[发明专利]一种脑卒中复发监测系统

权利要求书

1.一种脑卒中复发监测系统，其特征在于：包括

脑卒中数据采集模块（1），用于多维度采集若干曾患脑卒中患者的病症数据信息和生活数据信息，并将采集到的若干份包含所述病症数据信息和生活数据信息病例数据传输到脑卒中数据处理模块（2）；

脑卒中数据处理模块（2），用于对来自脑卒中数据采集模块（1）的若干份病例数据量化成样本数据集，将样本数据集传输到复发监测模型建立模块（3）用以建立复发监测模型；

复发监测模型建立模块（3），用于对样本数据集中的由病症数据信息和生活数据信息量化而来的样本数据集分成训练数据集和测试数据集，在训练数据集上进行预测训练，训练完成后用测试数据集验证预测复发的准确性，并持续优化模型直至准确性达到规定阈值，生成最佳复发监测模型，并接收模型监测应用模块（4）输入的患者的病症数据信息和生活数据信息，经过复发监测模型进行监测运算将当前患者复发结果反馈到模型检测应用模块；

模型监测应用模块（4），用于根据输入的当前患者的病症数据信息和生活数据信息，并将病症数据信息和生活数据信息上传到复发监测模型建立模块（3），并接收复发监测模型建立模块（3）反馈的当前患者复发结果并生成报告供患者查询；

追踪核实模块（5），用于对模型监测应用模块（4）的预测的患者进行追踪访问，用以获得患者真实的复发结果，并将真实的复发结果和预测的复发结果相比对获得复发监测模型在真实场景中的应用情况，并根据复发监测模型在真实场景中的应用情况对脑卒中数据采集模块（1）中采集的患者病症数据信息和生活信息进行调整以更新影响预测复发结果的特征，进一步进行模型更新换代；

所述脑卒中数据处理模块（2）将来自于脑卒中数据采集模块（1）的病例数据量化成样本数据集的具体过程为：

步骤一：将病例数据中所有的用文字描述属性特征量化成数字描述；

步骤二：对完成特征量化的病例数据进行数据预处理，预处理包括数据清洗和特征规范化：

A1：数据清洗包括重复项处理、缺失项处理和异常项处理，具体方式如下：

重复项处理：遍历N个病例数据，将N个病例数据中所有重复数据进行删除到仅保留一条数据，确保N个病例数据中的所有数据均具有唯一性；

缺失项处理：将N个病例数据中具有缺失项的数据全部单独提取出来，可对具有缺失项的数据进行删除，或按照N个病例数据中所有数据在此项处的平均值、众值和中位值进行填充，或-1或Null填充，将其补充成完整性数据回归到N个病例数据中；

异常项处理：将N个病例数据中具有异常项的数据全部单独提取出来，可对具有异常项的数据进行删除，或按照N个病例数据中所有数据在此项处的平均值、众值和中位值替代异常项，或-1或Null填充，将其补充成正常数据回归到N个病例数据中；

A2：特征规范化包括归一化和标准化，具体方式如下：

归一化：将原始相差较大的数据项映射到[0,1]范围内，假设数据项为X，该项最大值为Xmax，最小值为Xmin，则映射后的数据项标记为X2=(X- Xmin)/(Xmax- Xmin) ；归一化在数据量小的N个病例数据上表现更佳；

标准化：将原始数据变化的均值为0，标准差为1的范围内，假设数据项为X，该项的平均值为Xmean，标准差为σ，则映射后的数据项标记为X2=(X - Xmean)/σ；标准化在数据量大的N个病例数据上表现更佳；

步骤三：将经过数据预处理的病例数据汇集形成一个样本总量为N的样本数据集；

所述复发监测模型建立模块（3）建立复发监测模型的过程为：

步骤一：将预处理后的数据集分成两个数据集分别为训练数据集和测试数据集：

假设样本数据集标记为S，测试数据集标记为S_test，训练数据集标记为S_train；

步骤二：对训练数据集进行样本数据训练，训练后的模型运用到测试数据集上获得预测结果：

在Logistic回归模型基础上训练复发监测模型，获得依据患者病症数据信息和生活数据信息预测患者在未来复发的可能性；

具体步骤为：

选择一个合适的预测函数，标记为h函数，h函数为分类函数，用于预测输入训练数据集的复发判断结果；

构造一个Cost函数，用于表示预测的输出（h）与训练数据类别（y）之间的偏差，综合考虑所有训练数据的“损失”，将Cost求和或者求平均，记为J(θ)函数，表示所有训练数据集预测值与实际值的偏差；

J(θ)函数的值越小表示预测函数越准确，求解J(θ)函数的最小值，确定预测函数h以确定复发监测模型；

步骤三：通过测试数据集的预测结果和真实结果相比对，计算模型评价指标衡量模型预测复发的准确率，标记为P；

步骤四：将预测复发的准确率与规定阈值标记为Q相比较，若PQ，对复发监测模型进行参数调优，若PQ，终止对复发监测模型进行参数调优过程，以当前参数带入生成最佳复发监测模型。