【技术实现步骤摘要】
本专利技术涉及医疗数据处理领域，尤其涉及基于卷积神经网络对生理指标数据缺失的治理方法及系统。
技术介绍
1、在大数据时代的背景下，人工智能ai技术在医疗方面得到了深入运用，使得数据质量有了更高的要求，但是在实际业务过程中，因各种原因造成的生理指标部分数据缺失，由于是历史数据，无法让业务系统重新补充相应的生理指标缺失数据，因此，如何对生理指标缺失数据进行有效的治理和补充是目前医疗系统中亟待解决的难题。
2、由于生理指标数据缺失的补充不能随意补充，目前常用的解决方法是利用k-means聚类算法和随机森林算法进行数据补充，然而采用上述两种方法进行数据补充时，补充的数据可信度并不高。
3、综上所述，现有技术存在的问题是如何对生理指标缺失数据进行有效的、可信度高的治理和补充。
技术实现思路
1、有鉴于此，本专利技术提供一种基于卷积神经网络对生理指标数据缺失的治理方法及系统，旨在提高对生理指标缺失数据治理的有效性和可信性。
2、为解决以上技术问题，本专利技术的技术方案为提供一种基于卷积神经网络对生理指标数据缺失的治理方法，包括：
3、获取原始数据中的病历数据和生理指标数据，并进行数据预处理；
4、对完成预处理的数据进行特征提取；
5、采用多通道的cnn架构创建神经网络模型，并对所述神经网络模型进行训练；
6、采用训练好的神经网络模型对缺失的生理指标数据进行预测。
7、作为一种实施方式，所述获取原始数
8、获取原始数据中包括诊断信息、用药信息、症状描述的病历数据和生理指标数据的数据集；
9、对所述数据集中的数据以此进行去除异常值、处理重复数据、数据归一化或标准化的数据处理；
10、将病历数据通过编码成独热编码或使用词嵌入转化为可以输入神经网络的格式。
11、作为一种实施方式，所述将病历数据通过编码成独热编码或使用词嵌入转化为可以输入神经网络的格式，包括：
12、将病历数据中的诊断信息和用药信息使用独热编码编码成二进制向量，其中，每个向量元素表示一个对应的信息标签，或，
13、将病历数据中的诊断信息和用药信息利用使用词嵌入技术转换为连续向量表示；
14、对病历数据中包含的病状描述信息采用自然语言处理技术编码成向量或矩阵表示。
15、作为一种实施方式，所述对完成预处理的数据进行特征提取，包括：
16、提取生理指标数据中的时间序列数据，并进行数据平滑处理；
17、采用傅里叶变换或小波变换将时间序列数据转换到频域，以提取得到时间序列特征。
18、作为一种实施方式，所述采用多通道的cnn架构创建神经网络模型，包括：
19、构建具备多通道输入的cnn神经网络模型，具体的，
20、采用包括多个卷积层和池化层的第一通道和第二通道分别处理病历数据特征和生理指标数据特征，其中，所述病历数据特征为由向量化表示的病历数据中的向量；
21、连接所述第一通道和所述第二通道的输出或对所述病历数据特征和生理指标数据特征进行加权平均进行特征融合；
22、利用全连接层对于特征融合后的病历数据特征和生理指标数据特征进行信息整合；
23、将输出层设置为与生理指标数据的特征维度相匹配的大小，并采用线性激活函数产生预测值。
24、作为一种实施方式，所述对所述神经网络模型进行训练，包括：
25、采用随机梯度下降算法更新模型的参数；
26、通过最小化损失函数来不断调整模型的权重。
27、作为一种实施方式，所述采用训练好的神经网络模型对缺失的生理指标数据进行预测，还包括：
28、将病历数据作为额外输入，采用训练好的神经网络模型对缺失的生理指标数据进行预测；
29、将预测值填充回原始数据中，使用交叉验证进行模型评估，计算预测值与真实值之间的误差；
30、根据模型评估的结果，进行超参数调整，优化模型性能。
31、相应的，本专利技术还提供一种基于卷积神经网络对生理指标数据缺失的治理系统，包括：
32、数据获取模块，用于获取原始数据中的病历数据和生理指标数据，并进行数据预处理；
33、特征提取模块，用于对完成预处理的数据进行特征提取；
34、模型构建模块，用于采用多通道的cnn架构创建神经网络模型，并对所述神经网络模型进行训练；
35、结果预测模块，用于采用训练好的神经网络模型对缺失的生理指标数据进行预测。
36、相应的，本专利技术还提供一种存储介质，存储有计算机程序，所述计算机程序被执行时可实现上述权利要求中任意一项所述的基于卷积神经网络对生理指标数据缺失的治理方法。
37、相应的，本专利技术还提供一种计算机设备，包括中央处理器和存储器，该存储器内存储有计算机程序，当计算机程序被中央处理器执行时，可实现上述任意一项所述的基于卷积神经网络对生理指标数据缺失的治理方法。
38、本专利技术的首要改进之处在于：通过获取原始数据中的病历数据和生理指标数据，并进行数据预处理；对完成预处理的数据进行特征提取；采用多通道的cnn架构创建神经网络模型，并对所述神经网络模型进行训练；采用训练好的神经网络模型对缺失的生理指标数据进行预测，实现了基于疾病诊断与治疗记录、医疗记录数据分析，集合生理指标数据时间序列变化特征对生理指标数据缺失进行治理补充，提高了对生理指标缺失数据治理的有效性和可信性，此外，还通过对多通道cnn模型的不断更新优化，强化了模型性能，使得预测值进一步提高了精准度。
本文档来自技高网...【技术保护点】
1.基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述获取原始数据中的病历数据和生理指标数据，并进行数据预处理，包括：
3.根据权利要求2所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述将病历数据通过编码成独热编码或使用词嵌入转化为可以输入神经网络的格式，包括：
4.根据权利要求3所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述对完成预处理的数据进行特征提取，包括：
5.根据权利要求4所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述采用多通道的CNN架构创建神经网络模型，包括：
6.根据权利要求5所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述对所述神经网络模型进行训练，包括：
7.根据权利要求1所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述采用训练好的神经网络模型对缺失的生理指标数据进行预测，还包括：>
8.基于卷积神经网络对生理指标数据缺失的治理系统，其特征在于，包括：
9.一种存储介质，其特征在于，存储有计算机程序，所述计算机程序被执行时可实现权利要求1-7中任意一项所述的基于卷积神经网络对生理指标数据缺失的治理方法。
10.一种计算机设备，其特征在于，包括中央处理器和存储器，所述存储器内存储有计算机程序，当所述计算机程序被中央处理器执行时，可实现权利要求1-7中任意一项所述的基于卷积神经网络对生理指标数据缺失的治理方法。
...【技术特征摘要】
1.基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，包括：
2.根据权利要求1所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述获取原始数据中的病历数据和生理指标数据，并进行数据预处理，包括：
3.根据权利要求2所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述将病历数据通过编码成独热编码或使用词嵌入转化为可以输入神经网络的格式，包括：
4.根据权利要求3所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述对完成预处理的数据进行特征提取，包括：
5.根据权利要求4所述的基于卷积神经网络对生理指标数据缺失的治理方法，其特征在于，所述采用多通道的cnn架构创建神经网络模型，包括：
6.根据权利要求5所述...
【专利技术属性】
技术研发人员：岳小波，张平，王涌军，
申请(专利权)人：四川互慧软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。