[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

说明书

本发明涉及数据处理技术。本发明公开了一种生命体征数据处理方法、系统、装置及计算机可读介质。本发明的生命体征数据处理方法，包括步骤：a、对生命体征数据进行预处理；b、学习生命体征数据中的随机潜在变量，并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随机潜在变量特征进行融合学习；d、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、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。本发明能够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，评估准确率有很大的提高。

技术领域

本发明涉及利用领域神经网络和深度学习技术对医学数据进行分析处理的技术，具体而言，涉及一种生命体征数据处理方法、系统、装置及计算机可读介质。

背景技术

生命体征数据主要包括血压，血糖浓度，血氧大小等健康体的指标，根据医学上的研究表明，通过对一些生命体征数据的挖掘分析，可以直接或间接的知道该健康体目前的身体状态以及对一些能力或未来有可能出现的风险进行评估。因此，对生命体征数据进行准确的建模分析与评估在如今的医疗健康领域的影响至关重要。

随着人工智能（特别是深度学习）的极速发展，出现了一系列新的交叉领域，其中，医疗与深度学习的交叉领域就已经在许多医学应用上取得了巨大成功。 例如，在医学影像分析中，利用卷积神经网络（Convolutional Neural Networks, CNN）来辅助检测癌症。在临床诊断辅助系统等理疗服务上，将深度学习方法应用于早期筛查、诊断、康复、风险评估场景等。

对健康体的生命体征数据建模分析，在以往的文献中，往往采用传统的机器学习或数据挖掘的方法。例如，结合支持向量机（Support Vector Machine, SVM）和决策树（Decision Tree, DT）来对健康生命体进行风险与能力评估。

然而，上述的这些传统方法在面对单一分类任务时表现良好，但如果要同时处理多个分类任务时，其表现却往往不尽如人意。

这是因为传统的机器学习方法忽略了生命体征数据特征之间的相互依存性和关联性。一个具有代表性的例子是，许多健康指证之间隐藏着关系，某一项数据的变化可能回引起其他指证的变化，另外，不同的任务之间也可能存在不同的联系。例如，如何从生命体征数据中建模这些依赖关系成为一个待解决的挑战。

发明内容

本发明的主要目的在于提供生命体征数据处理方法、系统、装置及计算机可读介质，能同时进行多种任务的学习，并自动建立任务与任务之间，任务与特征之间，特征与特征之间的依赖关系，从而对用户的能力和风险进行一个较为准确的分类评估。

为了实现上述目的，根据本发明具体实施方式的一个方面，提供了一种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，最后得到每个任务的评估结果。

进一步的，每一条生命体征数包括57种不同的生命体征。