【技术实现步骤摘要】
本专利技术涉及一种基于在线学习的befast卒中筛查系统和方法。
技术介绍
1、卒中筛查是通过不同的医学技术和方法来识别患者是否存在卒中风险因素或早期卒中的症状。当进行卒中风险因素筛查时，常用的技术方法包括调查生活习惯（抽烟、饮酒）、监测生理参数（如测定血压、血糖、胆固醇水平）、头颈部血管超声检查、心脏结构及节律相关检查等。有关卒中早期症状的识别，目前国内外已开发出一系列量表，常见的包括cpss、rosier、lapss等。以上技术及工具均已广泛应用，协助医生估计患者的卒中风险和快速检测卒中症状。神经影像学（mri、ct扫描）常在高度怀疑卒中的情况下用于协助诊断。
2、然而，现有的卒中筛查方法存在一些不足之处。首先，这些方法通常是分散的，需要多个测试和医学专业人员之间的协同工作，导致筛查过程繁琐和费时；其次，这些方法常常需要大量的主观判断，这可能导致分析的不一致性和误差；此外，这些方法往往是基于就诊当下的数据进行一次性评估，无法结合既往数据，对个体风险进行了连续评估。因此，需要更高效、自动化和精确的卒中筛查方法，以提高卒中的早期发现和检测效果。
技术实现思路
1、本专利技术提供一种基于在线学习的befast卒中筛查系统和方法，有效地解决了现有技术存在的上述问题。
2、具体而言，本专利技术提供一种基于在线学习的befast卒中筛查系统，所述系统能够从第0时刻开始每隔一单位时间对特定病人进行卒中筛查，该系统包括历史数据库、限缩数据集模块、权重分配模块、模型构建模
3、
4、设定距离阈值maxl，历史数据库中的任一病人的befast数据只有满足≤maxl，才能被引入第0历史数据子集m0，接着，权重分配模块以第0历史数据子集m0作为训练数据集建立第0级决策树执行权重向量计算，其中，以befast数据中的任一指数对应的轻度困难、中度困难、重度困难作为根节点分类，以卒中风险作为叶子结点分类，各自形成五棵第0级决策树，由此计算出五个befast数据各自的增益系数gb0、ge0、gf0、ga0、gs0作为五个befast数据各自在第0时刻的权重，合并计为权重向量g0，接着，模型构建模块通过监督学习来构建针对所述特定病人的筛查模型，函数表达为：y=f（m0，g0，θ），其中y表示模型输出，即，特定病人的预测卒中风险概率，θ表示模型构建参数，第0历史数据子集m0和权重向量g0作为模型的输入，由此，通过计算θ=argmin（y0，f（m0，g0，θ））来确定模型构建参数θ，其中，y0表示第0时刻实际卒中风险概率，而f（m0，g0，θ）则是预测卒中风险概率，在第1时刻，限缩数据集模块引入第0时刻的权重向量g0来计算历史数据库中每个病人与特定病人在第1时刻的指数距离：
5、，
6、限缩数据集模块要求历史数据库中的任一病人的befast数据只有满足≤maxl，才能被引入第1历史数据子集m1，权重分配模块以第1历史数据子集m1作为训练数据集建立第1级决策树执行权重向量计算求得第1时刻的权重向量g1，随后模型构建模块将g1和m1输入所述函数，迭代确定θ=argmin（y1，f（m1，g1，θ）），其中y1表示第1时刻实际卒中风险概率，而f（m1，g1，θ）则是预测卒中风险概率。
7、进一步，随着时间的演进，整数j从2开始取值，从第0时刻、第1时刻一直取值至第j时刻，调用限缩数据集模块，计算历史数据库中每个病人与特定病人在第j时刻的指数距离，计算公式如下：
8、
9、其中，gbj-1、gej-1、gfj-1、gaj-1、gsj-1为第j-1时刻由权重分配模块计算出的平衡指数b、眼睛指数e、面部指数f、手臂指数a、语言指数s这五个指数的权重。
10、更进一步，限缩数据集模块要求历史数据库中的任一病人的befast数据只有满足≤maxl，才能被引入第j历史数据子集mj，随后，权重分配模块以第j历史数据子集mj作为训练数据集建立第j级决策树执行权重向量计算求得第j时刻的权重向量gj，随后模型构建模块将gj和mj输入所述函数，迭代确定θ=argmin（yj，f（mj，gj，θ）），其中，yj表示第j时刻实际卒中风险概率，而f（mj，gj，θ）则是预测卒中风险概率。
11、可选地，整数j最终取值至200、或最终取值至500，或最终取值至1000。
12、更进一步，在计算第1级决策树至第j级决策树中的任一级决策树时，所述任一级决策树计为第p级决策树，以平衡指数b、眼睛指数e、面部指数f、手臂指数a、语言指数s中的任一指数对应的轻度困难、中度困难、重度困难作为根节点分类，以卒中风险作为叶子结点分类，各自形成五棵第0级决策树，由此计算平衡指数b、眼睛指数e、面部指数f、手臂指数a、语言指数s各自的增益系数gbp、gep、gfp、gap、gsp，第p级决策树经验熵计算公式为：
13、
14、其中，k=3，意思是第p历史数据子集mp中的所有病人可分为卒中风险低、卒中风险中、卒中风险高这三个基础大类，d为训练数据集的样本总数，即第p历史数据子集mp中的病人数，ck为每个基础大类下对应的样本数，将平衡指数b、眼睛指数e、面部指数f、手臂指数a、语言指数s中的每一个指数均统称为指数z，接下来以指数z对应的轻度困难、中度困难、重度困难作为根节点分类，为此引入经验条件熵，其计算公式为：
15、
16、其中，h(d|z)表示在指数z作为根节点分类下的经验条件熵，di表示训练数据集被作为根结点的指数z的轻度困难、中度困难、重度困难这3种情况划分下每一种情况的病人的人数，dik表示在根结点分类情况下上述3种情况中每一种情况下卒中风险低、卒中风险中、卒中风险高这三种子情况各自的病人人数，由此，n=3，由此求出第p级决策树下指数z下的决策树的增益系数gzp：gzp=h（d）-h（d|z），即，求出第p时刻下平衡指数b、眼睛指数e、面部指数f、手臂指数a、语言指数s各自的增益系数gbp、gep、gfp、gap、gsp，作为五个befast数据各自在第p时刻的权重，合并计为权重向量gp。
17、可选地，所述单位时间为1小时、或者为12小时、或者为1天、或者为1个月。
18、可选地，n>100。
19、本专利技术还提供一种基于在线学习的befast卒中筛查方法，该方法由上文所述的系统执行。
20、概括而言，本专利技术提供一种基于在线本文档来自技高网...
【技术保护点】
1.一种基于在线学习的BEFAST卒中筛查系统，其特征在于，所述系统能够从第0时刻开始每隔一单位时间对特定病人进行卒中筛查，该系统包括历史数据库、限缩数据集模块、权重分配模块、模型构建模块，其中，历史数据库中存有N个病人中每个病人从第0时刻至第j时刻的BEFAST数据，特定病人在第0时刻至第j时刻均记录有BEFAST数据，
2.根据权利要求1所述的系统，其特征在于，特定病人在第0时刻至第j时刻的BEFAST数据分别为平衡指数B0至Bj、眼睛指数E0至Ej、面部指数F0至Fj、手臂指数A0至Aj、语言指数S0至Sj，历史数据库中的每个病人在第0时刻至第j时刻的BEFAST数据分别为平衡指数b0至bj、眼睛指数e0至ej、面部指数f0至fj、手臂指数a0至aj、语言指数s0至sj，
3.根据权利要求2所述的系统，其特征在于，权重分配模块以第0历史数据子集M0作为训练数据集建立第0级决策树执行权重向量计算出五个BEFAST数据各自的增益系数gB0、gE0、gF0、gA0、gS0作为各自在第0时刻的权重，合并计为权重向量g0，在第1时刻，限缩数据集模块引入第0时刻
4.根据权利要求3所述的系统，其特征在于，在所述权重分配模块在第0时刻计算权重的过程中，以BEFAST数据中的任一指数对应的轻度困难、中度困难、重度困难作为根节点分类，以卒中风险作为叶子结点分类，各自形成五棵第0级决策树，由此计算出五个BEFAST数据各自的增益系数gB0、gE0、gF0、gA0、gS0作为五个BEFAST数据各自在第0时刻的权重，合并计为权重向量g0。
5.根据权利要求4所述的系统，其特征在于，在模型构建模块在第0时刻构建针对所述特定病人的筛查模型的过程中，模型构建模块通过监督学习来构建针对所述特定病人的筛查模型，函数表达为：Y=f（M0，g0，θ），其中Y表示模型输出，即，特定病人的预测卒中风险概率，θ表示模型构建参数，第0历史数据子集M0和权重向量g0作为模型的输入，由此，通过计算θ=argmin（y0，f（M0，g0，θ））来确定模型构建参数θ，其中，y0表示第0时刻实际卒中风险概率，而f（M0，g0，θ）则是预测卒中风险概率。
6.根据权利要求5所述的系统，其特征在于，在模型构建模块在第1时刻构建针对所述特定病人的筛查模型的过程中，随后模型构建模块将g1和M1输入所述函数，迭代确定θ=argmin（y1，f（M1，g1，θ）），其中y1表示第1时刻实际卒中风险概率，而f（M1，g1，θ）则是预测卒中风险概率。
7.根据权利要求6所述的系统，其特征在于，随着时间的演进，整数j从2开始取值，从第0时刻、第1时刻一直取值至第j时刻，调用限缩数据集模块，计算历史数据库中每个病人与特定病人在第j时刻的指数距离，计算公式如下：，
8.根据权利要求7所述的系统，其特征在于，限缩数据集模块要求历史数据库中的任一病人的BEFAST数据只有满足≤MaxL，才能被引入第j历史数据子集Mj，随后，权重分配模块以第j历史数据子集Mj作为训练数据集建立第j级决策树执行权重向量计算求得第j时刻的权重向量gj，随后模型构建模块将gj和Mj输入所述函数，迭代确定θ=argmin（yj，f（Mj，gj，θ）），其中，yj表示第j时刻实际卒中风险概率，而f（Mj，gj，θ）则是预测卒中风险概率。
9.根据权利要求8所述的系统，其特征在于，在计算第1级决策树至第j级决策树中的任一级决策树时，所述任一级决策树计为第p级决策树，以平衡指数B、眼睛指数E、面部指数F、手臂指数A、语言指数S中的任一指数对应的轻度困难、中度困难、重度困难作为根节点分类，以卒中风险作为叶子结点分类，各自形成五棵第0级决策树，由此计算平衡指数B、眼睛指数E、面部指数F、手臂指数A、语言指数S各自的增益系数gBp、gEp、gFp、gAp、gSp，
10.一种基于在线学习的BEFAST卒中筛查方法，其特征在于，该方法由权利要求1-9中任一项权利要求所述的系统执行。
...【技术特征摘要】
1.一种基于在线学习的befast卒中筛查系统，其特征在于，所述系统能够从第0时刻开始每隔一单位时间对特定病人进行卒中筛查，该系统包括历史数据库、限缩数据集模块、权重分配模块、模型构建模块，其中，历史数据库中存有n个病人中每个病人从第0时刻至第j时刻的befast数据，特定病人在第0时刻至第j时刻均记录有befast数据，
2.根据权利要求1所述的系统，其特征在于，特定病人在第0时刻至第j时刻的befast数据分别为平衡指数b0至bj、眼睛指数e0至ej、面部指数f0至fj、手臂指数a0至aj、语言指数s0至sj，历史数据库中的每个病人在第0时刻至第j时刻的befast数据分别为平衡指数b0至bj、眼睛指数e0至ej、面部指数f0至fj、手臂指数a0至aj、语言指数s0至sj，
3.根据权利要求2所述的系统，其特征在于，权重分配模块以第0历史数据子集m0作为训练数据集建立第0级决策树执行权重向量计算出五个befast数据各自的增益系数gb0、ge0、gf0、ga0、gs0作为各自在第0时刻的权重，合并计为权重向量g0，在第1时刻，限缩数据集模块引入第0时刻的权重向量g0来计算历史数据库中每个病人与特定病人在第1时刻的指数距离，
4.根据权利要求3所述的系统，其特征在于，在所述权重分配模块在第0时刻计算权重的过程中，以befast数据中的任一指数对应的轻度困难、中度困难、重度困难作为根节点分类，以卒中风险作为叶子结点分类，各自形成五棵第0级决策树，由此计算出五个befast数据各自的增益系数gb0、ge0、gf0、ga0、gs0作为五个befast数据各自在第0时刻的权重，合并计为权重向量g0。
5.根据权利要求4所述的系统，其特征在于，在模型构建模块在第0时刻构建针对所述特定病人的筛查模型的过程中，模型构建模块通过监督学习来构建针对所述特定病人的筛查模型，函数表达为：y=f（m0，g0，θ），其中y表示模型输出，即，特定病人的预测卒中风险概率，θ表示模型构建参数，第0历史数据子集...
【专利技术属性】
技术研发人员：许杰，王拥军，冯致远，薛婧，缪中荣，孙瑄，万俊豪，王博，孙文，
申请(专利权)人：北斗云方北京健康科技有限公司，
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。