[发明专利]基于迁移学习的脑卒中风险预测方法及系统

说明书

基于迁移学习的脑卒中风险预测方法及系统，包括：获取脑卒中发病人群发病前和无标签人员的生理和运动数据及日常生活习惯的历史数据，对数据进行滤波和归一化预处理，得到源数据和目标数据；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，提取目标数据中的脑卒中高危风险特征数据；计算目标数据的相似距离，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}，将每个片段按照时间窗进行拆分；构建基于LSTM的预测模型，利用训练好的预测模型分别对目标数据样本进行预测；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，并将预测结果进行权重融合，得到最终的预测结果。

技术领域

本发明涉及健康管理领域，特别涉及一种基于迁移学习的脑卒中风险预测方法及系统。

背景技术

随着人工智能技术和大数据的迅速发展，国内外学者利用机器学习等人工智能技术在脑卒中早期风险预警方面进行了大量研究。研究者主要基于临床生化数据指标(低密度脂蛋白、胆固醇、同型半胱氨酸等)、影像学和个人基本信息，利用人工智能算法进行大数据挖掘和分析，实现脑卒中早期风险预测，这种预测模型采用了生化指标，属于有创监测，在实际中广泛应用比较困难。近年来，有学者开始研究利用基于心冲击图来判断房颤，从而来进行心血管风险预警，但是目前缺乏大样本数据库进行训练学习，预测的精度和准确度都有待进一步提高。

为此，本发明提出一种基于迁移学习的脑卒中风险预测方法及系统，对脑卒中的风险预测和防治具有重要的意义。

发明内容

本发明的目的是提供一种基于迁移学习的脑卒中风险预测方法及系统，该方法有助于解决当前基于低成本、无感式生理信号监测数据对脑卒中风险预测中的个体差异大，样本量少或者无标签等问题。

为了实现本发明的技术目的，采取如下的技术方案。

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(特异性敏感性)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。

在一个实施例中，选取高危风险特征的步骤如下：将源数据中样本未发病但数据参数已改变的一段时间(例如发病前一个月)的生理和运动数据以及日常生活习惯的历史数据的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；将源数据中样本未发病且数据参数未改变时(例如发病前6个月)的生理和运动数据以及日常生活习惯的历史数据的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。