[发明专利]心脑血管疾病参考信息预测系统、方法、装置及电子设备

说明书

本发明公开心脑血管疾病参考信息预测方法，第一客户端获取目标用户的第一标识数据和第一特征数据组；利用对偶模型预测第一特征数据组在第二客户端的第二预测特征数据组，将第一标识数据和第二预测特征数据组的加密数据发给第二客户端；获得第一特征数据组的第一加密加权值并发给服务端；第二客户端利用接收的加密数据确定目标用户在第二客户端的第二目标特征数据组，获得第二目标特征数据组的第二加密加权值并发给服务端；服务端对接收到的第一加密加权值和第二加密加权值求和，对求和结果解密得到表征目标用户心脑血管疾病参考信息的目标标签数据并发给第一客户端；第一客户端为用户汇总端或医院端之一，第二客户端为用户汇总端或医院端之另一。

技术领域

本发明属于医疗健康领域，具体涉及心脑血管疾病参考信息预测系统、方法、装置及电子设备。

背景技术

近年来，在全球范围内，心脑血管疾病已经成为威胁人类最严重的疾病之一。随着社会经济的发展，国民生活方式发生了深刻的变化，尤其是人口老龄化及城镇化进程的加速，导致我国心脑血管疾病的发病人数持续高速增长，严重危害国民的健康和生命安全。

权威医疗意见显示，心脑血管疾病的日常预防与监测非常关键，良好的预防监测手段不仅可以实现无病防病发生，还可以实现患病后防止复发。由于心脑血管疾病的发病因素和人类的日常生活状态密切相关，比如饮食结构、运动情况等；同时，心脑血管疾病的临床确认通常需要参考医院相关的检测数据。那么，如果可以将个人的日常生活状态数据和医院记录的个人检测数据相结合，应该能够有力帮助个人进行心脑血管疾病预防与监测，同时为医生提供治疗参考或进行医学研究等工作，比如分析、预测得到关于患者心脑血管疾病的复发可能性的参考信息，等等。但个人的日常生活状态数据属于个人的隐私数据，而医院的用户检测数据也属于不可公开的数据，两方无法公开交互数据进行分析、预测。

近年来，随着“联邦学习”概念的出现，其可以有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模，解决各方的“数据孤岛”的问题。联邦学习实际上是一种加密的分布式机器学习技术，各参与方可以在不披露底层数据的前提下共建联邦学习模型，实现数据分类、预测等目的。

但是，由于用户方和医院方共有的用户数据极其有限，若利用联邦学习预测用户心脑血管疾病相关的参考信息，将面临预测效果较差的问题。

发明内容

为了解决用户方和医院方在少量的共有用户数据集上，如何有效利用联邦学习预测用户心脑血管疾病的参考信息的问题，本发明实施例提供了心脑血管疾病参考信息预测系统、方法、装置、电子设备及存储介质，以及一种联邦学习模型训练方法。

本发明要解决的技术问题通过以下技术方案实现：