风险识别方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种风险识别方法、装置、电子设备及存储介质，其中，风险识别方法包括：基于用户的历史检查数据生成第一数据序列；所述第一数据序列包括至少两个对应不同时间节点的第一元素；确定所述第一数据序列中每个第一元素对应的第一特征向量；所述第一特征向量包括至少两个第二元素；每个第二元素表征一类风险特征；将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的长短期记忆网络LSTM模型；其中，所述设定的LSTM模型基于检查样本数据确定出的第一特征向量训练得到；所述设定的LSTM模型表征为去除了遗忘门的LSTM模型；基于所述设定的LSTM模型的输出结果对所述用户进行风险识别。的输出结果对所述用户进行风险识别。的输出结果对所述用户进行风险识别。

【技术实现步骤摘要】
风险识别方法、装置、电子设备及存储介质


[0001]本申请涉及人工智能领域，尤其涉及一种风险识别方法、装置、电子设备及存储介质。

技术介绍

[0002]相关技术中，通过采集到的就诊用户的历史检查数据并结合相关的医疗大数据，基于经验人为进行数据分析，以此来识别就诊用户当前的健康风险，风险识别的结果与就诊用户的真实情况存在较大偏差，准确度不高。

技术实现思路

[0003]有鉴于此，本申请实施例提供一种风险预测模型的训练方法、装置、电子设备及存储介质，利用改进的循环神经网络模型分析各个检查数据指标之间可能存在的相关性，并对各个时间点的风险进行判断和预测，从而提升风险识别的准确度。
[0004]本申请实施例的技术方案是这样实现的：
[0005]本申请实施例提供了一种风险识别方法，所述方法包括：
[0006]基于用户的历史检查数据生成第一数据序列；所述第一数据序列包括至少两个对应不同时间节点的第一元素；
[0007]确定所述第一数据序列中每个第一元素对应的第一特征向量；所述第一特征向量包括至少两个第二元素；每个第二元素表征一类风险特征；
[0008]将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的长短期记忆网络(LSTM，Long Short
‑
Term Memory)模型；其中，所述设定的LSTM模型基于检查样本数据确定出的第一特征向量训练得到；所述设定的LSTM模型表征为去除了遗忘门的LSTM模型；
[0009]基于所述设定的LSTM模型的输出结果对所述用户进行风险识别。
[0010]其中，上述方案中，所述将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的LSTM模型时，所述方法包括：
[0011]基于第i
‑
1个第一元素对应的隐藏状态和第i个第一元素对应的第一特征向量，确定第i个第一元素对应的隐藏状态；
[0012]对所述第i个第一元素对应的隐藏状态进行激活处理，得到第i个第一元素对应的输出结果；
[0013]其中，第i个第一元素表征当前的第一元素。
[0014]上述方案中，在所述确定第i个第一元素对应的隐藏状态之前，所述方法还包括：
[0015]基于第i
‑
1个第一元素对应的第一特征向量和第i
‑
2个第一元素对应的隐藏状态，确定第i
‑
1个第一元素对应的隐藏状态；
[0016]基于第i
‑
2个第一元素对应的第一特征向量和第i
‑
1个第一元素对应的隐藏状态，确定第i个第一元素对应的第一特征向量。
[0017]上述方案中，在所述确定所述第一数据序列中每个第一元素对应的第一特征向量时，所述方法包括：
[0018]在所述第一特征向量包括的至少一个第二元素缺失的情况下，基于回归分析生成缺失的第二元素。
[0019]上述方案中，所述将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的LSTM模型时，所述方法还包括：
[0020]基于回归分析生成缺失的第一特征向量。
[0021]上述方案中，所述将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的LSTM模型时，所述方法还包括：
[0022]预测得到至少一个第二特征向量；所述至少一个第二特征向量中的每个第二特征向量对应一个时间节点；
[0023]将所述至少一个第二特征向量输入所述设定的LSTM模型。
[0024]本申请实施例还提供了一种风险预测装置，包括：
[0025]第一生成单元，用于基于用户的历史检查数据生成第一数据序列；所述第一数据序列包括至少两个对应不同时间节点的第一元素；
[0026]第一确定单元，用于确定所述第一数据序列中每个第一元素对应的第一特征向量；所述第一特征向量包括至少两个第二元素；每个第二元素表征一类风险特征；
[0027]输入单元，用于将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的LSTM模型；其中，所述设定的LSTM模型基于检查样本数据确定出的第一特征向量训练得到；所述设定的LSTM模型表征为去除了遗忘门的LSTM模型；
[0028]识别单元，用于基于所述设定的LSTM模型的输出结果对所述用户进行风险识别。
[0029]本申请实施例还提供了一种电子设备，包括：处理器及通信接口；其中，
[0030]所述处理器，用于基于用户的历史检查数据生成第一数据序列；所述第一数据序列包括至少两个对应不同时间节点的第一元素；
[0031]确定所述第一数据序列中每个第一元素对应的第一特征向量；所述第一特征向量包括至少两个第二元素；每个第二元素表征一类风险特征；
[0032]将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的LSTM模型；其中，所述设定的LSTM模型基于检查样本数据确定出的第一特征向量训练得到；所述设定的LSTM模型表征为去除了遗忘门的LSTM模型；
[0033]基于所述设定的LSTM模型的输出结果对所述用户进行风险识别。
[0034]本申请实施例还提供了一种服务器，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，
[0035]其中，所述处理器用于运行所述计算机程序时，执行上述任一项风险识别方法的步骤。
[0036]本申请实施例还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述风险识别方法的步骤。
[0037]在本申请实施例提供的方案中，基于用户的历史检查数据，生成包括至少两个时间节点的第一数据序列，确定每个时间节点对应的第一特征向量，每个第一特征向量包括至少两类风险特征，将第一特征向量根据对应的时间节点依序输入LSTM模型，基于输出结
果对用户进行风险识别，这样，利用LSTM模型分析多个时间节点的检查数据，使得输出结果与用户的身体状态情况更为匹配，从而提高用户健康风险识别的准确度。
附图说明
[0038]图1为本申请实施例提供的一种风险识别方法的流程示意图；
[0039]图2为本申请应用实施例提供的一种输入和隐藏状态计算示意图；
[0040]图3为本申请实施例提供的一种循环神经网络模型的结构图；
[0041]图4为本申请应用实施例提供的一种第t次循环神经网络模型的结构图；
[0042]图5为本申请应用实施例提供的一种风险识别方法的流程示意图；
[0043]图6为本申请应用实施例提供的一种风险识别系统的结构示意图；
[0044]图7为本申请实施例提供的一种风险识别装置的结构示意图；
[0045]图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0046]目前，妊娠期糖尿病的风险识别，需要在妊本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风险识别方法，其特征在于，所述方法包括：基于用户的历史检查数据生成第一数据序列；所述第一数据序列包括至少两个对应不同时间节点的第一元素；确定所述第一数据序列中每个第一元素对应的第一特征向量；所述第一特征向量包括至少两个第二元素；每个第二元素表征一类风险特征；将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的长短期记忆网络LSTM模型；其中，所述设定的LSTM模型基于检查样本数据确定出的第一特征向量训练得到；所述设定的LSTM模型表征为去除了遗忘门的LSTM模型；基于所述设定的LSTM模型的输出结果对所述用户进行风险识别。2.根据权利要求1所述的风险识别方法，其特征在于，所述将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的LSTM模型时，所述方法包括：基于第i
‑
1个第一元素对应的隐藏状态和第i个第一元素对应的第一特征向量，确定第i个第一元素对应的隐藏状态；对所述第i个第一元素对应的隐藏状态进行激活处理，得到第i个第一元素对应的输出结果；其中，第i个第一元素表征当前的第一元素。3.根据权利要求2所述的风险识别方法，其特征在于，在所述确定第i个第一元素对应的隐藏状态之前，所述方法还包括：基于第i
‑
1个第一元素对应的第一特征向量和第i
‑
2个第一元素对应的隐藏状态，确定第i
‑
1个第一元素对应的隐藏状态；基于第i
‑
2个第一元素对应的第一特征向量和第i
‑
1个第一元素对应的隐藏状态，确定第i个第一元素对应的第一特征向量。4.根据权利要求1至3任一项所述的风险识别方法，其特征在于，在所述确定所述第一数据序列中每个第一元素对应的第一特征向量时，所述方法包括：在所述第一特征向量包括的至少一个第二元素缺失的情况下，基于回归分析生成缺失的第二元素。5.根据权利要求1至3任一项所述的风险识别方法，其特征在于，所述将基于所述第一数据序列确定出的第一特征向量根据对应的时间节点依序输入设定的LSTM模型时，所述方法还包括...

【专利技术属性】
技术研发人员：马靖博，柳岸，胡冉杰，唐晓霁，杨了，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：