[發(fā)明專利]認知和行為障礙的預警方法、裝置、設備及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202210038698.0
• 申請日: 2022-01-13
• 公開（公告）號: CN114343585B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設計）人: 葉苓;黃凌云;劉玉宇;肖京
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: A61B5/00
• 分類號: A61B5/00;A61B5/16
• 代理公司: 北京市京大律師事務所 11321
• 代理人: 胡安

1.一種認知和行為障礙的預警方法，其特征在于，所述認知和行為障礙的預警方法包括：

獲取被測對象的基本信息，并基于所述基本信息建立對應的鄰接矩陣；

將所述鄰接矩陣輸入至預先訓練好的圖神經(jīng)網(wǎng)絡中，得到第一預測概率H1；

接收所述被測對象的監(jiān)測手環(huán)上傳的生物信號，將所述生物信號輸入至預先訓練好的XGboost模型，得到第二預測概率H2；

接收所述監(jiān)測手環(huán)上傳的日常監(jiān)測數(shù)據(jù)，將所述日常監(jiān)測數(shù)據(jù)輸入至預先訓練好的RNN模型，得到第三預測概率H3；

基于預設的加權算法對所述H1、H2和H3進行加權投票計算，得到被測對象的患病概率H4；

若所述H4高于預設概率閾值，則生成第一預警信號，并將所述第一預警信號發(fā)送至預設端口。

2.根據(jù)權利要求1所述的認知和行為障礙的預警方法，其特征在于，所述將所述鄰接矩陣輸入至預先訓練好的圖神經(jīng)網(wǎng)絡中，得到第一預測概率H1包括：

將所述被測對象的基本信息生成的所述鄰接矩陣轉(zhuǎn)化為二維數(shù)組A；

通過所述二維數(shù)組A和所述二維數(shù)組A的第i層的特征X相乘，得到更新后的第i層的節(jié)點特征AX_i；

將所述節(jié)點特征AX_i與對應層數(shù)的權重矩陣W_i進行相乘，得到下一維度的節(jié)點特征AX_i+1；

對節(jié)點特征AX和權重矩陣W進行矩陣運算，再乘以預設的非線性激活函數(shù)σ后進行歸一化處理，得到第一預測概率H1。

3.根據(jù)權利要求1所述的認知和行為障礙的預警方法，其特征在于，所述接收所述被測對象的監(jiān)測手環(huán)上傳的生物信號，將所述生物信號輸入至預先訓練好的XGboost模型，得到第二預測概率H2包括：

接收所述監(jiān)測手環(huán)上傳的生物信號，并將所述生物信號輸入至預先訓練好的所述XGboost模型；

將不同的短時間瞬態(tài)的生物信號代入XGboost模型對應的樹，擬合訓練中得出的殘差，并基于所述殘差得到不同的分值，其中，所述樹為函數(shù)公式；

將所述分值進行累加，得到累加結果，并計算所述累加結果與預設的正常分值之比，得到第二預測概率H2。

4.根據(jù)權利要求1所述的認知和行為障礙的預警方法，其特征在于，所述RNN模型包括輸入層、隱藏層和輸出層，所述接收所述監(jiān)測手環(huán)上傳的日常監(jiān)測數(shù)據(jù)，將所述日常監(jiān)測數(shù)據(jù)輸入至預先訓練好的RNN模型，得到第三預測概率H3包括：

接收所述監(jiān)測手環(huán)上傳的日常監(jiān)測數(shù)據(jù)，將所述日常監(jiān)測數(shù)據(jù)輸入至預先訓練好的RNN模型；

通過將記錄的所述日常監(jiān)測數(shù)據(jù)乘以輸入層至隱藏層的權重矩陣U、上一次運行時更新隱藏層的權重矩陣W、隱藏層至輸出層的權重矩陣V，得到所述被測對象的輸出值O；

將隱藏層計算結果作為下次的權重矩陣W,并計算所述被測對象輸出值O與正常輸出值之比，得到第三預測概率H3。

5.根據(jù)權利要求1所述的認知和行為障礙的預警方法，其特征在于，所述基于預設的加權算法對所述H1、H2和H3進行加權投票計算，得到被測對象的患病概率H4，包括：

基于被測對象的基本信息，選擇對應的加權算法；

基于所選擇的所述加權算法為H1、H2和H3賦予不同的權重系數(shù)，計算后得到患病概率H4。

6.根據(jù)權利要求5所述的認知和行為障礙的預警方法，其特征在于，所述預設的加權算法至少包括第一加權算法和第二加權算法，所述基于被測對象的基本信息，選擇對應的加權算法包括：

獲取被測對象的基本信息，基于所述基本信息判斷被測對象病情程度是否達到預設閾值；

若是，則采用第一加權算法；

若否，則采用第二加權算法。