[發明專利]基于遷移學習的腦卒中風險預測方法及系統

有效

• 申請號: 202210182089.2
• 申請日: 2022-02-25
• 公開（公告）號: CN114512239B
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 張靜莎;李增勇;張騰宇
• 申請（專利權）人: 國家康復輔具研究中心
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06N3/12;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京金咨知識產權代理有限公司 11612
• 代理人: 宋教花

1.一種基于遷移學習的腦卒中風險預測方法，該方法包括如下步驟：

獲取腦卒中發病人群發病前的生理和運動數據以及日常生活習慣的歷史數據，并對這些數據進行濾波和歸一化預處理，得到源數據；

獲取無標簽人員的生理和運動數據以及日常生活習慣數據，并對這些數據進行如上述一致的濾波和歸一化預處理，得到目標數據；

選取源數據中的高危風險特征，建立腦卒中高危風險特征數據集X＝[X1,X2,X3...Xq]，并相應地提取目標數據中的腦卒中高危風險特征數據；

基于動態時間規整算法計算目標數據中的腦卒中高危風險特征數據與源數據中的腦卒中高危風險特征數據的相似距離，并且獲取這些數據的相似歷史數據片段；

如果求出特征Xi源數據中的樣本特征片段為c個，則構成可遷移樣本K＝{K1,K2,...Kc}，并將每個片段按照時間窗t進行拆分，擴大可遷移樣本數據集；

構建基于長短時記憶神經網絡LSTM的預測模型，利用遷移學習訓練數據集訓練好的預測模型分別對目標數據樣本進行預測，得到目標域樣本中特征Xi的預測結果；

重復上述步驟，得到待測樣本q個特征分別對應的預測結果Z＝[z1,z2,...zq]；

基于權重融合的方法，將多個預測結果進行融合，得到最終的預測結果Fc，

其中，a_i為校正系數，sort(z_i)為預測結果中與預測結果z_i比較接近的數的個數，

將sort(z_i)的值按照從大到小進行排列，a_i的值根據sort(z_i)的值的大小而定，當sort(z_i)為排列中的最大值時，a_i也取最大值；當sort(z_i)為排列中的最小值時，a_i也取最小值；當sort(z_i)為排列中的中間某個數值時，a_i則取個中間的數值；

其中，選取高危風險特征的步驟如下：

將源數據中樣本發病前1個月的心率、呼吸、心率變異性、血壓、血壓變異性、血氧、呼吸、睡眠、運動狀況、吸煙、飲酒及心率變異性時域特征相鄰心動周期差值均方根、相鄰正常心動周期差值大于50ms占全部心動周期的比值、平均心動周期、心動周期標準差的每個數據特征以窗口截圖的形式保存，分別定義為每個特征的危險圖；

將源數據中樣本發病6個月前的心率、呼吸、心率變異性、血壓、血壓變異性、血氧、呼吸、睡眠、運動狀況、吸煙、飲酒及心率變異性時域特征相鄰心動周期差值均方根、相鄰正常心動周期差值大于50ms占全部心動周期的比值、平均心動周期、心動周期標準差的每個數據特征以窗口截圖的形式保存，分別定義為每個特征的安全圖；

將每個特征的危險圖和安全圖構成特征的樣本數據庫，并隨機將樣本數據庫分為訓練集和測試集，利用卷積神經網絡算法對每個特征的樣本集進行訓練，并最終得到不同特征危險圖和安全圖的識別準確率；

將特征識別準確率高于一定閾值的特征，定義為腦卒中的高危風險數據特征，其中這些特征包括心率、呼吸、心率變異性、血壓、血壓變異性、血氧、呼吸、睡眠、運動狀況及心率變異性時域特征相鄰心動周期差值均方根、平均心動周期、心動周期標準差。

2.根據權利要求1所述的基于遷移學習的腦卒中風險預測方法，其特征在于，獲取數據的相似歷史數據片段的步驟如下：

設目標數據中待測樣本的第i個特征的時間序列為X_i＝{x_i1，x_i2，...x_in}，長度為L，X_i按照時間滑動時間窗長度f在源數據樣本上的對應特征上進行移動，將源數據樣本對應的特征序列Y_i分為w個片段，[Y_i1,Y_i2,...Y_iw]，其中Y_iw的時間序列為Y_iw＝{y_iw1，y_iw2，...y_iwn}，基于動態時間規整算法計算待測樣本第i個特征對應源數據樣本的相似距離D_i，最小值對應的源數據特征片段為目標數據待測樣本的相似歷史數據片段。