[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

说明书

本发明公开了一种基于半监督学习的骨质状态评估模型的构建方法，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。

技术领域

本发明涉及健康状态评估技术领域，特别是指一种基于半监督学习的骨质状态评估模型的构建方法。

背景技术

骨质状态对个人的日常生活影响很大。骨质状态如果出现异常，例如骨质不足和骨质疏松等，都可能会致使骨强度下降，产生较大的危害。在轻微创伤或日常活动时易于发生骨折，即脆性骨折，此类型骨折难于康复，致残、致死率高，常使生活质量下降，劳动力丧失，加重了个人与社会的经济负担。

随着我国人口老龄化加剧，早期评估骨质健康的状态，并使被评估者根据预估的骨骼健康状况，通过加强日常骨骼健康的防护和改善生活习性，对于预防或避免脆性骨折具有重要的意义。

目前的骨质健康状态的评估方法主要分为传统评估方法和基于机器学习的评估方法。传统的评估方法具有评估因素过于简单、没有考虑到不同风险因素之间相互关联的作用，无法发现弱相关因素组合时的潜在风险等。基于机器学习的评估方法多为无监督机器学习和有监督机器学习，无监督机器学习多为定性分析，无法准确定量地给出评估结果的准确性；有监督机器学习存在模型较为简单，无法对数据的特征进行准确的拟合，且无法对数据特征本身进行研究，无法准确评估骨质状态的问题。

发明内容

有鉴于此，本发明的目的在于提出一种能够构建更加完善的骨质状态评估模型方法。

基于上述目的本发明提供的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。

在其中一个实施例中，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。

在其中一个实施例中，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；