康复效果动态预测及个体化干预方法和系统技术方案

本发明专利技术公开了康复效果动态预测及个体化干预方法和系统，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。本发明专利技术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。复干预方案。复干预方案。

【技术实现步骤摘要】
康复效果动态预测及个体化干预方法和系统


[0001]本专利技术属于医疗设备技术和计算机辅助诊断领域，特别是涉及康复效果动态预测及个体化干预方法和系统。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术目的解决上述
技术介绍
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。
[0005]为了实现本专利技术目的，本专利技术公开了康复效果动态预测及个体化干预方法，包括以下步骤：步骤1、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；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与个体化干预模型，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；步骤3、动态预测的康复结果与临床综合评估结果对比，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；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。
[0006]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，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。
[0007]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，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。
[0008]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网络层分别在时空特征提取阶段的每个因子提取特征，相应的公式如下：征提取阶段的每个因子提取特征，相应的公式如下：征提取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，、、、分别是遗忘门、输入门、单元状态、输出门冻结权重矩阵；b是冻结偏差矩阵，b
f
、b
i
、b
c
、b
o
分别是遗忘门、输入门、单元状态、输出门冻结偏差矩阵；是Sigmoid函数；下标t表示时间，t表示t时刻，t
‑
1表示t
‑
1时刻；f, i, o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；Y是隐藏状态；X
’
t
是表示每个因素的输入；Y
t
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。
[0009]进一步地，步骤1中时空特征融合具体包括以下步骤：步骤1
‑
4、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，上述4类特征注意力融合后，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；其中，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：1种特征的级联融合方式如下：式中，Y
’0,Y
’1,
……
,Y
’
p
表示输入；w
r
和w
j
分别是本级和上一级可训练权重矩阵；b
r
和b
j
分别是本级和上一级可训练偏差矩阵；tanh(*)是tanh函数；r(*)是Relu函数；soft max(*)是soft max函数；a0, a1,
……
, a
p
是通过注意力计算得到的权重；Y
’’
是输出。
[0010]进一步地，所述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；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鲁棒性好的轻量化模型；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；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。
[0011]进一步地，多源融合特征进入康复效果动态预测模型和个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种康复效果动态预测及个体化干预方法，其特征在于，包括以下步骤：步骤1、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；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与个体化干预模型，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；步骤3、动态预测的康复结果与临床综合评估结果对比，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；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方法，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方法，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，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方法，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网络层分别在时空特征提取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，、、、分别是遗忘门、输入门、单元状态、输出门冻结权重矩阵；b是冻结偏差矩阵，b
f
、b
i
、b
c
、b
o
分别是遗忘门、输入门、单元状态、输出门冻结偏差矩阵；是Sigmoid函数；下标t表示时间，t表示t时刻，t
‑
1表示t
‑
1时刻；f, i, o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；Y是隐藏状态；X
’
t
是表示每个因素的输入；Y
t
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方法，其特征在于，步骤1中时空特征融合具体包括以下步骤：步骤1
‑
4、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，上述4类特征注意力融合后，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；其中，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：特征的级联融合方式如下：式中，Y
’0,Y
’1,
……
,Y
’
p
表示输入；w
r
和w
j
分别是本级和上一级可训练权重矩阵；b
r
和b
j
分别是本级和上一级可训练...

【专利技术属性】
技术研发人员：郭立泉，王计平，熊大曦，张博超，丁康佳，牛嘉晨，
申请(专利权)人：中国科学院苏州生物医学工程技术研究所，
类型：发明
国别省市：