[发明专利]一种基于人工智能的医疗护理数据处理方法及系统

权利要求书

1.一种基于人工智能的医疗护理数据处理方法，其特征在于，所述方法包括：

S1、获取医疗护理阶段的医疗护理数据，对所述医疗护理数据进行缺失值处理，得到第一医疗护理数据，将所述第一医疗护理数据进行序列化，得到序列医疗护理数据，利用如下的误差值计算公式计算所述序列医疗护理数据中的误差值：

；

其中，为所述序列医疗护理数据中第个医疗护理数据的误差值，为所述序列医疗护理数据中第个医疗护理数据的真实值，为所有医疗护理数据的均值，为医疗数据距离因子，为所有医疗护理数据的方差，当所述误差值大于预设的误差阈值时，将所述误差值对应的第一医疗护理数据进行删除，得到第二医疗护理数据，对所述第二医疗护理数据进行归一化处理，得到归一化医疗护理数据，对所述归一化医疗护理数据进行数据格式转换，得到增强医疗护理数据；

S2、将每个医疗护理阶段的所述增强医疗护理数据生成医疗护理子树，利用预设的节点权值计算公式计算每个所述医疗护理子树的根节点的权值，其中所述节点权值计算公式为：

；

其中，为第个医疗护理子树的根节点的权值，为第个医疗护理子树的距离因子，为第个医疗护理子树的根节点的能量值，为所有医疗护理子树的平均能量值，为能量修正因子，利用所述数据融合算法选取所述权值中最大的医疗护理子树与预设的主根节点进行融合，得到融合医疗护理树，当存在所述医疗护理子树未被选取时，返回至所述利用所述数据融合算法选取所述权值中最大的医疗护理子树预设的主根节点进行融合，得到融合医疗护理树的步骤，直至所述医疗护理子树均被选取，将所述融合医疗护理树中的医疗护理数据作为所述融合医疗护理数据；

S3、根据每个医疗护理阶段将所述融合医疗护理数据进行向量转换，得到融合医疗护理向量，将所述融合医疗护理向量进行向量统一化，得到统一化医疗护理向量，利用所述数据特征提取算法汇集所述统一化医疗护理向量为所述融合特征，其中所述数据特征提取算法为：

；

其中，为所述融合特征，为第个医疗护理阶段的统一化医疗护理向量，获取待训练医疗护理数据集，利用预设的标准决策树对所述待训练医疗护理数据集进行训练，得到医疗护理得分集，根据所述医疗护理得分集及预设的损失函数计算所述标准决策树的损失值，根据所述损失值对所述标准决策树进行优化，得到优化决策树，直至所述损失值小于预设的损失阈值时，将所述优化决策树作为护理分类模型，逐一将所述融合特征中的统一化医疗向量与所述护理分类模型中的护理分类向量进行对比，得到对比向量集，根据所述对比向量集选取概率最大的护理分类向量作为融合分类护理向量，汇集所述融合分类护理向量为分类护理数据；

S4、利用预设的数据特征提取算法提取所述分类护理数据的分类特征，获取所述医疗护理数据的护理评估的历史评分值，利用预设的层次分析法确定所述分类特征的第一权重，利用所述层次分析法确定所述医疗护理阶段的第二权重，利用所述护理评估算法根据所述历史评分值、所述第一权重及所述第二权重计算所述医疗护理评分值，其中所述护理评估算法为：

；

其中，为第个医疗护理阶段的医疗护理评分值，为所述历史评分值，为第个分类特征的第一权重，为第个医疗护理阶段的第二权重，为分类特征的数量，为医疗护理阶段的数量，为置信度，为指数常数，为时间衰减因子，为实时时间戳，为评分时间戳；

S5、根据所述医疗护理阶段及所述医疗护理评分值生成二维对应关系，根据所述二维对应关系生成医疗护理二维图，将所述医疗护理二维图转换为所述可视化医疗护理数据，根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，其中所述根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，包括：

S51、利用预设的优化值算法计算所述可视化医疗护理数据的优化值，其中所述优化值算法为：

；

其中，为第个医疗护理阶段的优化值，为优化修正因子，为医疗护理阶段标识，为第个医疗护理阶段的医疗护理评分值，为医疗护理阶段的数量，为指数常数，为医疗护理数据的变化数；

S52、根据所述优化值及所述医疗护理数据对每个医疗护理阶段的初始护理阶段策略进行优化，得到优化护理阶段策略；

S53、汇集所述优化护理阶段策略为所述医疗护理策略。

2.一种基于人工智能的医疗护理数据处理系统，其特征在于，用于执行如权利要求1所述的基于人工智能的医疗护理数据处理方法，所述系统包括：

数据增强模块，用于获取医疗护理阶段的医疗护理数据，对所述医疗护理数据进行缺失值处理，得到第一医疗护理数据，将所述第一医疗护理数据进行序列化，得到序列医疗护理数据，利用如下的误差值计算公式计算所述序列医疗护理数据中的误差值：

；

其中，为所述序列医疗护理数据中第个医疗护理数据的误差值，为所述序列医疗护理数据中第个医疗护理数据的真实值，为所有医疗护理数据的均值，为医疗数据距离因子，为所有医疗护理数据的方差，当所述误差值大于预设的误差阈值时，将所述误差值对应的第一医疗护理数据进行删除，得到第二医疗护理数据，对所述第二医疗护理数据进行归一化处理，得到归一化医疗护理数据，对所述归一化医疗护理数据进行数据格式转换，得到增强医疗护理数据；

数据融合模块，用于将每个医疗护理阶段的所述增强医疗护理数据生成医疗护理子树，利用预设的节点权值计算公式计算每个所述医疗护理子树的根节点的权值，其中所述节点权值计算公式为：

；

其中，为第个医疗护理子树的根节点的权值，为第个医疗护理子树的距离因子，为第个医疗护理子树的根节点的能量值，为所有医疗护理子树的平均能量值，为能量修正因子，利用所述数据融合算法选取所述权值中最大的医疗护理子树与预设的主根节点进行融合，得到融合医疗护理树，当存在所述医疗护理子树未被选取时，返回至所述利用所述数据融合算法选取所述权值中最大的医疗护理子树预设的主根节点进行融合，得到融合医疗护理树的步骤，直至所述医疗护理子树均被选取，将所述融合医疗护理树中的医疗护理数据作为所述融合医疗护理数据；

数据分类模块，用于根据每个医疗护理阶段将所述融合医疗护理数据进行向量转换，得到融合医疗护理向量，将所述融合医疗护理向量进行向量统一化，得到统一化医疗护理向量，利用所述数据特征提取算法汇集所述统一化医疗护理向量为所述融合特征，其中所述数据特征提取算法为：

；

其中，为所述融合特征，为第个医疗护理阶段的统一化医疗护理向量，获取待训练医疗护理数据集，利用预设的标准决策树对所述待训练医疗护理数据集进行训练，得到医疗护理得分集，根据所述医疗护理得分集及预设的损失函数计算所述标准决策树的损失值，根据所述损失值对所述标准决策树进行优化，得到优化决策树，直至所述损失值小于预设的损失阈值时，将所述优化决策树作为护理分类模型，逐一将所述融合特征中的统一化医疗向量与所述护理分类模型中的护理分类向量进行对比，得到对比向量集，根据所述对比向量集选取概率最大的护理分类向量作为融合分类护理向量，汇集所述融合分类护理向量为分类护理数据；

评分值计算模块，用于利用预设的数据特征提取算法提取所述分类护理数据的分类特征，获取所述医疗护理数据的护理评估的历史评分值，利用预设的层次分析法确定所述分类特征的第一权重，利用所述层次分析法确定所述医疗护理阶段的第二权重，利用所述护理评估算法根据所述历史评分值、所述第一权重及所述第二权重计算所述医疗护理评分值，其中所述护理评估算法为：

；

其中，为第个医疗护理阶段的医疗护理评分值，为所述历史评分值，为第个分类特征的第一权重，为第个医疗护理阶段的第二权重，为分类特征的数量，为医疗护理阶段的数量，为置信度，为指数常数，为时间衰减因子，为实时时间戳，为评分时间戳；

医疗护理策略生成模块，用于根据所述医疗护理阶段及所述医疗护理评分值生成二维对应关系，根据所述二维对应关系生成医疗护理二维图；将所述医疗护理二维图转换为所述可视化医疗护理数据，根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略其中所述根据所述可视化医疗护理数据生成所述医疗护理数据对应的医疗护理策略，包括：

利用预设的优化值算法计算所述可视化医疗护理数据的优化值，其中所述优化值算法为：

；

其中，为第个医疗护理阶段的优化值，为优化修正因子，为医疗护理阶段标识，为第个医疗护理阶段的医疗护理评分值，为医疗护理阶段的数量，为指数常数，为医疗护理数据的变化数；

根据所述优化值及所述医疗护理数据对每个医疗护理阶段的初始护理阶段策略进行优化，得到优化护理阶段策略；

汇集所述优化护理阶段策略为所述医疗护理策略。