CN112309521B - 面向本质计算的跨模态用户医疗数据分析方法 - Google Patents

Abstract

本发明提供一种面向本质计算的跨模态用户医疗数据分析方法，包括以下步骤：S1、获取目标用户的识别类型资源，基于用户的识别类型资源向数据库查询并获取目标用户的隐私医疗数据，所述数据库包括本地数据库和外部数据库；S2、基于DIKW图谱对目标用户的隐私医疗数据进行建模，获取初始类型资源；S3、通过对初始类型资源进行同模态或跨模态融合操作，获取目标类型资源；S4、基于目标类型资源对目标用户健康状况进行分析评估。本发明一方面可以基于患者已有的医疗数据进行健康评估从而为医生的诊治工作提供支撑，并为患者避免不必要的重复检查，另一方面可以起到保护患者医疗数据隐私的作用。

Description

面向本质计算的跨模态用户医疗数据分析方法

技术领域

本发明涉及数据分析技术领域，尤其涉及一种面向本质计算的跨模态用户医疗数据分析方法。

背景技术

大数据时代的来临使得数据的规模变得愈发庞大，对数据进行关联分析可以获取到很多信息，并且数据和信息资源可被概括、逻辑推理成为知识资源，知识资源可以反作用在数据资源和信息资源上，计算推理出更多的对特定目标存在价值的数据资源和信息资源，甚至可以对某些特定目标进行预测分析。目前人们在就医过程中，时常会出现在A医院已经进行了多项检查，后续去往B医院就诊时，还需要进行同样的检查项目以为医生提供诊断依据，类似情况也会发生在不同科室之间，对患者的时间、财力和精力都造成了很大的浪费，并且社会各界对于患者的病情隐私的重视程度日益上升，在就诊过程中如何基于患者个人的医疗数据挖掘相应的数据、信息和知识资源，并基于此为患者的就诊和医生的诊断提供便利，现有技术尚未能很好地处理此问题，有待于研究解决。

发明内容

鉴于此，本发明的目的在于提供一种面向本质计算的跨模态用户医疗数据分析方法，以克服或至少部分解决现有技术所存在的上述问题。

一种面向本质计算的跨模态用户医疗数据分析方法，包括以下步骤：

S1、获取目标用户的识别类型资源，基于用户的识别类型资源向数据库查询并获取目标用户的隐私医疗数据，所述数据库包括本地数据库和外部数据库；

S2、基于DIKW图谱对目标用户的隐私医疗数据进行建模，获取初始类型资源，所述初始类型资源包括初始数据资源和初始信息资源；

S3、通过对初始类型资源进行同模态或跨模态融合操作，获取目标类型资源，所述目标类型资源包括目标数据资源、目标信息资源和目标知识资源；

S4、基于目标类型资源对目标用户健康状况进行分析评估。

进一步的，所述步骤S3中通过对初始类型资源进行同模态或跨模态融合操作，获取目标类型资源，具体包括：

判断初始数据资源间是否存在关联，基于关联的初始数据资源生成初始信息资源；

基于初始信息资源获取轨迹信息，根据轨迹信息计算信息价值，基于轨迹信息和信息价值分析获得目标信息资源。

进一步的，所述判断初始数据资源间是否存在关联，基于关联的初始数据资源生成初始信息资源，具体包括：

计算相关联的初始数据资源个数n，若n≥3，则将初始数据资源两两配对进行随机匹配，对匹配的初始数据资源进行分析形成信息资源，所形成信息资源间两两配对进行下一轮随机匹配，直至获得最终结果；

若n＜3，则直接对相关联的初始数据资源进行关联分析获得初始信息资源。

进一步的，所述判断初始数据资源间是否存在关联，基于关联的初始数据资源生成初始信息资源，具体包括：

计算相关联的初始数据资源个数n，若n≥3，对相关联的初始数据资源进行顺序编号，将第一个初始数据资源与第二个初始数据资源进行关联分析，获得信息资源，将所获得信息资源和第三个初始数据资源进行关联分析，以此类推直至获得最终结果；

若n＜3，则直接对相关联的初始数据资源进行关联分析获得初始信息资源。

进一步的，所述基于初始信息资源获取轨迹信息，根据轨迹信息计算信息价值，基于轨迹信息和信息价值分析获得目标信息资源，具体包括：

基于相关联的初始数据资源D₁、D₂获得的初始信息资源获得轨迹信息R(D₁,D₂)，判断轨迹信息是否分叉；

基于轨迹信息分叉情况计算信息价值。

进一步的，所述基于轨迹信息分叉情况计算信息价值，具体包括：

若轨迹信息单一不分叉，则信息价值ValueR＝Distance(R)，Distance(R)为轨迹信息长度；

若轨迹信息存在分叉，则判断是否有足量数据支撑，若有足量数据支撑，则将轨迹信息相同段表示为TR_Same，分叉段表示为TR_Diff，计算信息价值ValueR＝Distance(TR_Same)+Distance(TR_Diff)*f(TR_Diff)，其中Distance(TR_Same)表示轨迹信息相同段长度，Distance(TR_Diff)表示轨迹信息分叉段长度，f(TR_Diff)表示不同分叉出现概率，基于信息价值计算结果选取轨迹信息对应的初始信息资源作为目标信息资源。

进一步的，所述跨模态融合操作，具体包括：

对初始数据资源和初始信息资源进行跨模态融合操作获取目标信息资源；

对初始数据资源和已知知识资源进行跨模态融合操作获取目标数据资源和目标信息资源中的一种或多种；

对初始信息资源和已知知识资源进行跨模态融合操作获取目标数据资源、目标信息资源和目标知识资源中的一种或多种；

对初始信息资源、初始数据资源和已知知识资源进行跨模态融合操作获取目标数据资源、目标信息资源和目标知识资源中的一种或多种。

与现有技术相比，本发明的有益效果是：

本发明所提供的一种面向本质计算的跨模态用户医疗数据分析方法，基于DIKW图谱对目标用户的隐私医疗数据进行建模，并提取出相应的初始类型资源，通过对不同模态的初始类型资源进行同模态或者跨模态融合操作后，获取目标类型资源，基于对目标类型资源的分析以评估目标用户的健康状况，一方面可以基于患者已有的医疗数据进行健康评估从而为医生的诊治工作提供支撑，并为患者避免不必要的重复检查，另一方面可以起到保护患者医疗数据隐私的作用。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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优选实施例，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是本发明实施例提供的一种面向本质计算的跨模态用户医疗数据分析方法整体流程示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。

参照图1，本发明提供一种面向本质计算的跨模态用户医疗数据分析方法，所述方法包括以下步骤：

S1、获取目标用户的识别类型资源，基于用户的识别类型资源向数据库查询并获取目标用户的隐私医疗数据，所述数据库包括本地数据库和外部数据库。

其中，所述识别类型资源主要为数据资源，可以是目标用户的姓名、身份证号或者其他可用于识别用户的数据。所述本地数据库指目标用户所就真的医院自身建立的用于存储患者隐私医疗数据的数据库，而外部数据库为由第三方搭建的存储有目标用户隐私医疗数据的数据库。

S2、基于DIKW图谱对目标用户的隐私医疗数据进行建模，获取初始类型资源，所述初始类型资源包括初始数据资源和初始信息资源。

S3、通过对初始类型资源进行同模态或跨模态融合操作，获取目标类型资源，所述目标类型资源包括目标数据资源、目标信息资源和目标知识资源。

S4、基于目标类型资源对目标用户健康状况进行分析评估。

所述类型资源包括数据资源、信息资源和知识资源三种模态。其中数据资源Data_DIK由无限个数据Data组成，表示资源的客观存在，包括实体或概念的存在。数据可定义为单独的一个个离散元素，数据的获取可以是从源头的隐私医疗数据中分离出的或者数据资源与其他数据资源、信息资源、知识资源进行关联融合处理后得到的新的数据，它们在没有上下文的情况下不具有任何意义和语义，不与人类的特定目的相关联，它不与自身存在之外的特定语义捆绑在一起，仅仅只作为信息或知识的表现形式和载体，可以是符号、文字、数字、语音、图像、视频等。

所述信息资源Information_DIK由无数信息Information构成，被人理解、有具体解释含义的数据可被称为信息。并且信息记录数据所代表的事物之间的互动，用于用于挖掘、分析、表达不同数据之间的关联关系，关联关系可以由关联Relation()表示。信息就是不同数据之间产生的关联情况，关联为计算机所分析利用，从关联情况中找到不同数据之间的联系，再经过计算机的学习训练对关联进行理解，最后得到能够为特定目的提供有价值的内容，即为信息。

知识资源Knowledge_DIK由知识构成，知识由数据资源Data_DIK和信息资源Information_DIK经过结构化、形式化的推导演绎得到，是基于概率计算或归纳、演绎或溯因推理构建的。Knowledge_DIK在Information_DIK的基础上有了进一步的完善，Information_DIK主要表示的是个体层面，通常是单个实体与单个实体之间的关系，没有上升到群体或是相同类别。Knowledge_DIK在Information_DIK的基础上进行了归纳总结，表示了同一类型事物总体之间，或单个实体与某一类型事物群体之间的语义关系，是基于类型/类级别的完整性抽象关系。

上述实施例中，在从本地或外部数据库获取目标用户的隐私医疗数据后，基于DIKW图谱对目标用户的隐私医疗数据进行建模，从而获取与目标用户过往医疗经历相关的初始类型数据，通过对初始类型数据进行同模态或跨模态融合操作后，获取与目标用户健康状况更为相关的目标类型资源，即可基于目标类型资源对目标用户的健康状况进行分析评估，从而为医生的诊治工作提供有效支撑，在输出时可以仅输出健康评估结果而隐藏作为类型资源来源的隐私医疗数据，从而起到保护用户隐私的效果。

本领域技术人员可以理解，所述步骤S3中对初始类型资源进行同模态或跨模态融合操作以获取目标类型资源可以通过多种算法实现。作为一个示例，所述步骤S3中通过对初始类型资源进行同模态或跨模态融合操作，获取目标类型资源，具体包括：

A1、判断初始数据资源间是否存在关联，基于关联的初始数据资源生成初始信息资源。其中存在关联Existence包括客观存在Existence_Objective和概念存在Existence_Conceptual两种情形，客观存在可用逻辑语言“Ture/False”表示；概念存在可以用“Yes/No”表示。

A2、基于初始信息资源获取轨迹信息，根据轨迹信息计算信息价值，基于轨迹信息和信息价值分析获得目标信息资源。

一些实施方式中，所述步骤A1具体包括以下步骤：

计算相关联的初始数据资源个数n，若n≥3，即Existence_Objective(Data₁,Data₂,...,Data_n)＝True，且这个数据集中的任何数据均两两关联。则将初始数据资源两两配对进行随机匹配，对匹配的初始数据资源进行分析形成信息资源，所形成信息资源间两两配对进行下一轮随机匹配，直至获得最终结果。

具体的，若初始数据资源A已与初始数据资源B配对，则不可再与其他数据资源配对，配对成功即认为两数据资源产生关联，对关联进行分析形成信息资源，所形成的信息资源本身可以作为新的数据进行下轮匹配，若有数据无配对，则在本轮配对过程中保持不变，顺延到下轮配对中和新数据进行新一轮配对。

若n＜3，则直接对相关联的初始数据资源进行关联分析获得初始信息资源。对于数据资源个数较少的且存在互相关联的情形，可不进行拆分关联，直接对离散数据资源进行同模态融合操作。

在本发明另外的实施例中，所述步骤A1还可以通过以下方式实现：

计算相关联的初始数据资源个数n，若n≥3，对相关联的初始数据资源进行顺序编号，将第一个初始数据资源与第二个初始数据资源进行关联分析，获得信息资源，将所获得信息资源和第三个初始数据资源进行关联分析，以此类推直至获得最终结果。

若n＜3，则直接对相关联的初始数据资源进行关联分析获得初始信息资源。

作为一个示例，所述步骤A2具体包括以下步骤：

基于相关联的初始数据资源D1、D2获得的初始信息资源获得轨迹信息R(D1,D2)，判断轨迹信息是否分叉；

基于轨迹信息分叉情况计算信息价值。

Information_DIK是将数据关联起来得到的，最简单的信息是由数据两两关联得出，可用R(D1,D2)表示数据关联得到的信息，可由数据关联的情况得到轨迹信息；用ValueR表示信息的价值，信息价值ValueR主要影响因素是具有重复性的轨迹信息、Knowledge_DIK统计知识、足量数据等，足量数据可以计算数据出现的频度并且支撑评估的准确度和逻辑性，重复性的轨迹信息说明信息主体面对某些情况具有相同的选择/结果，经过Knowledge_DIK统计知识计算出不同信息轨迹出现的概率，以此作为参考，可以评估同一个信息主体可能出现的不同轨迹的概率。轨迹信息可以信息轨迹图的形式呈现以便于分析。

作为一个示例，所述基于轨迹信息分叉情况计算信息价值，具体包括：

若轨迹信息单一不分叉，则信息价值ValueR＝Distance(R)，Distance(R)为轨迹信息长度。轨迹信息单一不分叉说明基于关联的数据资源只能导出一种可能结果，此情形下可以直接将轨迹信息对应的初始信息资源作为目标信息资源以用于目标用户身体健康状况的分析评估。

若轨迹信息存在分叉，则判断是否有足量数据支撑，若有足量数据支撑，则将轨迹信息相同段表示为TR_Same，分叉段表示为TR_Diff，计算信息价值ValueR＝Distance(TR_Same)+Distance(TR_Diff)*f(TR_Diff)，其中Distance(TR_Same)表示轨迹信息相同段长度，Distance(TR_Diff)表示轨迹信息分叉段长度，f(TR_Diff)表示不同分叉出现概率，基于信息价值计算结果选取轨迹信息对应的初始信息资源作为目标信息资源。存在足量数据支撑则说明可得知每条轨迹的出现频度和利用KnowledgeDIK统计知识计算出不同信息轨迹出现的概率，以此为评估用户健康状况提供支撑，且信息价值由关联轨迹信息的长度和每条轨迹出现概率决定，为保证运算有效，为保证运算有效，轨迹相关运算应截止到最短轨迹信息所代表的阶段，即若存在某些条轨迹信息的阶段比最短阶段长，则相关运算截止到最短轨迹信息所代表的阶段，忽略该阶段之后的轨迹信息。

所述步骤S3中，对初始类型资源进行同模态或跨模态融合操作，所述同模态融合操作即对多个相同模态的类型资源进行融合操作，例如对数据资源和数据资源进行融合操作，或信息资源和信息资源进行融合操作。所述跨模态融合操作即对不同模态的类型资源进行融合操作，具体包括：

对初始数据资源和初始信息资源进行跨模态融合操作获取目标信息资源；

对初始数据资源和已知知识资源进行跨模态融合操作获取目标数据资源和目标信息资源中的一种或多种；

对初始信息资源和已知知识资源进行跨模态融合操作获取目标数据资源、目标信息资源和目标知识资源中的一种或多种；

对初始信息资源、初始数据资源和已知知识资源进行跨模态融合操作获取目标数据资源、目标信息资源和目标知识资源中的一种或多种。

其中，对对初始数据资源和初始信息资源进行跨模态融合操作获取目标信息资源，需要考虑Data_DIK和Information_DIK本身的含义和具体解释，且Data_DIK本身的含义经过逻辑判断等发现与Information_DIK的含义关联密切，密切关联包括：Data_DIK是Information_DIK中存在的内容或者是可以表现出Information_DIK的主要内容、或将主要内容按规则进行分类等，则此时Data_DIK可与Information_DIK进行关联融合。一些情形下，当Data_DIK是无明确数值含义的数字，仅仅作为数字被考虑时，Information_DIK和Data_DIK的关联融合可以用Data_DIK的数字表示该Information_DIK中特定行为动作出现的次数。另一些情形中，当Data_DIK和Information_DIK都有明确的含义时，若Data_DIK和Information_DIK所表达的细节标签不一致，则两者进行关联融合可以补充相关细节，为后续分析评估有价值的信息数据。

在对初始数据资源和已知知识资源进行跨模态融合操作获取目标数据资源和目标信息资源中的一种或多种时，若仅获取目标数据资源，则不考虑Data_DIK和Knowledge_DIK本身的含义和具体解释，将Knowledge_DIK的整体直接与Data_DIK进行拼接，拼接形成两个新数据，形式分别为：Data_DIK+Knowledge_DIK，Knowledge_DIK+Data_DIK，“+”表示直接拼接。若同时获取目标数据资源和目标信息资源，则需要考虑Data_DIK和Knowledge_DIK本身的含义和具体解释，Knowledge_DIK和Data_DIK的关联融合主要是用已有的Knowledge_DIK来对该Data_DIK进行理解，从而完成计算、对比匹配、分析评估等特定目的。

在对初始信息资源和已知知识资源进行跨模态融合操作获取目标数据资源、目标信息资源和目标知识资源中的一种或多种时，若仅获取目标数据资源，则不考虑Information_DIK和Knowledge_DIK本身的含义和具体解释，将Knowledge_DIK的整体直接与Information_DIK进行拼接，拼接形成两个新数据，形式分别为：Information_DIK+Knowledge_DIK，Knowledge_DIK+Information_DIK。若同时获取目标数据资源和目标信息资源，则需要考虑Information_DIK和Knowledge_DIK本身的含义和具体解释，Knowledge_DIK和Information_DIK的关联融合主要是用已有的Knowledge_DIK来对该Information_DIK进行理解，从而完成计算、对比匹配、分析评估等特定目的。若同时获取目标数据资源、目标信息资源和目标知识资源，则需要考虑Information_DIK和Knowledge_DIK本身的含义和具体解释，Information_DIK是对相关Knowledge_DIK的内容补充或证明被认为是正确可行的相关材料，则Information_DIK和Knowledge_DIK的关联融合可以产生新的Knowledge_DIK。

在对初始信息资源、初始数据资源和已知知识资源进行跨模态融合操作获取目标数据资源、目标信息资源和目标知识资源中的一种或多种时，若同时获取目标信息资源和目标数据资源，则表示采用Knowledge_DIK对相关问题进行解答、解决某些问题，没有对Knowledge_DIK进行扩充，或是未产生与被利用的Knowledge_DIK完全不同的新知识，或是未在不同领域使用该Knowledge_DIK并得到相关结论。若同时获取目标数据资源、目标信息资源和目标知识资源，则表示采用Knowledge_DIK对相关问题进行解答、解决某些问题，并且对Knowledge_DIK进行扩充，或是产生了全新的、与被利用的Knowledge_DIK相比完全不同的新知识，或是将该Knowledge_DIK运用到了不同领域并且得到相关结论。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种面向本质计算的跨模态用户医疗数据分析方法，其特征在于，所述方法包括以下步骤：

S1、获取目标用户的识别类型资源，基于用户的识别类型资源向数据库查询并获取目标用户的隐私医疗数据，所述数据库包括本地数据库和外部数据库；

S2、基于DIKW图谱对目标用户的隐私医疗数据进行建模，获取初始类型资源，所述初始类型资源包括初始数据资源和初始信息资源；

S3、通过对初始类型资源进行同模态或跨模态融合操作，获取目标类型资源，具体包括：

判断初始数据资源间是否存在关联，基于关联的初始数据资源生成初始信息资源；

基于初始信息资源获取轨迹信息，根据轨迹信息计算信息价值，基于轨迹信息和信息价值分析获得目标信息资源，所述目标类型资源包括目标数据资源、目标信息资源和目标知识资源；

所述基于初始信息资源获取轨迹信息，根据轨迹信息计算信息价值，基于轨迹信息和信息价值分析获得目标信息资源，具体包括：

基于相关联的初始数据资源D1、D2获得的初始信息资源获得轨迹信息R(D1,D2)，判断轨迹信息是否分叉；

基于轨迹信息分叉情况计算信息价值；

所述基于轨迹信息分叉情况计算信息价值，具体包括：

若轨迹信息单一不分叉，则信息价值ValueR＝Distance(R)，Distance(R)为轨迹信息长度；

若轨迹信息存在分叉，则判断是否有足量数据支撑，若有足量数据支撑，则将轨迹信息相同段表示为TR_Same，分叉段表示为TR_Diff，计算信息价值ValueR＝Distance(TR_Same)+Distance(TR_Diff)*f(TR_Diff)，其中Distance(TR_Same)表示轨迹信息相同段长度，Distance(TR_Diff)表示轨迹信息分叉段长度，f(TR_Diff)表示不同分叉出现概率，基于信息价值计算结果选取轨迹信息对应的初始信息资源作为目标信息资源；

S4、基于目标类型资源对目标用户健康状况进行分析评估。

2.根据权利要求1所述的一种面向本质计算的跨模态用户医疗数据分析方法，其特征在于，所述判断初始数据资源间是否存在关联，基于关联的初始数据资源生成初始信息资源，具体包括：

计算相关联的初始数据资源个数n，若n≥3，则将初始数据资源两两配对进行随机匹配，对匹配的初始数据资源进行分析形成信息资源，所形成信息资源间两两配对进行下一轮随机匹配，直至获得最终结果；

若n＜3，则直接对相关联的初始数据资源进行关联分析获得初始信息资源。

3.根据权利要求1所述的一种面向本质计算的跨模态用户医疗数据分析方法，其特征在于，所述判断初始数据资源间是否存在关联，基于关联的初始数据资源生成初始信息资源，具体包括：

计算相关联的初始数据资源个数n，若n≥3，对相关联的初始数据资源进行顺序编号，将第一个初始数据资源与第二个初始数据资源进行关联分析，获得信息资源，将所获得信息资源和第三个初始数据资源进行关联分析，以此类推直至获得最终结果；

若n＜3，则直接对相关联的初始数据资源进行关联分析获得初始信息资源。

4.根据权利要求1所述的一种面向本质计算的跨模态用户医疗数据分析方法，其特征在于，所述跨模态融合操作，具体包括：

对初始数据资源和初始信息资源进行跨模态融合操作获取目标信息资源；

对初始数据资源和已知知识资源进行跨模态融合操作获取目标数据资源和目标信息资源中的一种或多种；

对初始信息资源和已知知识资源进行跨模态融合操作获取目标数据资源、目标信息资源和目标知识资源中的一种或多种；

对初始信息资源、初始数据资源和已知知识资源进行跨模态融合操作获取目标数据资源、目标信息资源和目标知识资源中的一种或多种。

Images