[发明专利]一种基于半监督学习的骨质状态评估模型的构建方法

权利要求书

1.一种基于半监督学习的骨质状态评估模型的构建方法，其特征在于，包括：

提取多组不同骨质状态的用户的评估数据，所述评估数据包括生命体征数据、体态数据、骨密度数据以及生活习性数据，所述评估数据为数值形式；

预处理每组用户的评估数据，得到多组标准评估数据；

将所述多组标准评估数据进行分类，形成具有骨密度数据的标注数据集和不具有骨密度数据的无标注数据集；

基于所述标注数据集和骨质状态标准训练分类器模型，得到骨质状态评估预模型；并基于所述无标注数据集不断迭代训练所述骨质状态评估预模型，得到骨质状态评估模型；所述骨质状态评估模型用于根据用户的评估数据输出用户当前的骨质状态。

2.根据权利要求1所述的基于半监督学习的骨质状态评估模型的构建方法，其特征在于，所述将所述多组标准评估数据进行分类，形成具有骨密度数据的标注数据集和不具有骨密度数据的无标注数据集的步骤包括：

根据每组标准评估数据中，是否存在骨密度数据，将多组评估数据分为具有骨密度的标注数据集和不具有骨密度的无标注数据集；所述标注数据集中具有第一组数的评估数据，而无标注数据集中具有第二组数的评估数据，所述第一组数的值与所述第二组数的值的和值为所述多组的值。

3.根据权利要求2所述的基于半监督学习的骨质状态评估模型的构建方法，其特征在于，所述基于所述无标注数据集不断迭代训练所述骨质状态评估预模型包括：

将所述第二组数的无标注数据集输入所述骨质状态评估预模型中，得到第二组数的无标注数据集的评估骨质状态和评估置信度，所述评估置信度与所述评估骨质状态对应；

将所述评估置信度与预设的置信度进行比对，根据比对结果，将第二组数的无标注数据集划分为第三组数的高置信度的数据集和第四组数的低置信度的数据集；其中，所述第三组数的值与所述第四组数的值的和值为所述第二组数的值；

基于所述第三组数的高置信度的数据集训练所述评估预模型，更新评估预模型的参数；

将所述第四组数的低置信度的数据集输入所述更新参数后的骨质状态评估预模型中，得到第四组数的低置信度的数据集的评估骨质状态和评估置信度，并将评估置信度与预设的置信度进行比对，根据比对结构，将所述第四组数的低置信度的数据集进行再次划分，并基于所得高置信度的数据集更新更新参数后的骨质状态评估预模型，直至所得低置信度的数据集为空集。

4.根据权利要求3所述的基于半监督学习的骨质状态评估模型的构建方法，其特征在于，所述评估置信度指的是预测得到的评估骨质状态类别的概率；高置信度的数据集为评估置信度大于预设的置信度的数据集，低置信度的数据集为评估置信度小于预设的置信度的数据集，所述预设的置信度设置为0.8。

5.根据权利要求1所述的基于半监督学习的骨质状态评估模型的构建方法，其特征在于，所述预处理每组用户的评估数据包括：

分析每组用户的评估数据，补全每组评估数据中缺失的数据，并去除错误的数据，得到每组用户的预评估数据；

计算所述每组用户的预评估数据中，单项数据的信息增益，并将每组评估数据中的各项数据根据信息增益的值进行降序排列，保留排序列表中前80～90％的数据；

在保留的数据中，选取相关联的数据进行组合，保留组合所得数据并去除进行组合的数据，得到每组用户的标准评估数据。

6.根据权利要求1所述的基于半监督学习的骨质状态评估模型的构建方法，其特征在于，所述生命体征数据包括：性别、年龄、绝经年龄以及是否患有疾病并长期服药的数值；所述体态数据包括：身高、体重、胸围、胸围、腰围、臀围、臂长、体脂率、股骨长以及胫骨长的数值；所述骨密度数据包括：骨密度值和骨密度检测部位的数值；所述生活习性数据包括：籍贯、原籍生活时间、从事工作种类、每天日照时长、每日锻炼时长、是否吸烟及吸烟和每日吸烟数量、是否饮酒及饮酒数量、日常饮料偏好、有无中毒史、是否补钙、有无骨骼相关手术史及病史的数值。