型提取每个所述社区用户文本信息的第一风险特征；第二特征提取模块，用于通过反向传播梯度算法计算每个所述社区用户数据信息的第二风险特征；风险预测模块，用于根据每个所述社区用户的所述第一风险特征和所述第二风险特征共同进行风险预测，得到对应的风险预测结果，所述风险预测结果包括高风险和低风险；风险提示模块，用于向对应的风险预测结果为高风险的社区用户发送风险提示。2.根据权利要求1所述的装置，其特征在于，所述语义分析模型为基于BERT模型的自定义架构分析模型。3.根据权利要求1或2所述的装置，其特征在于，所述文本信息包括检验特征、检查特征、用药情况、是否存在高血压、是否患有糖尿病、是否存在脑血管病病史以及家族是否存在患脑卒中病史中的至少一项。4.根据权利要求1
‑
3中任意一项所述的装置，其特征在于，所述数据信息包括体征数据、身体BMI数据、心音数据、颈部血管杂音数据、心电图以及超声检查数据中的至少一项。5.根据权利要求1
‑
4中任意一项所述的装置，其特征在于，所述风险预测模块，进一步用于：根据每个所述社区用户的所述第一风险特征和所述第二风险特征确定对应的用户风险特征；通过训练得到的梯度提升树模型基于每个所述社区用户对应的用户风险特征进行风险预测，得到每个所述社区用户的风险预测结果。6.根据权利要求5所述的装置，其特征在于，...

【专利技术属性】
技术研发人员：武剑，桑振华，宋晓微，魏宸铭，沈懿，
申请(专利权)人：北京清华长庚医院，
类型：发明
国别省市：