[发明专利]生命体征数据处理方法、系统、装置及计算机可读介质

权利要求书

1.生命体征数据处理方法，其特征在于，包括如下步骤：

a、对生命体征数据进行线性归一化，将生命体征数据转换为[0,1]的范围，并按任务将生命体征数据分成一个全集和N个子集，N为整数；与具体的任务数量对应；

b、引入变分自动编码器学习生命体征数据中的随机潜在变量，并且通过最大化证据下界来约束该变量为高斯分布；

c、根据具体任务通过神经网络的两个全连接网络层学习各个子集中生命体征数据的特征表示，并将学习到的每个子任务的特征与步骤b中的随机潜在变量特征进行融合学习，完成每个子任务的特征与特征之间的关联学习；

d、采用梯度下降Gradient Descent，GD以及小批次Mini-Batch的训练方式来对模型进行训练，每30次迭代就用验证集对模型进行验证，并保留最佳的模型；

e、当整个模型完成后，用测试集对保存的最佳模型进行测试；

f、用最佳模型对健康体的生命体征数据进行准确的能力评估和风险评估。

2.根据权利要求1所述的生命体征数据处理方法，其特征在于，所述每一条生命体征数据包括57种不同的生命体征。

3.根据权利要求1所述的生命体征数据处理方法，其特征在于，步骤a中，将数据全集按6:2:2的比例将整个全集划分为训练集，验证集和测试集。

4.根据权利要求1所述的生命体征数据处理方法，其特征在于，步骤c中，在两个全连接层中间加入Dropout机制，并且在每个全连接层后加入激活函数，将目标函数转化为非线形映射。

5.生命体征数据处理系统，其特征在于，包括：

预处理模块，用于对生命体征数据进行线性归一化，将生命体征数据转换为[0,1]的范围，并按任务将生命体征数据分成一个全集和N个子集；N为整数，与具体的任务数量对应；

变分自动编码器模块，用于学习生命体征数据中的随机潜在变量，并且通过最大化证据下界来约束该变量为高斯分布；

融合学习模块，用于根据具体任务通过神经网络的两个全连接层学习各个子集中生命体征数据的特征表示，并将学习到的每个子任务的特征与步骤b中的随机潜在变量特征进行融合学习，完成每个子任务的特征与特征之间的关联学习；

模型训练模块，用于采用梯度下降（Gradient Descent，GD）以及小批次（Mini-Batch）的训练方式来对模型进行训练，每30次迭代就用验证集对模型进行验证，并保留最佳的模型；

测试模块，用于当整个模型完成后，用测试集对保存的最佳模型进行测试，最后得到每个任务的评估结果。

6.根据权利要求5所述的生命体征数据处理系统，其特征在于，所述每一条生命体征数据包括57种不同的生命体征。

7.根据权利要求5所述的生命体征数据处理系统，其特征在于，所述预处理模块，将数据全集按6:2:2的比例将整个全集划分为训练集，验证集和测试集。

8.根据权利要求5所述的生命体征数据处理系统，其特征在于，所述融合学习模块，在两个全连接层中间加入Dropout机制，并且在每个全连接层后加入激活函数，将目标函数转化为非线形映射。

9.生命体征数据处理装置，其特征在于，包括：

处理器、储存器；

所述储存器用于存储可执行指令；

所述处理器被配置为执行权利要求1～4中任意一项权利要求所述的生命体征数据处理方法。

10.计算机可读存储介质，其特征在于，包括存储的程序，所述程序运行时执行权利要求1～4中任意一项权利要求所述的生命体征数据处理方法。