[发明专利]一种用于慢病检测及风险评估的过滤系统及方法

权利要求书

1.一种用于慢病检测及风险评估的过滤系统，其特征在于，所述系统包括：

数据获取模块、数据汇聚模块及数据过滤模块，

其中，所述数据获取模块用于获取受检测用户的多维度健康信息；

所述数据汇聚模块用于对所述多维度健康信息进行特征提取及构造，得到标准化数据；

所述数据过滤模块用于对所述标准化数据进行特征权重的计算，将得到的特征权重与所述标准化数据进行加权求和，得到重构的输入特征数据，以输入至深度学习框架模型中。

2.根据权利要求1所述的系统，其特征在于，所述系统包括：健康预测模块和反馈优化模块，其中，所述健康预测模块用于根据所述重构的输入特征数据进行预测受检测用户的健康，得到预测结果；

所述反馈优化模块用于根据所述预测结果与所述受检测用户的多维度健康信息确定反馈结果，将所述反馈结果反馈至数据库中。

3.根据权利要求1所述的系统，其特征在于，所述多维度健康信息包括：基础体征指标、疾病史、基础疾病、就诊记录、生活环境数据、生活习惯数据、家族遗传病史数据。

4.根据权利要求1所述的系统，其特征在于，所述数据过滤模块用于对从数据库中获取到的历史数据按照慢性病种类进行划分，分成不同慢性病数据子集。

5.根据权利要求4所述的系统，其特征在于，所述数据过滤模块用于对所述慢性病数据子集与所述标准化数据进行相似度计算，平均后得到权值；对所述权值进行归一化，得到特征权重，将得到的特征权重与所述标准化数据进行加权求和，得到重构的输入特征数据。

6.一种用于慢病检测及风险评估的过滤方法，其特征在于，所述方法包括：

获取受检测用户的多维度健康信息；

对所述多维度健康信息进行特征提取及构造，得到标准化数据；

对所述标准化数据进行特征权重的计算，将得到的特征权重与所述标准化数据进行加权求和，得到重构的输入特征数据，以输入至深度学习框架模型中。

7.根据权利要求6所述的方法，其特征在于，对所述标准化数据进行特征权重的计算之前，包括：

对从数据库中获取到的历史数据按照慢性病种类进行划分，分成不同慢性病数据子集。

8.根据权利要求7所述的方法，其特征在于，对所述标准化数据进行特征权重的计算，包括：

对所述慢性病数据子集与所述标准化数据进行相似度计算，平均后得到权值；

对所述权值进行归一化，得到特征权重。

9.根据权利要求8所述的方法，其特征在于，所述方法包括：

将得到的特征权重与所述标准化数据进行加权求和，得到重构的输入特征数据。

10.根据权利要求6至8中任一项所述的方法，其特征在于，将得到的特征权重与所述标准化数据进行加权求和之前，包括：

将得到的所有的特征权重与权重阈值进行比较，若目前的特征权重小于权重阈值时，将该目前的特征权重设置为0。

11.一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求6至10中任一项所述的方法。