CN115644823B - 康复效果动态预测及个体化干预系统 - Google Patents

Abstract

本发明公开了一种康复效果动态预测及个体化干预系统，首先获取患者综合康复评估、康复干预方案、康复规律和康复应用场景等多源时空信息数据并进行预处理、相关性分析和迁移验证，以及多源时空特征提取和融合；接着建立康复效果动态预测与个体化干预模型，并通过反馈优化和迭代更新模块对模型进行迭代和优化，动态预测康复结果；通过预测康复结果与临床评定结果对比，动态反馈优化模型，并动态更新康复处方；最后，将系统部署在本地或云服务器上应用。本发明建立康复效果动态预测和个体化干预模型，通过模型自学习和康复处方动态更新和迭代，使康复效果最优化，此时康复干预方案最优，随着时间推移，即可得到个体化全程最优康复干预方案。

Description

康复效果动态预测及个体化干预系统

技术领域

本发明属于医疗设备技术和计算机辅助诊断领域，特别是涉及一种康复效果动态预测及个体化干预系统。

背景技术

脑卒中、脑外伤、慢阻肺等都需要做康复，康复可有效改善预后，并且康复是一个长期的过程。临床上目前对于患者个体预后康复效果及康复规律，尚无技术实现。另一方面，每位患者病情病史干预方式等差异较大，如何在常规康复治疗路径的基础上结合自身特点进行个体化的康复，实现全程康复方案的动态优化及康复效果最优化，目前也未见技术实现。

综上所述，康复效果动态预测及个体化干预模型和方法及其系统实现，在临床研究和实践中是亟待解决的问题和临床康复的迫切需求。

发明内容

本发明目的解决上述背景技术中提出的问题，研究建立人工智能全程康复预测及干预模型，以患者年龄、性别、病史、病情、脑功能、心肺功能、运动功能、感觉功能、神经肌肉功能、多维评估量表等患者综合定量评估结果及物理康复、运动康复等康复干预手段等不同时间节点数据，进一步融合康复规律数据和不同应用场景数据，上述所有数据作为模型参数，通过多源时空信息融合，建立康复效果动态预测和个体化干预模型，动态预测康复效果及发展趋势，并通过干预手段优化调整模型参数，以达到最优康复效果，为患者全程康复提供个性化和最优化康复辅助决策。

为了实现本发明目的，本发明公开了一种康复效果动态预测及个体化干预系统，包括多源时空信息融合模块、康复效果动态预测模型、个体化干预模型、反馈优化和迭代更新模块；多源时空信息融合模块包括数据预处理单元、时空相关性分析和迁移学习单元、时空特征提取单元、时空特征融合单元；具体工作流程如下：

步骤1、通过多源时空信息融合模块获取患者的多源时空信息数据并进行预处理，接着对预处理过的数据进行相关性分析和迁移验证，对其中的时空特征进行提取和融合；患者的多源时空信息数据包括综合量化康复评定、康复干预处方和范式、时间信息、康复规律信息、不同应用场景信息；

时空特征融合具体采用5种注意力逐级融合提取多源时空信息特征的相关性，逐级融合方法捕获从微观到宏观的多个时空相关性；其中，注意力融合1，注意力融合2，注意力融合3和注意力融合4用于融合患者不同维度、不同时间、康复规律、不同场景4个类别的特征及权重；不同维度、不同时间、康复规律、不同场景分别是指多源时空信息数据中综合量化康复评定结果及康复干预处方和范式的多维信息、不同时间的信息、康复规律的信息、不同康复应用场景的信息；上述4类特征经注意力逐级融合后，建立全连接层和LSTM层；在此基础上，通过连接、重塑，在注意力融合5进一步融合所有类别特征及权重；最后进行融合特征铺平，变成特征矩阵输出；

步骤2、基于深度学习和知识蒸馏技术，建立康复效果动态预测模型和个体化干预模型，动态预测康复结果，并通过反馈优化和迭代更新模块不断进行反馈优化和迭代更新；个体化干预模型为针对患者之间存在的个体化差异，对具体患者数据建立的轻量化模型；康复效果动态预测模型和个体化干预模型均由骨干分类器和多个浅分类器组成；康复效果动态预测模型和个体化干预模型采用阈值控制的自蒸馏方式，允许神经网络对输入数据进行动态推理，由注意力机制提炼的特征重新送入到浅层分类器中，浅层分类器对简单数据进行预测，深层分类器对较难分类的数据预测;

同时，根据康复效果动态预测模型和个体化干预模型得到的预测结果，通过鉴别器进行比较，计算偏差和对抗损失，并由对抗损失结果反馈优化康复效果动态预测模型，包括优化康复效果动态预测模型的骨干分类器和各级浅分类器；对抗损失结果同样反馈优化个体化干预模型，由对抗损失结果反馈给个体化干预模型的预测结果，通过集成对比优化，将结果一方面反馈优化个体化干预模型的骨干分类器和各级浅分类器，另一方面输出对抗损失最小情况下的个体化康复干预参数；

步骤3、将动态预测的康复结果与临床综合评估结果对比，基于个体化康复干预参数，通过模型自学习进行康复处方动态更新和迭代；一方面动态更新反馈优化模型，提高模型泛化能力的预测精度，另一方面动态更新患者康复干预处方，使整个模型最终输出结果最优化，即康复效果最优化；通过上述不断更新迭代和模型优化，使康复预测结果与临床评定结果偏差在不同时间点均达到局部最小，即患者在不同时间点个体化康复干预方案均为最优，得到个体化的全程优化康复干预方案；

步骤4、将康复效果动态预测及个体化干预系统部署在本地或云服务器上应用。

进一步地，步骤1中预处理具体包括以下步骤：

步骤1-1-1、缺失值处理；若从不同时间、地点收集的多源时空信息数据存在缺失的值，将这些缺失的值通过同一特征值的平均值和或中值和或回归预测值来填充；

步骤1-1-2、判断多源时空信息数据是否近似为正态分布，如果不为，则根据各维度数据特征，分别通过正态化方法将不规则数据分布转换为近似正态分布，用于确保了网络的快速稳定收敛；

步骤1-1-3、通过归一化方法将多源时空信息数据标准化，归一化方法包括线性归一化、标准差归一化或非线性归一化；

步骤1-1-4、对需要正则化的多源时空信息数据进行正则化处理。

进一步地，步骤1中相关性分析和迁移验证具体包括以下步骤：

步骤1-2-1、设定数据提取时间戳；对多源时空信息中的时间信息进行相关性分析，通过网格搜索方法，确定最优输入时间戳；

步骤1-2-2、数据相关性分析；对多源时空信息数据进行多维数据相关性、规律数据相关性、康复场景相关性进行时空相关性分析；

采用皮尔逊相关系数用于选择进行时空数据相关性分析，

式中，p是指皮尔逊相关系统，和是两个时间序列，n是时间序列的样本数；

步骤1-2-3、迁移学习和验证；采用基于样本的迁移学习方法、基于特征的迁移学习方法和基于模型的迁移学习方法进行迁移学习和验证，以适用不同应用场景的康复。

进一步地，步骤1中时空特征提取具体包括以下步骤：

步骤1-3-1、对输入的不同时间信息的多维数据，通过空间注意力信息融合方法，分别构建不同时间点的LSTM网络层；采用具有相同冷冻重量的多个LSTM网络层分别从不同时间的多维数据中提取特征，相应的公式如下：

式中，是冻结权重矩阵；是冻结偏差矩阵；是Sigmoid函数；下标t表示时间；分别表示遗忘门、输入门和输出门；C是单元状态；是临时单元状态；是隐藏状态；是表示每个因素的输入；是输出；

步骤1-3-2、通过时间注意力信息融合方法，得到提取特征；

步骤1-3-3、由上述空间注意力、时间注意力信息融合方法，通过局部目标函数对提取到的特征进行验证和修正。

进一步地，步骤1中时空特征融合中，注意力融合1-注意力融合5均通过注意力融合动态调整各特征权重，采用p+1种特征的级联融合方式如下：

式中，表示输入；是可训练权重矩阵；是可训练偏差矩阵；是函数；是函数；是函数；是通过注意力计算的权重；是输出。

进一步地，多源融合特征进入康复效果动态预测模型和个体化干预模型后，各自通过多级卷积层和中间特征数据组成的骨干分类器，得到强预测结果；并对各级中间特征数据，各自通过注意力模块进一步动态调整特征权重，然后建立多级浅分类器，得到多个弱预测结果；接着将强预测结果和所有弱预测结果通过池化，得到总体康复效果预测结果；具体实现如下：

使用骨干分类器F的中间数据信息，引入浅分类器，假设，g是最后分类器，f是特征提取，，其中K表示f中的阶段数，在骨干分类器的中间特征提取阶段，附加分类器用于早期预测，因此共有K个分类器；

定义，有，所有和，如果被选为作为浅分类器，作为最终分类器；每个浅分类器包含两个组件：特征对齐层和softmax层；特征对齐层是为了保证浅层中的特征尺寸等于最后一层的特征尺寸，而softmax层是为了使标签分布与超参数温度T平滑；对于每个，表示为，其中是特征对准层，定义为。

进一步地，步骤4将康复效果动态预测及个体化干预模型和系统部署在本地或云服务器上应用，结合临床研究，建立全程康复效果动态预测和个体化干预系统，将模型优化输出，即预期康复效果、个体化康复处方推送给医生和患者，建立患者个体化的治疗路径和康复策略。

与现有技术相比，本发明的显著进步在于：1）提出一种时空多源信息特征提取和融合方法，包括数据预处理、时空相关性分析和迁移学习、时空特征提取、时空特征融合等阶段，通过多注意力融合方法动态调整权重，可以捕捉到长期的短期康复依赖和时空多维融合特征；2）提出康复效果动态预测与个体化干预方法，建立康复效果动态预测模型为父模型，个体化干预模型为子模型，通过二者的对抗损失评估和集成对比优化，形成康复效果动态预测与个体化干预模型；3）建立完整的康复效果动态预测和个体化干预系统，通过与临床评定结果对比，一方面动态反馈优化模型，另一方面动态更新康复处方，通过模型自学习和康复处方动态更新和迭代，使康复效果最优化，而此时的康复干预处方参数即个体化最优化康复干预方案。随着时间推移，即可得到个体化全程最优康复干预方案。

为更清楚说明本发明的功能特性以及结构参数，下面结合附图及具体实施方式进一步说明。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是时空信息融合及时空多维特征提取流程图；

图2是多源信息时空特征提取图；

图3是时空特征提取方法图；

图4是时空特征融合总体框架示意图；

图5是时空特征融合过程示意图；

图6是康复效果动态预测与个体化干预模型示意图；

图7是康复效果动态预测及个体化干预系统整体架构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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。

本发明数据包括临床数据库数据、开源数据集数据、临床或智能康复设备采集数据等，获取的多源时空信息主要包含：（1）综合量化康复评定，包括患者年龄、性别、病史、病情等基本信息，以及脑功能、心肺功能、运动功能、感觉功能、神经肌肉功能、多维评估量表等患者综合定量评估结果；（2）康复干预处方和范式，包括物理康复处方、运动康复处方、其他康复干预手段、药物等；（3）时间信息，康复过程中不同时间节点的综合量化康复评定结果及康复干预范式等历史信息；（4）康复规律信息，比如肢体运动功能康复顺序一般从近端到远端，从中枢到外周等；（5）不同应用场景信息，主要包括不同地域、不同级别医院、不同康复环境条件下的相关信息数据。

如图1所示，通过数据库数据或采集的数据获取患者的多源时空信息数据，并进行预处理，接着对预处理过的数据进行相关性分析和迁移验证，对其中的时空特征进行提取和融合。

具体地，数据预处理主要包含但不限于缺失值处理、正态化处理、归一化处理、正则化处理等部分。

1）缺失值处理。从不同时间、地点收集的多源时空信息数据可能有缺失的值，这些值通过同一特征值的平均值和或中值和或回归预测值来填充。

2）正态化处理。判断数据是否近似为正态分布，如果不为，则根据各维度数据特别，分别通过对数变换、平方根变换等正态化方法将不规则数据分布转换为近似正态分布。正态分布的数据确保了网络的快速稳定收敛。

3）归一化和标准化处理。归一化方法为线性归一化、标准差归一化、或非线性归一化（对数、指数等）。通过归一化将数据标准化。

4）正则化处理。对需要正则化的数据进行正则化处理，采用L1正则化、L2正则化和或其他常用的正则化方法。

具体地，时空相关性分析和迁移学习主要包含但不限于：数据提取时间戳、多维数据相关性、规律数据相关性、康复场景相关性等时空相关性分析，以及通过迁移学习对时空相关性分析进行验证。

1）数据提取时间戳。对时间信息进行相关性分析，通过网格搜索等方法，确定较好的输入时间戳记。

2）数据相关性分析。对多维数据相关性、规律数据相关性、康复场景相关性等时空相关性分析。

采用皮尔逊相关系数用于选择进行时空数据相关性分析。

其中，p是皮尔逊相关系统，和是两个时间序列，n是时间序列的样本数。

3）迁移学习和验证。采用基于样本选择的方法进行迁移学习，根据基于距离度量的方法和基于元学习的方法等方法进行样本选择，以适用不同应用场景的康复。

时空特征提取的总体框架如图2所示，主要包含但不限于个体多维数据特征提取、不同时间特征提取、康复规律特征提取、不同康复场景特征提取。

对于每种特征的提取，均采用如图3所示的时空特征提取方法。对输入的不同时间信息的多维数据，分别通过空间注意力等信息融合方法，分别构建不同时间点的LSTM网络层，进一步通过时间注意力等信息融合方法，得到提取特征。同时，由上述空间注意力、时间注意力或其他信息融合方法，通过局部目标函数对提取到的特征进行验证和修正。

由于传统的前馈神经网络很难捕捉到长期的短期进化依赖，因此选择了 LSTM 作为基本单元。采用具有相同冷冻重量的多个LSTM层分别从该阶段的每个因子提取特征，相应的公式如下:

式中，是冻结权重矩阵；是冻结偏差矩阵；是Sigmoid函数；下标t表示时间；分别表示遗忘门、输入门和输出门；C是单元状态；是临时单元状态；是隐藏状态；是表示每个因素的输入；是输出。

在上述时间特征提取的基础上，进行时空特征融合。时空特征融合的总体框架如图4所示，时空特征的融合过程如图5所示。本发明采用5种注意力逐级融合提取多源时空信息特征的相关性，其中注意力融合1，注意力融合2，注意力融合3和注意力融合4用于融合患者不同维度、不同时间、康复规律、不同场景等特征，注意力5用于融合所有影响类别。逐级融合方法捕获从微观到宏观的多个时空相关性。

通过注意力融合动态调整各特征权重。本发明p+1种特征的级联融合方式如下：

其中，。

表示输入；是可训练权重矩阵；是可训练偏差矩阵；是函数；是函数；是函数；是通过注意力计算的权重；是输出。

康复效果动态预测模型与个体化干预模型如图6所示，主要包含康复效果动态预测模型、个体化干预模型、反馈优化和迭代更新模块等。其整体实现采用深度学习和知识蒸馏思想，并不断进行反馈优化和迭代更新。几个模块有机融合，形成完成的康复效果动态预测模型与个体化干预模型。

康复效果动态预测模型为泛化能力强的大模型，该模型在接收大量数据的基础上，对临床综合康复进行一个普适的评估和预测。个体化干预模型为针对患者之间存在的个体化差异性，对具体患者数据建立鲁棒性好的轻量化模型。

为减少训练代价和提升精度，采用了阈值控制的自蒸馏方式，允许神经网络对输入数据进行动态推理，由注意力机制提炼的特征重新送入到浅层分类器中，浅层分类器对简单数据进行预测，深层分类器对较难分类的数据预测。

康复效果动态预测模型和个体化干预模型均有骨干分类器和多个浅分类器组成。具体地，对多源融合特征，进入康复效果动态预测模型后，通过多级卷积层和中间特征数据组成的骨干分类器，得到强预测结果。并对各级中间数据，通过注意力模块进一步动态调整特征权重，然后建立多级浅分类器，得到多个弱预测结果。强预测结果和所有弱预测结果通过池化，得到总体康复效果预测结果。

康复效果动态预测模型和个体化干预模型内部具体实现如下：

使用骨干分类器F的中间数据信息，引入浅分类器，假设，g是最后分类器，f是特征提取，，其中K表示f中的阶段数，在每个特征提取阶段，附加分类器用于早期预测，因此共有K个分类器；

定义，有，所有和，如果被选为作为浅分类器，作为最终分类器；每个浅分类器包含两个组件：特征对齐层和softmax层；特征对齐层是为了保证浅层中的特征尺寸等于最后一层的特征尺寸，而softmax层是为了使标签分布与超参数温度T平滑；对于每个，表示为，其中是特征对准层，定义为。

具体地，多源融合特征，进入个体化干预模型后，同样经过上述骨干分类层和多级浅分类器，池化得到个体化康复效果预测结果。

具体地，总体康复效果预测结果与个体化康复效果预测结果，通过鉴别器进行比较，计算偏差和对抗损失，并由对抗损失结果反馈优化总体康复效果预测模型，包括优化骨干分类器和各级浅分类器。对抗损失结果同样反馈优化个体化干预模型，由对抗损失结果反馈给个体化干预模型的预测结果，通过集成对比优化，解决数据异质性问题，并将结果一方面反馈优化骨干分类器和各级浅分类器，另一方面输出对抗损失最小情况下的个体化康复干预参数。

通过上述不断优化和迭代，使对抗损失最小。此时康复效果准确率达到最高，并且输出的个体化康复干预参数最优，即输出个体化最优的康复干预方案。

具体对抗损失迭代计算过程如下：首先，给定n个训练样本X和标签y；将定义为样本xj的预测标签，由第i个分类器和是第i个分类器给出的第j个样本的特征向量，构造了第j个样本的蒸馏损失；

式中，LCE是交叉熵损失，LKL是Kullback-Leibler散度，是模拟参数，是第i个分类器的第j个样本的参考标签，增加了对浅特征的惩罚；

式中，L2是平方l2范数损失是权衡参数，是第i个分类器的第j个样本的参考特征，值得注意的是，最终分类器仅通过LCE损失进行训练，即，自蒸馏的总损失为：

接着，参考标签cre和参考特征Fre选择集成教师蒸馏模型；密集蒸馏连接所有分类器之间的所有标签和特征信息，即和所有；因此，KL损失函数为：

最后，康复动态预测网络和个体化干预模型具有各自的相似性矩阵，这两个矩阵的均方误差 (MSE)被认为是提取损失；基于关系知识不关注特定层的价值，而是探索不同样本数据或网络特征层之间的关系；在提取损失方法中，将数据分成几个部分，将每部分数据输入到网络即模型中；每个输入数据生成多个特征集，然后计算每两部分输入数据的特征之间的相似度，并生成b×b相似度矩阵，b表示批量大小；康复动态预测网络和个体化干预网络具有各自的相似性矩阵，这两个矩阵的MSE被认为是提取损失；

式中，是的重塑，∈ Rb×c×w×h表示特定层的激活后特征图，b表示训练时的批量大小，表示等式中定义的交叉熵损失；

其中， x和 ytrue分别表示输入特征和相应的结果标签， Ws表示个体化干预模型权重参数， Zs表示个体化干预模型的逻辑输出。

在上述多源时空信息融合和康复效果动态预测与个体化干预模型建立的基础上，建立完整的康复效果动态预测及个体化干预系统，其整体架构如图7所示。

对于每位患者，通过采集其综合康复评估数据、个体化康复干预方案，并结合病种康复规律、和应用场景数据，对上述所有数据进行多源时空信息融合，并通过康复效果预测与个体化干预模型，动态预测康复结果；将预测康复结果与临床评定结果对比，一方面动态更新反馈优化模型，提高模型泛化能力的预测精度，另一方面动态更新患者康复干预处方，使整个模型最终输出结果最优化，即康复效果最优化；通过上述不断更新迭代和优化，使康复预测结果与临床评定结果偏差在不同时间点均达到局部最小，即患者在不同时间点个体化康复干预方案均为最优，得到个体化全程优化康复干预方案

最后将康复效果动态预测及个体化干预系统部署在本地或云服务器上应用，结合临床研究，建立跨区域、动态化、多科室联动、医院-社区-家庭全程康复效果动态预测和个体化干预系统，将模型优化输出，即康复处方、决策建议推送给医生和患者，建立患者个体化的精化治疗路径和康复策略。

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。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种康复效果动态预测及个体化干预系统，其特征在于，包括多源时空信息融合模块、康复效果动态预测模型、个体化干预模型、反馈优化和迭代更新模块；所述多源时空信息融合模块包括数据预处理单元、时空相关性分析和迁移学习单元、时空特征提取单元、时空特征融合单元；具体工作流程如下：

步骤1、通过多源时空信息融合模块获取患者的多源时空信息数据并进行预处理，接着对预处理过的数据进行相关性分析和迁移验证，对其中的时空特征进行提取和融合；所述患者的多源时空信息数据包括综合量化康复评定、康复干预处方和范式、时间信息、康复规律信息、不同应用场景信息；

时空特征融合具体采用5种注意力逐级融合提取多源时空信息特征的相关性，逐级融合方法捕获从微观到宏观的多个时空相关性；其中，注意力融合1，注意力融合2，注意力融合3和注意力融合4用于融合患者不同维度、不同时间、康复规律、不同场景4个类别的特征及权重；不同维度、不同时间、康复规律、不同场景分别是指多源时空信息数据中综合量化康复评定结果及康复干预处方和范式的多维信息、不同时间的信息、康复规律的信息、不同康复应用场景的信息；上述4类特征经注意力逐级融合后，建立全连接层和LSTM层；在此基础上，通过连接、重塑，在注意力融合5进一步融合所有类别特征及权重；最后进行融合特征铺平，变成特征矩阵输出；

步骤2、基于深度学习和知识蒸馏技术，建立康复效果动态预测模型和个体化干预模型，动态预测康复结果，并通过反馈优化和迭代更新模块不断进行反馈优化和迭代更新；所述个体化干预模型为针对患者之间存在的个体化差异，对具体患者数据建立的轻量化模型；所述康复效果动态预测模型和个体化干预模型均由骨干分类器和多个浅分类器组成；所述康复效果动态预测模型和个体化干预模型采用阈值控制的自蒸馏方式，允许神经网络对输入数据进行动态推理，由注意力机制提炼的特征重新送入到浅层分类器中，浅层分类器对简单数据进行预测，深层分类器对较难分类的数据预测;

同时，根据康复效果动态预测模型和个体化干预模型得到的预测结果，通过鉴别器进行比较，计算偏差和对抗损失，并由对抗损失结果反馈优化康复效果动态预测模型，包括优化康复效果动态预测模型的骨干分类器和各级浅分类器；对抗损失结果同样反馈优化个体化干预模型，由对抗损失结果反馈给个体化干预模型的预测结果，通过集成对比优化，将结果一方面反馈优化个体化干预模型的骨干分类器和各级浅分类器，另一方面输出对抗损失最小情况下的个体化康复干预参数；

步骤3、将动态预测的康复结果与临床综合评估结果对比，基于个体化康复干预参数，通过模型自学习进行康复处方动态更新和迭代；一方面动态更新反馈优化模型，提高模型泛化能力和预测精度，另一方面动态更新患者康复干预处方，使整个模型最终输出结果最优化，即康复效果最优化；通过上述不断更新迭代和模型优化，使康复预测结果与临床评定结果偏差在不同时间点均达到局部最小，即患者在不同时间点个体化康复干预方案均为最优，得到个体化的全程优化康复干预方案；

步骤4、将康复效果动态预测及个体化干预系统部署在本地或云服务器上应用。

2.根据权利要求1所述的康复效果动态预测及个体化干预系统，其特征在于，步骤1中预处理具体包括以下步骤：

步骤1-1-1、缺失值处理；若从不同时间、地点收集的多源时空信息数据存在缺失的值，将这些缺失的值通过同一特征值的平均值和或中值和或回归预测值来填充；

步骤1-1-2、判断多源时空信息数据是否近似为正态分布，如果不为，则根据各维度数据特征，分别通过正态化方法将不规则数据分布转换为近似正态分布，用于确保了网络的快速稳定收敛；

步骤1-1-3、通过归一化方法将多源时空信息数据标准化，所述归一化方法包括线性归一化、标准差归一化或非线性归一化；

步骤1-1-4、对需要正则化的多源时空信息数据进行正则化处理。

3.根据权利要求1所述的康复效果动态预测及个体化干预系统，其特征在于，步骤1中相关性分析和迁移验证具体包括以下步骤：

步骤1-2-1、设定数据提取时间戳；对多源时空信息中的时间信息进行相关性分析，通过网格搜索方法，确定最优输入时间戳；

步骤1-2-2、数据相关性分析；对多源时空信息数据进行多维数据相关性、规律数据相关性、康复场景相关性进行时空相关性分析；

采用皮尔逊相关系数用于选择进行时空数据相关性分析，

式中，p是指皮尔逊相关系统，和是两个时间序列，n是时间序列的样本数；

步骤1-2-3、迁移学习和验证；采用基于样本的迁移学习方法、基于特征的迁移学习方法和基于模型的迁移学习方法进行迁移学习和验证，以适用不同应用场景的康复。

4.根据权利要求1所述的康复效果动态预测及个体化干预系统，其特征在于，步骤1中时空特征提取具体包括以下步骤：

步骤1-3-1、对输入的不同时间信息的多维数据，通过空间注意力信息融合方法，分别构建不同时间点的LSTM网络层；采用具有相同冷冻重量的多个LSTM网络层分别从不同时间的多维数据中提取特征，相应的公式如下：

式中，是冻结权重矩阵；是冻结偏差矩阵；是Sigmoid函数；下标t表示时间；分别表示遗忘门、输入门和输出门；C是单元状态；是临时单元状态；是隐藏状态；是表示每个因素的输入；是输出；

步骤1-3-2、通过时间注意力信息融合方法，得到提取特征；

步骤1-3-3、由上述空间注意力、时间注意力信息融合方法，通过局部目标函数对提取到的特征进行验证和修正。

5.根据权利要求1所述的康复效果动态预测及个体化干预系统，其特征在于，步骤1中时空特征融合中，注意力融合1-注意力融合5均通过注意力融合动态调整各特征权重，采用p+1种特征的级联融合方式如下：

式中，表示输入；是可训练权重矩阵；是可训练偏差矩阵；是函数；是函数；是函数；是通过注意力计算的权重；是输出。

6.根据权利要求1所述的康复效果动态预测及个体化干预系统，其特征在于，多源融合特征进入康复效果动态预测模型和个体化干预模型后，各自通过多级卷积层和中间特征数据组成的骨干分类器，得到强预测结果；并对各级中间特征数据，各自通过注意力模块进一步动态调整特征权重，然后建立多级浅分类器，得到多个弱预测结果；接着将强预测结果和所有弱预测结果通过池化，得到总体康复效果预测结果；具体实现如下：

使用骨干分类器F的中间数据信息，引入浅分类器，假设，g是最后分类器，f是特征提取，，其中K表示f中的阶段数，在骨干分类器的中间特征提取阶段，附加分类器用于早期预测，因此共有K个分类器；

定义，有，所有和，如果被选为作为浅分类器，作为最终分类器；每个浅分类器包含两个组件：特征对齐层和softmax层；特征对齐层是为了保证浅层中的特征尺寸等于最后一层的特征尺寸，而softmax层是为了使标签分布与超参数温度T平滑；对于每个，表示为，其中是特征对准层，定义为。

7.根据权利要求1所述的康复效果动态预测及个体化干预系统，其特征在于，步骤4将康复效果动态预测及个体化干预模型和系统部署在本地或云服务器上应用，结合临床研究，建立全程康复效果动态预测和个体化干预系统，将模型优化输出，即预期康复效果、个体化康复处方推送给医生和患者，建立患者个体化的治疗路径和康复策略。

Images