CN116798625A - 卒中风险筛查装置、电子设备和存储介质 - Google Patents
卒中风险筛查装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116798625A CN116798625A CN202310760898.1A CN202310760898A CN116798625A CN 116798625 A CN116798625 A CN 116798625A CN 202310760898 A CN202310760898 A CN 202310760898A CN 116798625 A CN116798625 A CN 116798625A
- Authority
- CN
- China
- Prior art keywords
- risk
- feature
- data
- user
- community
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 208000006011 Stroke Diseases 0.000 title claims abstract description 38
- 238000012216 screening Methods 0.000 title claims abstract description 14
- 230000036541 health Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 208000023516 stroke disease Diseases 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003213 activating effect Effects 0.000 claims description 4
- 206010020772 Hypertension Diseases 0.000 claims description 3
- 208000026106 cerebrovascular disease Diseases 0.000 claims description 3
- 206010012601 diabetes mellitus Diseases 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 238000002604 ultrasonography Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 206010008190 Cerebrovascular accident Diseases 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 230000002490 cerebral effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开涉及一种卒中风险筛查装置、电子设备和存储介质,通过该装置周期性获取大量未经卒中疾病诊断的社区用户包括文本信息和数据信息的健康信息。通过训练得到的语义分析模型提取每个文本信息的第一风险特征,通过反向传播梯度算法计算每个数据信息的第二风险特征。根据每个社区用户的第一风险特征和第二风险特征共同进行风险预测,得到对应的风险预测结果的风险预测模块,向对应的风险预测结果为高风险的社区用户发送风险提示。本公开通过搭建用于预测卒中疾病的深度神经网络架构的方式实现对大量社区用户进行健康监控,及时发现存在卒中风险的用户。同时,通过不同方式对不同类型的信息进行精准处理,提高了最终得到的预测结果的准确性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种卒中风险筛查装置、电子设备和存储介质。
背景技术
脑卒中是危害国民健康的慢病,最新的一项中国国家卒中筛查调查报告(CNSSS)的结果显示:2002年至2013年期间,中国的40至74岁的年龄段中第一次出现脑卒中症状的占比从189/十万人增长显著至379/十万人,总体年增长率高达8.3%(高于同时期的中国GDP增长率)。根据2017年发表的中国卒中流行病学调查(NESS-China)分析结果:脑卒中是我国人群死亡的主要原因之一,其在年龄超过20岁的人群中,年龄标化的卒中总死亡率为114.8/十万人年,其中缺血性卒中超过半数。目前脑卒中的检查途径只能由患者自行前往医院由医生诊断,无法实现对未出现症状的大范围人群进行普查,导致卒中疾病的发现通常较晚,影响治疗效果。
发明内容
有鉴于此,本公开提出了一种卒中风险筛查装置、电子设备和存储介质,旨在对大量的无症状人员进行健康筛查,从中筛出具有脑卒中风险的人员以及时治疗。
根据本公开的第一方面,提供了一种卒中风险筛查装置,所述装置包括:
数据获取模块,用于以预设的时间周期获取大量社区用户的健康信息,所述社区用户包括未经卒中疾病诊断的用户,所述健康信息中包括文本信息和数据信息;
第一特征提取模块,用于通过训练得到的语义分析模型提取每个所述社区用户文本信息的第一风险特征;
第二特征提取模块,用于通过反向传播梯度算法计算每个所述社区用户数据信息的第二风险特征;
风险预测模块,用于根据每个所述社区用户的所述第一风险特征和所述第二风险特征共同进行风险预测,得到对应的风险预测结果,所述风险预测结果包括高风险和低风险;
风险提示模块,用于向对应的风险预测结果为高风险的社区用户发送风险提示。
在一种可能的实现方式中,所述语义分析模型为基于BERT模型的自定义架构分析模型。
在一种可能的实现方式中,所述文本信息包括检验特征、检查特征、用药情况、是否存在高血压、是否患有糖尿病、是否存在脑血管病病史以及家族是否存在患脑卒中病史中的至少一项。
在一种可能的实现方式中,所述数据信息包括体征数据、身体BMI数据、心音数据、颈部血管杂音数据、心电图以及超声检查数据中的至少一项。
在一种可能的实现方式中,所述风险预测模块,进一步用于:
根据每个所述社区用户的所述第一风险特征和所述第二风险特征确定对应的用户风险特征;
通过训练得到的梯度提升树模型基于每个所述社区用户对应的用户风险特征进行风险预测,得到每个所述社区用户的风险预测结果。
在一种可能的实现方式中,进一步用于:
通过预设的非线性激活函数对所述第一风险特征进行激活;
对激活后的所述第一风险特征与所述第二风险特征进行拼接,得到用户风险特征。
在一种可能的实现方式中,所述风险预测模块,进一步用于:
将每个所述用户风险特征输入训练得到的梯度提升树模型进行风险预测,得到对应的社区用户的候选预测结果;
用非线性激活函数和激活函数依次对每个所述社区用户的候选预测结果进行激活处理,得到每个所述社区用户对应的风险预测结果。
在一种可能的实现方式中,所述梯度提升树模型的树深度为15,叶子结点数为20,训练过程的学习率为0.2,迭代次数为60。
在一种可能的实现方式中,所述梯度提升树模型的训练过程包括:
确定包括多个具备标注结果的样本健康信息的训练集;
确定所述训练集中的样本健康信息对应的样本风险特征;
将所述样本风险特征输入所述梯度提升树模型,得到预测结果;
根据每个所述样本健康信息的预测结果p和标注结果y确定模型损失函数为
通过基于梯度的单侧采样算法求解所述模型损失函数,确定在所述模型损失函数的一阶导数为0的情况下完成模型训练过程。
根据本公开的第二方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述方法。
根据本公开的第三方面,提供了一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述方法。
根据本公开的第四方面,提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
在本公开实施例中,通过该装置周期性获取大量未经卒中疾病诊断的社区用户包括文本信息和数据信息的健康信息。通过训练得到的语义分析模型提取每个文本信息的第一风险特征,通过反向传播梯度算法计算每个数据信息的第二风险特征。根据每个社区用户的第一风险特征和第二风险特征共同进行风险预测,得到对应的风险预测结果的风险预测模块,向对应的风险预测结果为高风险的社区用户发送风险提示。本公开通过搭建用于预测卒中疾病的深度神经网络架构的方式实现对大量社区用户进行健康监控,及时发现存在卒中风险的用户。同时,通过不同方式对不同类型的特征进行精准处理,提高了最终得到的预测结果的准确性。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开实施例的一种卒中风险筛查装置的示意图;
图2示出根据本公开实施例的一种预测卒中风险过程的示意图;
图3示出根据本公开实施例的一种电子设备的示意图;
图4示出根据本公开实施例的另一种电子设备的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
本公开实施例的卒中风险筛查装置实现的方法可以由终端设备或服务器等电子设备执行。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等任意固定或移动终端。服务器可以为单独的服务器或多个服务器组成的服务器集群。任意电子设备可以通过处理器调用存储器中存储的计算机可读指令的方式来实现本公开实施例的卒中风险筛查模型实现的方法。
图1示出根据本公开实施例的一种卒中风险筛查装置的示意图。如图1所示,本公开实施例的卒中风险筛查装置可以包括数据获取模块10、第一特征提取模块11、第二特征提取模块12、风险预测模块13和风险提示模块14。
其中,数据获取模块10用于以预设的时间周期获取大量社区用户的健康信息,以基于对应的健康信息对社区中的大量健康人群进行卒中风险筛查,在其中筛查出存在患脑卒中疾病可能性的社区用户并及时提醒其进行治疗。可选地,社区用户包括未经卒中疾病诊断的用户,且还可以包括已经通过卒中疾病诊断的用户。社区用户的健康信息可以通过智能穿戴设备周期性自动获取并上传,或者周期性向社区用户发送健康信息采集信息,获取社区用户基于健康信息采集信息上传的健康信息。
可选地,本公开实施例中的健康信息为与患卒中疾病相关的健康信息,可以包括文本信息和数据信息。其中,文本信息为通过文本格式存储的健康信息,数据信息为通过数据格式存储的健康信息。文本信息可以包括检验特征、检查特征、用药情况、是否存在高血压、是否患有糖尿病、是否存在脑血管病病史以及家族是否存在患脑卒中病史中的至少一项健康信息。数据信息可以包括体征数据、身体BMI数据、心音数据、颈部血管杂音数据、心电图以及超声检查数据中的至少一项健康信息。
进一步地,在每个采集健康信息的周期,本公开实施例可以在采集健康信息后,还可以根据不同的数据类型为每种健康信息建立对应关系,并以结构化的形式存储每个社区用户的健康信息。
第一特征提取模块11用于通过训练得到的语义分析模型提取每个社区用户健康信息中的文本信息的第一风险特征。训练得到的语义分析模型可以使用中文语言倒下处理算法对健康信息中的文本信息进行特征提取,得到与患卒中疾病相关的第一风险特征。其中,本公开实施例的语义分析模型可以为基于BERT(Bidirectional EncoderRepresentations from Transformers)模型的自定义架构分析模型,可以先通过无标签数据进行预训练,再基于具有标签的脑卒中相关的样本文本信息进行微调。
第二特征提取模块12用于通过反向传播梯度算法计算每个社区用户监控信息中数据信息的第二风险特征。其中,反向传播梯度算法可以先根据每个数据信息确定一个数据向量并进行归一化操作,再使用随机梯度下降法计算归一化操作后的数据向量得到对应的第二风险特征。该归一化操作的方式可以将数据向量中每个维度减去数据向量自身的均值和自身的标准差。
风险预测模块13用于在确定第一风险特征和第二风险特征后,根据每个社区用户的第一风险特征和第二风险特征共同进行风险预测,得到该社区用户对应的风险预测结果。其中,每个社区用户的风险预测结果用于表征该社区用户可能患脑卒中疾病的可能性,可以包括高风险和低风险。可选地,可以先通过第一风险特征和第二风险特征共同预测一个0-1之间的值作为风险预测值,在风险预测值在0-0.5范围内时确定风险预测结果为低风险,在风险预测值在0.5-1范围内时确定风险预测结果为高风险。
可选地,本公开实施例可以在确定第一风险特征和第二风险特征两种用于表征影响社区用户患脑卒中疾病的风险特征后,先根据每个社区用户的第一风险特征和第二风险特征确定对应的用户风险特征,再通过训练得到的梯度提升树模型基于每个社区用户对应的用户风险特征进行风险预测,得到每个社区用户的风险预测结果。其中,用户风险特征融合了文本信息的特征和数据信息的特征,能够更好的体现社区用户的患病风险。本公开实施例融合第一风险特征和第二风险特征的方式可以为先通过预设的非线性激活函数对第一风险特征进行激活,再对激活后的第一风险特征与第二风险特征进行拼接,得到用户风险特征。
进一步地,在得到社区用户的用户风险特征后,通过训练得到的梯度提升树模型基于用户风险特征预测社区用户可能患脑卒中疾病的风险。可选地,本公开实施例的梯度提升树模型的初始参数可以预先设定,例如可以设定树深度为15,叶子结点数为20,训练过程的学习率为0.2,迭代次数为60。梯度提升树模型的训练过程可以包括,先确定包括多个具备标注结果的样本健康信息的训练集,其中每个样本健康信息对应的标注结果可以通过定期社区随访的方式确定。进一步通过语义分析模型和反向传播梯度算法确定训练集中的样本健康信息对应的样本风险特征,并将样本风险特征输入梯度提升树模型,得到预测结果。根据每个样本健康信息的预测结果p和标注结果y确定模型损失函数为通过基于梯度的单侧采样算法求解模型损失函数,在模型损失函数的一阶导数为0的情况下完成模型训练过程。
其中,通过单侧差异算法求解模型损失参数的过程以模型损失函数的一阶导数等于0为目标计算,以降低梯度。在预测过程中,将标注结果和预测结果作为树结构中子节点的对应权重值并求和得到/>以及/>为了进一步扩大信息增益,通过公式/>和对左、右子节点分别优化,在降低梯度的同时扩大信息增益。其中,O表示某个固定节点的训练集,分割样本风险特征j的分割点d定义为***点,遍历每个样本风险特征的***点,计算得到最大信息增益后,将样本风险特征的数据***到左、右子节点。可选地,上述求解方法可以为基于梯度的单侧采样算法,能够根据每个样本风险特征的不同梯度计算信息增益,在采样时可以通过设定百分位或者阈值空间尽量保留大梯度样本并随机剔除小梯度样本。
进一步地,本公开实施例的梯度提升树模型可以直接基于社区用户的用户风险特征进行卒中风险预测,得到对应的风险预测结果。或者,还可以先将每个用户风险特征输入训练得到的梯度提升树模型进行风险预测,得到对应的社区用户的候选预测结果,再用非线性激活函数和激活函数依次对每个社区用户的候选预测结果进行激活处理,得到每个社区用户对应的风险预测结果。
图2示出根据本公开实施例的一种预测卒中风险过程的示意图。如图2所示,本公开实施例对于周期性获取的每个社区用户的健康信息,可以通过训练得到的语义分析模型和反向传播梯度算法分别处理健康信息中的文本信息和数据信息,得到第一风险特征和第二风险特征。进一步地,通过非线性激活函数Sigmoid处理第一风险特征后,将处理后的第一风险特征与第二风险特征拼接得到社区用户的用户风险特征。进一步地,通过梯度提升树模型基于用户风险特征行风险预测,得到对应的社区用户的候选预测结果,再用非线性激活函数Sigmoid和激活函数Relu依次对每个社区用户的候选预测结果进行激活处理,得到每个社区用户对应的风险预测结果。
风险提示模块14用于在得到社区用户的风险预测结果后,判断当前社区用户的风险预测结果是否为高风险。在社区用户的风险预测结果为高风险的情况下,向对应的风险预测结果为高风险的社区用户发送风险提示。社区用户可以在接收到该风险提示后及时前往医院就医,避免脑卒中风险进一步扩大。
基于上述技术特征,本公开实施例能够通过搭建用于预测卒中疾病的深度神经网络架构的方式实现对大量社区用户进行健康监控,及时发现存在卒中风险的用户,并通知存在卒中风险的用户及时就医以免风险进一步扩大或者贻误治疗。同时,通过设置两种不同的特征提取方式分别对不同形式的信息进行精准处理,以提高获取的特征准确性,进而提高最终得到的预测结果的准确性。且本公开实施例通过基于梯度的单侧采样算法进行梯度提升树模型的训练,能够提高模型训练的效果,使预测结果更加准确。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为在执行所述存储器存储的指令时,实现上述方法。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,或者承载有计算机可读代码的非易失性计算机可读存储介质,当所述计算机可读代码在电子设备的处理器中运行时,所述电子设备中的处理器执行上述方法。
图3示出根据本公开实施例的一种电子设备800的示意图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图3,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图4示出根据本公开实施例的另一种电子设备1900的示意图。例如,电子设备1900可以被提供为一服务器或终端设备。参照图4,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (11)
1.一种卒中风险筛查装置,其特征在于,所述装置包括:
数据获取模块,用于以预设的时间周期获取大量社区用户的健康信息,所述社区用户包括未经卒中疾病诊断的用户,所述健康信息中包括文本信息和数据信息;
第一特征提取模块,用于通过训练得到的语义分析模型提取每个所述社区用户文本信息的第一风险特征;
第二特征提取模块,用于通过反向传播梯度算法计算每个所述社区用户数据信息的第二风险特征;
风险预测模块,用于根据每个所述社区用户的所述第一风险特征和所述第二风险特征共同进行风险预测,得到对应的风险预测结果,所述风险预测结果包括高风险和低风险;
风险提示模块,用于向对应的风险预测结果为高风险的社区用户发送风险提示。
2.根据权利要求1所述的装置,其特征在于,所述语义分析模型为基于BERT模型的自定义架构分析模型。
3.根据权利要求1或2所述的装置,其特征在于,所述文本信息包括检验特征、检查特征、用药情况、是否存在高血压、是否患有糖尿病、是否存在脑血管病病史以及家族是否存在患脑卒中病史中的至少一项。
4.根据权利要求1-3中任意一项所述的装置,其特征在于,所述数据信息包括体征数据、身体BMI数据、心音数据、颈部血管杂音数据、心电图以及超声检查数据中的至少一项。
5.根据权利要求1-4中任意一项所述的装置,其特征在于,所述风险预测模块,进一步用于:
根据每个所述社区用户的所述第一风险特征和所述第二风险特征确定对应的用户风险特征;
通过训练得到的梯度提升树模型基于每个所述社区用户对应的用户风险特征进行风险预测,得到每个所述社区用户的风险预测结果。
6.根据权利要求5所述的装置,其特征在于,所述风险预测模块,进一步用于:
通过预设的非线性激活函数对所述第一风险特征进行激活;
对激活后的所述第一风险特征与所述第二风险特征进行拼接,得到用户风险特征。
7.根据权利要求5或6所述的装置,其特征在于,所述风险预测模块,进一步用于:
将每个所述用户风险特征输入训练得到的梯度提升树模型进行风险预测,得到对应的社区用户的候选预测结果;
用非线性激活函数和激活函数依次对每个所述社区用户的候选预测结果进行激活处理,得到每个所述社区用户对应的风险预测结果。
8.根据权利要求5-7中任意一项所述的装置,其特征在于,所述梯度提升树模型的树深度为15,叶子结点数为20,训练过程的学习率为0.2,迭代次数为60。
9.根据权利要求5-8中任意一项所述的装置,其特征在于,所述梯度提升树模型的训练过程包括:
确定包括多个具备标注结果的样本健康信息的训练集;
确定所述训练集中的样本健康信息对应的样本风险特征;
将所述样本风险特征输入所述梯度提升树模型,得到预测结果;
根据每个所述样本健康信息的预测结果p和标注结果y确定模型损失函数为
通过基于梯度的单侧采样算法求解所述模型损失函数,确定在所述模型损失函数的一阶导数为0的情况下完成模型训练过程。
10.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为在执行所述存储器存储的指令时,实现权利要求1至9中任意一项所述的装置。
11.一种非易失性计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310760898.1A CN116798625A (zh) | 2023-06-26 | 2023-06-26 | 卒中风险筛查装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310760898.1A CN116798625A (zh) | 2023-06-26 | 2023-06-26 | 卒中风险筛查装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116798625A true CN116798625A (zh) | 2023-09-22 |
Family
ID=88047801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310760898.1A Pending CN116798625A (zh) | 2023-06-26 | 2023-06-26 | 卒中风险筛查装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116798625A (zh) |
-
2023
- 2023-06-26 CN CN202310760898.1A patent/CN116798625A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI728564B (zh) | 圖像的描述語句定位方法及電子設備和儲存介質 | |
CN111310764A (zh) | 网络训练、图像处理方法及装置、电子设备和存储介质 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
EP3133532A1 (en) | Method and device for training classifier and recognizing a type of information | |
US12045578B2 (en) | Method for determining text similarity, storage medium and electronic device | |
US20220019772A1 (en) | Image Processing Method and Device, and Storage Medium | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN111126079B (zh) | 用于机器翻译的神经网络模型压缩方法、装置及存储介质 | |
CN110781813B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
US11551008B2 (en) | Method and device for text processing | |
JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
CN113012816B (zh) | 脑分区风险预测方法及装置、电子设备和存储介质 | |
JP2022533065A (ja) | 文字認識方法及び装置、電子機器並びに記憶媒体 | |
EP3901827A1 (en) | Image processing method and apparatus based on super network, intelligent device and computer storage medium | |
CN110867254A (zh) | 预测方法及装置、电子设备和存储介质 | |
CN112836058A (zh) | 医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置 | |
TW202213374A (zh) | 抗體的預測方法、電子設備、電腦可讀儲存介質 | |
CN112559673A (zh) | 语言处理模型的训练方法及装置、电子设备及存储介质 | |
CN111462910A (zh) | 项目的匹配方法及装置、电子设备和存储介质 | |
CN115512116B (zh) | 图像分割模型优化方法、装置、电子设备及可读存储介质 | |
CN109460458B (zh) | 查询改写意图的预测方法及装置 | |
CN109145151B (zh) | 一种视频的情感分类获取方法及装置 | |
CN111984765A (zh) | 知识库问答过程关系检测方法及装置 | |
CN110659625A (zh) | 物体识别网络的训练方法及装置、电子设备和存储介质 | |
CN116798625A (zh) | 卒中风险筛查装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |