[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

基于遷移學習的腦卒中風險預測方法及系統，包括：獲取腦卒中發病人群發病前和無標簽人員的生理和運動數據及日常生活習慣的歷史數據，對數據進行濾波和歸一化預處理，得到源數據和目標數據；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，提取目標數據中的腦卒中高危風險特征數據；計算目標數據的相似距離，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}，將每個片段按照時間窗進行拆分；構建基于LSTM的預測模型，利用訓練好的預測模型分別對目標數據樣本進行預測；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，并將預測結果進行權重融合，得到最終的預測結果。

技術領域

本發明涉及健康管理領域，特別涉及一種基于遷移學習的腦卒中風險預測方法及系統。

背景技術

隨著人工智能技術和大數據的迅速發展，國內外學者利用機器學習等人工智能技術在腦卒中早期風險預警方面進行了大量研究。研究者主要基于臨床生化數據指標(低密度脂蛋白、膽固醇、同型半胱氨酸等)、影像學和個人基本信息，利用人工智能算法進行大數據挖掘和分析，實現腦卒中早期風險預測，這種預測模型采用了生化指標，屬于有創監測，在實際中廣泛應用比較困難。近年來，有學者開始研究利用基于心沖擊圖來判斷房顫，從而來進行心血管風險預警，但是目前缺乏大樣本數據庫進行訓練學習，預測的精度和準確度都有待進一步提高。

為此，本發明提出一種基于遷移學習的腦卒中風險預測方法及系統，對腦卒中的風險預測和防治具有重要的意義。

發明內容

本發明的目的是提供一種基于遷移學習的腦卒中風險預測方法及系統，該方法有助于解決當前基于低成本、無感式生理信號監測數據對腦卒中風險預測中的個體差異大，樣本量少或者無標簽等問題。

為了實現本發明的技術目的，采取如下的技術方案。

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(特異性敏感性)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。

在一個實施例中，選取高危風險特征的步驟如下：將源數據中樣本未發病但數據參數已改變的一段時間(例如發病前一個月)的生理和運動數據以及日常生活習慣的歷史數據的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；將源數據中樣本未發病且數據參數未改變時(例如發病前6個月)的生理和運動數據以及日常生活習慣的歷史數據的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。