【技术实现步骤摘要】
本专利技术涉及数据处理，具体而言，涉及一种基于卷积神经网络的健康档案整合方法、设备及介质。
技术介绍
1、当前患者的健康档案信息都是每次就诊由患者本人或者家属进行口述，医生进行录入。由于每次就诊的健康档案信息是患者本人或者家属进行口述，故会产生遗漏，或者有意隐瞒的情况。不能有效地将历史的相关健康档案信息和历史就诊信息(疾病诊断与治疗记录、医疗记录)进行有效的数据结合形成完整的健康档案信息数据。
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的健康档案整合方法、设备及介质来解决上述问题。
2、为解决以上技术问题，本专利技术提供了一种基于卷积神经网络的健康档案整合方法，包括：
3、收集个体的病历记录与医疗记录，生成健康数据集；对健康数据集进行预处理，包括去除异常值、处理重复数据、数据归一化与标准化；
4、对健康数据集进行特征提取，生成适合用于模型学习的信息表达；
5、构建多通道卷积神经网络模型，通道用于处理单一类型的信息表达，基于该模型，对不同类型的数据特征进行通道融合，并设置卷积层与池化层，对融合后的所有特征维度进行特征提取以实现去重与分类，再通过全连接层进行进一步整合形成个体的健康档案。
6、作为一种可选方式，对健康数据集进行特征提取包括引入卷积神经网络进行文本类型的特征提取，包括如下方法：
7、检索数据库所有病历记录与医疗记录，将所有病历记录与医疗记录中的文本数据映射成向量进行表示，形成预训练
8、设置病历记录与医疗记录关键词，将健康数据集中的文本数据转换为词嵌入向量，将关键词通过tf-idf转化为关键词向量；
9、将词嵌入向量与关键词向量依次与预训练词向量集进行差异度识别，并剔除词嵌入向量与关键词向量中差异度超出预设区间的向量；
10、对符合预设区间的向量进行合并，生成文本维度集。
11、作为一种可选方式，对健康数据集进行特征提取还包括引入基于注意力机制的递归神经网络进行时序类型的特征提取，其采用一维卷积层捕捉医疗记录不同时间尺度的模式，并通过池化层进行降采样来获取医疗记录中的时序依赖关系，生成时序维度集。
12、作为一种可选方式，对健康数据集进行特征采集还包括图像类型的特征提取，包括如下方法：
13、引入卷积神经网络，遍历健康数据集中所有医学影像，设置预设卷积层来提取所有医学影像中的局部特征信息，生成图像维度集。
14、作为一种可选方式，通道融合包括：
15、使用不同的通道，依次对文本类型、时序类型与图像类型的数据进行特征提取后，通过连接和/或逐元素相加的方式，将文本维度集、时序维度集与图像维度集进行融合，产生个体的特征维度模型；
16、通过连接和/或加权平均的方式，对特征维度模型进行清洗与优化，生成个体的主观维度特征数据与客观维度特征数据。
17、作为一种可选方式，创建多通道卷积神经网络模型包括如下方法：
18、创建具有多通道的卷积神经网络架构后，在每个通道中分别添加的对应的卷积层与池化层，并设置全连接层用于进一步整合；进一步整合的结果输出层可以是二分类层和/或多分类层；
19、设置损失函数与优化器；并对上述模型进行编译，添加评估指标。
20、作为一种可选方式，还包括训练多通道卷积神经网络模型，其包括：
21、将主观维度特征数据与客观维度特征数据的集分割为训练集、验证集与测试集，通过批处理的方式输入到该模型中；
22、使用训练集对模型进行训练，调整模型参数以最小化损失函数；并监控模型在验证集上的性能，防止过拟合；其中，在每个训练周期结束后，计算损失值和评估指标的变化情况；
23、根据验证集的表现结果，实时调整模型的超参数；
24、使用测试集对训练后的模型进行评估，计算评估指标，并保存训练后的模型，用于对个体实现健康档案的整合，进行健康风险预测 、诊断分类任务。
25、另一方面，本专利技术还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
26、另一方面，本专利技术还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
27、本专利技术的有益效果为：
28、本专利技术针对健康档案信息数据的时间序列变化特征和历史就诊病历信息，提出一套基于疾病诊断与治疗记录、医疗记录等病历数据分析的卷积神经网络模型，可以结合健康档案信息数据时间序列变化特征对健康档案信息数据缺失补充。提高医护对患者病历的检索情况，并提高对患者的问诊准确率。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的健康档案整合方法，其特征在于，包括：
2.根据权利要求1所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，对所述健康数据集进行特征提取包括引入卷积神经网络进行文本类型的特征提取，包括如下方法：
3.根据权利要求2所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，对所述健康数据集进行特征提取还包括引入基于注意力机制的递归神经网络进行时序类型的特征提取，其采用一维卷积层捕捉所述医疗记录不同时间尺度的模式，并通过池化层进行降采样来获取所述医疗记录中的时序依赖关系，生成时序维度集。
4.根据权利要求3所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，对所述健康数据集进行特征采集还包括图像类型的特征提取，包括如下方法：
5.根据权利要求4所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，所述通道融合包括：
6.根据权利要求5所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，创建所述多通道卷积神经网络模型包括如下方法：
7.根据权利要求6所述的一种基于卷积
8.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于卷积神经网络的健康档案整合方法，其特征在于，包括：
2.根据权利要求1所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，对所述健康数据集进行特征提取包括引入卷积神经网络进行文本类型的特征提取，包括如下方法：
3.根据权利要求2所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，对所述健康数据集进行特征提取还包括引入基于注意力机制的递归神经网络进行时序类型的特征提取，其采用一维卷积层捕捉所述医疗记录不同时间尺度的模式，并通过池化层进行降采样来获取所述医疗记录中的时序依赖关系，生成时序维度集。
4.根据权利要求3所述的一种基于卷积神经网络的健康档案整合方法，其特征在于，对所述健康数据集进行特征采集还包括图像类型的特征提取，包括如下方法：
5...
【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。