CN113643781B - 基于时序预警信号的健康干预方案个性化推荐方法及系统 - Google Patents

基于时序预警信号的健康干预方案个性化推荐方法及系统 Download PDF

Info

Publication number
CN113643781B
CN113643781B CN202110713143.7A CN202110713143A CN113643781B CN 113643781 B CN113643781 B CN 113643781B CN 202110713143 A CN202110713143 A CN 202110713143A CN 113643781 B CN113643781 B CN 113643781B
Authority
CN
China
Prior art keywords
user
scheme
recommendation
data
value
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
Application number
CN202110713143.7A
Other languages
English (en)
Other versions
CN113643781A (zh
Inventor
顾东晓
刘一莹
李敏
王晓玉
赵旺
鲍超
骆辉
魏亚龙
杨雪洁
苏凯翔
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202110713143.7A priority Critical patent/CN113643781B/zh
Publication of CN113643781A publication Critical patent/CN113643781A/zh
Application granted granted Critical
Publication of CN113643781B publication Critical patent/CN113643781B/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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medicinal Chemistry (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种基于时序预警信号的健康干预方案个性化推荐方法及系统，涉及健康医疗技术领域。本发明的技术方案对获取的用户健康数据进行预处理和再处理之后，基于这些数据构建用户项目评分矩阵和Tag标签属性的偏好矩阵，再利用SVD的协同过滤算法获取健康干预方案的初步推荐方案集合，最后利用BP‑DS神经网络对初步推荐方案集合进行局部调整以获取完整推荐方案，同时，将执行完整推荐方案时所产生的时序性更新数据返回之前的过程进行数据更新，从而动态更新完整推荐方案。该技术方案可以为用户提供精准可靠、完整、连续动态的推荐方案，一定程度上提高了健康监测的准确性。

Description

基于时序预警信号的健康干预方案个性化推荐方法及系统
技术领域
本发明涉及健康医疗技术领域，具体涉及一种基于时序预警信号的健康干预方案个性化推荐方法及系统。
背景技术
患者在治疗、康复、生活过程当中会产生大量的健康医疗信息数据，通过对相关健康医疗信息数据的分析与处理，并配合使用相关数据分析技术来分析用户身体特征信息,可准确发现疾病线索和健康隐患,进而生成推荐干预方案以及提供相关服务，而这些个性化医疗推荐方案和服务能够为患者提供有针对性、符合患者个人特征的个性化医疗服务，使患者的治疗和康复效果更加精准有效。
目前，已有的个性化医疗推荐服务主要是通过可穿戴设备采集患者的生理指标数据，然后对这些数据进行预处理，并通过分类模型进行分类以获得健康判断结果，之后将健康判断结果与知识案例知识库中相同类型的案例做相似度对比，得出结果作为用户的健康知识推荐供用户选择；或检测采集到的用户的实时检测数据预测下一时刻用户的身体特征值，若结果低于下限或者超过上限，则进行预警提醒。
然而，上述技术无法针对患者的个性化身体特征对推荐的干预方案进行局部更改，导致推荐的干预方案不够精准；同时，上述技术无法在患者治疗、康复过程中数据进行更新时，对用户之前选择的健康干预方案进行提取或更新，无法实现推荐干预方案的动态性和连续性，导致结果不准确。由此可知，现有技术推荐的健康干预方案存在由于未考虑患者的个性化身体特征且推荐方案缺乏动态、连续性而导致结果不准确的问题。
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时序预警信号的健康干预方案个性化推荐方法及系统，解决了现有技术推荐的健康干预方案存在由于未考虑患者的个性化身体特征且推荐方案缺乏动态、连续性而导致结果不准确的问题。
(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，本发明首先提出了一种基于时序预警信号的健康干预方案个性化推荐方法，所述方法包括：
获取用户健康数据并对所述用户健康数据进行预处理；
基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵；
基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合；
利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案；
基于执行所述完整推荐方案所产生的时序性更新数据动态更新所述完整推荐方案。
优选的，所述对所述用户健康数据进行预处理包括：对所述用户健康数据进行缺失值处理、异常值处理、重复记录处理、连续变量归一化处理，以及离散数据向量化处理。
优选的，所述基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵，包括：
利用分词工具和特征提取算法分别对预处理后的所述用户健康数据进行文本分词和特征提取；
对经过分词和特征提取后的数据构建<Topic，Tag>向量模型，并用该模型获取用户领域标签向量，然后基于所述用户领域标签向量提取用户项目评分矩阵；
将所有的Tag标签属性用集合表示得到项目标签属性矩阵，再基于项目标签属性矩阵获取Tag标签属性的偏好矩阵。
优选的，所述基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合包括：
对所述用户项目评分矩阵利用SVD进行矩阵分解获取分解后的用户项目评分矩阵；
计算所述分解后的用户项目评分矩阵和项目的Tag标签属性的偏好矩阵之间的综合相似度；
基于所述综合相似度获取用户推荐案例的预测值，并基于所述预测值获取初步推荐方案。
优选的，所述利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案包括：
利用BP-DS神经网络模型挖掘用户的身体特征值变化曲线；
对所述身体特征值变化曲线进行分析以得出干预方案；
基于所述干预方案对所述初步推荐方案进行局部调整以获取完整推荐方案。
第二方面，本发明还提出了一种基于时序预警信号的健康干预方案个性化推荐系统，所述系统包括：
数据获取与预处理模块，用于获取用户健康数据并对所述用户健康数据进行预处理；
数据再处理模块，用于基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵；
初步推荐方案生成模块，用于基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合
完整推荐方案生成模块，用于利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案。
推荐方案更新模块，用于基于执行所述完整推荐方案所产生的时序性更新数据动态更新所述完整推荐方案。
优选的，所述数据获取与预处理模块对所述用户健康数据进行预处理包括：对所述用户健康数据进行缺失值处理、异常值处理、重复记录处理、连续变量归一化处理，以及离散数据向量化处理。
优选的，所述数据再处理模块基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵，包括：
利用分词工具和特征提取算法分别对预处理后的所述用户健康数据进行文本分词和特征提取；
对经过分词和特征提取后的数据构建<Topic，Tag>向量模型，并用该模型获取用户领域标签向量，然后基于所述用户领域标签向量提取用户项目评分矩阵；
将所有的Tag标签属性用集合表示得到项目标签属性矩阵，再基于项目标签属性矩阵获取Tag标签属性的偏好矩阵
优选的，所述初步推荐方案生成模块基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合包括：
对所述用户项目评分矩阵利用SVD进行矩阵分解获取分解后的用户项目评分矩阵；
计算所述分解后的用户项目评分矩阵和项目的Tag标签属性的偏好矩阵之间的综合相似度；
基于所述综合相似度获取用户推荐案例的预测值，并基于所述预测值获取初步推荐方案。
优选的，所述完整推荐方案生成模块利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案包括：
利用BP-DS神经网络模型挖掘用户的身体特征值变化曲线；
对所述身体特征值变化曲线进行分析以得出干预方案；
基于所述干预方案对所述初步推荐方案进行局部调整以获取完整推荐方案。
(三)有益效果
本发明提供了一种基于时序预警信号的健康干预方案个性化推荐方法及系统。与现有技术相比，具备以下有益效果：
1、本发明的技术方案对获取的用户健康数据进行预处理和再处理之后，基于这些数据构建用户项目评分矩阵和Tag标签属性的偏好矩阵，再利用SVD的协同过滤算法获取健康干预方案的初步推荐方案集合，最后利用BP-DS神经网络对初步推荐方案集合进行局部调整以获取完整推荐方案，同时，将执行完整推荐方案时所产生的时序性更新数据返回之前的过程进行数据更新，从而动态更新完整推荐方案。该技术方案可以对用户的病症状况和风险等级做出精准预测，同时可以根据用户的个人身体特征对推荐方案的细节进行调整，以及根据更新数据动态更新最终的推荐方案，从而为用户提供精准可靠、完整、连续动态的推荐方案，一定程度上提高了健康监测的准确性。
2、本发明的技术方案将用户信息划分为几大主题向量，且在用户主题向量(Topic向量)下细分用户标签特征向量(Tag向量)，然后基于多个向量得到用户项目评分矩阵R和Tag标签属性的偏好矩阵，最终实现基于SVD的协同过滤的初步推荐方案集合，为个性化方案的推荐提供了更好的判断依据；
3、本技术方案中运用历史数据预训练后的三层BP模型获得初步预测判断结果后，再根据DS证据论融合初步预测结果，最终得出方案中各条目的最终权重值，依据输入身体数据，得到身体情况变化曲线，依据方案的有效使用时间、效果确定局部干预调整方案以调整和完善最终推荐方案，使得最终得到的推荐方案更具个性化，符合用户的个人特征。
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时序预警信号的健康干预方案个性化推荐方法流程图；
图2为本发明实施例中用户领域标签向量生成流程图；
图3为本发明实施例中生成干预方案以调整推荐方案的流程图。
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。
本申请实施例提供一种基于时序预警信号的健康干预方案个性化推荐方法及系统，解决了现有技术推荐的健康干预方案存在由于未考虑患者的个性化身体特征且推荐方案缺乏动态、连续性而导致结果不准确的问题，实现为患者提供个性化，动态、连续性的健康推荐干预方案。
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：
本发明的技术方案为了针对患者的个性化身体特征变化，以及推荐方案动态、连续性变化等因素会影响推荐结果准确性的问题，对获取的用户健康数据进行处理之后，基于这些数据构建用户项目评分矩阵和Tag标签属性的偏好矩阵，再利用SVD的协同过滤算法获取健康干预方案的初步推荐方案集合，最后利用BP-DS神经网络对初步推荐方案集合进行局部调整以获取完整推荐方案，同时，将执行完整推荐方案时所产生的时序性更新数据返回之前的过程进行数据更新，从而动态更新完整推荐方案。
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1：
第一方面，本发明首先提出了一基于时序预警信号的健康干预方案个性化推荐方法，参见图1，该方法包括：
S1、获取用户健康数据并对所述用户健康数据进行预处理；
S2、基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵；
S3、基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合；
S4、利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案；
S5、基于执行所述完整推荐方案所产生的时序性更新数据动态更新所述完整推荐方案。
可见，本发明的技术方案对获取的用户健康数据进行预处理和再处理之后，基于这些数据构建用户项目评分矩阵和Tag标签属性的偏好矩阵，再利用SVD的协同过滤算法获取健康干预方案的初步推荐方案集合，最后利用BP-DS神经网络对初步推荐方案集合进行局部调整以获取完整推荐方案，同时，将执行完整推荐方案时所产生的时序性更新数据返回之前的过程进行数据更新，从而动态更新完整推荐方案。本技术方案可以对用户的病症状况和风险等级做出精准预测，同时可以根据用户的个人身体特征对推荐方案的细节进行调整，以及根据更新数据动态更新最终的推荐方案，从而为用户提供精准可靠、完整、连续动态的推荐方案，一定程度上提高了健康监测的准确性。
在本发明实施例的上述方法中，为了避免无效数据对于最终完整推荐方案的准确性干扰，一种较佳的处理方式是，对所述用户健康数据进行预处理包括：对所述用户健康数据进行缺失值处理、异常值处理、重复记录处理、连续变量归一化处理，以及离散数据向量化处理。
实际中，为了对预处理后的数据进一步处理，以挖掘数据特征从而获得更准确的推荐结果，一种较佳的处理方式是，在基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵时，包括：
利用分词工具和特征提取算法分别对预处理后的所述用户健康数据进行文本分词和特征提取；
对经过分词和特征提取后的数据构建<Topic，Tag>向量模型，并用该模型获取用户领域标签向量，然后基于所述用户领域标签向量提取用户项目评分矩阵；
将所有的Tag标签属性用集合表示得到项目标签属性矩阵，再基于项目标签属性矩阵获取Tag标签属性的偏好矩阵。
另外，为了获取更准确的初步推荐方案，一种较佳的处理方式是，在基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合时，包括：
对所述用户项目评分矩阵利用SVD进行矩阵分解获取分解后的用户项目评分矩阵；
计算所述分解后的用户项目评分矩阵和项目的Tag标签属性的偏好矩阵之间的综合相似度；
基于所述综合相似度获取用户推荐案例的预测值，并基于所述预测值获取初步推荐方案。
同时，为了根据患者个性化的身体特征，有针对性的对初步推荐方案集合进行调整，一种较佳的处理方式是，在利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案时，包括：
利用BP-DS神经网络模型挖掘用户的身体特征值变化曲线；
对所述身体特征值变化曲线进行分析以得出干预方案；
基于所述干预方案对所述初步推荐方案进行局部调整以获取完整推荐方案。
下面结合对具体步骤的详细解释，来说明本发明一个实施例的具体实现过程。
S1、获取用户健康数据并对所述用户健康数据进行预处理。
首先，获取与患者用户的医疗、健康相关的用户健康数据。在获取用户健康数据时，通过网络抓取、查阅医学资料、医学知识库等方法获取用户的在线问诊文本信息数据、注册信息数据、用户主动提供的病例信息数据等。其中，用户健康数据包括动态数据和静态数据。动态数据如传感器导入数据、心跳检测数据等，静态数据如电子病历等。然后，对获取的上述用户健康数据进行预处理，实现数据的格式化。对用户健康数据进行预处理包括缺失值、异常值以及重复记录的处理，连续变量归一化处理、离散数据向量化处理等，具体地：
对用户健康数据进行空值、异常值处理。依次读入需要处理的数据字段，判断该数据是否是个人主观输入的数据，忽略噪声异常，只需再次判断是否是空值异常，如果是空值异常，则抛弃这条数据；如若不是，则加入到最终的数据集合中去。
对用户健康数据进行连续变量归一化处理。连续变量归一化处理的方法为z-score标准化，用公式可表示为：
Figure BDA0003133750950000091
式中，x是原始用户健康数据，u是样本均值，σ是样本标准差。若x～N(u,σ2)，则
Figure BDA0003133750950000092
经过处理后的数据符合标准正态分布，即均值为0，标准差为1。
对用户健康数据进行离散数据向量化。离散属性的数据进行向量化的方法为：利用one-hot编码方式，将离散特征的每一种取值都看成一种状态，若这一特征中有N个不同的取值，就将该特征抽象成N种不同的状态，N种状态中只有一种状态位值为1，其他状态位值都为0，即N个状态对应N串数字，每个数字只有一个1，其他为0，每串数字代表一个状态，不重复。
通过上述步骤获取与用户医疗健康相关的用户健康数据，并对这些用户健康数据进行预处理，最终输出文本信息格式的用户健康数据。
S2、基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵。
针对上述经过处理后的文本信息格式的用户健康数据，构建用户领域标签向量模型，然后基于用户领域标签向量模型提取用户项目评分矩阵。参见图2，具体地：
1)中文分词。利用jieba分词工具实现对上述经过处理后的文本信息格式的用户健康数据进行文本分词。
再对上述数据利用TFIDF算法进行特征提取。
2)获取用户项目评分矩阵。
2.1)用一个二元组组成的向量<Topic，Tag>来表示用户领域标签向量模型。其中，User表示患者用户，Topic表示疾病、药品、医嘱、评价等主题，Tag表示标签。例如，疾病这个topic，tag就是指这个病的症状1，症状2等。下面为用户主题向量(Topic向量)和用户标签特征向量(Tag向量)生成的具体步骤：
生成用户主题向量(Topic向量)：
定义P(Wi|Cj)为：在特定医学领域Cj条件下关键词Wi的概率，即关键词Wi在领域文档Cj中的出现次数的次数比例；
定义N(Wi∈Cj)为：第j类领域所有的文档中含有Wi的个数；
定义N(Doc∈Cj)为：第j个领域分类上的所有文本个数。
对获取到的所有的文本数据信息进行特征值提取算法处理，构建文本特征向量Doc＝<W1,W2,W3,…,Wn>；
由Doc特征向量计算患者在不同领域的概率，获取在领域分类上的概率向量。
Figure BDA0003133750950000111
Figure BDA0003133750950000112
实际中，为了避免Log函数对N(Wi∈Cj)＝0的这种情况不能求值，在N(Wi∈Cj)的基础上加1，N(Doc∈Cj)+1是为避免分母不能为0的情况。
利用得到的这几类领域的向量进行简单的加成则可获取用户的主题向量(Topic向量)。
生成用户标签特征向量(Tag向量)：
定义Tag＝<tagName，tagWeight>为标签特征，tagName代表标签的名称，tagWeight则是标签对应的权重。由用户的提供的病史信息和问诊交互信息进行训练得到的。同时，当用户标签特征向量维度较多时，对标签的长度进行截断；当标记的标签特征较少时，对向量进行适当的扩充。在本实施例中，规定标签的长度为10，当特征向量维度的个数大于10时，要对标签根据其权重进行排序，只选用其中前10个权重较大的标签；当标签个数小于10时，则对标签向量进行扩充，先通过系统接口获取标签特征向量(N<10，N表示维度)，后获取推荐标签，最终根据用户原有标签和推荐标签进行排序，选取前10个标签特征属性。
2.2)由用户领域标签向量(即用户主题向量(Topic向量)和用户标签特征向量(Tag向量))提取用户项目评分矩阵。多个不同的用户分别对多个不同的项目的评分组成用户项目评分矩阵，记作用户项目评分矩阵R。
3)生成Tag标签属性的偏好矩阵。
3.1)生成项目标签属性矩阵T。
假设所有Tag标签属性可以用一个集合{T1，T2,…,Tn}来表示，其中T代表Tag标签属性。将标签属性处理后的数据用表1来表示，每一行代表着待推荐项目的Tag标签属性，列代表着每一个待推荐项目。如此一来，对于m个待推荐项目就可以构建成一个项目的Tag标签属性矩阵。例如，表1中Tij＝4的代表项目i具备标签属性j的权重为4。
表1
Figure BDA0003133750950000121
3.2)利用项目标签属性矩阵T生成Tag属性的偏好矩阵S，具体为：
Figure BDA0003133750950000122
其中，C表示用户i评分的所有项目的集合。Weightij表示Tag标签属性的偏好矩阵S中的第i行第j列的元素。
S3、基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合。
1)为了简化数据，消除数据冗余，利用SVD进行矩阵分解。输入用户项目评分矩阵R；输出分解后的用户项目评分矩阵R”。具体地：
将用户项目评分矩阵R中的未知数值由列平均值ri代替；
用rij＝rij-ri代替矩阵M的元素rij，得到中间过渡矩阵R'，并进行奇异值分解，得到三个矩阵U、∑、V：
M＝U×∑×VT
简化矩阵∑，对对角线上的元素设置阀值过滤，用0来替换掉所有低于阀值的值，在第k特征值后面的数值都为0，再将对应0值的行和列删除，得到k维的∑k矩阵；其中，T表示矩阵的转置。矩阵∑k简化U、V，得到U'、V'，最终R”＝U'×∑k×V'，R”≈R'；
2)基于分解后的用户项目评分矩阵R”和项目的Tag标签属性的偏好矩阵获取推荐结果集合。具体地：
定义：Pu,i：用户u对项目i的评分预测值；
Figure BDA0003133750950000131
目标用户u对其在已评分项目上的平均分；
SimilarityR(u,v)：用户间的相似度；
SimilarityS(u,v)：属性偏好相似度；
Similarity(u,v)：最终的综合相似度。
利用SVD技术对用户项目评分矩阵R稀疏问题进行优化，后填补缺失值，并计算Pu,i。
Figure BDA0003133750950000132
矩阵U，矩阵S和矩阵V为矩阵R经SVD获取的，可得到三个维度为k的矩阵Uk，Sk和Vk，最后得到一个完整的没有缺失值的用户项目评分矩阵R”，其中，维度k的具体值可以通过实验获取。
针对用户项目评分矩阵R”，利用Pearson相关相似度计算用户间的相似度SimilarityR(u,v)，得到一个用户间的相似性的矩阵：
Figure BDA0003133750950000133
其中，ru,i表示用户u对项目i的项目评分值；
rv,i表示用户v对项目i的项目评分值；
Figure BDA0003133750950000141
表示用户v分别在其所有的项目评分的平均分值，即该用户所有的评分总和与评价过的项目的个数的比值；
C表示用户i评分的所有项目的集合。
在进行预测值计算时，就要对项目Tag标签属性偏好进行计算。根据公式：
Figure BDA0003133750950000142
其中，Weightui表示用户u对项目第i个Tag标签属性的总权重；
Weightu表示用户u所评论的所有的相关项目包含的所有的标签属性的总权重。
属性偏好相似度:
Figure BDA0003133750950000143
综合相似度:Similarity(u,v)＝w×SimilarityR(u,v)+(1-w)SimilarityS(u,v)
其中，Pvi表示用户v对项目i的评分预测值。
对用户项目评分矩阵R”与Tag标签属性的偏好矩阵S进行计算，得到预测值，用公式可表示为：
Figure BDA0003133750950000144
其中，Rv,i表示目标用户v对第i个项目的评分值。
根据上述求得的预测值Preu,i为患者用户推荐案例，并获取初步推荐方案集合。
S4、利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案。参见图3，具体过程包括：
1)利用BP-DS神经网络实现对推荐结果集合中推荐方案的局部调整。具体过程包括：
首先，利用历史文本信息数据对BP-DS神经网络模型进行预训练，然后，利用预训练后的三层BP神经网络挖掘用户身体特征变化与干预条目的关联规则，得出药物、药物剂量与用户身体特征值变化曲线的关系，即身体特征值变化与干预条目的函数关系。身体特征值变化曲线指经过治疗后身体产生变化的曲线。
设输入层节点数为指定用户方案的干预条目数量m(例如，药物数量、运动单项项目等)，隐层节点数n；输出层为用户身体特征采集数量k。
输出层、隐层激活函数采取Relu函数：
Figure BDA0003133750950000151
隐层各个神经元的输出表达式：
Figure BDA0003133750950000152
输出层各个神经元激活值的公式：
Figure BDA0003133750950000153
输出层的各个神经元输出值：
Figure BDA0003133750950000154
期望输出值和实际输出值的差距：
Figure BDA0003133750950000155
输出层的权值调整量：
Δvjk＝α(ot-yt)f'(Bt)Zt j
输出层阈值调整量：
Δθj＝α(ot-yt)f'(Bt)
隐层的权值调整量：
Figure BDA0003133750950000161
隐层阈值调整量：
Figure BDA0003133750950000162
隐层和输出层之间的连接权值：
vjk(M+1)＝vjk(M)+α(ot-yt)f'(Bt)Zt j
隐层和输出层之间新阈值：
θj(M+1)＝θj(M)+α(ot-yt)f'(Bt)
隐层和输入层间新连接权值：
Figure BDA0003133750950000163
隐层和输入层间阈值：
Figure BDA0003133750950000164
其中：α是神经网络学习系数，β是学习系数。
①建立初始结构，设置连接权值和阈值、神经网络的学习率和训练次数；
②输入训练组数据，训练组数据包括神经网络的输入数据Xi和期望输出值Ei；
③通过输入值Xi、连接权值Wij和传递函数，由公式求出隐层的输出值Zj；
④利用Zj，连接权值vjk和阈值θk，求出输出层的激活值、输出层各个神经元的输出值Yk；
⑤期望输出值ok和实际输出值Yk计算矫正误差值，得到输出层权值调整量和阈值调整量；
⑥由vjk、bt、Zj求得隐层的误差调整值，得到隐层的权值调整量和阈值调整量；
⑦由vjk、bt、Zj和θk，通过计算得到隐层和输出层之间的连接权值和新阈值；
⑧由
Figure BDA0003133750950000171
θi和Wij，得到隐层和输入层之间新的连接权值和阈值；
⑨训练样本全部训练完后，如达到预定义的迭代次数或者网络的全局误差小于设定精度，执行⑩，否则迭代次数t＝t+1；
⑩将全局误差记录下，后将隐层的节点个数分别设为n-1和n+1，得到的全局误差与之前全局误差比较，直到全局误差最小，此时得到的隐层节点数就是最优的节点数。
利用指定用户方案中干预条目数量训练上述三层BP神经网络模型，然后获得初步预测判断结果后，再根据DS证据论融合初步预测判断结果、历史判断结果得出方案中各条目的最终权重值。依据输入身体特征数据，得到用户身体特征值变化曲线，依据方案的有效使用时间、效果等确定局部调整方案。
2)生成初步推荐方案的干预方案，并结合干预方案对初步推荐方案进行局部调整以获取完整推荐方案。
2.1)根据上述生成的身体特征值变化曲线，当曲线趋于稳定时，依据正常生理值判断是否达到干预最终效果。如果达到，则输出干预方案与之前初步推荐方案综合成的完整推荐方案，否则获取趋于稳定状态的生理数值，以此为新的数据进行迭代从而获得完整推荐方案。
2.2)根据得出的用户健康趋势预测结果得出完整推荐方案，并将得出的完整推荐方案交由医生进行审核，审核通过后则输出最佳的三条方案完整推荐方案，并将其作为用户的健康知识或方案推荐供用户选择。交互界面输出三条记录，用户选择偏好的方案并备注原因，以供其他用户参考。而此用户的生理数据、判断以及推荐结果作为新的记录存放在数据库的知识案例知识库。个人的生理数据存放在个人基本信息库，推荐完成后形成新的案例后，以案例的形式存放在知识案例知识库。
S5、基于执行所述完整推荐方案所产生的时序性更新数据动态更新所述完整推荐方案。
用户根据意向从上述完整推荐方案中选择一个推荐方案，并按照选择的推荐方案进行治疗之后以及回到医院反复复查的过程中，会不断产生新的时序性更新数据，当产生更新数据时，用户可以根据医生对于治疗康复的建议选择是否更新推荐方案。如果继续执行原推荐方案，则提取案例知识库中原推荐方案的相关信息，与更新数据信息进行对比，大致锁定用户更新数据在身体特征值变化曲线中的位置，给予用户继续使用此推荐方案的建议。否则，以时序性更新数据重新生成干预方案的推荐。即按照上述S4步骤，利用BP-DS神经网络对用户目前所使用的完整推荐方案进行局部调整，以获取更新后的完整推荐方案。
实施例2：
第二方面，本发明还公开了一种基于时序预警信号的健康干预方案个性化推荐系统，该系统包括：
数据获取与预处理模块，用于获取用户健康数据并对所述用户健康数据进行预处理；
数据再处理模块，用于基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵；
初步推荐方案生成模块，用于基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合
完整推荐方案生成模块，用于利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案。
推荐方案更新模块，用于基于执行所述完整推荐方案所产生的时序性更新数据动态更新所述完整推荐方案。
可选的，所述数据获取与预处理模块对所述用户健康数据进行预处理包括：对所述用户健康数据进行缺失值处理、异常值处理、重复记录处理、连续变量归一化处理，以及离散数据向量化处理。
可选的，所述数据再处理模块基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵，包括：
利用分词工具和特征提取算法分别对预处理后的所述用户健康数据进行文本分词和特征提取；
对经过分词和特征提取后的数据构建<Topic，Tag>向量模型，并用该模型获取用户领域标签向量，然后基于所述用户领域标签向量提取用户项目评分矩阵；
将所有的Tag标签属性用集合表示得到项目标签属性矩阵，再基于项目标签属性矩阵获取Tag标签属性的偏好矩阵
可选的，所述初步推荐方案生成模块基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合包括：
对所述用户项目评分矩阵利用SVD进行矩阵分解获取分解后的用户项目评分矩阵；
计算所述分解后的用户项目评分矩阵和项目的Tag标签属性的偏好矩阵之间的综合相似度；
基于所述综合相似度获取用户推荐案例的预测值，并基于所述预测值获取初步推荐方案。
可选的，所述完整推荐方案生成模块利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案包括：
利用BP-DS神经网络模型挖掘用户的身体特征值变化曲线；
对所述身体特征值变化曲线进行分析以得出干预方案；
基于所述干预方案对所述初步推荐方案进行局部调整以获取完整推荐方案。
可理解的是，本发明实施例提供的基于时序预警信号的健康干预方案个性化推荐系统与上述基于时序预警信号的健康干预方案个性化推荐方法相对应，其有关内容的解释、举例、有益效果等部分可以参考基于时序预警信号的健康干预方案个性化推荐方法中的相应内容，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、本发明的技术方案对获取的用户健康数据进行预处理和再处理之后，基于这些数据构建用户项目评分矩阵和Tag标签属性的偏好矩阵，再利用SVD的协同过滤算法获取健康干预方案的初步推荐方案集合，最后利用BP-DS神经网络对初步推荐方案集合进行局部调整以获取完整推荐方案，同时，将执行完整推荐方案时所产生的时序性更新数据返回之前的过程进行数据更新，从而动态更新完整推荐方案。该技术方案可以对用户的病症状况和风险等级做出精准预测，同时可以根据用户的个人身体特征对推荐方案的细节进行调整，以及根据更新数据动态更新最终的推荐方案，从而为用户提供精准可靠、完整、连续动态的推荐方案，一定程度上提高了健康监测的准确性。
2、本发明的技术方案将用户信息划分为几大主题向量，且在用户主题向量(Topic向量)下细分用户标签特征向量(Tag向量)，然后基于多个向量得到用户项目评分矩阵R和Tag标签属性的偏好矩阵，最终实现基于SVD的协同过滤的初步推荐方案集合，为个性化方案的推荐提供了更好的判断依据；
3、本技术方案中运用历史数据预训练后的三层BP模型获得初步预测判断结果后，再根据DS证据论融合初步预测结果，最终得出方案中各条目的最终权重值，依据输入身体数据，得到身体情况变化曲线，依据方案的有效使用时间、效果确定局部干预调整方案以调整和完善最终推荐方案，使得最终得到的推荐方案更具个性化，符合用户的个人特征。
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 (10)

1.一种基于时序预警信号的健康干预方案个性化推荐方法，其特征在于，所述方法包括：
获取用户健康数据并对所述用户健康数据进行预处理；
基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵；
基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合；
利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案；
基于执行所述完整推荐方案所产生的时序性更新数据动态更新所述完整推荐方案；
所述利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案，包括：
利用历史文本信息数据对BP-DS神经网络模型进行预训练；
利用预训练后的三层BP神经网络挖掘用户身体特征变化与干预条目的关联规则，得出药物、药物剂量与用户身体特征值变化曲线的关系，即身体特征值变化与干预条目的函数关系；其中，身体特征值变化曲线表示经过治疗后用户身体产生变化的曲线；
利用指定用户方案中干预条目数量训练上述三层BP神经网络模型，在获得初步预测判断结果后，根据DS证据论融合初步预测判断结果、历史判断结果得出方案中各条目的最终权重值；依据输入身体特征数据，得到用户身体特征值变化曲线，依据方案的有效使用时间、效果确定局部调整方案；
当身体特征值变化曲线曲线趋于稳定时，依据正常生理值判断是否达到干预最终效果；若是，则输出干预方案与之前初步推荐方案综合形成的完整推荐方案；
将得出的完整推荐方案由医生审核通过后，输出最佳的三条完整推荐方案；
根据用户需求，从所述最佳的三条完整推荐方案中选择一个推荐方案，并按照所述推荐方案得到的时序性更新数据，判断用户是否继续使用所述推荐方案；
所述三层BP神经网络的训练过程，包括：
建立初始结构，设置连接权值和阈值、神经网络的学习率和训练次数；
输入训练组数据，训练组数据包括神经网络的输入数据Xi和期望输出值Ei；
通过输入值Xi、连接权值Wij和传递函数，由公式求出隐层的输出值Zj；
利用Zj，连接权值vjk和阈值θk，求出输出层的激活值、输出层各个神经元的输出值Yk；
期望输出值ok和实际输出值Yk计算矫正误差值，得到输出层权值调整量和阈值调整量；
由vjk、Bt、At求得隐层的误差调整值，得到隐层的权值调整量和阈值调整量；其中，At、Bt分别表示隐层和输出层激活值；
由vjk、Bt、Zj和θk，通过计算得到隐层和输出层之间的连接权值和新阈值；
由vjk、Bt、At、
Figure FDA0004237741220000021
θi和Wij，得到隐层和输入层之间新的连接权值和阈值；其中，Wij表示新的连接权值，θi表示新的阈值，/>
Figure FDA0004237741220000022
表示第t次网络输入值；vjk表示隐层和输出层的连接权值；At、Bt分别表示隐层和输出层激活值；
训练样本全部训练完后，若达到预定义的迭代次数或者网络的全局误差小于设定精度，则将全局误差记录下，将隐层的节点个数分别设为n-1和n+1，得到的全局误差与之前全局误差比较，直到全局误差最小，将得到的隐层节点数作为最优的节点数。
2.如权利要求1所述的方法，其特征在于，所述对所述用户健康数据进行预处理包括：对所述用户健康数据进行缺失值处理、异常值处理、重复记录处理、连续变量归一化处理，以及离散数据向量化处理。
3.如权利要求1所述的方法，其特征在于，所述基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵，包括：
利用分词工具和特征提取算法分别对预处理后的所述用户健康数据进行文本分词和特征提取；
对经过分词和特征提取后的数据构建<Topic，Tag>向量模型，并用该模型获取用户领域标签向量，然后基于所述用户领域标签向量提取用户项目评分矩阵；
将所有的Tag标签属性用集合表示得到项目标签属性矩阵，再基于项目标签属性矩阵获取Tag标签属性的偏好矩阵。
4.如权利要求1所述的方法，其特征在于，所述基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合包括：
对所述用户项目评分矩阵利用SVD进行矩阵分解获取分解后的用户项目评分矩阵；
计算所述分解后的用户项目评分矩阵和项目的Tag标签属性的偏好矩阵之间的综合相似度；
基于所述综合相似度获取用户推荐案例的预测值，并基于所述预测值获取初步推荐方案。
5.如权利要求1所述的方法，其特征在于，所述利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案包括：
利用BP-DS神经网络模型挖掘用户的身体特征值变化曲线；
对所述身体特征值变化曲线进行分析以得出干预方案；
基于所述干预方案对所述初步推荐方案进行局部调整以获取完整推荐方案。
6.一种基于时序预警信号的健康干预方案个性化推荐系统，其特征在于，所述系统包括：
数据获取与预处理模块，用于获取用户健康数据并对所述用户健康数据进行预处理；
数据再处理模块，用于基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵；
初步推荐方案生成模块，用于基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合
完整推荐方案生成模块，用于利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案；
推荐方案更新模块，用于基于执行所述完整推荐方案所产生的时序性更新数据动态更新所述完整推荐方案；
所述利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案，包括：
利用历史文本信息数据对BP-DS神经网络模型进行预训练；
利用预训练后的三层BP神经网络挖掘用户身体特征变化与干预条目的关联规则，得出药物、药物剂量与用户身体特征值变化曲线的关系，即身体特征值变化与干预条目的函数关系；其中，身体特征值变化曲线表示经过治疗后用户身体产生变化的曲线；
利用指定用户方案中干预条目数量训练上述三层BP神经网络模型，在获得初步预测判断结果后，根据DS证据论融合初步预测判断结果、历史判断结果得出方案中各条目的最终权重值；依据输入身体特征数据，得到用户身体特征值变化曲线，依据方案的有效使用时间、效果确定局部调整方案；
当身体特征值变化曲线曲线趋于稳定时，依据正常生理值判断是否达到干预最终效果；若是，则输出干预方案与之前初步推荐方案综合形成的完整推荐方案；
将得出的完整推荐方案由医生审核通过后，输出最佳的三条完整推荐方案；
根据用户需求，从所述最佳的三条完整推荐方案中选择一个推荐方案，并按照所述推荐方案得到的时序性更新数据，判断用户是否继续使用所述推荐方案；
所述三层BP神经网络的训练过程，包括：
建立初始结构，设置连接权值和阈值、神经网络的学习率和训练次数；
输入训练组数据，训练组数据包括神经网络的输入数据Xi和期望输出值Ei；
通过输入值Xi、连接权值Wij和传递函数，由公式求出隐层的输出值Zj；
利用Zj，连接权值vjk和阈值θk，求出输出层的激活值、输出层各个神经元的输出值Yk；
期望输出值ok和实际输出值Yk计算矫正误差值，得到输出层权值调整量和阈值调整量；
由vjk、Bt、At求得隐层的误差调整值，得到隐层的权值调整量和阈值调整量；其中，At、Bt分别表示隐层和输出层激活值；
由vjk、Bt、Zj和θk，通过计算得到隐层和输出层之间的连接权值和新阈值；
由vjk、Bt、At、
Figure FDA0004237741220000051
θi和Wij，得到隐层和输入层之间新的连接权值和阈值；其中，Wij表示新的连接权值，θi表示新的阈值，/>
Figure FDA0004237741220000052
表示第t次网络输入值；vjk表示隐层和输出层的连接权值；At、Bt分别表示隐层和输出层激活值；
训练样本全部训练完后，若达到预定义的迭代次数或者网络的全局误差小于设定精度，则将全局误差记录下，将隐层的节点个数分别设为n-1和n+1，得到的全局误差与之前全局误差比较，直到全局误差最小，将得到的隐层节点数作为最优的节点数。
7.如权利要求6所述的系统，其特征在于，所述数据获取与预处理模块对所述用户健康数据进行预处理包括：对所述用户健康数据进行缺失值处理、异常值处理、重复记录处理、连续变量归一化处理，以及离散数据向量化处理。
8.如权利要求6所述的系统，其特征在于，所述数据再处理模块基于预处理后的所述用户健康数据，获取用户项目评分矩阵和Tag标签属性的偏好矩阵，包括：
利用分词工具和特征提取算法分别对预处理后的所述用户健康数据进行文本分词和特征提取；
对经过分词和特征提取后的数据构建<Topic，Tag>向量模型，并用该模型获取用户领域标签向量，然后基于所述用户领域标签向量提取用户项目评分矩阵；
将所有的Tag标签属性用集合表示得到项目标签属性矩阵，再基于项目标签属性矩阵获取Tag标签属性的偏好矩阵。
9.如权利要求6所述的系统，其特征在于，所述初步推荐方案生成模块基于所述用户项目评分矩阵和Tag标签属性的偏好矩阵，利用SVD的协同过滤算法获取初步推荐方案集合包括：
对所述用户项目评分矩阵利用SVD进行矩阵分解获取分解后的用户项目评分矩阵；
计算所述分解后的用户项目评分矩阵和项目的Tag标签属性的偏好矩阵之间的综合相似度；
基于所述综合相似度获取用户推荐案例的预测值，并基于所述预测值获取初步推荐方案。
10.如权利要求6所述的系统，其特征在于，所述完整推荐方案生成模块利用BP-DS神经网络对所述初步推荐方案集合进行局部调整以获取完整推荐方案包括：
利用BP-DS神经网络模型挖掘用户的身体特征值变化曲线；
对所述身体特征值变化曲线进行分析以得出干预方案；
基于所述干预方案对所述初步推荐方案进行局部调整以获取完整推荐方案。
CN202110713143.7A 2021-06-25 2021-06-25 基于时序预警信号的健康干预方案个性化推荐方法及系统 Active CN113643781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110713143.7A CN113643781B (zh) 2021-06-25 2021-06-25 基于时序预警信号的健康干预方案个性化推荐方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110713143.7A CN113643781B (zh) 2021-06-25 2021-06-25 基于时序预警信号的健康干预方案个性化推荐方法及系统

Publications (2)

Publication Number Publication Date
CN113643781A CN113643781A (zh) 2021-11-12
CN113643781B true CN113643781B (zh) 2023-07-04

Family

ID=78416162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110713143.7A Active CN113643781B (zh) 2021-06-25 2021-06-25 基于时序预警信号的健康干预方案个性化推荐方法及系统

Country Status (1)

Country Link
CN (1) CN113643781B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239743B (zh) * 2021-12-22 2023-12-15 电子科技大学 一种基于稀疏时间序列数据的天气事件发生时间预测方法
CN118197528B (zh) * 2024-05-15 2024-09-20 慧医谷中医药科技(天津)股份有限公司 基于多模态体质数据的养生方案生成方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103067325A (zh) * 2013-01-31 2013-04-24 南京邮电大学 基于多类特征参数和证据理论的协作调制识别方法
CN108038629A (zh) * 2017-12-30 2018-05-15 北京工业大学 一种基于协同过滤的优化方法
CN108764520A (zh) * 2018-04-11 2018-11-06 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN109582864A (zh) * 2018-11-19 2019-04-05 华南师范大学 基于大数据科学和动态权重调整的课程推荐方法及系统
CN110188268A (zh) * 2019-05-21 2019-08-30 浙江工商大学 一种基于标签和时间信息的个性化推荐方法
CN110415821A (zh) * 2019-07-02 2019-11-05 山东大学 一种基于人体生理数据的健康知识推荐系统及其运行方法
AU2020101885A4 (en) * 2020-08-19 2020-09-24 Xinjiang University A Novel Tensor Factorization Using Trust and Rating for Recommendation, system and method thereof
CN112632373A (zh) * 2020-12-14 2021-04-09 华东师范大学 一种基于概率矩阵分解的个性化推荐方法、设备、计算机可读存储介质
WO2021114840A1 (zh) * 2020-05-28 2021-06-17 平安科技（深圳）有限公司 基于语义分析的评分方法、装置、终端设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103067325A (zh) * 2013-01-31 2013-04-24 南京邮电大学 基于多类特征参数和证据理论的协作调制识别方法
CN108038629A (zh) * 2017-12-30 2018-05-15 北京工业大学 一种基于协同过滤的优化方法
CN108764520A (zh) * 2018-04-11 2018-11-06 杭州电子科技大学 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN109582864A (zh) * 2018-11-19 2019-04-05 华南师范大学 基于大数据科学和动态权重调整的课程推荐方法及系统
CN110188268A (zh) * 2019-05-21 2019-08-30 浙江工商大学 一种基于标签和时间信息的个性化推荐方法
CN110415821A (zh) * 2019-07-02 2019-11-05 山东大学 一种基于人体生理数据的健康知识推荐系统及其运行方法
WO2021114840A1 (zh) * 2020-05-28 2021-06-17 平安科技（深圳）有限公司 基于语义分析的评分方法、装置、终端设备及存储介质
AU2020101885A4 (en) * 2020-08-19 2020-09-24 Xinjiang University A Novel Tensor Factorization Using Trust and Rating for Recommendation, system and method thereof
CN112632373A (zh) * 2020-12-14 2021-04-09 华东师范大学 一种基于概率矩阵分解的个性化推荐方法、设备、计算机可读存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DeepReco: Deep Learning Based Health Recommender System Using Collaborative Filtering;Abhaya Kumar Sahoo 等;Computation;全文 *
基于BP神经网络和D-S证据理论的医院审计预警决策研究;郭媛;姚丽云;;工业控制计算机(10);全文 *
基于数据挖掘技术的肺癌风险评估与诊断及组织分型系统研究;王霞;知网博士电子期刊;全文 *
融合标签信息的卷积矩阵分解推荐算法;顾军华;李新晨;张亚娟;董彦琦;;计算机应用与软件(03);全文 *
面向医疗系统的多样性数据深层神经网络推荐算法;李晓峰;李东;王妍玮;;沈阳大学学报(自然科学版)(03);全文 *

Also Published As

Publication number Publication date
CN113643781A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN111192680B (zh) 一种基于深度学习和集成分类的智能辅助诊断方法
CN111540468B (zh) 一种诊断原因可视化的icd自动编码方法与系统
CN111524571B (zh) 一种脑卒中患者个性化治疗方案推荐系统
CN112002411A (zh) 一种基于电子病历的心脑血管病知识图谱问答方法
CN110210037A (zh) 面向循证医学领域的类别检测方法
CN109036577B (zh) 糖尿病并发症分析方法及装置
CN107193919A (zh) 一种电子病历的检索方法及系统
CN111949759A (zh) 病历文本相似度的检索方法、系统及计算机设备
CN113643781B (zh) 基于时序预警信号的健康干预方案个性化推荐方法及系统
CN103020454A (zh) 发病关键因素提取与疾病预警方法及系统
CN109360658B (zh) 一种基于词向量模型的疾病模式挖掘方法及装置
CN113553440B (zh) 一种基于层次推理的医学实体关系抽取方法
CN116364299B (zh) 一种基于异构信息网络的疾病诊疗路径聚类方法及系统
CN112735597A (zh) 半监督自学习驱动的医学文本病症辨识方法
CN112735584B (zh) 一种恶性肿瘤诊疗辅助决策生成方法及装置
CN117854659B (zh) 一种临床试验用ai交互方法及系统
Abaho et al. Detect and Classify--Joint Span Detection and Classification for Health Outcomes
CN114743647A (zh) 医疗数据处理方法、装置、设备及存储介质
CN113284627B (zh) 基于患者表征学习的用药推荐方法
CN118116578A (zh) 基于GPT-4和LangChain的药品推荐方法
CN110299194A (zh) 基于综合特征表示与改进宽深度模型的相似病例推荐方法
CN117473104A (zh) 基于慢性病管理的知识图谱搭建方法
CN116721730B (zh) 一种基于数字疗法的患者全程管理系统
CN113643825A (zh) 基于临床关键特征信息的医疗案例知识库构建方法和系统
CN117194604A (zh) 一种智慧医疗病患问诊语料库构建方法

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