[发明专利]基于迁移学习的脑卒中风险预测方法及系统

权利要求书

1.一种基于迁移学习的脑卒中风险预测方法，该方法包括如下步骤：

获取脑卒中发病人群发病前的生理和运动数据以及日常生活习惯的历史数据，并对这些数据进行滤波和归一化预处理，得到源数据；

获取无标签人员的生理和运动数据以及日常生活习惯数据，并对这些数据进行如上述一致的滤波和归一化预处理，得到目标数据；

选取源数据中的高危风险特征，建立脑卒中高危风险特征数据集X＝[X1,X2,X3...Xq]，并相应地提取目标数据中的脑卒中高危风险特征数据；

基于动态时间规整算法计算目标数据中的脑卒中高危风险特征数据与源数据中的脑卒中高危风险特征数据的相似距离，并且获取这些数据的相似历史数据片段；

如果求出特征Xi源数据中的样本特征片段为c个，则构成可迁移样本K＝{K1,K2,...Kc}，并将每个片段按照时间窗t进行拆分，扩大可迁移样本数据集；

构建基于长短时记忆神经网络LSTM的预测模型，利用迁移学习训练数据集训练好的预测模型分别对目标数据样本进行预测，得到目标域样本中特征Xi的预测结果；

重复上述步骤，得到待测样本q个特征分别对应的预测结果Z＝[z1,z2,...zq]；

基于权重融合的方法，将多个预测结果进行融合，得到最终的预测结果Fc，

其中，a_i为校正系数，sort(z_i)为预测结果中与预测结果z_i比较接近的数的个数，

将sort(z_i)的值按照从大到小进行排列，a_i的值根据sort(z_i)的值的大小而定，当sort(z_i)为排列中的最大值时，a_i也取最大值；当sort(z_i)为排列中的最小值时，a_i也取最小值；当sort(z_i)为排列中的中间某个数值时，a_i则取个中间的数值；

其中，选取高危风险特征的步骤如下：

将源数据中样本发病前1个月的心率、呼吸、心率变异性、血压、血压变异性、血氧、呼吸、睡眠、运动状况、吸烟、饮酒及心率变异性时域特征相邻心动周期差值均方根、相邻正常心动周期差值大于50ms占全部心动周期的比值、平均心动周期、心动周期标准差的每个数据特征以窗口截图的形式保存，分别定义为每个特征的危险图；

将源数据中样本发病6个月前的心率、呼吸、心率变异性、血压、血压变异性、血氧、呼吸、睡眠、运动状况、吸烟、饮酒及心率变异性时域特征相邻心动周期差值均方根、相邻正常心动周期差值大于50ms占全部心动周期的比值、平均心动周期、心动周期标准差的每个数据特征以窗口截图的形式保存，分别定义为每个特征的安全图；

将每个特征的危险图和安全图构成特征的样本数据库，并随机将样本数据库分为训练集和测试集，利用卷积神经网络算法对每个特征的样本集进行训练，并最终得到不同特征危险图和安全图的识别准确率；

将特征识别准确率高于一定阈值的特征，定义为脑卒中的高危风险数据特征，其中这些特征包括心率、呼吸、心率变异性、血压、血压变异性、血氧、呼吸、睡眠、运动状况及心率变异性时域特征相邻心动周期差值均方根、平均心动周期、心动周期标准差。

2.根据权利要求1所述的基于迁移学习的脑卒中风险预测方法，其特征在于，获取数据的相似历史数据片段的步骤如下：

设目标数据中待测样本的第i个特征的时间序列为X_i＝{x_i1，x_i2，...x_in}，长度为L，X_i按照时间滑动时间窗长度f在源数据样本上的对应特征上进行移动，将源数据样本对应的特征序列Y_i分为w个片段，[Y_i1,Y_i2,...Y_iw]，其中Y_iw的时间序列为Y_iw＝{y_iw1，y_iw2，...y_iwn}，基于动态时间规整算法计算待测样本第i个特征对应源数据样本的相似距离D_i，最小值对应的源数据特征片段为目标数据待测样本的相似历史数据片段。