[发明专利]一种健康预测方法

说明书

本发明涉及一种健康预测方法，属于人工智能数据挖掘技术领域。包括以下步骤：S1获取原始医疗时序特征矩阵X；S2使用特征交互表示方法对x_t重新表达为使其包含特征交互信息；S3使用综合信息提取方法提取时序数据序列的综合信息S4使用分类方法对所述进行分类以实现健康预测。本发明能够充分利用医学特征的交互信息，包括功能级交互和时间级交互，从而对医疗时序数据内在相关信息进行更为有效的挖掘，进而实现对用户健康进行更为有效的预测。功能级交互能够有效地描绘出不同的异常模式，从而更好的区分患者不同的健康状态。时间级交互可以更有效的学习患者动态变化的健康状况。通过双向嵌入能够为数字型医学特征生成信息含量更加丰富的嵌入向量表达。

技术领域

本发明涉及一种预测方法，特别涉及一种健康预测方法，属于人工智能技术领域。

背景技术

医疗保健分析旨在通过数据驱动的方法分析各种医疗保健数据，从而帮助医疗保健决策并提供个性化的治疗建议，从而改善患者管理。随着卫生信息化建设的进步和大数据的发展，国际科研工作者对医疗大数据的保存和挖掘研究有了越来越高的重视度和参与度，其中电子健康记录(EHR)是用于医疗保健分析的重要数据源之一。电子健康记录包含了多种形式的信息，比如人口统计信息(如年龄、性别、身高、出入院时间、是否死亡等)、患者的动态医疗信息(如生命体征、化验结果、用药情况等)、生物图像信息(超声波图像、核磁共振检测图像、CT图像等)。但是EHR也存在着一些不可忽视的问题，例如数据时间不规则性，数据异质性，数据嘈杂，数据维度高等。这些问题大大阻碍了从EHR数据挖掘创造价值的过程。为了解决这些问题，医疗研究人员提出了各种深度学习模型来更好地表达患者的病情，从而提高模型的分析性能(如准确率等)。而在医疗保健分析模型的设计中，医学特征之间的交互作用对于反映患者的健康状况至关重要，而现有模型均没能充分的利用医学特征之间的交互作用。

发明内容

本发明的目的在于针对现有技术的上述部分或全部不足，提供一种健康预测方法，包括以下内容：

S1获取原始医疗时序特征矩阵其中t∈{1,2,…,T_t}是时间步长的索引，x_t∈R^|C|表示对应时间步长t的原始医学特征向量，|C|表示原始医学特征的个数；

S2使用特征交互表示方法对x_t重新表达为使其包含特征交互信息，其中t∈{1,2,…,T_t}；

作为优选，为加快神经网络训练速度，对所述x_t中每个原始医学特征值进行标准化。

作为优选，所述使用特征交互表示方法对x_t重新表达为使其包含特征交互信息，具体包括以下内容：

S21将所述x_t表示为x；

S22对所述x中第i个医学特征值x_i通过嵌入机制生成嵌入向量e_i；

作为优选，所述嵌入机制为通过下式进行双向嵌入：

其中，a和b分别表示预设的前向嵌入表达下限值和后向嵌入表达上限值，是两个嵌入矩阵，是分别对应于V^a,V^b的第i个嵌入向量，用于将所述医学特征值转换为向量，e表示嵌入向量的维度，|C|表示所述原始医学特征的个数，e_i表示第i个医学特征嵌入向量。

S23通过下式进行不同医学特征之间的交互：

r_i，j＝e_i⊙e_j