[发明专利]一种多维数据融合的医疗健康诊疗模型

权利要求书

1.一种多维数据融合的医疗健康诊疗模型，具体步骤如下，其特征在于：

步骤1，多维数据采集：利用拍摄的医学影像、体检数据和智能穿戴设备采集的数据制作每位患者的信息表并上传至区块链节点；

步骤2，数据整合和存储：利用区块链技术对上传的患者信息表依据年龄、病例类型进行整合和存储；

步骤3，大数据的特征挖掘：从区块链中获取患者数据，利用卷积神经网络CNN、模糊综合评价打分模型FCESM和深度神经网络DNN对数据进行特征提取，而后利用DNN对多维融合特征数据进行进一步的特征提取；

步骤4，确定诊疗结果：利用逻辑回归、LSTM预测模型和多目标优化遗传算法MOGA-UP对步骤3中的提取的特征进行分析而得出结果，其中包括：身体健康指数分析、未来健康预测分析、医疗健康指导意见和疾病治疗方案。

2.根据权利要求1所述的一种多维数据融合的医疗健康诊疗模型，其特征在于：步骤1中患者信息表中所包含的参数有：医学影像有胸片、核磁共振成像和血管摄影等；体检参数包括血常规18项，包括WBC、LYN、GRAN、RBC、HGB、HCT、MCV、MCH、MCHC、RDW、PLT、MPV、PDW、PCT、MON、LRR％、RPR％和MPR％，尿常规10项包括SG、PH、LEU、NIT、PRO、GLU、KET、UBG、U-BiL和ERY、肝功能11项包括ALT、GOT、GGT、TPO、ALB、GLO、A/G、ALP、LDH、TBS和直接胆红素、血脂4项包括总胆固醇、甘油三脂、HDL-Cholesterol和LDL-Cholesterol、肾功能3项包括BUN、CR和Ua、钙Ca含量、磷P含量、铁Fe/SI含量和肿瘤7项包括CEA、a-FA/AFP、PSA、CA 15-3、CA 19-9、CA 125和TSGF；智能穿戴设备采集到的数据有心率、血氧饱和度、血糖、血压、汗液含量包括葡糖糖浓度、乳酸浓度和PH值、运动强度、睡眠质量，将以上采集数据制作相应的信息表，并添加患者姓名、年龄、性别、身份证号码。

3.根据权利要求1所述的一种多维数据融合的医疗健康诊疗模型，其特征在于：步骤2中将整合后的医疗数据上传至区块链节点，其特征是：

为了充分有效的利用医疗大数据，支持各地医疗机构的医疗数据共享，选择搭建公有链；另外，对私有的信息或诊疗结果可选择私有链接入。

4.根据权利要求1所述的一种多维数据融合的医疗健康诊疗模型，其特征在于：步骤3中对医疗大数据进行特征挖掘的具体步骤为：

步骤3.1，利用CNN网络对医学影像进行特征提取，选用的CNN模型的架构为：输入层—卷积层1—卷积层2—池化层1—卷积层3—卷积层4—池化层2—卷积层5—卷积层6—卷积层7—池化层3—卷积层8—卷积层9—卷积层10—池化层4—卷积层11—卷积层12 —卷积层13—池化层5—全连接层；

步骤3.2，利用FCESM对每一类体检项目进行打分，其中分为六个健康等级I、Ⅱ、Ⅲ、Ⅳ、Ⅴ和Ⅵ，得分分别是1、2、3、4、5和6，然后将所有的得分组成一个Tensor张量；

步骤3.3，将智能穿戴设备监测的参数拼接在一起，作为训练样本输入到DNN网络中进行特征的挖掘，其中DNN选用的三层架构，也即输入层-隐藏层-输出层；

步骤3.4，将步骤3.1-步骤3.3得到的特征数据进行首尾拼接，组成一个多参数特征融合的Tensor张量；

步骤3.5，利用DNN网络对步骤3.4得到的Tensor张量进行深度特征提取，并将DNN中的输出层结果作为深度特征提取的结果，此处DNN采用的是四层网络架构，即：输入层-隐藏层1-隐藏层2-输出层。

5.根据权利要求1所述的一种多维数据融合的医疗健康诊疗模型，其特征在于：步骤4中所用的分析算法的具体描述为：

利用逻辑回归得出身体健康指数分析结果、利用LSTM预测模型得出未来健康预测分析结果、利用MOGA-UP算法确定医疗健康指导意见和疾病治疗方案。