CN113345587B - 基于慢病大数据的人机协同健康案例匹配方法及系统 - Google Patents

Abstract

本发明提供一种基于慢病大数据的人机协同健康案例匹配方法及系统，涉及数据处理技术领域。本发明首先融合用户的来自多通道多模态的动态时序性医疗健康数据，并对这些动态时序性医疗健康数据进行特征提取，再结合医生专家知识对特征进行选择，之后对来自不同模态的数据特征进行融合，并对特征指标分配权重，结合预处理模块归一化的特征，进行线性加权获得健康评价指数，再利用特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度，最后根据健康评价指数和特征值序列相似度为用户个性化生成健康推荐方案。该技术方案解决了现有技术中健康案例匹配存在匹配结果不精准问题。

Description

基于慢病大数据的人机协同健康案例匹配方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于慢病大数据的人机协同健康案例匹配方法及系统。

背景技术

随着我国人口进入老龄化，慢病防治成为新时期我国重大的社会问题。同时医疗信息化的进一步推进，使得医疗信息资源的规模也逐渐庞大起来，产生了海量的医疗健康数据；而自然语言处理技术、图像与音视频处理技术以及多模态数据融合技术的不断向前发展为多通道多模态医疗健康数据的融合提供了技术支撑。如何充分利用这些资源为慢性病用户提供个性化的健康评价方法，成为了未来的研究方向。

目前，已经实现了融合病人的基础数据、检查结果、诊断意见、治疗进展、治疗和康复检测过程中的实时监测等动态数据，利用人工智能技术来构建医疗案例知识库，从而辅助医生进行动态诊断以及为用户进行动态健康策略推荐。

但是，现有技术一方面只考虑了用户在治疗过程中所产生的部分数据，且未考虑数据具备时序性的特点，从而会造成案例匹配结果不够精准；而另一方面，现有技术未能实现医护人员在案例知识库管理与知识解释推荐过程中的参与，人机协同性差，使得案例匹配和推荐无法根据实际情况灵活调整，从而存在推荐结果不够精准的问题。由此可见，现有技术中健康案例匹配存在匹配结果不够精准问题。

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慢病大数据的人机协同健康案例匹配方法及系统，解决了现有技术中健康案例匹配存在匹配结果不精准问题。

(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：

第一方面，本发明首先提出一种基于慢病大数据的人机协同健康案例匹配方法，所述方法包括：

基于多通道获取多模态的时序性医疗健康数据；

对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征；

基于所述数据特征抽取关键特征，并结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；

基于多模态融合方法对多模态的所述数据特征进行融合以获取用户的健康评价指数；

基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度；

基于所述健康评价指数和所述特征值序列相似度对用户进行预警，同时为用户推荐健康方案。

优选的，所述基于多通道获取多模态的时序性医疗健康数据包括：获取来自体检、临床诊断以及可穿戴设备的文本数据、图像数据以及音视频数据。

优选的，所述对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征包括：

对所述医疗健康数据进行数据清洗，并对其进行标准化与离散化处理；

通过最小绝对收缩和选择LASSO算法对处理后的所述时序性医疗健康数据进行特征抽取；

基于抽取的特征和医生标注对特征进行选择以确定数据特征。

优选的，所述基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度包括：

获取当前案例的特征值序列，并基于健康案例知识库获取经典案例的特征值序列，然后利用特征相似度计算算法计算当前案例的特征值序列与经典案例的特征值序列的特征值序列相似度。

优选的，所述方法还包括：基于用户对所述健康方案的评价实时更新所述健康方案。

第二方面，本发明还公开了一种基于慢病大数据的人机协同健康案例匹配系统，所述系统包括：

数据获取模块，用于基于多通道获取多模态的时序性医疗健康数据；

数据预处理模块，用于对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征；

案例知识库构建模块，用于基于所述数据特征抽取关键特征，并结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；

健康状况评价模块，用于利用多模态融合方法对多模态的所述数据特征进行融合以获取用户的健康评价指数；

特征值序列相似度计算模块，用于基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度；

健康方案推荐模块，用于基于所述健康评价指数和所述特征值序列相似度对用户进行预警，同时为用户推荐健康方案。

优选的，所述数据获取模基于多通道获取多模态的时序性医疗健康数据包括：获取来自体检、临床诊断以及可穿戴设备的文本数据、图像数据以及音视频数据。

优选的，所述数据预处理模块对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征包括：

对所述医疗健康数据进行数据清洗，并对其进行标准化与离散化处理；

通过最小绝对收缩和选择LASSO算法对处理后的所述时序性医疗健康数据进行特征抽取；

基于抽取的特征和医生标注对特征进行选择以确定数据特征。

优选的，所述特征值序列相似度计算模块基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度包括：

获取当前案例的特征值序列，并基于健康案例知识库获取经典案例的特征值序列，然后利用特征相似度计算算法计算当前案例的特征值序列与经典案例的特征值序列的特征值序列相似度。

优选的，所述系统还包括：健康方案更新模块，用于基于用户对所述健康方案的评价实时更新所述健康方案。

(三)有益效果

本发明提供了一种基于慢病大数据的人机协同健康案例匹配方法及系统。与现有技术相比，具备以下有益效果：

本发明首先通过多通道获取多模态的动态时序性医疗健康数据，然后对这些动态时序性医疗健康数据进行预处理，特征提取、特征选择以及融合，从而获得健康评价指数；同时结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；再利用特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度，最后基于健康评价指数和特征值序列相似度为用户推荐健康方案。本技术方案为用户匹配健康案例时不仅融合了多通道多模态的医疗健康数据，还考虑了这些数据的动态时序性特点，同时在案例匹配推荐过程中将医生的专业知识融入其中，使得推荐结果更加科学准确、更加个性化与智能化，解决了现有技术中健康案例匹配存在匹配结果不精准的问题，实现了人机协同的健康案例匹配技术更加科学、灵活、准确的目的。

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为本发明实施例中一种基于慢病大数据的人机协同健康案例匹配方法流程图；

图2为本发明实施例中健康案例知识库构建流程图；

图3为本发明实施例中健康方案推荐流程图；

图4为本发明实施例中一种基于慢病大数据的人机协同健康案例匹配系统结构图。

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做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慢病大数据的人机协同健康案例匹配方法及系统，解决了现有技术中健康案例匹配存在匹配结果不够精准的问题，实现了使人机协同的健康案例匹配技术更加科学、灵活、准确的目的。

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：

本技术方案首先融合用户的来自多通道多模态的动态时序性医疗健康数据，并对这些动态时序性医疗健康数据进行特征提取，再结合医生专家知识对特征进行选择，之后对来自不同模态的数据特征进行融合，并对特征指标分配权重，结合预处理模块归一化的特征，进行线性加权获得健康评价指数，再利用特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度，最后根据健康评价指数和特征值序列相似度为用户个性化生成健康推荐方案。该技术方案有效解决了现有技术只考虑了用户在治疗过程中所产生的部分数据，且未考虑这些数据具备时序性的特点，从而会造成案例匹配结果不够精准的问题，同时也解决了现有健康案例推荐技术人机协同性差，健康案例匹配和推荐时无法根据实际情况进行灵活调整，从而存在推荐结果不够精准的问题。

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。

实施例一：

第一方面，本发明首先提出了一种基于慢病大数据的人机协同健康案例匹配方法，该方法包括：

S1、基于多通道获取多模态的时序性医疗健康数据；

S2、对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征；

S3、基于所述数据特征抽取关键特征，并结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；

S4、基于多模态融合方法对多模态的所述数据特征进行融合以获取用户的健康评价指数；

S5、基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度；

S6、基于所述健康评价指数和所述特征值序列相似度对用户进行预警，同时为用户推荐健康方案。

可见，本发明首先通过多通道获取多模态的动态时序性医疗健康数据，然后对这些动态时序性医疗健康数据进行预处理，特征提取、特征选择以及融合，从而获得健康评价指数；同时结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；再利用特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度，最后基于健康评价指数和特征值序列相似度为用户推荐健康方案。本技术方案为用户匹配健康案例时不仅融合了多通道多模态的医疗健康数据，还考虑了这些数据的动态时序性特点，同时在案例匹配推荐过程中将医生的专业知识融入其中，使得推荐结果更加科学准确、更加个性化与智能化，解决了现有技术中健康案例匹配存在匹配结果不精准的问题，实现了人机协同的健康案例匹配技术更加科学、灵活、准确的目的。

在本发明实施例的上述方法中，为了得到更加准确的健康案例匹配结果，一种较佳的处理方式是，在获取数据时，基于多通道获取多模态的时序性医疗健康数据包括：获取来自体检、临床诊断以及可穿戴设备的文本数据、图像数据以及音视频数据。

另外，为了剔除无效数据以及确定数据特征，一种较佳的处理方式是，在对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征时，包括：

对所述医疗健康数据进行数据清洗，并对其进行标准化与离散化处理；

通过最小绝对收缩和选择LASSO算法对处理后的所述时序性医疗健康数据进行特征抽取；

基于抽取的特征和医生标注对特征进行选择以确定数据特征。

在本发明实施例的上述方法中，考虑到数据的时序性特点对于健康案例推荐结果的影响，所以在相似案例匹配过程当中，需要考虑案例的动态相似，此时一种较佳的处理方式是，在基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度包括：

获取当前案例的特征值序列，并基于健康案例知识库获取经典案例的特征值序列，然后利用特征相似度计算算法计算当前案例的特征值序列与经典案例的特征值序列的特征值序列相似度。

另外，为了让推荐给用户的健康方案可以灵活、趋向准确地更新，一种较佳的处理方式是，所述方法还包括：基于用户对所述健康方案的评价实时更新所述健康方案。

下面结合对本实施例S1-S6步骤的具体解释，来详细说明本发明的具体实现过程。

S1、基于多通道获取多模态的时序性医疗健康数据。

收集来自医院端与用户客户端的用户体检、临床诊断和可穿戴设备等多通道多模态的医疗健康数据存放于数据库中，例如，用户主诉、现病史、既往史等文本数据，以及肺部影像、心电图、超声内镜数据等图像数据和音视频数据等。这里，多通道指数据来源渠道广，多模态指数据形式多样。具体地，从HIS，CIS，LIS，RIS，PACS，EMR，NIS等系统中通过接口导入电子病历、电子健康档案等，通过传感设备获取时序健康监测数据和气候环境数据，融合来自体检、临床诊断和可穿戴设备等多通道的文本数据、图像数据和音视频等数据以及通过传感器感知到的环境数据，如天气数据等。将收集的来自多通道多模态的医疗健康数据存放于系统数据库中，其中，系统数据库包括个人基本信息库、实时监测数据库、专家知识库；个人基本信息库用于存放用户基本数据、生理健康数据；实时检测数据库用于存放用户通过可穿戴设备得到的实时监测数据以及通过传感器收集到的环境数据等；专家知识库用于存放来自医生的专业知识。

S2、对上述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征。

对来自多通道的多模态医疗健康数据进行数据转换与清洗，并对其进行标准化与离散化处理，然后通过最小绝对收缩和选择LASSO算法对其进行特征抽取，再结合抽取的特征和医生标注对特征进行选择以确定数据特征。

S3、基于上述数据特征抽取关键特征，并结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库。

针对进行预处理之后的医疗健康数据，从数据特征中抽取关键特征信息，并结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库。具体的，参见图2，为健康案例知识库构建流程图，健康案例知识库是结合指南、标准流程、现有病例和医生专家知识按照科室构建医学知识图谱，形成如呼吸科知识图谱、心内科知识图谱、神经科知识图谱等等，进而形成的一个案例知识库。健康案例知识库包括用户的病情信息、诊疗过程以及历次诊疗记录等，如包括用户的特征(如胸闷、乏力、呼吸困难、心悸等)、病情摘要、入院身体检查、用户诊断、治疗过程以及关于此病例的讨论，即对于此病例治疗经验的总结。

S4：利用多模态融合方法对多模态的上述数据特征在特征层面进行融合，并基于此获得用户的健康评价指数。

利用多模态融合方法，例如，多核学习算法对各个模态数据进行融合，并通过自动学习为各指标分配权重，进行线性加权获得健康评价指数。具体地，使用多核学习算法将提取出来的文本特征、图像特征以及音视频特征等多模态特征向量映射到高维空间，然后在高维空间进行融合。

S5：基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列相似度。

对慢性病用户的健康医疗数据进行收集时，要考虑数据的时序性特点，比如，针对A患者胃病这个特征,在一段时间内有第1次,第2次,第3次,…,第n次等多个诊断数据，每个诊断数据会对应一个特征值，将这n个特征值按照时间顺序可形成当前案例的特征值序列，在健康案例知识库中有一个经典案例也有对应多次的诊断数据，对应可以得到经典案例的特征值序列。然后利用特征相似度计算算法计算当前案例的特征值序列与经典案例的特征值序列的特征值序列相似度，从而判断某一特征发展趋势的相似性。

S6、基于上述健康评价指数和上述特征值序列相似度对用户进行预警，同时为用户推荐健康方案。

参见图3，为健康方案推荐流程图。根据用户自身健康状态，在医疗健康知识解释与方法推荐过程中，结合指南、标准流程、经典案例以及医生专家知识，对于用户的健康状况进行解释与评价，使用户能够更科学地学习健康知识，以及对于自己的身体健康状况有更加深入的认识，从而能提升自身的健康管理能力，同时，依据动态相似的匹配结果对慢性病用户的身体情况进行预警，并在此基础上为用户生成用户推荐用药方案、康复计划、饮食方案、作息方案等健康方案。

实际当中，为了保证推荐给用户的健康方案可以灵活、向趋向更加准确的方向不断更新，上述方法还包括：

S7、基于用户对上述健康方案的评价实时更新上述健康方案。

对于系统给出的健康方案，用户根据参照过程中的实际情况，对于方案给予评价，从而让系统生成的方案能够更新，使其更具有应用价值，此外用户的评价反馈可以为医生诊疗提供更加实际的依据。

实施例2：

第二方面，本发明还提出了一种基于慢病大数据的人机协同健康案例匹配系统，参见图4，该系统包括：

数据获取模块，用于基于多通道获取多模态的时序性医疗健康数据；

数据预处理模块，用于对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征；

案例知识库构建模块，用于基于所述数据特征抽取关键特征，并结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；

健康状况评价模块，用于利用多模态融合方法对多模态的所述数据特征进行融合以获取用户的健康评价指数；

特征值序列相似度计算模块，用于基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度；

健康方案推荐模块，用于基于所述健康评价指数和所述特征值序列相似度对用户进行预警，同时为用户推荐健康方案。

进一步地，所述数据获取模基于多通道获取多模态的时序性医疗健康数据包括：获取来自体检、临床诊断以及可穿戴设备的文本数据、图像数据以及音视频数据。

进一步地，所述数据预处理模块对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征包括：

对所述医疗健康数据进行数据清洗，并对其进行标准化与离散化处理；

通过最小绝对收缩和选择LASSO算法对处理后的所述时序性医疗健康数据进行特征抽取；

基于抽取的特征和医生标注对特征进行选择以确定数据特征。

进一步地，所述特征值序列相似度计算模块基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度包括：

获取当前案例的特征值序列，并基于健康案例知识库获取经典案例的特征值序列，然后利用特征相似度计算算法计算当前案例的特征值序列与经典案例的特征值序列的特征值序列相似度。

进一步地，所述系统还包括：健康方案更新模块，用于基于用户对所述健康方案的评价实时更新所述健康方案。

可理解的是，本发明实施例提供的基于慢病大数据的人机协同健康案例匹配系统与上述基于慢病大数据的人机协同健康案例匹配方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于慢病大数据的人机协同健康案例匹配方法中的相应内容，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、本发明首先通过多通道获取多模态的动态时序性医疗健康数据，然后对这些动态时序性医疗健康数据进行预处理，特征提取、特征选择以及融合，从而获得健康评价指数；同时结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；再利用特征相似度计算算法获取健康案例的相似性计算结果，最后基于健康评价指数和相似性计算结果为用户推荐健康方案。本技术方案为用户匹配健康案例时不仅融合了多通道多模态的医疗健康数据，还考虑了这些数据的动态时序性特点，同时在案例匹配推荐过程中将医生的知识融入其中，使得推荐结果更加科学准确、更加个性化与智能化，解决了现有技术中健康案例匹配存在匹配结果不精准的问题，实现了人机协同的健康案例匹配技术更加科学、灵活、准确的目的；

2、本发明获取多通道多模态的动态时序性医疗健康数据，不仅保证了数据的全面性，还考虑了医疗健康数据的时序性特点，并进行动态时序性健康案例的匹配，确保了健康案例匹配结果的准确性；

3、本发明将医生的专业知识融入健康案例匹配过程当中，增强了了人机协同性，使得案例匹配和推荐可根据实际情况灵活调整，推荐结果更加科学准确、更加个性化与智能化，进而实现了人在回路。

需要说明的是，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 (6)

1.一种基于慢病大数据的人机协同健康案例匹配方法，其特征在于，所述方法包括：

基于多通道获取多模态的动态时序性医疗健康数据；

对所述动态时序性医疗健康数据进行预处理，并结合医生标注确定数据特征；

基于所述数据特征抽取关键特征，并结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；所述健康案例知识库包括用户的病情信息、诊疗过程以及历次诊疗记录；所述构建健康案例知识库是结合指南、标准流程、现有病例和医生专家知识按照科室构建医学知识图谱进而形成的一个案例知识库，所述健康案例知识库包括用户的特征、病情摘要、入院身体检查、用户诊断、治疗过程以及关于此病例的讨论；

基于多模态融合方法对多模态的所述数据特征进行融合以获取用户的健康评价指数；所述多模态融合方法为使用多核学习算法将提取出来的包括文本特征、图像特征以及音视频特征的多模态特征向量映射到高维空间，然后在高维空间进行融合；

基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度；

基于所述健康评价指数和所述特征值序列相似度对用户进行预警，同时为用户推荐健康方案；

基于用户对所述健康方案的评价实时更新所述健康方案；

所述基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度包括：

获取当前案例的特征值序列，并基于健康案例知识库获取经典案例的特征值序列，然后利用特征相似度计算算法计算当前案例的特征值序列与经典案例的特征值序列的特征值序列相似度；所述特征值序列相似度用于判断特征发展趋势的相似性；所述获取当前案例的特征值序列，并基于健康案例知识库获取经典案例的特征值序列包括：将慢性病用户的每个诊断数据所对应的特征值按照时间顺序形成当前案例的特征值序列，具体为针对用户慢性病特征，在一段时间内有第1次,第2次,第3次,…,第n次的多个诊断数据，每个诊断数据会对应一个特征值，将这n个特征值按照时间顺序形成当前案例的特征值序列，健康案例知识库中的经典案例也有对应多次的诊断数据，对应得到经典案例的特征值序列。

2.如权利要求1所述的方法，其特征在于，所述基于多通道获取多模态的时序性医疗健康数据包括：获取来自体检、临床诊断以及可穿戴设备的文本数据、图像数据以及音视频数据。

3.如权利要求1所述的方法，其特征在于，所述对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征包括：

对所述医疗健康数据进行数据清洗，并对其进行标准化与离散化处理；

通过最小绝对收缩和选择LASSO算法对处理后的所述时序性医疗健康数据进行特征抽取；

基于抽取的特征和医生标注对特征进行选择以确定数据特征。

4.一种基于慢病大数据的人机协同健康案例匹配系统，其特征在于，所述系统包括：

数据获取模块，用于基于多通道获取多模态的动态时序性医疗健康数据；

数据预处理模块，用于对所述动态时序性医疗健康数据进行预处理，并结合医生标注确定数据特征；

案例知识库构建模块，用于基于所述数据特征抽取关键特征，并结合指南、标准流程、经典案例和医生专家知识，构建健康案例知识库；所述健康案例知识库包括用户的病情信息、诊疗过程以及历次诊疗记录；所述构建健康案例知识库是结合指南、标准流程、现有病例和医生专家知识按照科室构建医学知识图谱进而形成的一个案例知识库，所述健康案例知识库包括用户的特征、病情摘要、入院身体检查、用户诊断、治疗过程以及关于此病例的讨论；

健康状况评价模块，用于利用多模态融合方法对多模态的所述数据特征进行融合以获取用户的健康评价指数；所述多模态融合方法为使用多核学习算法将提取出来的包括文本特征、图像特征以及音视频特征的多模态特征向量映射到高维空间，然后在高维空间进行融合；

特征值序列相似度计算模块，用于基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度；

健康方案推荐模块，用于基于所述健康评价指数和所述特征值序列相似度对用户进行预警，同时为用户推荐健康方案；

健康方案更新模块，用于基于用户对所述健康方案的评价实时更新所述健康方案；

所述特征值序列相似度计算模块基于特征相似度计算算法获取当前案例与上述健康案例知识库中经典案例的特征值序列的特征值序列相似度包括：

获取当前案例的特征值序列，并基于健康案例知识库获取经典案例的特征值序列，然后利用特征相似度计算算法计算当前案例的特征值序列与经典案例的特征值序列的特征值序列相似度；所述特征值序列相似度用于判断特征发展趋势的相似性；所述获取当前案例的特征值序列，并基于健康案例知识库获取经典案例的特征值序列包括：将慢性病用户的每个诊断数据所对应的特征值按照时间顺序形成当前案例的特征值序列，具体为针对用户慢性病特征，在一段时间内有第1次,第2次,第3次,…,第n次的多个诊断数据，每个诊断数据会对应一个特征值，将这n个特征值按照时间顺序形成当前案例的特征值序列，健康案例知识库中的经典案例也有对应多次的诊断数据，对应得到经典案例的特征值序列。

5.如权利要求4所述的系统，其特征在于，所述数据获取模基于多通道获取多模态的时序性医疗健康数据包括：获取来自体检、临床诊断以及可穿戴设备的文本数据、图像数据以及音视频数据。

6.如权利要求4所述的系统，其特征在于，所述数据预处理模块对所述时序性医疗健康数据进行预处理，并结合医生标注确定数据特征包括：

对所述医疗健康数据进行数据清洗，并对其进行标准化与离散化处理；

通过最小绝对收缩和选择LASSO算法对处理后的所述时序性医疗健康数据进行特征抽取；

基于抽取的特征和医生标注对特征进行选择以确定数据特征。

Images