CN116936103B - 一种基于同向网络的用户健康预测管理方法及系统 - Google Patents
一种基于同向网络的用户健康预测管理方法及系统 Download PDFInfo
- Publication number
- CN116936103B CN116936103B CN202311173487.9A CN202311173487A CN116936103B CN 116936103 B CN116936103 B CN 116936103B CN 202311173487 A CN202311173487 A CN 202311173487A CN 116936103 B CN116936103 B CN 116936103B
- Authority
- CN
- China
- Prior art keywords
- node
- health
- prediction
- vector
- vector set
- 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 63
- 238000007726 management method Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 61
- 239000013598 vector Substances 0.000 claims description 102
- 238000012545 processing Methods 0.000 claims description 65
- 239000010410 layer Substances 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 31
- 238000004590 computer program Methods 0.000 description 7
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011895 specific detection Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000010339 medical test Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 108010026331 alpha-Fetoproteins Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 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
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/177—Editing, e.g. inserting or deleting of tables; using ruled lines
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/045—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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于同向网络的用户健康预测管理方法及系统,通过同向网络学习已有的用户健康指标检测知识,在模型训练完毕后,使用训练完毕的模型基于新患者健康检测指标和数据进行患者健康状态的判别,并在预测出患者健康状态不佳时及时给出预警提示,从而帮助医护人员及时预测分析出与患者健康状况相关联的医学测量结果,以便于医护人员做出相应的健康护理决策。
Description
技术领域
本发明属于医学数据处理领域,具体涉及一种基于同向网络的用户健康预测管理方法及系统。
背景技术
数据就是生产力,数据的重要性在目前人工智能领域扮演着举足轻重的角色,以医学领域为例,医学数据对于医学领域里用户健康预测管理的技术息息相关,并且,目前的医护人员难以或不可能随时跟踪患者的健康状态。医护人员倾向于依赖于各方面的医学检测数据间接估计和定性判断来预测患者的健康状态,但是这些过程是常变的且不可靠的,患者健康状态的确定可在医护人员之间变化;
此外,该过程对于医护人员而言是需要大量时间经验进行积累,并且医护人员常常不能够及时预测分析出与患者健康状况相关联的医学测量结果,不便于医护人员做出有情报根据的健康护理决策。
发明内容
针对上述现有技术的不足,本申请提供于信息抽取和实体归一的医学相似病例推荐方法和系统。
第一方面本申请提出了一种基于同向网络的用户健康预测管理方法,包括以下步骤:
获取目标用户的医学检测指标和指标检测数据,将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据;
将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集;
计算所述中间特征节点向量集中任意节点之间的重要性函数表示,同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,通过第一softmax层对非线性化处理结果进行归一化处理,对归一化处理结果进行加权处理得到对应节点的目标输出特征向量;
通过第二softmax层对所述目标输出特征向量进行索引,获取所述目标输出特征向量对应节点的健康标签的预测概率;
通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环。
在一种可能的实施方式中,所述将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集,包括:
将所述医学检测表格数据中的医学检测指标作为节点,将每个医学检测指标对应的指标检测数据作为特征值,根据所述节点和特征值形成初始特征节点向量集,其中,N表示是节点总数,F表示节点特征的维度,i表示第i个节点;
图形注意力层公式为:
将所述初始特征节点向量集经过所述图形注意力层进行处理得到中间特征节点向量集,其中,N表示是节点总数,k表示第k个节点,代表索引;F`表示中间特征节点向量集的节点特征的维度,/>表示经过图形注意力层计算后输出的节点向量,/>表示权值向量。
在一种可能的实施方式中,所述计算所述中间特征节点向量集中任意节点之间的重要性函数表示,包括:
其中,表示权值矩阵,/>,i和j都是指的N范围内的第i个节点和第j个节点,/>表示节点j对于节点i的重要性,/>表示单层前馈神经网络。
在一种可能的实施方式中,所述同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,包括:
通过神经网络单元激活函数进行非线性化处理,将表示为:
其中,表示权值向量。
在一种可能的实施方式中,所述通过第一softmax层对非线性化处理结果进行归一化处理,包括:
通过第一softmax层对中心节点的邻居节点做了归一化,公式表示为:
其中,k表示N范围内的第k个节点,表示节点k对于节点i的重要性,/>表示经过第一softmax层的计算结果。
在一种可能的实施方式中,所述对归一化处理结果进行加权处理得到对应节点的目标输出特征向量,包括:
加权处理公式表示为:
其中,表示节点i对应的目标输出特征向量。
在一种可能的实施方式中,所述通过第二softmax层对所述目标输出特征向量进行索引,获取所述目标输出特征向量对应节点的健康标签的预测概率,包括:
将节点i对应的目标输出特征向量经过第二softmax层进行计算,得到所述预测概率,计算公式为:
其中,q(x)为节点经过同向网络得到的健康标签对应的预测概率,k表示N范围内的第k个节点。
在一种可能的实施方式中,所述通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环,包括:
交叉熵损失函数公式为:
通过所述预测概率与损失函数对预测过程进行优化,其中,p(x)为真实的用户健康标签,q(x)为节点经过同向网络得到的健康标签对应的预测概率,H(p,q)为计算的真实标签和同向网络预测标签之间的差距。
第二方面本申请提出一种基于同向网络的用户健康预测管理系统,包括数据获取模块、中间向量获取模块、目标向量获取模块、健康标签预测模块和模型优化模块;
所述数据获取模块,获取目标用户的医学检测指标和指标检测数据,将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据;
所述中间向量获取模块,用于将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集;
所述目标向量获取模块,用于计算所述中间特征节点向量集中任意节点之间的重要性函数表示,同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,通过第一softmax层对非线性化处理结果进行归一化处理,对归一化处理结果进行加权处理得到对应节点的目标输出特征向量;
所述健康标签预测模块,通过第二softmax层对所述目标输出特征向量进行索引,获取所述目标输出特征向量对应节点的健康标签的预测概率;
所述模型优化模块,用于通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环。
第三方面一种计算机可读存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一方法步骤。
本发明的有益效果:
通过同向网络学习已有的用户健康指标检测知识,在模型训练完毕后,使用训练完毕的模型基于新患者健康检测指标和数据进行患者健康状态的判别,并在预测出患者健康状态不佳时及时给出预警提示,从而帮助医护人员及时预测分析出与患者健康状况相关联的医学测量结果,以便于医护人员做出相应的健康护理决策。
附图说明
图1为本发明的总体流程图。
图2为本发明的系统原理框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制;相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
第一方面本申请提出了一种基于同向网络的用户健康预测管理方法,如图1所示,包括以下步骤S100-S500:
S100:获取目标用户的医学检测指标和指标检测数据,将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据;
其中,基于目标用户所对应的医学检测指标和指标检测数据,我们将其统计为excel格式,其中具体的检测指标我们存储为excel的行名,每项指标的具体检测值保存在每行指标对应的列下,如表1所示:
表1: 医学检测表格
指标名用户名 | 反应蛋白 | 降钙素原 | 甲胎蛋白 |
目标用户1 | 6.77 | 0.094 | 3.67 |
目标用户2 | 3.04 | 0.06 | 5.5 |
目标用户3 | 16.2 | 0.201 | 1.64 |
目标用户4 | 7.915 | 0.109 | 27.91 |
目标用户5 | 7.04 | 0.046 | 18.48 |
目标用户6 | 82.58 | 0.373 | 317.6 |
目标用户7 | 3.93 | 0.108 | 80.13 |
目标用户8 | 5.79 | 0.06 | 1.17 |
目标用户9 | 1.52 | 0.02 | 4.43 |
目标用户10 | 0.46 | 0.047 | 3.9 |
进一步的,对于这样保存的数据信息作为我们下一步训练模型的数据源;检查的指标名称作为节点;每个用户的每个指标的具体检测数据作为同向网络的特征值输入。
S200:将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集;
在一种可能的实施方式中,所述将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集,包括:
将所述医学检测表格数据中的医学检测指标作为节点,将每个医学检测指标对应的指标检测数据作为特征值,根据所述节点和特征值形成初始特征节点向量集,其中,N表示是节点总数,F表示节点特征的维度,i表示第i个节点;
图形注意力层公式为:
将所述初始特征节点向量集经过所述图形注意力层进行处理得到中间特征节点向量集,其中,N表示是节点总数,k表示第k个节点,代表索引;F`表示中间特征节点向量集的节点特征的维度,/>表示经过图形注意力层计算后输出的节点向量,/>表示权值向量。
S300:计算所述中间特征节点向量集中任意节点之间的重要性函数表示,同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,通过第一softmax层对非线性化处理结果进行归一化处理,对归一化处理结果进行加权处理得到对应节点的目标输出特征向量;
在一种可能的实施方式中,所述计算所述中间特征节点向量集中任意节点之间的重要性函数表示,包括:
其中,表示权值矩阵,/>,i和j都是指的N范围内的第i个节点和第j个节点,/>表示节点j对于节点i的重要性,/>表示单层前馈神经网络。
进一步的,这里使用Self-attention的目的就是提高 的表达能力。在GraphAttention Layer(图形注意力层)中,首先使用一个权值矩阵/> 作用到每个节点,然后对每个节点来计算一个attention系数:/>表示节点j对于节点i的重要性。理论上我们可以计算图中任意一个节点到中心节点的权值,GAT中为了简化计算,将任意一个节点限制在了中心节点的一条邻居内,该节点也将自己作为邻居节点考虑了进去。
在一种可能的实施方式中,所述同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,包括:
通过神经网络单元激活函数进行非线性化处理,将表示为:
其中,表示权值向量。
在一种可能的实施方式中,所述通过第一softmax层对非线性化处理结果进行归一化处理,包括:
通过第一softmax层对中心节点的邻居节点做了归一化,公式表示为:
其中,k表示N范围内的第k个节点,表示节点k对于节点i的重要性,/>表示经过第一softmax层的计算结果。
在一种可能的实施方式中,所述对归一化处理结果进行加权处理得到对应节点的目标输出特征向量,包括:
加权处理公式表示为:
其中,表示节点i对应的目标输出特征向量。
之后再执行步骤S400,将目标输出特征向量经过第二sfotmax层,从而获取到预测概率。
S400:通过第二softmax层对所述目标输出特征向量进行索引,获取所述目标输出特征向量对应节点的健康标签的预测概率;
在一种可能的实施方式中,所述通过第二softmax层对所述目标输出特征向量进行索引,获取所述目标输出特征向量对应节点的健康标签的预测概率,包括:
将节点i对应的目标输出特征向量经过第二softmax层进行计算,得到所述预测概率,计算公式为:
其中,q(x)为节点经过同向网络得到的健康标签对应的预测概率,k表示N范围内的第k个节点。
S500:通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环。
在一种可能的实施方式中,所述通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环,包括:
交叉熵损失函数公式为:
通过所述预测概率与损失函数对预测过程进行优化,其中,p(x)为真实的用户健康标签,q(x)为节点经过同向网络得到的健康标签对应的预测概率,H(p,q)为计算的真实标签和同向网络预测标签之间的差距。
进一步的,通过该模型学习已有的用户健康指标检测知识,在训练完毕后,可以使用训练完毕的模型基于新的患者健康检测指标和数据进行患者健康状态的判别,并在预测出患者健康状态不佳时及时给出预警提示,该模型为同向模型,包括图形注意力层和softmax层。
第二方面本申请提出一种基于同向网络的用户健康预测管理系统,如图2所示,包括数据获取模块、中间向量获取模块、目标向量获取模块、健康标签预测模块和模型优化模块;
所述数据获取模块,获取目标用户的医学检测指标和指标检测数据,将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据;
所述中间向量获取模块,用于将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集;
所述目标向量获取模块,用于计算所述中间特征节点向量集中任意节点之间的重要性函数表示,同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,通过第一softmax层对非线性化处理结果进行归一化处理,对归一化处理结果进行加权处理得到对应节点的目标输出特征向量;
所述健康标签预测模块,通过第二softmax层对所述目标输出特征向量进行索引,获取所述目标输出特征向量对应节点的健康标签的预测概率;
所述模型优化模块,用于通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环。
第三方面一种计算机可读存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现上述任一方法的步骤。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算机设备。计算机设备可以包括但不仅限于处理器和存储器。本领域技术人员可以理解,计算机设备可以包括更多或更少的部件,或者组合某些部件,或者不同的部件,例如,计算机设备还可以包括输入输出设备、网络接入设备、总线等。
处理器可以是中央处理单元(Central Processing Unit,CPU),也可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是计算机设备的内部存储单元,例如,计算机设备的硬盘或内存。存储器也可以是计算机设备的外部存储设备,例如,计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可以存储在计算机可读存储介质中,该计算机程序在被处理器执行时,可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如,在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上仅是本发明优选的实施方式,需指出的是,对于本领域技术人员在不脱离本技术方案的前提下,作出的若干变形和改进的技术方案应同样视为落入本权利要求书要求保护的范围。
Claims (9)
1.一种基于同向网络的用户健康预测管理方法,其特征在于:包括以下步骤:
获取目标用户的医学检测指标和指标检测数据,将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据;
将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集;
计算所述中间特征节点向量集中任意节点之间的重要性函数表示,同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,通过第一softmax层对非线性化处理结果进行归一化处理,对归一化处理结果进行加权处理得到对应节点的目标输出特征向量;
通过第二softmax层对所述目标输出特征向量进行索引,获取所述目标输出特征向量对应节点的健康标签的预测概率,包括:
将节点i对应的目标输出特征向量经过第二softmax层进行计算,得到所述预测概率,计算公式为:
其中,q(x)为节点经过同向网络得到的健康标签对应的预测概率,k表示N范围内的第k个节点;
通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环。
2.根据权利要求1所述的方法,其特征在于:所述将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集,包括:
将所述医学检测表格数据中的医学检测指标作为节点,将每个医学检测指标对应的指标检测数据作为特征值,根据所述节点和特征值形成初始特征节点向量集,其中,N表示是节点总数,F表示节点特征的维度,i表示第i个节点;
图形注意力层公式为:
将所述初始特征节点向量集经过所述图形注意力层进行处理得到中间特征节点向量集/>,其中,N表示是节点总数,k表示第k个节点,代表索引;F`表示中间特征节点向量集的节点特征的维度,/>表示经过图形注意力层计算后输出的节点向量,/>表示权值向量。
3.根据权利要求2所述的方法,其特征在于:所述计算所述中间特征节点向量集中任意节点之间的重要性函数表示,包括:
其中,/>表示权值矩阵,/>,i和j都是指的N范围内的第i个节点和第j个节点,/>表示节点j对于节点i的重要性,/>表示单层前馈神经网络。
4.根据权利要求3所述的方法,其特征在于:所述同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,包括:
通过神经网络单元激活函数进行非线性化处理,将表示为:
其中,/>表示权值向量。
5.根据权利要求4所述的方法,其特征在于:所述通过第一softmax层对非线性化处理结果进行归一化处理,包括:
通过第一softmax层对中心节点的邻居节点做了归一化,公式表示为:
其中,k表示N范围内的第k个节点,/>表示节点k对于节点i的重要性,/>表示经过第一softmax层的计算结果。
6.根据权利要求5所述的方法,其特征在于:所述对归一化处理结果进行加权处理得到对应节点的目标输出特征向量,包括:
加权处理公式表示为:
其中,/>表示节点i对应的目标输出特征向量。
7.根据权利要求6所述的方法,其特征在于:所述通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环,包括:
交叉熵损失函数公式为:
通过所述预测概率与损失函数对预测过程进行优化,其中,p(x)为真实的用户健康标签,q(x)为节点经过同向网络得到的健康标签对应的预测概率,H(p,q)为计算的真实标签和同向网络预测标签之间的差距。
8.一种基于同向网络的用户健康预测管理系统,其特征在于:包括数据获取模块、中间向量获取模块、目标向量获取模块、健康标签预测模块和模型优化模块;
所述数据获取模块,获取目标用户的医学检测指标和指标检测数据,将所述医学检测指标和指标检测数据保存为对应的医学检测表格数据;
所述中间向量获取模块,用于将所述医学检测表格数据转换为初始特征节点向量集,将所述初始特征节点向量集作为特征输入通过同向网络的图形注意力层进行处理,得到中间特征节点向量集;
所述目标向量获取模块,用于计算所述中间特征节点向量集中任意节点之间的重要性函数表示,同时通过神经网络单元激活函数对所述重要性函数表示进行非线性化处理,通过第一softmax层对非线性化处理结果进行归一化处理,对归一化处理结果进行加权处理得到对应节点的目标输出特征向量;
所述健康标签预测模块,通过第二softmax层对所述目标输出特征向量进行索引,获取所述目标输出特征向量对应节点的健康标签的预测概率,包括:
将节点i对应的目标输出特征向量经过第二softmax层进行计算,得到所述预测概率,计算公式为:
其中,q(x)为节点经过同向网络得到的健康标签对应的预测概率,k表示N范围内的第k个节点;
所述模型优化模块,用于通过所述预测概率构建损失函数对预测过程进行优化,形成健康预测的良性循环。
9.一种计算机可读存储介质,其上存储有计算机指令,计算机指令被处理器执行时实现如权利要求1-7所述中任一方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311173487.9A CN116936103B (zh) | 2023-09-12 | 2023-09-12 | 一种基于同向网络的用户健康预测管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311173487.9A CN116936103B (zh) | 2023-09-12 | 2023-09-12 | 一种基于同向网络的用户健康预测管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116936103A CN116936103A (zh) | 2023-10-24 |
CN116936103B true CN116936103B (zh) | 2023-12-15 |
Family
ID=88375657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311173487.9A Active CN116936103B (zh) | 2023-09-12 | 2023-09-12 | 一种基于同向网络的用户健康预测管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116936103B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862089A (zh) * | 2021-01-20 | 2021-05-28 | 清华大学深圳国际研究生院 | 一种具有可解释性的医学图像深度学习方法 |
CN114662791A (zh) * | 2022-04-22 | 2022-06-24 | 重庆邮电大学 | 一种基于时空注意力的长时序pm2.5预测方法及系统 |
CN115019891A (zh) * | 2022-06-08 | 2022-09-06 | 郑州大学 | 一种基于半监督图神经网络的个体驱动基因预测方法 |
CN115222066A (zh) * | 2022-07-21 | 2022-10-21 | 中国平安人寿保险股份有限公司 | 模型训练方法和装置、行为预测方法、设备及存储介质 |
CN115862842A (zh) * | 2022-12-09 | 2023-03-28 | 北京邮电大学 | 慢性病的风险预测方法及相关设备 |
CN116364292A (zh) * | 2023-03-31 | 2023-06-30 | 上海交通大学医学院附属第九人民医院 | 甲状腺眼病的预后预测方法、装置、设备及存储介质 |
CN116403730A (zh) * | 2023-04-04 | 2023-07-07 | 齐鲁工业大学(山东省科学院) | 一种基于图神经网络的药物相互作用预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113987834B (zh) * | 2021-11-15 | 2022-07-15 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
-
2023
- 2023-09-12 CN CN202311173487.9A patent/CN116936103B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862089A (zh) * | 2021-01-20 | 2021-05-28 | 清华大学深圳国际研究生院 | 一种具有可解释性的医学图像深度学习方法 |
CN114662791A (zh) * | 2022-04-22 | 2022-06-24 | 重庆邮电大学 | 一种基于时空注意力的长时序pm2.5预测方法及系统 |
CN115019891A (zh) * | 2022-06-08 | 2022-09-06 | 郑州大学 | 一种基于半监督图神经网络的个体驱动基因预测方法 |
CN115222066A (zh) * | 2022-07-21 | 2022-10-21 | 中国平安人寿保险股份有限公司 | 模型训练方法和装置、行为预测方法、设备及存储介质 |
CN115862842A (zh) * | 2022-12-09 | 2023-03-28 | 北京邮电大学 | 慢性病的风险预测方法及相关设备 |
CN116364292A (zh) * | 2023-03-31 | 2023-06-30 | 上海交通大学医学院附属第九人民医院 | 甲状腺眼病的预后预测方法、装置、设备及存储介质 |
CN116403730A (zh) * | 2023-04-04 | 2023-07-07 | 齐鲁工业大学(山东省科学院) | 一种基于图神经网络的药物相互作用预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于注意力机制的电信用户流失预测模型研究;黄子璇;《中国优秀硕士学位论文全文数据库 信息科技辑》(第02期);第15-17、21-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116936103A (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112086203A (zh) | 一种疫情预测方法、装置及终端设备 | |
CN112445875B (zh) | 数据关联及检验方法、装置、电子设备及存储介质 | |
CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
CN112801315A (zh) | 电力二次设备的状态诊断方法、装置及终端 | |
CN114612194A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN112102011A (zh) | 基于人工智能的用户等级预测方法、装置、终端及介质 | |
WO2020087971A1 (zh) | 基于预测模型预测住院合理性的方法及相关产品 | |
CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
CN111652282B (zh) | 基于大数据的用户偏好分析方法、装置及电子设备 | |
CN116936103B (zh) | 一种基于同向网络的用户健康预测管理方法及系统 | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN111460293A (zh) | 信息推送方法、装置及计算机可读存储介质 | |
CN113987186B (zh) | 一种基于知识图谱生成营销方案的方法和装置 | |
CN113657546B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113642669B (zh) | 基于特征分析的防欺诈检测方法、装置、设备及存储介质 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
CN113704236A (zh) | 政务系统数据质量评估方法、装置、终端及存储介质 | |
CN114781855A (zh) | 基于dea模型的物流传输效率分析方法、装置、设备及介质 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN114022045A (zh) | 一种区域经济发展水平确定方法、装置及终端设备 | |
CN113035338A (zh) | 一种基于大数据的医疗数据分析平台 | |
CN113934894A (zh) | 基于指标树的数据显示方法、终端设备 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
CN117289192A (zh) | 基于分布式协同的互感器故障分析方法及装置 |
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 |