CN111951965B - 基于时序知识图谱的全景式健康动态监测与预测系统 - Google Patents
基于时序知识图谱的全景式健康动态监测与预测系统 Download PDFInfo
- Publication number
- CN111951965B CN111951965B CN202010755370.1A CN202010755370A CN111951965B CN 111951965 B CN111951965 B CN 111951965B CN 202010755370 A CN202010755370 A CN 202010755370A CN 111951965 B CN111951965 B CN 111951965B
- Authority
- CN
- China
- Prior art keywords
- health
- data
- knowledge graph
- time
- time sequence
- 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.)
- Active
Links
- 230000036541 health Effects 0.000 title claims abstract description 221
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000013480 data collection Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 16
- 239000008280 blood Substances 0.000 claims description 13
- 210000004369 blood Anatomy 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000036772 blood pressure Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 210000000577 adipose tissue Anatomy 0.000 claims description 5
- 201000010099 disease Diseases 0.000 claims description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 claims description 4
- 238000010587 phase diagram Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 12
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 230000000306 recurrent effect Effects 0.000 abstract description 8
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 230000001815 facial effect Effects 0.000 description 3
- 210000002216 heart Anatomy 0.000 description 3
- 208000001871 Tachycardia Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000037396 body weight Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000474 nursing effect Effects 0.000 description 2
- 230000006794 tachycardia Effects 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004872 arterial blood pressure Effects 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 210000002302 brachial artery Anatomy 0.000 description 1
- 230000036471 bradycardia Effects 0.000 description 1
- 208000006218 bradycardia Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 208000024348 heart neoplasm Diseases 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035485 pulse pressure Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Abstract
本发明提供一种基于时序知识图谱的全景式健康动态监测与预测系统，涉及知识图谱技术领域。本发明能够解决健康数据收集的需求，同时能够对健康数据全景式实时展示，可以极大地解决动态健康监测中对健康数据分析的需求。同时，本发明采用基于增量LSTM的健康时序知识图谱链接预测模型。该模型用于以健康动态监测数据记录为基础，所创建具有时序特性的健康时序知识图谱，采用LSTM递归神经网络，加入图谱中的上下关联信息，进行序列化学习，接着对时序信息做增量计算，对时序信息提取更精准的特征向量。最后，不断通过增量计算和LSTM递归神经网络进行深层学习，提高预测准确度。
Description
技术领域
本发明涉及知识图谱技术领域，具体涉及一种基于时序知识图谱的全景式健康动态监测与预测系统。
背景技术
随着年龄的增长，人的心、脑、肾等各个脏器生理功能减退，代谢功能紊乱，免疫力低下，易患高血压、糖尿病、冠心病及肿瘤等各种慢性疾病。在社区医院、养老院等各大健康机构会对65岁以上人进行健康监测预警管理服务。
现有的健康监测预警管理是在社区医院、养老院等各大健康机构使用各种健康数据采集终端(用于采集心率、血压、体温、体重等健康指标数据)来对人的身体健康数据进行采集，亦或采用健康监测一体机的形式辅助用户自助监测各种身体健康数据，而后由专家根据所采集的健康信息进行现场或延后分析，得出健康建议再反馈给个人。
然而，本申请的发明人发现，现有的健康监测预警管理的预测结果准确度低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于时序知识图谱的全景式健康动态监测与预测系统，解决了现有的健康监测预警管理的预测结果准确度低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供一种基于时序知识图谱的全景式健康动态监测与预测系统，包括：
数据收集模块，用于实时收集健康数据；
数据存储和展示模块，用于对所述数据收集模块中实时收集的健康数据进行存储与全景式实时展示；
预警模块，用于基于标准健康指标，对比分析所述数据收集模块中实时收集的健康数据，对超过标准健康指标的数据进行实时预警；
预测模块，用于通过预设的基于增量LSTM的健康时序知识图谱链接预测模型对所述健康数据进行实体关系学习，对健康进行预测，得到预测结果。
优选的，所述系统还包括：
个性化推荐模块，用于基于预警模块的预警结果、预测模块的预测结果和存储的健康数据，面向群体在不同情景下提供个性化健康知识服务。
优选的，所述预设的基于增量LSTM的健康时序知识图谱链接预测模型，包括：
三元组向量化层，用于通过TransR对输入的健康时序知识图谱中的三元组序列进行向量化；
LSTM序列增量学习层，用于通过LSTM对上下文的前后分析，对向量化后的三元组序列进行特征提取，得到特征向量；
序列特征组合层，用于采用增量形式代替简单的前后连接过程，当后一个向量与前一个向量在同一位置上有值时，通过增量相加来强化特征，得到组合特征向量；
分类层，用于对组合特征向量进行LSTM和sigmoid处理，输出实体之间的关系预测结果。
优选的，所述健康时序知识图谱中的三元组序列包括：
健康时序知识图谱为一张有向标签图Gt＝(t0,te,E,R,τ)，其中E为知识图谱的顶点集，表示实体集合；R为知识图谱的边集，表示事实关系集合；τ为E×E→R|k的函数，表示知识图谱中的所有元组；k表示在时间段[t0,te]按照时间前后排序的知识图谱三元组序列列表中，两实体之间存在第k次的关系R；三元组序列为L(t0,te,τ)。
优选的，所述预测结果包括：
通过对已知信息的分析，对健康时序知识图谱G中两个实体E1和E2，预测出二者之间存在诊断某种疾病的关系R。
优选的，其特征在于，所述实时收集健康数据包括：
实时采集人身体健康数据；
将采集的人身体健康数据往消息队列中不断写入健康数据；
将健康数据以Json格式推送到RabbitMQ集群；
通过Flume读取RabbitMQ集群的消息，并将消息转发给Elasticsearch集群与Hadoop集群。
优选的，所述对所述数据收集模块中实时收集的健康数据进行存储与全景式实时展示，包括：
在Elasticsearch中，通过Kibana工具对索引健康数据进行可视化分析；
将健康数据保存在HDFS文件系统中进行备份。
本发明还提供一种基于时序知识图谱的全景式健康动态监测与预测方法，所述方法包括以下步骤：
实时收集健康数据；
对所述数据收集模块中实时收集的健康数据进行存储与全景式实时展示；
基于标准健康指标，对比分析所述数据收集模块中实时收集的健康数据，对超过标准健康指标的数据进行实时预警；
通过预设的基于增量LSTM的健康时序知识图谱链接预测模型对健康数据进行实体关系学习，对健康进行预测，得到预测结果。
优选的，所述方法还包括：
基于预警模块的预警结果、预测模块的预测结果和存储的健康数据，面向群体在不同情景下提供个性化健康知识服务。
优选的，所述预设的基于增量LSTM的健康时序知识图谱链接预测模型，包括：
三元组向量化层，用于通过TransR对输入的健康时序知识图谱中的三元组序列进行向量化；
LSTM序列增量学习层，用于通过LSTM对上下文的前后分析，对向量化后的三元组序列进行特征提取，得到特征向量；
序列特征组合层，用于采用增量形式代替简单的前后连接过程，当后一个向量与前一个向量在同一位置上有值时，通过增量相加来强化特征，得到组合特征向量；
分类层，用于对组合特征向量进行LSTM和sigmoid处理，输出实体之间的关系预测结果。
(三)有益效果
本发明提供了一种基于时序知识图谱的全景式健康动态监测与预测系统。与现有技术相比，具备以下有益效果：
本发明的一种基于时序知识图谱的全景式健康动态监测与预测系统，该系统包括：用于实时收集健康数据的数据收集模块；用于对实时收集的健康数据进行存储与全景式实时展示的数据存储和展示模块；用于根据标准健康指标，对比分析实时收集的健康数据，对超过标准健康指标的数据进行实时预警的预警模块；用于通过预设的基于增量LSTM的健康时序知识图谱链接预测模型对所述健康数据进行实体关系学习，对健康进行预测，得到预测结果的预测模块。本发明能够解决健康数据收集的需求，同时能够对健康数据全景式实时展示，可以极大地解决动态健康监测中对健康数据分析的需求。同时，本发明采用基于增量LSTM的健康时序知识图谱链接预测模型。该模型用于以健康动态监测数据记录为基础，所创建具有时序特性的健康时序知识图谱，采用LSTM递归神经网络，加入图谱中的上下关联信息，进行序列化学习，接着对时序信息做增量计算，对时序信息提取更精准的特征向量。最后，不断通过增量计算和LSTM递归神经网络进行深层学习，提高预测准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中的基于增量LSTM的健康时序知识图谱链接预测模型结构示意图；
图2为本发明实施例中一种基于时序知识图谱的全景式健康动态监测与预测方法的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种基于时序知识图谱的全景式健康动态监测与预测系统，解决了现有的健康监测管理时效性差的技术问题，实现健康动态监测、预警。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
近年来，人工智能在各领域得到了前所未有的重视。知识图谱作为人工智能重要分支，开始在语义搜索、自然语言处理、智能助手等领域发挥着重要的作用。在医疗健康领域，特别是健康领域，非结构化、多模态、相互孤立的健康数据在知识存储、知识检索、知识推理和知识挖掘方面迫切需要新的技术来实现语义搜索、智能问答和辅助决策等更加智能的功能。知识图谱技术正是在这一背景下应用到健康领域。知识图谱以结构化的形式描述客观世界中概念、实体及其之间的关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好的组织、管理和理解互联网海量信息的能力。本发明实施例将知识图谱运用到健康动态监测预警中，且通过基于增量LSTM的健康时序知识图谱链接预测模型对健康数据进行实体关系学习，提高预测准确度。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种基于时序知识图谱的全景式健康动态监测与预测系统，该系统包括：数据收集模块、数据存储和展示模块、预警模块和预测模块。其中：数据收集模块用于实时收集健康数据；数据存储和展示模块用于对数据收集模块中实时收集的健康数据进行存储与全景式实时展示；预警模块用于基于标准健康指标，对比分析所述数据收集模块中实时收集的健康数据，对超过标准健康指标的数据进行实时预警；预测模块用于通过预设的基于增量LSTM的健康时序知识图谱链接预测模型对所述健康数据进行实体关系学习，对健康进行预测，得到预测结果。
本发明实施例能够解决健康数据收集的需求，同时能够对健康数据全景式实时展示，可以极大地解决动态健康监测中对健康数据分析的需求。同时，本发明实施例采用基于增量LSTM的健康时序知识图谱链接预测模型。该模型用于以健康动态监测数据记录为基础，所创建具有时序特性的健康时序知识图谱，采用LSTM递归神经网络，加入图谱中的上下关联信息，进行序列化学习，接着对时序信息做增量计算，对时序信息提取更精准的特征向量。最后，不断通过增量计算和LSTM递归神经网络进行深层学习，提高预测准确度。
下面对各个模块进行详细描述。
在一实施例中，数据收集模块实时收集健康数据，具体实施过程如下：
a、通过数据收集模块(在本发明实施例中，数据收集模块为动态健康监测终端)采集人身体健康数据，包括身高、体重、体脂、血压、脉搏数、心电图、血氧饱和度、舌面相图(中医问诊)等数据。
b、将采集的数据往消息队列中不断写入健康数据。
c、将健康数据以Json格式(JavaScript ObjectNotation是一种轻量级的数据交换格式)推送到RabbitMQ集群(RabbitMQ支持消息的持久化，保证消息顺序、保证数据不丢失，同时支持多个队列，满足多业务线需求)；
d、通过Flume(日志收集系统)读取RabbitMQ的消息，并将消息转发给Elasticsearch集群与Hadoop集群。
该实施例解决了健康数据实时收集的需求，能辅助全景式数据实时展示。
在一实施例中，数据存储和展示模块用于对所述数据收集模块中实时收集的健康数据进行存储与全景式实时展示，具体实施过程如下：
a、在Elasticsearch中，通过对每条消息建立索引，通过倒排索引的技术，能够支持快速查询每条消息，满足技术人员对于日志的分析，同时可以通过Kibana工具对索引数据进行可视化分析。
b、于此同时，同样的数据将持久化保存在HDFS文件系统中进行备份，保证数据不丢失。
该实施例能够对健康数据进行存储并提供秒级数据可视化展示，极大的解决了健康管理中遇到的对于健康数据分析的需求。
在一实施例中，预警模块基于标准健康指标，对比分析所述数据收集模块中实时收集的健康数据，对超过标准健康指标的数据进行实时预警，具体实施过程如下：
首先，针对以下给出的标准健康指标，对比分析实时动态监测的健康数据。根据各类数据的特征特性，分别对体重体脂血压脉搏数以及血氧饱和度等指标作数值分析；对心电图作波形分析；对舌面相作颜色分析。其次，结合各类标准指标，对超过标准范围的指标进行实时预警。根据异常的严重程度进行评级，最后为用户提交分级别的预警报告。
标准健康指标如下：
1.身高、体重动态监测
标准体重指标
2.体脂动态监测男士参照表
女士参照表
3.动脉硬化检测
血压、脉压及脉率正常值参考范围
肱动脉血压范围与危险程度参照表
脉搏数标准范围和危险程度参照表
| 脉搏数 | 级别预警 |
| 少于60次/分 | 心动过缓 |
| 60-80次/分 | 安静状态 |
| 超过100次/分 | 心动过速 |
4.生理参数测试仪
1)心电图检测
设备提供波形是否异常结论。
2)血氧饱和度
| 血样饱和度 | 级别预警 |
| ≤90％ | 血氧值过低，请咨询医生 |
| 95％<血样饱和度≤95％ | 血氧值偏低，请注意休息 |
| >95％ | 正常 |
5.中医舌面相诊断
按中医体质辨识，用高清摄像头采集面相信息和舌相信息，然后通过图像处理技术进行自动诊断。通过图像处理技术进行自动诊断属于现有技术，此处不再赘述。
在一实施例中，预测模块用于通过预设的基于增量LSTM的健康时序知识图谱链接预测模型对所述健康数据进行实体关系学习，对健康进行预测，得到预测结果。具体实施过程如下：
在本发明实施例中，预设的基于增量LSTM的健康时序知识图谱链接预测模型，其结构如图1所示，包括三元组向量化层、LSTM序列增量学习层、序列特征组合层和分类层。其中：
输入层用于通过TransR对输入的健康时序知识图谱中的三元组序列进行向量化。具体为：
考虑不同语义空间，对于多对多关系有更精确的向量化表示，在TransE模型的基础上对实体向量向关系空间中进行投影，然后建立从头实体到尾实体的转换关系，将健康时序知识图谱G中的三元组序列<Ei,R,Ej>嵌入到低维空间内。
TransR中对于每个关系，都定义了一个投影矩阵Mr，将实体向量从实体空间投影到关系r的子空间，lhr和lht表示为：
lhr＝lhMr
ltr＝ltMr
对应的损失函数为：
其中：
Mr表示将实体向量从实体空间投影到关系r的子空间的投影矩阵；
lh表示在实体空间坐标系的上实体h向量；
lhr表示在关系r的子空间坐标系的上实体h向量；
lt:表示在实体空间坐标系的上实体t向量；
ltr表示在关系r的子空间坐标系的上实体t向量；
fr(h,t)表示一个实体是多种属性的综合体，不同关系关注实体的不同属性。直觉上一些相似的实体在实体空间中应该彼此靠近，但是同样地，在一些特定的不同的方面在对应的关系空间中应该彼此远离。基于这一原理，fr(h,t)是指对于每个元组(h,r,t)，将实体空间中的实体通过投影矩阵Mr向关系r投影得到lhr和ltr后，真实值ltr与关系r下的lhr和lr之和的L1/L2范数。
将三元组序列<h,R,t〉输入到TransR转换模型向量化之后，得到<lh,lr,lt〉。
上述健康时序知识图谱G中的三元组序列是指：
健康时序知识图谱为一张有向标签图Gt＝(t0,te,E,R,τ)，其中E为知识图谱的顶点集，用于表示实体集合；R为知识图谱的边集，用于表示事实关系集合；τ为E×E→R|k的函数，表示知识图谱中的所有元组；k表示在时间段[t0,te]按照时间前后排序的知识图谱三元组序列列表中，两实体之间存在第k次的关系R。例如：现有一个2015-2016年的健康时序知识图谱Gt＝(2015-01-01,2016-01-01,E,R,τ)，则患者张三的血糖检测三元组序列为：
L(t0,te,τ)＝{(张三，血糖检查|第1次检查，正常),
(张三，血糖检查|第2次检查，异常偏高)，
(张三，血糖检查|第3次检查，异常偏高)，…}
LSTM序列增量学习层用于通过LSTM对上下文的前后分析，对向量化后的三元组序列进行特征提取，得到特征向量。具体为：
然后将批量向量化后的三元组序列组成的矩阵输入到LSTM中，通过LSTM对上下文的前后分析，对三元组序列提取特征，输出更精确的特征向量<V`h,V`r,V`t>(即附图中的V(1)……V(n))。通过LSTM对上下文的前后分析，对三元组序列提取特征属于现有技术，此处不再赘述。
序列特征组合层用于采用增量形式代替简单的前后连接过程，当后一个向量与前一个向量在同一位置上有值时，通过增量相加来强化特征，得到组合特征向量。具体为：
在上下三元组序列中，采用增量形式代替简单的前后连接过程：当后一个向量与前一个向量在同一位置上有值时，即增量相加来强化特征，并将强化后的向量V(即组合特征向量)作为下一个的输人。
分类层，用于对强化后的向量V进行LSTM和sigmoid处理，输出实体之间的关系预测结果。
需要说明的是，在本发明实施中，从基于增量LSTM的健康时序知识图谱链接预测模型中得出的预测结果是基于时序链接预测和健康时序知识图谱的基础上得出的。其中，时序链接预测是指在健康时序知识图谱G中，通过对已知信息的分析，通过图谱中两个实体E1和E2，预测出二者之间可能存在诊断某种疾病的关系R。
以健康时序知识图谱为例，给出时序链接预测实例：由于糖尿病患者在就诊过程中有多次指标检测等，因此有糖尿病时序知识图谱中的三元组序列X(i)作为输入，经过链接预测，可以预测出该患者实体与眼病实体之间是否具有患有关系Y，即为输出。整个预测过程可以表示为：
P＝{X,Y}＝{X(1),X(2),…,X(n),Y}
其中：X(1)描述有关该患者实体的各类关系所对应的三元组序列，可视为患者各方面的属性：
其中：n表示属性的数量。
需要说明的是，在本发明实施例中，基于增量LSTM的健康时序知识图谱链接预测模型是预先训练的，训练过程如下：
经过上述3个层次处理之后，对每一类的三元组序列都通过增量计算，进行上述的特征组合提取，直到得到最终的特征向量作为分类器的输人，整个训练过程采取反向传播进行调参。具体的时序链接预测模型的训练算法如算法2所示。
算法2.时序链接预测模型训练过程。
输入：按照时间从前往后排序的三元组序列；
输出：0或1，1代表该三元组序列为正确事实，0则反之。
Nit：使用批数据集训练的次数；
Dtr/Dte：训练集/测试集；
M：序列增量层中LSTM的数量；
E：分类层中的损失值；
AEm：序列增量层中第m个LSTM的损失值；
S：批数据集的数量；
第i次训练中：序列增量层中第m个LSTM的参数/分类层中LSTM的参数。
具体的训练过程如下：
1、对M个序列增量层中LSTM进行初始化每个LSTM的参数；
2、使用批数据集对整个模型循环训练Nit次；
3、j从1到s迭代计算；
4、对D数据集进行数据准备操作，分出Dtr训练集用于训练；
5、在增量学习层，使用每个LSTM提取特征，即m从1到M迭代计算；
6、使用Dtr训练集训练LSTM神经元得到参数使用带有参数/>的LSTM模型提取第m个特征V(m)；
7、在特征组合层，将新学习到的第m个特征组合到特征V中；
8、结束m从1到的M次迭代；
9、将特征组合层的V和参数Cθi-1输入到分类层得到分类结果E
10、将E和Cθi-1计算误差进行反向传播更新上一个参数Cθi，并得到新的分类结果AE；
11、m从1到M迭代计算；
12、在分类层到特征组合层，将分类结果AE分配到m个AEm分类结果；
13、在特征组合层到增量学习层中反向传播参数，即对分配给m个LSTM神经元的分类结果AEm和分配给m个LSTM神经元的参数进行反向传播计算得到/>
14、结束特征组合层到增量学习层的反向传播计算；
15、结束Nit次的批数据集循环训练。
其代码如下：
在一实施例中，系统还包括：用于基于预警模块的预警结果、预测模块的预测结果和存储的健康数据，面向群体在不同情景下提供个性化健康知识服务的个性化推荐模块。具体为：
聚合动态健康监测的健康数据和历史健康大数据，精确实时地追踪人的健康状况，进行主动干预，防病于未然。其次，根据健康预警结果和健康预测的结果，结合群体的行为特征和行为模式，分析健康需求，进而面向群体在不同情景下提供个性化健康知识服务。
本发明实施例还提供一种基于时序知识图谱的全景式健康动态监测与预测方法，如图2所示，该方法包括以下步骤：
实时收集健康数据；
对所述数据收集模块中实时收集的健康数据进行存储与全景式实时展示；
基于标准健康指标，对比分析所述数据收集模块中实时收集的健康数据，对超过标准健康指标的数据进行实时预警；
通过预设的基于增量LSTM的健康时序知识图谱链接预测模型对健康数据进行实体关系学习，对健康进行预测，得到预测结果。
可理解的是，本发明实施例提供的上述基于时序知识图谱的全景式健康动态监测与预测方法与上述基于时序知识图谱的全景式健康动态监测与预测系统相对应，其有关内容的解释、举例、验证等部分可以参考基于时序知识图谱的全景式健康动态监测与预测系统中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例采用基于增量LSTM的健康时序知识图谱链接预测模型。该模型用于以健康动态监测数据记录为基础，所创建具有时序特性的健康时序知识图谱，采用LSTM递归神经网络，加入图谱中的上下关联信息，进行序列化学习，接着对时序信息做增量计算，对时序信息提取更精准的特征向量。最后，不断通过增量计算和LSTM递归神经网络进行深层学习，提高预测准确度。
2、本发明实施例能够解决健康数据收集的需求，同时能够对健康数据全景式实时展示，可以极大地解决动态健康监测中对健康数据分析的需求。
3、本发明实施例聚合动态健康监测的健康数据和历史健康大数据，精确实时地追踪人的健康状况，进行主动干预，防病于未然。其次，根据健康预警结果和健康预测的结果，结合群体的行为特征和行为模式，分析健康需求，进而面向群体在不同情景下提供个性化健康知识服务。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于时序知识图谱的全景式健康动态监测与预测系统，其特征在于，包括：
数据收集模块，用于实时收集健康数据；包括：
所述数据收集模块为动态健康监测终端，通过动态健康监测终端实时采集健康数据，所述健康数据包括身高、体重、体脂、血压、脉搏数、心电图、血氧饱和度和舌面相图；
往消息队列中不断写入健康数据；
将健康数据以Json格式推送到RabbitMQ集群；
通过Flume读取RabbitMQ的消息，并将消息转发给Elasticsearch集群与Hadoop集群；
数据存储和展示模块，用于对所述数据收集模块中实时收集的健康数据进行存储与全景式实时展示，包括：
在Elasticsearch中，通过对每条数据建立索引，通过倒排索引的技术，支持快速查询数据消息；通过Kibana工具对索引健康数据进行可视化分析；
将健康数据保存在HDFS文件系统中进行备份；
预警模块，用于基于标准健康指标，对比分析所述数据收集模块中实时收集的健康数据，对超过标准健康指标的数据进行实时预警；
预测模块，用于通过预设的基于增量LSTM的健康时序知识图谱链接预测模型对所述健康数据进行实体关系学习，对健康进行预测，得到预测结果。
2.如权利要求1所述的基于时序知识图谱的全景式健康动态监测与预测系统，其特征在于，还包括：
个性化推荐模块，用于基于预警模块的预警结果、预测模块的预测结果和存储的健康数据，面向群体在不同情景下提供个性化健康知识服务。
3.如权利要求1～2任一所述的基于时序知识图谱的全景式健康动态监测与预测系统，其特征在于，所述预设的基于增量LSTM的健康时序知识图谱链接预测模型，包括：
三元组向量化层，用于通过TransR对输入的健康时序知识图谱中的三元组序列进行向量化；
LSTM序列增量学习层，用于通过LSTM对上下文的前后分析，对向量化后的三元组序列进行特征提取，得到特征向量；
序列特征组合层，用于采用增量形式代替简单的前后连接过程，当后一个向量与前一个向量在同一位置上有值时，通过增量相加来强化特征，得到组合特征向量；
分类层，用于对组合特征向量进行LSTM和sigmoid处理，输出实体之间的关系预测结果。
4.如权利要求3所述的基于时序知识图谱的全景式健康动态监测与预测系统，其特征在于，所述健康时序知识图谱中的三元组序列包括：
健康时序知识图谱为一张有向标签图Gt＝(t0,te,E,R,τ)，其中E为知识图谱的顶点集，表示实体集合；R为知识图谱的边集，表示事实关系集合；τ为E×E→R|k的函数，表示知识图谱中的所有元组；k表示在时间段[t0,te]按照时间前后排序的知识图谱三元组序列列表中，两实体之间存在第k次的关系R；三元组序列为L(t0,te,τ)。
5.如权利要求3所述的基于时序知识图谱的全景式健康动态监测与预测系统，其特征在于，所述预测结果包括：
通过对已知信息的分析，对健康时序知识图谱G中两个实体E1和E2，预测出二者之间存在诊断某种疾病的关系R。
6.一种基于时序知识图谱的全景式健康动态监测与预测方法，其特征在于，所述方法包括以下步骤：
实时收集健康数据，包括：
通过动态健康监测终端实时采集健康数据，所述健康数据包括身高、体重、体脂、血压、脉搏数、心电图、血氧饱和度和舌面相图；
往消息队列中不断写入健康数据；
将健康数据以Json格式推送到RabbitMQ集群；
通过Flume读取RabbitMQ的消息，并将消息转发给Elasticsearch集群与Hadoop集群；
对数据收集模块中实时收集的健康数据进行存储与全景式实时展示，包括：
在Elasticsearch中，通过对每条数据建立索引，通过倒排索引的技术，支持快速查询每条数据；通过Kibana工具对索引健康数据进行可视化分析；
将健康数据保存在HDFS文件系统中进行备份；
基于标准健康指标，对比分析所述数据收集模块中实时收集的健康数据，对超过标准健康指标的数据进行实时预警；
通过预设的基于增量LSTM的健康时序知识图谱链接预测模型对健康数据进行实体关系学习，对健康进行预测，得到预测结果。
7.如权利要求6所述的基于时序知识图谱的全景式健康动态监测与预测方法，其特征在于，所述方法还包括：
基于预警模块的预警结果、预测模块的预测结果和存储的健康数据，面向群体在不同情景下提供个性化健康知识服务。
8.如权利要求6～7任一所述的基于时序知识图谱的全景式健康动态监测与预测方法，其特征在于，所述预设的基于增量LSTM的健康时序知识图谱链接预测模型，包括：
三元组向量化层，用于通过TransR对输入的健康时序知识图谱中的三元组序列进行向量化；
LSTM序列增量学习层，用于通过LSTM对上下文的前后分析，对向量化后的三元组序列进行特征提取，得到特征向量；
序列特征组合层，用于采用增量形式代替简单的前后连接过程，当后一个向量与前一个向量在同一位置上有值时，通过增量相加来强化特征，得到组合特征向量；
分类层，用于对组合特征向量进行LSTM和sigmoid处理，输出实体之间的关系预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010755370.1A CN111951965B (zh) | 2020-07-31 | 2020-07-31 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010755370.1A CN111951965B (zh) | 2020-07-31 | 2020-07-31 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111951965A CN111951965A (zh) | 2020-11-17 |
| CN111951965B true CN111951965B (zh) | 2024-01-23 |
Family
ID=73338815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010755370.1A Active CN111951965B (zh) | 2020-07-31 | 2020-07-31 | 基于时序知识图谱的全景式健康动态监测与预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111951965B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113053530B (zh) * | 2021-04-15 | 2022-06-28 | 北京理工大学 | 一种医疗时序数据综合信息提取方法 |
| WO2022226758A1 (zh) * | 2021-04-27 | 2022-11-03 | 株式会社日立制作所 | 健康安全支援装置、系统及方法 |
| CN114023407A (zh) * | 2021-09-27 | 2022-02-08 | 浙江禾连网络科技有限公司 | 一种健康档案缺失值补全方法、系统以及存储介质 |
| CN114758781B (zh) * | 2022-06-15 | 2022-09-06 | 武汉博科国泰信息技术有限公司 | 一种生成用户的健康画像方法和系统、装置及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715013A (zh) * | 2015-01-26 | 2015-06-17 | 南京邮电大学 | 一种基于Hadoop的用户健康数据分析方法和系统 |
| CN108597609A (zh) * | 2018-05-04 | 2018-09-28 | 华东师范大学 | 一种基于lstm网络的医养结合健康监测方法 |
| CN109036546A (zh) * | 2018-06-08 | 2018-12-18 | 浙江捷尚人工智能研究发展有限公司 | 用于临床领域时序知识图谱的链接预测方法及系统 |
| 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 |
| WO2019028332A1 (en) * | 2017-08-03 | 2019-02-07 | iBeat, Inc. | SYSTEMS AND METHODS FOR PERSONAL EMERGENCY SITUATIONS |
| CN109669994A (zh) * | 2018-12-21 | 2019-04-23 | 吉林大学 | 一种健康知识图谱的构建方法及系统 |
| CN110059196A (zh) * | 2019-04-12 | 2019-07-26 | 张晓红 | 一种医学健康领域知识图谱的关系抽取方法及系统 |
| CN110731766A (zh) * | 2018-07-19 | 2020-01-31 | 杭州星迈科技有限公司 | 健康监测方法和系统 |
| CN111292815A (zh) * | 2020-01-16 | 2020-06-16 | 中通服建设有限公司 | 基于云的社区大数据健康服务系统 |
-
2020
- 2020-07-31 CN CN202010755370.1A patent/CN111951965B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104715013A (zh) * | 2015-01-26 | 2015-06-17 | 南京邮电大学 | 一种基于Hadoop的用户健康数据分析方法和系统 |
| WO2019028332A1 (en) * | 2017-08-03 | 2019-02-07 | iBeat, Inc. | SYSTEMS AND METHODS FOR PERSONAL EMERGENCY SITUATIONS |
| CN108597609A (zh) * | 2018-05-04 | 2018-09-28 | 华东师范大学 | 一种基于lstm网络的医养结合健康监测方法 |
| CN109036546A (zh) * | 2018-06-08 | 2018-12-18 | 浙江捷尚人工智能研究发展有限公司 | 用于临床领域时序知识图谱的链接预测方法及系统 |
| 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 |
| CN110731766A (zh) * | 2018-07-19 | 2020-01-31 | 杭州星迈科技有限公司 | 健康监测方法和系统 |
| CN109669994A (zh) * | 2018-12-21 | 2019-04-23 | 吉林大学 | 一种健康知识图谱的构建方法及系统 |
| CN110059196A (zh) * | 2019-04-12 | 2019-07-26 | 张晓红 | 一种医学健康领域知识图谱的关系抽取方法及系统 |
| CN111292815A (zh) * | 2020-01-16 | 2020-06-16 | 中通服建设有限公司 | 基于云的社区大数据健康服务系统 |
Non-Patent Citations (5)
| Title |
|---|
| A Home Health Monitoring System Including Intelligent Reporting and Alerts;H. Garsden et al.;《The 26th Annual International Conference of the IEEE Engineering in Medicine and Biology Society》;全文 * |
| 一种面向临床领域时序知识图谱的链接预测模型;陈德华等;《计算机研究与发展》;20171215(第12期);第2687-2697页 * |
| 中国银行保险传媒股份有限公司编.日志监控分析平台.《2019保险业信息化案例》.北京：中国金融出版社,2019,第391页. * |
| 基于云平台的智能健康监测系统及应用;乔英霞等;《山东科学》;20171215(第06期);全文 * |
| 远程健康监护平台建立和研究;刘宇静等;《中国医学装备》;20160915(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111951965A (zh) | 2020-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111951965B (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
| Ambekar et al. | Disease risk prediction by using convolutional neural network | |
| KR20170061222A (ko) | 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치 | |
| WO2021071688A1 (en) | Systems and methods for reduced lead electrocardiogram diagnosis using deep neural networks and rule-based systems | |
| CN110459328A (zh) | 一种评估心脏骤停的临床决策支持系统 | |
| Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
| CN110491506A (zh) | 心房颤动预测模型及其预测系统 | |
| Dhyani et al. | Arrhythmia disease classification utilizing ResRNN | |
| CN114190950B (zh) | 一种针对含有噪声标签的心电图智能分析方法及心电仪 | |
| KR20210112041A (ko) | 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템 | |
| CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
| Liao et al. | Recognizing diseases with multivariate physiological signals by a DeepCNN-LSTM network | |
| CN111329467A (zh) | 一种基于人工智能的心脏疾病辅助检测方法 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| Tallapragada et al. | Improved atrial fibrillation detection using cnn-lstm | |
| Konnova et al. | Application of neural networks in cardiovascular decision support systems | |
| Ramachandran et al. | Classification of Electrocardiography Hybrid Convolutional Neural Network-Long Short Term Memory with Fully Connected Layer | |
| CN113990502A (zh) | 一种基于异构图神经网络的icu心衰预测系统 | |
| CN110786847B (zh) | 心电信号的建库方法和分析方法 | |
| Zhang et al. | Multi-scale and attention based ResNet for heartbeat classification | |
| Jayasinghe | A Real-Time Framework for Arrhythmia Classification | |
| Abo-Zahhad et al. | Classification of ECG Signals for Detecting Coronary Heart Diseases Using Deep Transfer Learning Techniques | |
| Asgharnezhad et al. | Improving PPG Signal Classification with Machine Learning: The Power of a Second Opinion | |
| Shaik et al. | Enhancing Prediction of Cardiovascular Disease using Bagging Technique | |
| Siekierski et al. | Heart beats classification method using a multi-signal ECG spectrogram and convolutional neural network with residual blocks |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Gu Dongxiao Inventor after: Zhao Wang Inventor after: Wang Xiaoyu Inventor after: Yang Xuejie Inventor after: Xu Jian Inventor after: Su Kaixiang Inventor after: Zhou Chen Inventor before: Zhao Wang Inventor before: Gu Dongxiao Inventor before: Wang Xiaoyu Inventor before: Yang Xuejie Inventor before: Xu Jian Inventor before: Su Kaixiang Inventor before: Zhou Chen |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |