【技术实现步骤摘要】
本专利技术属风险预测，具体涉及一种脑卒中风险的预测方法及系统。
技术介绍
1、脑卒中又称脑血管意外，是急性脑血管病引起的局部脑功能障碍，其临床症候持续超过24小时，具有发病率高、死亡率高、致残率高、复发率高等特点，常好发于50岁及以上人群。临床表现为一过性或永久性脑功能障碍的症状和体征。常以突然发生的一侧肢体无力、笨拙、沉重或麻木，一侧面部麻木或口角歪斜，说话不清并伴意识障碍或抽搐等特征性表现，在城市居民死因中居首位。
2、随着高节奏的工作、过营养的饮食以及长时间的缺乏锻炼，脑卒中的出现年龄段已经出现了向中青年发展的趋势，成为各个年龄段必须注意的重大健康问题之一，人们对脑卒中风险的关注度也越发火热，脑卒中风险仅仅代表着发生脑卒中的可能性大小，为人们评估自身状况或制定预防策略提供参考性意见。
3、现有技术中，对脑卒中风险进行评估和预测，主要依赖于医护人员凭借专业知识对临床数据进行初步分析，这种方式效率低，准确性差，无法发现临床数据与脑卒中风险之间的深层关联，并且容易占用医护人员的工作时间，导致医疗资源压力过大，获取的脑卒中风险预测结果数据价值低，仅仅作为一个简单指标，无法为预防策略提供指导性意见。
技术实现思路
1、为了解决现有技术存在的效率低，准确性差，医疗资源浪费以及数据价值低问题，本专利技术目的在于提供一种脑卒中风险的预测方法及系统。
2、本专利技术所采用的技术方案为：
3、一种脑卒中风险的预测方法，包括如下步骤：
4
5、对脑卒中风险评估知识大数据和历史临床大数据进行数据预处理，得到预处理后脑卒中风险评估知识大数据和预处理后历史临床大数据；
6、根据预处理后脑卒中风险评估知识大数据，构建脑卒中风险知识图谱；
7、使用脑卒中风险知识图谱，对预处理后历史临床大数据进行数据二次处理，得到历史脑卒中临床关键数据训练样本集；
8、根据历史脑卒中临床关键数据训练样本集，使用深度学习算法，构建脑卒中风险预测模型；
9、采集用户的实时临床数据，对实时临床数据进行数据降维，得到实时脑卒中关键临床数据；
10、将实时脑卒中关键临床数据输入脑卒中风险预测模型进行脑卒中风险预测，得到用户的脑卒中风险等级预测结果；
11、将用户的脑卒中风险等级预测结果和对应的实时临床数据输入脑卒中风险知识图谱，得到对应的脑卒中预防措施。
12、进一步地，脑卒中风险评估知识大数据包括由脑卒中专业术语知识、脑卒中临床表现知识、脑卒中风险判断知识以及脑卒中预防措施知识构成的若干脑卒中风险评估知识；
13、历史临床大数据包括由用户基本信息、健康问诊信息、历史临床指标以及历史临床参数构成的若干历史临床数据。
14、进一步地，用户基本信息包括年龄、性别、民族以及常驻地区；
15、健康问诊信息包括是否吸烟、是否饮酒、是否患糖尿病、是否有脑卒中经历以及脑卒中家族史；
16、历史临床指标包括脑氧数据、血压数据、脉搏波数据、皮肤电数据、睡眠数据、治疗后收缩压数据、未治疗收缩压数据、总胆固醇数据、高密度脂蛋白胆固醇数据、肛温数据、平均动脉压数据、心室率数据、呼吸频率数据、动脉血氧分压数据、肺泡动脉血氧饱和度数据、动脉血ph值数据、血清钠数据、血清钾数据、血肌酐数据、红细胞压积数据、白细胞计数数据、睁眼反应数据、言语反应数据以及运动反应数据。
17、进一步地，对脑卒中风险评估知识大数据和历史临床大数据进行数据预处理，得到预处理后脑卒中风险评估知识大数据和预处理后历史临床大数据，包括如下步骤：
18、对脑卒中风险评估知识大数据进行依次的错误数据剔除和重复数据删除，得到预处理后脑卒中风险评估知识大数据；
19、对历史临床大数据进行依次的错误数据剔除、重复数据删除、隐私数据脱敏以及归一化处理，得到标准化历史临床大数据；
20、对标准化历史临床大数据进行数据聚类处理和数据均衡处理，得到预处理后历史临床大数据。
21、进一步地，标准化历史临床大数据包括若干标准化历史临床数据；
22、对标准化历史临床大数据进行数据聚类处理和数据均衡处理，得到预处理后历史临床大数据，包括如下步骤：
23、使用circle混沌映射对fcm聚类算法的隶属度进行初始化，得到circle混沌映射隶属度；
24、根据circle混沌映射隶属度，生成fcm聚类算法的若干聚类中心及对应的数据类别；
25、根据标准化历史临床大数据与聚类中心的欧式距离，将预设距离范围内的标准化历史临床数据划分至对应的数据类别；
26、若聚类中心的合并函数值或合并函数值的变化值小于预设阈值，则将每一数据类别中相同数量的标准化历史临床数据进行整合，得到预处理后历史临床大数据；
27、否则，更新聚类中心及对应的数据类别，得到更新后聚类中心及对应的更新后数据类别，并根据更新后聚类中心及对应的更新后数据类别，重复数据聚类处理和数据均衡处理。
28、进一步地，根据预处理后脑卒中风险评估知识大数据，构建脑卒中风险知识图谱，包括如下步骤：
29、使用bert-bilstm-gat-crf算法，构建脑卒中命名实体抽取模型，使用bigru-attention构建脑卒中实体关系抽取模型；
30、使用脑卒中命名实体抽取模型抽取预处理后脑卒中风险评估知识大数据中的若干脑卒中命名实体，使用脑卒中实体关系抽取模型抽取预处理后脑卒中风险评估知识大数据中的若干脑卒中实体关系；
31、根据若干脑卒中命名实体和对应的若干脑卒中实体关系，构建脑卒中风险知识图谱。
32、进一步地，根据历史脑卒中临床关键数据训练样本集，使用深度学习算法，构建脑卒中风险预测模型，包括如下步骤：
33、将dbn网络的网络参数初始值作为igwo寻优算法的寻优目标；
34、根据寻优目标，使用igwo寻优算法进行迭代寻优，得到最优的网络参数初始值；
35、根据最优的网络参数初始值，设置dbn网络的网络结构，得到初始的脑卒中风险预测模型；
36、将历史脑卒中临床关键数据训练样本集输入初始的脑卒中风险预测模型进行优化训练，得到最优的脑卒中风险预测模型。
37、进一步地，引入混沌映射初始化机制、动态反向学习机制以及高斯变异机制对gwo寻优算法进行改进，得到igwo寻优算法；
38、根据寻优目标，使用igwo寻优算法进行迭代寻优，得到最优的网络参数初始值，包括如下步骤：
39、设定igwo寻优算法的igwo种群参数、最大迭代次数以及适应度函数，并将寻优目标作为igwo种群中igwo个体的位置；
40、根据igwo种群参数，使用tent-logistic-cosine混沌映射序列进行igwo本文档来自技高网...
【技术保护点】
1.一种脑卒中风险的预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种脑卒中风险的预测方法，其特征在于：所述的脑卒中风险评估知识大数据包括由脑卒中专业术语知识、脑卒中临床表现知识、脑卒中风险判断知识以及脑卒中预防措施知识构成的若干脑卒中风险评估知识；
3.根据权利要求2所述的一种脑卒中风险的预测方法，其特征在于：所述的用户基本信息包括年龄、性别、民族以及常驻地区；
4.根据权利要求1所述的一种脑卒中风险的预测方法，其特征在于：对脑卒中风险评估知识大数据和历史临床大数据进行数据预处理，得到预处理后脑卒中风险评估知识大数据和预处理后历史临床大数据，包括如下步骤：
5.根据权利要求4所述的一种脑卒中风险的预测方法，其特征在于：所述的标准化历史临床大数据包括若干标准化历史临床数据；
6.根据权利要求2所述的一种脑卒中风险的预测方法，其特征在于：根据预处理后脑卒中风险评估知识大数据，构建脑卒中风险知识图谱，包括如下步骤：
7.根据权利要求1所述的一种脑卒中风险的预测方法，其特征在于：根据历史脑卒中临床关
8.根据权利要求7所述的一种脑卒中风险的预测方法，其特征在于：引入混沌映射初始化机制、动态反向学习机制以及高斯变异机制对GWO寻优算法进行改进，得到IGWO寻优算法；
9.根据权利要求1所述的一种脑卒中风险的预测方法，其特征在于：采集用户的实时临床数据，对实时临床数据进行数据降维，得到实时脑卒中关键临床数据，包括如下步骤：
10.一种脑卒中风险的预测系统，用于实现如权利要求1-9任一所述的脑卒中风险的预测方法，其特征在于：所述的系统包括依次连接的大数据抓取模块、数据预处理模块、知识图谱构建模块、数据二次处理模块、脑卒中风险预测模型构建模块、数据降维模块、脑卒中风险等级预测模块以及脑卒中预防措施获取模块；
...【技术特征摘要】
1.一种脑卒中风险的预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种脑卒中风险的预测方法，其特征在于：所述的脑卒中风险评估知识大数据包括由脑卒中专业术语知识、脑卒中临床表现知识、脑卒中风险判断知识以及脑卒中预防措施知识构成的若干脑卒中风险评估知识；
3.根据权利要求2所述的一种脑卒中风险的预测方法，其特征在于：所述的用户基本信息包括年龄、性别、民族以及常驻地区；
4.根据权利要求1所述的一种脑卒中风险的预测方法，其特征在于：对脑卒中风险评估知识大数据和历史临床大数据进行数据预处理，得到预处理后脑卒中风险评估知识大数据和预处理后历史临床大数据，包括如下步骤：
5.根据权利要求4所述的一种脑卒中风险的预测方法，其特征在于：所述的标准化历史临床大数据包括若干标准化历史临床数据；
6.根据权利要求2所述的一种脑卒中风险的预测方法，其特征在于：根据预处理后脑卒中风险评估知识大数据...
【专利技术属性】
技术研发人员：石磊，杨森，陶吉明，房敏，张弢，刘德志，杨永利，沈徐婷，
申请(专利权)人：上海中医药大学附属曙光医院，
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。