一种基于同向网络的用户健康预测管理方法及系统技术方案

本发明专利技术公开了一种基于同向网络的用户健康预测管理方法及系统，通过同向网络学习已有的用户健康指标检测知识，在模型训练完毕后，使用训练完毕的模型基于新患者健康检测指标和数据进行患者健康状态的判别，并在预测出患者健康状态不佳时及时给出预警提示，从而帮助医护人员及时预测分析出与患者健康状况相关联的医学测量结果，以便于医护人员做出相应的健康护理决策。健康护理决策。健康护理决策。

【技术实现步骤摘要】
一种基于同向网络的用户健康预测管理方法及系统


[0001]本专利技术属于医学数据处理领域，具体涉及一种基于同向网络的用户健康预测管理方法及系统。

技术介绍

[0002]数据就是生产力，数据的重要性在目前人工智能领域扮演着举足轻重的角色，以医学领域为例，医学数据对于医学领域里用户健康预测管理的技术息息相关，并且，目前的医护人员难以或不可能随时跟踪患者的健康状态。医护人员倾向于依赖于各方面的医学检测数据间接估计和定性判断来预测患者的健康状态，但是这些过程是常变的且不可靠的，患者健康状态的确定可在医护人员之间变化；
[0003]此外，该过程对于医护人员而言是需要大量时间经验进行积累，并且医护人员常常不能够及时预测分析出与患者健康状况相关联的医学测量结果，不便于医护人员做出有情报根据的健康护理决策。

技术实现思路

[0004]针对上述现有技术的不足，本申请提供于信息抽取和实体归一的医学相似病例推荐方法和系统。
[0005]第一方面本申请提出了一种基于同向网络的用户健康预测管理方法，包括以下步骤：
[0006]获取目标用户的医学检测指标和指标检测数据，将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据；
[0007]将所述医学检测表格数据转换为初始特征节点向量集，将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理，得到中间特征节点向量集；
[0008]计算所述中间特征节点向量集中任意节点之间的重要性函数表示，同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理，通过第一softmax层对非线性化处理结果进行归一化处理，对归一化处理结果进行加权处理得到对应节点的目标输出特征向量；
[0009]通过第二softmax层对所述目标输出特征向量进行索引，获取所述目标输出特征向量对应节点的健康标签的预测概率；
[0010]通过所述预测概率构建损失函数对预测过程进行优化，形成健康预测的良性循环。
[0011]在一种可能的实施方式中，所述将所述医学检测表格数据转换为初始特征节点向量集，将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理，得到中间特征节点向量集，包括：
[0012]将所述医学检测表格数据中的医学检测指标作为节点，将每个医学检测指标对应的指标检测数据作为特征值，根据所述节点和特征值形成初始特征节点向量集
，其中，N表示是节点总数，F表示节点特征的维度，i表示第i个节点；
[0013]图形注意力层公式为：
[0014]将所述初始特征节点向量集经过所述图形注意力层进行处理得到中间特征节点向量集，其中，N表示是节点总数，k表示第k个节点，代表索引；F`表示中间特征节点向量集的节点特征的维度，表示经过图形注意力层计算后输出的节点向量，表示权值向量。
[0015]在一种可能的实施方式中，所述计算所述中间特征节点向量集中任意节点之间的重要性函数表示，包括：
[0016]其中，表示权值矩阵，，i和j都是指的N范围内的第i个节点和第j个节点，表示节点j对于节点i的重要性，表示单层前馈神经网络。
[0017]在一种可能的实施方式中，所述同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理，包括：
[0018]通过神经网络单元激活函数进行非线性化处理，将表示为：
[0019]其中，表示权值向量。
[0020]在一种可能的实施方式中，所述通过第一softmax层对非线性化处理结果进行归一化处理，包括：
[0021]通过第一softmax层对中心节点的邻居节点做了归一化，公式表示为：
[0022]其中，k表示N范围内的第k个节点，表示节点k对于节点i的重要性，表示经过第一softmax层的计算结果。
[0023]在一种可能的实施方式中，所述对归一化处理结果进行加权处理得到对应节点的目标输出特征向量，包括：
[0024]加权处理公式表示为：
[0025]其中，表示节点i对应的目标输出特征向量。
[0026]在一种可能的实施方式中，所述通过第二softmax层对所述目标输出特征向量进行索引，获取所述目标输出特征向量对应节点的健康标签的预测概率，包括：
[0027]将节点i对应的目标输出特征向量经过第二softmax层进行计算，得到所述预测概
率，计算公式为：
[0028]其中，q(x)为节点经过同向网络得到的健康标签对应的预测概率，k表示N范围内的第k个节点。
[0029]在一种可能的实施方式中，所述通过所述预测概率构建损失函数对预测过程进行优化，形成健康预测的良性循环，包括：
[0030]交叉熵损失函数公式为：
[0031]通过所述预测概率与损失函数对预测过程进行优化，其中，p(x)为真实的用户健康标签，q(x)为节点经过同向网络得到的健康标签对应的预测概率，H(p,q)为计算的真实标签和同向网络预测标签之间的差距。
[0032]第二方面本申请提出一种基于同向网络的用户健康预测管理系统，包括数据获取模块、中间向量获取模块、目标向量获取模块、健康标签预测模块和模型优化模块；
[0033]所述数据获取模块，获取目标用户的医学检测指标和指标检测数据，将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据；
[0034]所述中间向量获取模块，用于将所述医学检测表格数据转换为初始特征节点向量集，将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理，得到中间特征节点向量集；
[0035]所述目标向量获取模块，用于计算所述中间特征节点向量集中任意节点之间的重要性函数表示，同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理，通过第一softmax层对非线性化处理结果进行归一化处理，对归一化处理结果进行加权处理得到对应节点的目标输出特征向量；
[0036]所述健康标签预测模块，通过第二softmax层对所述目标输出特征向量进行索引，获取所述目标输出特征向量对应节点的健康标签的预测概率；
[0037]所述模型优化模块，用于通过所述预测概率构建损失函数对预测过程进行优化，形成健康预测的良性循环。
[0038]第三方面一种计算机可读存储介质，其上存储有计算机指令，计算机指令被处理器执行时实现上述任一方法步骤。
[0039]本专利技术的有益效果：
[0040]通过同向网络学习已有的用户健康指标检测知识，在模型训练完毕后，使用训练完毕的模型基于新患者健康检测指标和数据进行患者健康状态的判别，并在预测出患者健康状态不佳时及时给出预警提示，从而帮助医护人员及时预测分析出与患者健康状况相关联的医学测量结果，以便于医护人员做出相应的健康护理决策。
附图说明
[0041]图1为本专利技术的总体流程图。
[0042]图2为本专利技术的系统原理框图。
具体实施方式
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于同向网络的用户健康预测管理方法，其特征在于：包括以下步骤：获取目标用户的医学检测指标和指标检测数据，将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据；将所述医学检测表格数据转换为初始特征节点向量集，将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理，得到中间特征节点向量集；计算所述中间特征节点向量集中任意节点之间的重要性函数表示，同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理，通过第一softmax层对非线性化处理结果进行归一化处理，对归一化处理结果进行加权处理得到对应节点的目标输出特征向量；通过第二softmax层对所述目标输出特征向量进行索引，获取所述目标输出特征向量对应节点的健康标签的预测概率；通过所述预测概率构建损失函数对预测过程进行优化，形成健康预测的良性循环。2.根据权利要求1所述的方法，其特征在于：所述将所述医学检测表格数据转换为初始特征节点向量集，将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理，得到中间特征节点向量集，包括：将所述医学检测表格数据中的医学检测指标作为节点，将每个医学检测指标对应的指标检测数据作为特征值，根据所述节点和特征值形成初始特征节点向量集，其中，N表示是节点总数，F表示节点特征的维度，i表示第i个节点；图形注意力层公式为：将所述初始特征节点向量集经过所述图形注意力层进行处理得到中间特征节点向量集，其中，N表示是节点总数，k表示第k个节点，代表索引；F`表示中间特征节点向量集的节点特征的维度，表示经过图形注意力层计算后输出的节点向量，表示权值向量。3.根据权利要求2所述的方法，其特征在于：所述计算所述中间特征节点向量集中任意节点之间的重要性函数表示，包括：其中，表示权值矩阵，，i和j都是指的N范围内的第i个节点和第j个节点，表示节点j对于节点i的重要性，表示单层前馈神经网络。4.根据权利要求3所述的方法，其特征在于：所述同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理，包括：通过神经网络单元激活函数进行非线性化处理，将表示为：其中，表示权值向量。5.根据权利要求4所述的方法，其特征在于：所述通过第一softmax层对非线性化处理结果进行归一化处理，包括：
通过第一softmax层对中心节点的邻居节点做了归一化，公式表示为：其中，k表示N范围内的第k个...

【专利技术属性】
技术研发人员：刘硕，白焜太，宋佳祥，杨雅婷，许娟，史文钊，
申请(专利权)人：神州医疗科技股份有限公司，
类型：发明
国别省市：