申请/专利权人：三亚学院

申请日：2023-12-20

公开（公告）日：2024-07-05

公开（公告）号：CN117747104B

主分类号：G16H50/30

分类号：G16H50/30;G06N3/0499;G06N3/084;G06F18/10;G06F18/213

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明涉及脑卒中数字智能化预警的技术领域，揭露了一种基于大数据的脑卒中数字智能化预警方法及系统，所述方法包括：对患者的临床数据、生理指标、影像学数据进行收集并进行数据清洗和预处理，去除采集数据中的异常值并填补缺失值得到预处理后的数据；对预处理后的数据进行特征提取，将原始数据转化为与脑卒中风险相关的特征向量；构建脑卒中预警模型并对构建的脑卒中预警模型进行优化求解得到最优模型参数，并根据得到的最优模型参数实例化模型得到脑卒中预警模型实例；使用脑卒中预警模型实例对患者脑卒中风险进行预警，当监测到超过预警阈值时，触发预警机制通知医护人员，从而减少脑卒中的发生率。

主权项：1.一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述方法包括：S1：对患者的临床数据、生理指标、影像学数据进行收集并进行数据清洗和预处理，去除采集数据中的异常值并填补缺失值得到预处理后的数据；S2：对预处理后的数据进行特征提取，将原始数据转化为与脑卒中风险相关的特征向量，其中小波特征提取和主成分分析为所述特征提取的实施方法；S3：构建脑卒中预警模型，所述模型为深度学习模型，以脑卒中风险特征向量为输入，以脑卒中风险预测值为输出；S4：对构建的脑卒中预警模型进行优化求解得到最优模型参数，并根据得到的最优模型参数实例化模型得到脑卒中预警模型实例；S5：使用脑卒中预警模型实例对患者脑卒中风险进行预警，当监测到超过预警阈值时，触发预警机制通知医护人员；所述S1中去除采集数据中的异常值，包括：S11：计算采集数据离群值的阈值，计算公式为：其中，表示采集数据的均值，s表示采集数据的标准差，k表示判断离群值的倍数，表示阈值下限，表示阈值上限；S12：根据计算得到的离群值阈值，对数据进行遍历，并识别出超过阈值范围的数据点作为异常值；S13：对于识别出的异常数据进行删除，在处理异常值后，重新计算数据离群阈值重复S12直到不再有异常数据；所述S1中填补缺失值，包括：对数据进行遍历，识别出缺失值，对缺失值进行数据填充，其中均值填充为所述数据填充的主要实施方法，计算公式为：其中，表示非缺失值观测，n表示非缺失值的数量；所述S2中对预处理后的数据进行特征提取，包括：S21：对预处理后的数据进行小波变换，将数据从时域转换到小波域，计算公式为：其中，xt是预处理后的数据，是小波基函数，a和b分别表示尺度参数和平移参数；S22：选择保留高频或低频的小波系数进行统计特征计算，计算公式为：其中，表示小波系数，N表示小波系数的数量；S23：对小波系数进行频谱分析提取频谱特征；S24：将经过小波变换、小波系数提取、统计特征计算、频谱特征提取处理后的特征组合成特征向量，用于模型训练；所述S23中对小波系数进行频谱分析提取频谱特征，包括：A1：计算每个小波包系数的能量，计算公式为：其中，N表示第j层小波包系数的长度，为第j层小波包系数；A2：对计算得到的小波系数能量进行归一化，使用归一化的能量密度函数来表示功率谱密度，计算公式为：其中，J表示小波包变换的总层数；A3：根据归一化能量密度函数，得到每个小波包系数对应的功率谱密度，计算公式为：其中，为第j层小波包系数的频带宽度；所述S2中主成分分析进行特征提取，包括：B1：计算特征向量数据的协方差矩阵，用于衡量特征之间的相关性，计算公式为：其中，X是按照特征向量采集的数据矩阵，每行表示一个样本，每列表示一个特征，n是样本数量；B2：对协方差矩阵进行特征值分解，得到特征值和对应的特征向量；B3：根据特征值的大小排序，选择前k个特征值对应的特征向量作为主成分，这些主成分对应的特征向量构成了一个新的特征空间；B4：将标准化后的数据通过内积投影到选择的主成分上，得到降维后的数据；所述S3中构建脑卒中预警模型，包括：所述脑卒中预警模型包括输入层、隐藏层和输出层，输入层接收用户指令的语义特征向量，隐藏层由多个神经元组成的隐藏层，每个神经元将输入数据与权重相乘并通过激活函数进行非线性转换，并输出脑卒中风险预测值；在前向传播过程中，将输入数据从输入层逐层传递到输出层，并通过激活函数进行非线性变换，具体计算公式为：其中，和分别表示第l层隐藏层的权重矩阵和偏置向量，和表示输出层的权重矩阵和偏置向量，表示激活函数，表示隐藏层第l层神经元，表示输出层的第k个神经元；所述S4中对构建的脑卒中预警模型进行优化求解得到最优模型参数，包括：S41：随机初始化待优化的参数向量并设置超参数，所述超参数包括学习率和动量因子，其中学习率控制每次更新的步长，动量因子控制历史梯度对当前梯度的影响；S42：初始化动量变量v为零向量，用于存储历史梯度信息，并迭代更新参数，对于每个训练样本x和对应的目标y，执行以下：S421：根据当前的模型参数，利用模型的前向传播规则计算出预测值；S422：计算损失函数关于权重和偏置的梯度和，其中：为目标函数，为权重参数，为偏置参数；S423：根据当前的参数梯度进行动量更新和参数更新；S43：重复迭代直到达到停止条件，在每次迭代中，使用不同的训练样本来更新参数，并更新动量变量，再根据动量变量和学习率来更新权重和偏置。

全文数据：

权利要求：

百度查询： 三亚学院 一种基于大数据的脑卒中数字智能化预警方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD