[发明专利]一种多维数据融合的医疗健康诊疗模型

说明书

一种多维数据融合的医疗健康诊疗模型。步骤1，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，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，从区块链中获取患者数据，利用卷积神经网络、模糊综合评价打分模型和深度神经网络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，利用逻辑回归、LSTM预测模型和多目标优化遗传算法对步骤3中的提取的特征进行分析而得出结果。本发明可以有效的对医疗大数据进行挖掘，提供准确的健康评价和合理有效的诊疗方案。

技术领域

本发明涉及医疗大数据挖掘和诊疗领域，特别是涉及一种多维数据融合的医疗健康诊疗模型。

背景技术

信息化背景下，无论是自然科学、工程技术，还是医疗服务等领域，数据体量呈爆炸式增长，而在这些数据中，有许多的数据信息非常的关键且具有价值。在医疗行业，每天都会产生大量的数据信息，这些数据主要在医疗服务中所产生，其来源范围较为广泛，例如有些数据来自制药企业、有些数据信息则来自临床方面。面对海量的数据，如何从中挖掘数据之间的关联和其中蕴含的信息，从而为患者提供准确有效的服务具有很重要的现实意义。

从目前的研究来看，国内外在利用医疗大数据对患者进行诊疗方面有了很大的突破，例如深度学习在医学图像中的应用，即对医学图像进行分类、检测、分割和配准；数据挖掘技术在医疗数据特征挖掘方面的应用，通过挖掘的特征信息提供有效的诊疗方案。在利用医疗大数据进行诊疗领域内，有两大难点问题需要解决：1.各医疗结构每天都要产生大量的数据，如何将数据共享，并且有效的对海量的数据进行管理和存储；2.医疗数据涉及各方面，诸如体检数据、影像数据和其它监测数据，如何开发有效的算法模型对这些数据进行挖掘，如何综合考虑不同类型数据之间的关联度以更加全面的构建患者的描述模型。

国内涉及利用医疗数据进行诊疗的专利有“基于多自注意力机制深度学习的医疗行为识别方法”(202010363589.7)，该专利将序列中的单帧图像抽取出来作为卷积神经网络的输入，再堆叠为序列的特征；然后将序列的特征输入循环神经网络捕捉序列时间维度上的特征；再将时间特征输入到多头注意力模型，提取非局部的时间特征，并将整个序列的信息充分的融合；最终经过全连接层得到人体动作类别预测，但是该专利未考虑训练样本数量对模型准确性和泛化性的影响。国家发明专利“一种基于多维信息融合和深度学习的脑部医学影像分析方法”(201911231451.5)，该专利能分别训练不同的深度学习卷积神经网络，通过构建加权贝叶斯网络，对不同类型医学影像的分析结果进行处理，从而得到最后的分析诊断结果，诊断结果的准确性大大提局，同样的，该专利未考虑训练样本数量对模型准确性和泛化性的影响，并且，该专利中的多维信息并不完备，在构建患者模型时可能不够完备。

发明内容

为解决上述问题，本发明在区块链技术、卷积神经网络(CNN)、模糊综合评价打分模型(FCESM)、深度神经网络(DNN)、逻辑回归、LSTM预测模型和多目标优化遗传算法(MOGA-UP)的基础上，提出了一种多维数据融合的医疗健康诊疗模型。通过医学影像、体检数据和智能穿戴设备采集的多维度数据，可以更加完备和准确的构建患者的诊疗模型；另外采用了区块链技术，可以更加高效的对医疗大数据进行管理和利用。在模型的算法模块中，通过CNN、FCESM、DNN、逻辑回归、LSTM预测模型和MOGA-UP有效的对医疗数据的挖掘从而可以为患者提供身体健康指数分析、未来健康预测分析、医疗健康指导意见和疾病治疗方案。为达此目的，本发明提供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；