[发明专利]基于深度学习的康复评定方法、装置及介质

权利要求书

1.一种基于深度学习的康复评定方法，其特征在于，该方法包括：

S100，通过分布式采集设备及分布式存储设备对涉及康复评定的多项维度数据进行采集，根据多项所述维度数据构建康复评定数据库；

S200，根据康复服务对象所处的康复时间阶段，从调查数据库中进行关键词提取，确定康复服务对象康复指标；

S300，对多项所述维度数据及所述康复指标进行量化并构建对应的面板数据；

S400，构建基于深度学习的时间序列预测算法模型，对所述时间序列预测算法模型输入验证数据集进行预运行；

S500，根据所述预运行的结果，筛选最优康复评定的预测算法模型，将康复服务对象对应的已量化的面板数据及康复指标输入至最优康复评定的预测算法模型，得到康复服务对象对应康复阶段的康复评定结果；

S600，重复执行所述S200～S500直至完成康复服务对象的整个康复阶段评定。

2.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述分布式采集设备及所述分布式存储设备基于Hadoop、Spark及Pyspark的分布式框架的组合，所述分布式存储设备采用Hive分布式存储，以实现大数据环境搭建。

3.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述康复评定包括躯体功能评定、精神功能评定、语言功能评定及社会功能评定。

4.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述维度数据包括自然环境数据、康复条件数据及康复理论研究数据。

5.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述调查数据库包括：存储有包括但不限于采用访谈法、实地观察法、问卷法对康复对象进行的访谈、实地观察及问卷文本数据。

6.根据权利要求5所述的基于深度学习的康复评定方法，其特征在于，所述S200包括：

通过包括但不限于TF-IDF、PKEA、PageRank、TextRank、Rake及LDA对所述文本数据进行关键词提取；

以及，采用包括但不限于K-means、K-MEDOIDS、CLARANS算法对所述文本数据进行聚类，并对每一聚类结果进行关键词提取；

将聚类结果中提取的关键词作为后续康复指标参考。

7.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述S300包括：

对所述维度数据进行量化及标准化，其中量化及标准化范围为0～1，其中1为程度最大；

基于所述标准化范围对维度数据建三维立面板数据，三维立面板数据中X轴为时间、Z轴为康复服务对象未进行预防干预的康复评定结果、Y轴为指标数据。

8.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述S400包括：

构建深度学习的时间序列预测算法模型：

采用评定模型的测试数据集及验证数据集在所述时间序列预测算法模型进行预运行，自动选用使得准确率最高、损失率最低的一组模型参数；

随机选取所述维度数据作为测试数据与验证数据，测试数据与验证数据的比重可自定义设置；

其中时间序列预测算法模型包括但不限于OpenAR模型。

9.一种基于深度学习的康复评定装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一所述的方法步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一所述的方法步骤。