[发明专利]疾病预测方法、装置及存储介质

权利要求书

1.一种疾病预测方法，其特征在于，所述方法包括：

获取用户的病理数据集；

获取模型数据集和预测非线性关系，所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的，所述预测非线性关系是对所述模型数据集进行超参数调整得到的；

将所述病理数据集与所述模型数据集建立映射关系；

基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配，得到过滤数据集；

利用填充算法对所述过滤数据集进行填充，得到标准数据集；

利用所述预测非线性关系对所述标准数据集进行训练泛化，得到预测数据集；

提取所述预测数据集包含的预测数据；

根据所述预测数据确定所述用户的疾病预测结果。

2.如权利要求1所述的疾病预测方法，其特征在于，所述获取模型数据集和预测非线性关系之前，所述方法还包括：

获取所述样本数据集；

将所述样本数据集通过损失函数进行损失计算，得到样本函数集；

对所述样本函数集通过目标函数进行迭代计算，得到样本迭代集；

对所述样本迭代集进行正则化计算，得到模型数据集。

3.如权利要求2所述的疾病预测方法，其特征在于，所述得到所述模型数据集之后，所述方法还包括：通过网格搜索方法对所述模型数据集进行超参数调整，得到所述预测非线性关系。

4.如权利要求1至3任一项所述的疾病预测方法，其特征在于，所述将所述病理数据集与所述模型数据集建立映射关系，包括：

创建与所述用户的病理数据集对应的用户诊断数据表，所述用户诊断数据表包含心衰数据项、冠心病数据项和脑卒中数据项；

创建与所述模型数据集对应的模型数据表，所述模型数据表中包含所述心衰数据项、所述冠心病数据项和所述脑卒中数据项；

通过所述心衰数据项、所述冠心病数据项和所述脑卒中数据项，将所述病理数据集与所述模型数据集建立关联，得到映射关系。

5.如权利要求1至3任一项所述的疾病预测方法，其特征在于，所述利用填充算法对所述过滤数据集进行填充，得到标准数据集包括：

对所述过滤数据集进行缺失归类，得到归类数据集；

对所述归类数据集通过填充算法中的填充函数进行数据插补，得到标准数据集，其中，所述标准数据集可存储于区块链中。

6.如权利要求1至3任一项所述的疾病预测方法，其特征在于，所述利用所述预测非线性关系对所述标准数据集进行训练泛化，得到预测数据集包括：

将所述标准数据集均等划分，得到至少两组划分数据集；

利用所述预测非线性关系对所述至少两组划分数据集进行关联，得到关联数据集；

对所述关联数据集进行均值计算，得到预测数据集，其中，所述预测数据集可存储于区块链中。

7.如权利要求1至3任一项所述的疾病预测方法，其特征在于，所述提取所述预测数据集包含的预测数据，包括：

利用正则表达式提取所述预测数据集包含的预测数据。

8.一种疾病预测装置，其特征在于，所述装置包括：

第一数据获取模块，用于获取用户的病理数据集；

第二数据获取模块，用于获取模型数据集和预测非线性关系，所述模型数据集是通过极端梯度提升算法和样本数据集对预构建的疾病预测模型进行训练得到的，所述预测非线性关系是对所述模型数据集进行超参数调整得到的；

映射关系建立模块，用于将所述病理数据集与所述模型数据集建立映射关系；

数据匹配模块，用于基于所述映射关系将所述病理数据集与所述模型数据集进行遍历匹配，得到过滤数据集；

数据填充模块，用于利用填充算法对所述过滤数据集进行填充，得到标准数据集；

数据计算模块，用于利用所述预测非线性关系对所述标准数据集进行训练泛化，得到预测数据集；

数据提取模块，用于提取所述预测数据集包含的预测数据；

确定模块，用于根据所述预测数据确定所述用户的疾病预测结果。