CN111724897A - 一种运动功能数据处理方法及系统 - Google Patents

一种运动功能数据处理方法及系统 Download PDF

Info

Publication number
CN111724897A
CN111724897A CN202010537531.XA CN202010537531A CN111724897A CN 111724897 A CN111724897 A CN 111724897A CN 202010537531 A CN202010537531 A CN 202010537531A CN 111724897 A CN111724897 A CN 111724897A
Authority
CN
China
Prior art keywords
evaluation result
function
representing
data
result
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010537531.XA
Other languages
English (en)
Other versions
CN111724897B (zh
Inventor
杨尚明
曹晨
刘勇国
李巧勤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010537531.XA priority Critical patent/CN111724897B/zh
Publication of CN111724897A publication Critical patent/CN111724897A/zh
Application granted granted Critical
Publication of CN111724897B publication Critical patent/CN111724897B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种运动功能数据处理方法及系统，包括：采集电子病历系统中运动功能和中风偏瘫的初次评估结果和末次评定结果，对所述初次评估结果和末次评定结果进行缺失数据删除和数据统一预处理操作，得到预处理结果数据集；将所述预处理结果数据集进行顺序拼接得到一维向量；将所述一维向量输入LSTM模型得到预测的末次评定结果，将所述预测的末次评定结果与采集的末次评定结果产生的误差进行反向传播训练所述LSTM模型的网络参数，得到预测模型；将新采集的初次评估结果通过S1进行预处理并通过S2生成一维向量后输入预测模型，得到预测的末次评定结果。采用改进的长短期记忆网络有效解决仅有初评结果数据集可能会出现的震荡。

Description

一种运动功能数据处理方法及系统
技术领域
本发明涉及运动功能领域，具体涉及一种运动功能数据处理方法及系统。
背景技术
脑卒中是一种急性脑血管疾病，具有较高的致死率，且脑卒中患者大都存在身体功能障碍，重者严重影响日常生活。脑卒中患者的身体状况与发病部位、时间长短、病情轻重以及造成身体功能障碍程度等多种因素有关。通过对人体的运动功能进行预测可以及时的判断人体的健康状况，如果存在患有脑卒中的情况，可以及时进行医治并可对当前的脑卒中患者最终的健康状况进行一个预测，目前临床上针对脑卒中患者的身体健康状况的预测主要依赖医师主观经验，通过评估患者身体状况来预测患者情况，主观性较强，不同医师之间可能存在较大差异。
论文“Accuracy of physical therapists'early predictions of upper-limbfunction in hospital stroke units”提出一种中风后功能预后的早期预测方法。该方法使用22名中分风患者进行计算预测模型构建，获取患者性别、年龄等基础数据，采集患者入院后72小时与6个月后的中风位置、中风类型等14个评价指标，使用逻辑回归构建预测模型，预测患者6个月后行动测试得分，需要患者的多种评价指标信息，采集信息时间较长，计算复杂，时间成本和经济成本较大。
发明内容
本发明所要解决的技术问题是现有患者健康状况的预测需要大量医学影像或患者的多种评价指标信息，采集信息时间较长、计算复杂、时间成本和经济成本较大的问题，目的在于提供一种运动功能数据处理方法及系统，解决上述问题。
本发明通过下述技术方案实现：
一种运动功能数据处理方法，包括：
S1：采集电子病历系统中运动功能和中风偏瘫的初次评估结果和末次评定结果，对所述初次评估结果和末次评定结果进行缺失数据删除和数据统一预处理操作，得到预处理结果数据集；
S2：将所述预处理结果数据集进行顺序拼接得到一维向量；
S3：将所述一维向量输入LSTM模型得到预测的末次评定结果，将所述预测的末次评定结果与采集的末次评定结果产生的误差进行反向传播训练所述LSTM模型的网络参数，得到预测模型；
S4：将新采集的初次评估结果通过S1进行预处理并通过S2生成一维向量后输入预测模型，得到预测的末次评定结果。
本发明中采用的方法是从电子病历系统中采集脑卒中患者的运动功能以及中风偏瘫相关的初次评估结果和末次评定结果，用于训练LSTM模型，本发明改进了LSTM模型的参数更新过程，利用损失函数的二阶导数作为LSTM参数的更新方法，将新采集所述初次评估结果输入改进后的LSTM模型中进行预测。
具体的更新方法为多次输入电子病历中运动功能的初次评估结果得到预测的末次评估结果，将预测的末次评估结果与实际末次评定结果进行对比，得到两者之间的误差即为LSTM 模型的损失函数，将所述误差反向代入LSTM模型中实现LSTM模型参数的迭代更新，提高预测结果的准确性；
本发明LSTM模型的所有权重参数及偏置都可通过网络训练自动获得，在进行预测模型的训练时使用的训练数据必须包含初次评估结果和末次评定结果，因此需要将从电子病历系统中采集的缺少初次评估结果或末次评定结果的数据进行删除；由于运动功能障碍不同，导致不同运动功能评估项目存在差异，最常见的是运动功能障碍，本发明选取有关运动功能以及反应脑卒中严重程度的相关量表评估结果。筛选出同时有Fugl-Meyer下肢运动功能、 Fugl-Meyer上肢运动功能、Fugl-Meyer平衡功能、Barthel指数、中风和偏瘫评估得分共6项评定的患者评估结果，作为最终数据集。
进一步的，所述S1包括：
S11：采用正则表达式对所述初次评估结果和末次评定结果进行采集得到结果数据集，存储所述结果数据集且将同一个电子病历的初次评估结果和末次评定结果根据相同量表评定结果顺序存储；
S12：将所述结果数据集中缺失所述初次评估结果或末次评定结果的数据进行删除，得到完整结果数据集；
S13：对所述完整结果数据集进行数据统一操作，将包括Fugl-Meyer下肢运动功能、 Fugl-Meyer上肢运动功能、Fugl-Meyer平衡功能、Barthel指数、中风和偏瘫评估得分的患者评估结果，作为预处理结果数据集。
进一步的，所述S3包括：
S31：构建LSTM模型：
ht＝ot⊙tanh(ct)
其中，ht表示隐藏层状态输出，ot表示LSTM模型第t时刻输出门，⊙表示同或运算符， tanh为双曲正切函数激活函数，ct表示当前时刻细胞状态；
S32：计算损失函数：
Figure RE-GDA0002619154960000031
其中，θ表示损失函数的参数，k表示采用的评估量表数，oi表示LSTM模型中网络最终时间步输出的第i个值，即模型预测患者第i个量表的得分，yi表示患者出院前第i个量表的真实评估得分；
S33：利用梯度下降算法进行误差的反向传播，反向求得LSTM模型网络中所有权重、偏置参数大小后进行迭代训练，所述LSTM模型参数更新方法：
Figure RE-GDA0002619154960000032
其中，H-1为损失函数的黑塞矩阵逆矩阵，δ为学习速率，
Figure RE-GDA0002619154960000033
为参数的梯度。θold为未更新前参数大小，θ为本次参数更新后参数大小。
黑塞矩阵(Hessian Matrix)是一个由多元函数的二阶偏导数构成的矩阵，其特征值和特征向量可以描述某点的二阶导数的大小及方向，能够用于分析某一点的局部特性。因此，所述LSTM模型的损失函数可通过使用数学计算的方法表示为一个关于变量z1,z2,…zn的多元函数f(z1,z2,…zn)，则函数的黑塞矩阵H[f(z)]可表示如下：
Figure RE-GDA0002619154960000034
进一步的，所述S33中权重参数的更新：
Figure RE-GDA0002619154960000035
其中，J(θ)表示损失函数，w表示权重参数。
进一步的，所述S31中LSTM模型的遗忘门计算公式：
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
其中，ft表示第t个时刻遗忘门，xt表示t时刻的当前输入，ht-1表示上一时刻的隐藏层输出，ct-1表示上一时刻的细胞状态，σ表示sigmod函数。Wxf、Whf、Wcf分别表示输入层、隐藏层和细胞状态与遗忘门之间的权重参数，bf表示遗忘门偏置。
进一步的，所述S31中LSTM模型的输入门计算公式：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
其中，it表示第t时刻输入门，σ表示sigmod函数，Wxi、Whi、Wci分别表示输入层、隐藏层和细胞状态与输入门之间的权重参数，bi表示输入门偏置。
进一步的，所述S31中LSTM模型的输出门计算公式：
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
其中，ot表示第t时刻输出门，σ表示sigmod函数，Wxo、Who、Wco表示输入层、隐藏层和细胞状态与输出层之间的权重参数，bo表示输出门偏置。
进一步的，所述S31中LSTM模型的当前时刻细胞状态计算公式：
ct＝ft⊙ct-1+it⊙tanh(Wxcxt+Whcht-1+bc)
其中，ct表示当前时刻细胞状态，ft表示第t个时刻遗忘门，ct-1表示上一时刻的细胞状态，it表示第t时刻输入门，tanh为双曲正切函数激活函数，Wxc、Whc分别为输入层和隐藏层与细胞状态之间相连的权重参数，bc为细胞状态偏置。
一种运动功能数据处理系统，，包括：
采集模块，用于采集电子病历系统中运动功能和中风偏瘫的初次评估结果和末次评定结果；
预处理模块，用于对采集到的运动功能和中风偏瘫的初次评估结果和末次评定结果进行缺失数据删除和数据统一预处理操作，得到预处理结果数据集后，将所述预处理结果数据集进行顺序拼接得到一维向量；
训练模块，用于将所述一维向量输入LSTM模型进行训练，得到预测模型；
预测模块，用于将新采集的初次评估结果输入所述预测模型，得到预测的末次评定结果。
进一步的，所述LSTM模型：
ht＝ot⊙tanh(ct)
其中，ht表示隐藏层状态输出，ot表示LSTM模型第t时刻输出门，⊙表示同或运算符， tanh为双曲正切函数激活函数，ct表示当前时刻细胞状态。
所述电子病历系统，包括运动功能、中风偏瘫及其他病历信息的具体数据；
所述运动功能数据处理系统采集所述电子病历系统中与运动功能和中风偏瘫相关的初次评估结果和末次评定结果数据。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明一种运动功能数据处理方法及系统，采用改进的长短期记忆网络模型，使用损失函数的二阶导数作为参数的更新方式，可以有效解决预测问题中因仅有初评数值与末评数值可能会出现的震荡，损失函数收敛的更快，可以减少迭代次数、避免局部震荡而陷入局部极小值。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明整体流程示意图；
图2为本发明系统结构示意图；
图3为本发明LSTM模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1和图2所示，一种运动功能数据处理方法，包括：
S1：采集电子病历系统中运动功能和中风偏瘫的初次评估结果和末次评定结果，对所述初次评估结果和末次评定结果进行缺失数据删除和数据统一预处理操作，得到预处理结果数据集；
S2：将所述预处理结果数据集进行顺序拼接得到一维向量；
S3：将所述一维向量输入LSTM模型得到预测的末次评定结果，将所述预测的末次评定结果与采集的末次评定结果产生的误差进行反向传播训练所述LSTM模型的网络参数，得到预测模型；
S4：将新采集的初次评估结果通过S1进行预处理并通过S2生成一维向量后输入预测模型，得到预测的末次评定结果。
本实施例中使用电子病历中499名真实脑卒中患者入院时初评结果作为模型输入，患者实际出院时末评结果作为输出。采用十折交叉验证法，将所述数据作为模型训练和测试集，训练预测模型。
进一步的，所述S1包括：
S11：采用正则表达式对所述初次评估结果和末次评定结果进行采集得到结果数据集，存储所述结果数据集且将同一个电子病历的初次评估结果和末次评定结果根据相同量表评定结果顺序存储；
S12：将所述结果数据集中缺失所述初次评估结果或末次评定结果的数据进行删除，得到完整结果数据集；
S13：对所述完整结果数据集进行数据统一操作，将包括Fugl-Meyer下肢运动功能、 Fugl-Meyer上肢运动功能、Fugl-Meyer平衡功能、Barthel指数、中风和偏瘫评估得分的患者评估结果，作为预处理结果数据集。
如图3所示，进一步的，所述S3包括：
S31：构建LSTM模型：
ht＝ot⊙tanh(ct)
其中，ht表示隐藏层状态输出，ot表示LSTM模型第t时刻输出门，⊙表示同或运算符， tanh为双曲正切函数激活函数，ct表示当前时刻细胞状态；
S32：计算损失函数：
Figure RE-GDA0002619154960000061
其中，θ表示损失函数的参数，k表示采用的评估量表数，oi表示LSTM模型中网络最终时间步输出的第i个值，即模型预测患者第i个量表的得分，yi表示患者出院前第i个量表的真实评估得分；
S33：利用梯度下降算法进行误差的反向传播，反向求得LSTM模型网络中所有权重、偏置参数大小后进行迭代训练，所述LSTM模型参数更新方法：
Figure RE-GDA0002619154960000062
其中，H-1为损失函数的黑塞矩阵逆矩阵，δ为学习速率，
Figure RE-GDA0002619154960000063
为参数的梯度。θold为未更新前参数大小，θ为本次参数更新后参数大小。
黑塞矩阵(Hessian Matrix)是一个由多元函数的二阶偏导数构成的矩阵，其特征值和特征向量可以描述某点的二阶导数的大小及方向，能够用于分析某一点的局部特性。因此，所述LSTM模型的损失函数可通过使用数学计算的方法表示为一个关于变量z1,z2,…zn的多元函数f(z1,z2,…zn)，则函数的黑塞矩阵H[f(z)]可表示如下：
Figure RE-GDA0002619154960000064
进一步的，所述S33中权重参数的更新：
Figure RE-GDA0002619154960000071
其中，J(θ)表示损失函数，w表示权重参数。
进一步的，所述S31中LSTM模型的遗忘门计算公式：
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
其中，ft表示第t个时刻遗忘门，xt表示t时刻的当前输入，ht-1表示上一时刻的隐藏层输出，ct-1表示上一时刻的细胞状态，σ表示sigmod函数。Wxf、Whf、Wcf分别表示输入层、隐藏层和细胞状态与遗忘门之间的权重参数，bf表示遗忘门偏置。
进一步的，所述S31中LSTM模型的输入门计算公式：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
其中，it表示第t时刻输入门，σ表示sigmod函数，Wxi、Whi、Wci分别表示输入层、隐藏层和细胞状态与输入门之间的权重参数，bi表示输入门偏置。
进一步的，所述S31中LSTM模型的输出门计算公式：
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
其中，ot表示第t时刻输出门，σ表示sigmod函数，Wxo、Who、Wco表示输入层、隐藏层和细胞状态与输出层之间的权重参数，bo表示输出门偏置。
进一步的，所述S31中LSTM模型的当前时刻细胞状态计算公式：
ct＝ft⊙ct-1+it⊙tanh(Wxcxt+Whcht-1+bc)
其中，ct表示当前时刻细胞状态，ft表示第t个时刻遗忘门，ct-1表示上一时刻的细胞状态，it表示第t时刻输入门，tanh为双曲正切函数激活函数，Wxc、Whc分别为输入层和隐藏层与细胞状态之间相连的权重参数，bc为细胞状态偏置。
一种运动功能数据处理系统，，包括：
采集模块，用于采集电子病历系统中运动功能和中风偏瘫的初次评估结果和末次评定结果；
预处理模块，用于对采集到的运动功能和中风偏瘫的初次评估结果和末次评定结果进行缺失数据删除和数据统一预处理操作，得到预处理结果数据集后，将所述预处理结果数据集进行顺序拼接得到一维向量；
训练模块，用于将所述一维向量输入LSTM模型进行训练，得到预测模型；
预测模块，用于将新采集的初次评估结果输入所述预测模型，得到预测的末次评定结果。
进一步的，所述LSTM模型：
ht＝ot⊙tanh(ct)
其中，ht表示隐藏层状态输出，ot表示LSTM模型第t时刻输出门，⊙表示同或运算符， tanh为双曲正切函数激活函数，ct表示当前时刻细胞状态。
所述电子病历系统，包括运动功能、中风偏瘫及其他病历信息的具体数据；
所述运动功能数据处理系统采集所述电子病历系统中与运动功能和中风偏瘫相关的初次评估结果和末次评定结果数据。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种运动功能数据处理方法，其特征在于，包括：
S1：采集电子病历系统中运动功能和中风偏瘫的初次评估结果和末次评定结果，对所述初次评估结果和末次评定结果进行缺失数据删除和数据统一预处理操作，得到预处理结果数据集；
S2：将所述预处理结果数据集进行顺序拼接得到一维向量；
S3：将所述一维向量输入LSTM模型得到预测的末次评定结果，将所述预测的末次评定结果与采集的末次评定结果产生的误差进行反向传播训练所述LSTM模型的网络参数，得到预测模型；
S4：将新采集的初次评估结果通过S1进行预处理并通过S2生成一维向量后输入预测模型，得到预测的末次评定结果。
2.根据权利要求1所述的一种运动功能数据处理方法，其特征在于，所述S1包括：
S11：采用正则表达式对所述初次评估结果和末次评定结果进行采集得到结果数据集，存储所述结果数据集且将同一个电子病历的初次评估结果和末次评定结果根据相同量表评定结果顺序存储；
S12：将所述结果数据集中缺失所述初次评估结果或末次评定结果的数据进行删除，得到完整结果数据集；
S13：对所述完整结果数据集进行数据统一操作，将包括Fugl-Meyer下肢运动功能、Fugl-Meyer上肢运动功能、Fugl-Meyer平衡功能、Barthel指数、中风和偏瘫评估得分的患者评估结果，作为预处理结果数据集。
3.根据权利要求1所述的一种运动功能数据处理方法，其特征在于，所述S3包括：
S31：构建LSTM模型：
ht＝ot⊙tanh(ct)
其中，ht表示隐藏层状态输出，ot表示LSTM模型第t时刻输出门，⊙表示同或运算符，tanh为双曲正切函数激活函数，ct表示当前时刻细胞状态；
S32：计算损失函数：
Figure RE-FDA0002619154950000011
其中，θ表示损失函数的参数，k表示采用的评估量表数，oi表示LSTM模型中网络最终时间步输出的第i个值，即模型预测患者第i个量表的得分，yi表示患者出院前第i个量表的真实评估得分；
S33：利用梯度下降算法进行误差的反向传播，反向求得LSTM模型网络中所有权重、偏置参数大小后进行迭代训练，所述LSTM模型参数更新方法：
Figure RE-FDA0002619154950000021
其中，H-1为损失函数的黑塞矩阵逆矩阵，δ为学习速率，
Figure RE-FDA0002619154950000022
为参数的梯度。θold为未更新前参数大小，θ为本次参数更新后参数大小。
4.根据权利要求3所述的一种运动功能数据处理方法，其特征在于，所述S33中权重参数的更新：
Figure RE-FDA0002619154950000023
其中，J(θ)表示损失函数，w表示权重参数。
5.根据权利要求3所述的一种运动功能数据处理方法，其特征在于，所述S31中LSTM模型的遗忘门计算公式：
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
其中，ft表示第t个时刻遗忘门，xt表示t时刻的当前输入，ht-1表示上一时刻的隐藏层输出，ct-1表示上一时刻的细胞状态，σ表示sigmod函数。Wxf、Whf、Wcf分别表示输入层、隐藏层和细胞状态与遗忘门之间的权重参数，bf表示遗忘门偏置。
6.根据权利要求3所述的一种运动功能数据处理方法，其特征在于，所述S31中LSTM模型的输入门计算公式：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
其中，it表示第t时刻输入门，σ表示sigmod函数，Wxi、Whi、Wci分别表示输入层、隐藏层和细胞状态与输入门之间的权重参数，bi表示输入门偏置。
7.根据权利要求3所述的一种运动功能数据处理方法，其特征在于，所述S31中LSTM模型的输出门计算公式：
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
其中，ot表示第t时刻输出门，σ表示sigmod函数，Wxo、Who、Wco表示输入层、隐藏层和细胞状态与输出层之间的权重参数，bo表示输出门偏置。
8.根据权利要求3所述的一种运动功能数据处理方法，其特征在于，所述S31中LSTM模型的当前时刻细胞状态计算公式：
ct＝ft⊙ct-1+it⊙tanh(Wxcxt+Whcht-1+bc)
其中，ct表示当前时刻细胞状态，ft表示第t个时刻遗忘门，ct-1表示上一时刻的细胞状态，it表示第t时刻输入门，tanh为双曲正切函数激活函数，Wxc、Whc分别为输入层和隐藏层与细胞状态之间相连的权重参数，bc为细胞状态偏置。
9.一种运动功能数据处理系统，其特征在于，包括：
采集模块，用于采集电子病历系统中运动功能和中风偏瘫的初次评估结果和末次评定结果；
预处理模块，用于对采集到的运动功能和中风偏瘫的初次评估结果和末次评定结果进行缺失数据删除和数据统一预处理操作，得到预处理结果数据集后，将所述预处理结果数据集进行顺序拼接得到一维向量；
训练模块，用于将所述一维向量输入LSTM模型进行训练，得到预测模型；
预测模块，用于将新采集的初次评估结果输入所述预测模型，得到预测的末次评定结果。
10.根据权利要求9所述的一种运动功能数据处理系统，其特征在于，所述预测模型：
ht＝ot⊙tanh(ct)
其中，ht表示隐藏层状态输出，ot表示LSTM模型第t时刻输出门，⊙表示同或运算符，tanh为双曲正切函数激活函数，ct表示当前时刻细胞状态。
CN202010537531.XA 2020-06-12 2020-06-12 一种运动功能数据处理方法及系统 Active CN111724897B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010537531.XA CN111724897B (zh) 2020-06-12 2020-06-12 一种运动功能数据处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010537531.XA CN111724897B (zh) 2020-06-12 2020-06-12 一种运动功能数据处理方法及系统

Publications (2)

Publication Number Publication Date
CN111724897A true CN111724897A (zh) 2020-09-29
CN111724897B CN111724897B (zh) 2022-07-01

Family

ID=72566628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010537531.XA Active CN111724897B (zh) 2020-06-12 2020-06-12 一种运动功能数据处理方法及系统

Country Status (1)

Country Link
CN (1) CN111724897B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255873A (zh) * 2021-12-22 2022-03-29 南通大学 一种慢性肾病患者的运动能力评估方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090686A (zh) * 2017-12-29 2018-05-29 北京大学 一种医疗事件风险评估分析方法及系统
CN109119130A (zh) * 2018-07-11 2019-01-01 上海夏先机电科技发展有限公司 一种基于云计算的大数据健康管理系统及方法
CN109171754A (zh) * 2018-07-27 2019-01-11 清华-伯克利深圳学院筹备办公室 血糖预测模型的训练方法、装置、终端及存储介质
CN109243616A (zh) * 2018-06-29 2019-01-18 东华大学 基于深度学习的乳腺电子病历联合关系抽取与结构化系统
CN109754852A (zh) * 2019-01-08 2019-05-14 中南大学 基于电子病历的心血管疾病风险预测方法
CN109871538A (zh) * 2019-02-18 2019-06-11 华南理工大学 一种中文电子病历命名实体识别方法
CN110085327A (zh) * 2019-04-01 2019-08-02 东莞理工学院 基于注意力机制的多通道lstm神经网络流感疫情预测方法
CN110297908A (zh) * 2019-07-01 2019-10-01 中国医学科学院医学信息研究所 诊疗方案预测方法及装置
CN110867231A (zh) * 2019-11-18 2020-03-06 中山大学 基于文本分类的疾病预测方法、装置、计算机设备及介质
CN110874409A (zh) * 2019-10-22 2020-03-10 清华大学 病情分级预测系统、方法、电子设备及可读存储介质
CN110956309A (zh) * 2019-10-30 2020-04-03 南京大学 基于crf和lstm的流程活动预测方法
CN111026869A (zh) * 2019-12-10 2020-04-17 山东大学 一种利用基于多层注意力的序列生成网络进行多罪名预测的方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108090686A (zh) * 2017-12-29 2018-05-29 北京大学 一种医疗事件风险评估分析方法及系统
CN109243616A (zh) * 2018-06-29 2019-01-18 东华大学 基于深度学习的乳腺电子病历联合关系抽取与结构化系统
CN109119130A (zh) * 2018-07-11 2019-01-01 上海夏先机电科技发展有限公司 一种基于云计算的大数据健康管理系统及方法
CN109171754A (zh) * 2018-07-27 2019-01-11 清华-伯克利深圳学院筹备办公室 血糖预测模型的训练方法、装置、终端及存储介质
CN109754852A (zh) * 2019-01-08 2019-05-14 中南大学 基于电子病历的心血管疾病风险预测方法
CN109871538A (zh) * 2019-02-18 2019-06-11 华南理工大学 一种中文电子病历命名实体识别方法
CN110085327A (zh) * 2019-04-01 2019-08-02 东莞理工学院 基于注意力机制的多通道lstm神经网络流感疫情预测方法
CN110297908A (zh) * 2019-07-01 2019-10-01 中国医学科学院医学信息研究所 诊疗方案预测方法及装置
CN110874409A (zh) * 2019-10-22 2020-03-10 清华大学 病情分级预测系统、方法、电子设备及可读存储介质
CN110956309A (zh) * 2019-10-30 2020-04-03 南京大学 基于crf和lstm的流程活动预测方法
CN110867231A (zh) * 2019-11-18 2020-03-06 中山大学 基于文本分类的疾病预测方法、装置、计算机设备及介质
CN111026869A (zh) * 2019-12-10 2020-04-17 山东大学 一种利用基于多层注意力的序列生成网络进行多罪名预测的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周彤彤等: "基于LSTM与XGBOOST混合模型的孕妇产后出血预测", 《计算机系统应用》 *
韩天齐等: "基于LSTM神经网络的麻疹发病率预测", 《电脑与电信》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255873A (zh) * 2021-12-22 2022-03-29 南通大学 一种慢性肾病患者的运动能力评估方法及系统

Also Published As

Publication number Publication date
CN111724897B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN106778014B (zh) 一种基于循环神经网络的患病风险预测建模方法
Xu et al. Identification of fuzzy models of software cost estimation
CN109659033B (zh) 一种基于循环神经网络的慢性疾病病情变化事件预测装置
Jahangoshai Rezaee et al. A decision system using fuzzy cognitive map and multi-group data envelopment analysis to estimate hospitals’ outputs level
Zohora et al. Forecasting the risk of type ii diabetes using reinforcement learning
CN109636061A (zh) 医保欺诈预测网络的训练方法、装置、设备及存储介质
CN112233736B (zh) 一种知识库的构建方法和系统
CN112085157B (zh) 基于神经网络和树模型的疾病预测方法及其装置
Qiao et al. Identification of fuzzy neural networks by forward recursive input-output clustering and accurate similarity analysis
CN113380407A (zh) 构建认知障碍智能预测方法
CN105808906A (zh) 患者个人特性的分析方法及其装置
CN117253614A (zh) 基于大数据分析的糖尿病风险预警方法
CN114660497A (zh) 一种针对容量再生现象的锂离子电池寿命预测方法
CN111724897B (zh) 一种运动功能数据处理方法及系统
Makouei et al. Moments of order statistics and k-record values arising from the complementary beta distribution with application
CN110610766A (zh) 基于症状特征权重推导疾病概率的装置和存储介质
CN114936204A (zh) 一种特征筛选方法、装置、存储介质及电子设备
Dey et al. Deep Greedy Network: a tool for medical diagnosis on exiguous dataset of COVID-19
CN113593694A (zh) 一种重症患者预后的预测方法
Putzel et al. Dynamic survival analysis for ehr data with personalized parametric distributions
Haouassi et al. An efficient classification rule generation for coronary artery disease diagnosis using a novel discrete equilibrium optimizer algorithm
CN112562854A (zh) 一种高龄人员精准医疗关怀服务推荐方法及系统
Zhu et al. Design and development of a readmission risk assessment system for patients with cardiovascular disease
Gomathi et al. An efficient coronary heart disease prediction by semi parametric extended dynamic Bayesian network with optimized cut points
Omer et al. Modelling logistic regression using multivariable fractional polynomials

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant