【技术实现步骤摘要】
本专利技术属于老年综合征医疗综合评估领域，特别是涉及一种老年综合征跨模态特征智能决策方法及电子设备。
技术介绍
1、在我国社会发展的任何时期，老年人群始终是一个庞大而特殊的群体。随着年龄增长，老年人各器官系统会自然退化。由于衰老、疾病、心理以及社会环境等多种不良因素累加，引起老年人多个系统对应激事件表现出脆弱性，导致老年患者常常出现一些症状，如跌倒、痴呆、尿失禁、便秘、衰弱、营养不良、吞咽苦难等。这种由多种原因或多种疾病造成的非特异性的同一临床表现或问题，统称为老年综合征(geriatric syndromes，gs)。老年综合征表现形式多样，且通常发展缓慢，往往不容易被识别。
2、对于多因素，相互影响的老年问题来说，如果能被及时筛查，及早干预，结局是可以改善的。因此，gs的识别和评估被认为是老年医学的核心内容和重要工作方法之一。目前，老年综合评估是现代老年医学的核心技术。由于包含复杂评估内容以及相关危险因素的隐含性。在大多数情况下难以及时且准确地诊断出老年综合征，随着时间的累积，医疗成本大大提高。因此，根据老年人的躯体功能、精神心理状况、社会行为能力、环境健康等多模态数据，构建智慧模型，及时诊断gs，减小患病风险，并给出相应医疗决策。这对于解决老年健康医疗问题具有重要意义。
3、现有的gs决策技术的相关专利主要与信息采集与评估有关。公开号为cn114550939a的专利针对住院老年患者提出了一种筛查评估与干预方法。该方法采集患者信息并建立个人档案，并进行筛选分类，为各个老年患者提供个体干预方案。公开号c
4、上述方法考虑的场景较为单一，多为对患病老年人群的评估和干预，未能实现大规模数据智能化分析，只能在一定程度上区分gs严重程度，作为医疗行为的参考依据。并且现有方法不能充分利用跨模态特征，无法在大数据协同下构建智慧模型，完成gs的精准诊断和有效医疗决策。
技术实现思路
1、本专利技术的目的是针对现有技术不足，提供一种老年综合征跨模态特征智能决策方法及电子设备，智能分析与gs相关的跨模态特征信息，解决gs早期决策准确性不高的问题。
2、为了实现上述目的，本专利技术所采用的技术方案是：
3、一种老年综合征跨模态特征智能决策方法，包括以下步骤：
4、s1：获取老年综合征数据集，所述老年综合征数据集包括数值数据、文本数据和图像数据；
5、s2：分别对所述数值数据、所述文本数据和所述图像数据进行处理，得到数值特征文本特征图像特征
6、s3：分别对所述数值特征所述文本特征和所述图像特征进行特征提取，得到特征提取后的数值特征on、文本特征ot和图像特征of，on、ot、of组成跨模态特征[on，ot，of]；
7、s4：将所述跨模态特征[on，ot，of]作为输入，训练ham-drcnn模型，所述ham-drcnn模型依次包括混合注意力机制层、第一全连接层、第一卷积层、第一批归一化层、第一激活层、级联的多个残差模块、展平层和第二全连接层；所述混合注意力机制层连接所述第一全连接层，所述第一全连接层连接所述第一卷积层，所述第一卷积层连接所述第一批归一化层，所述第一批归一化层连接所述第一激活层，所述第一激活层连接所述第一个残差模块，所述最后一个残差模块连接所述展平层，所述展平层连接所述第二全连接层；
8、所述残差模块包括第二卷积层、第二批归一化层、第二激活层、第三卷积层、第三批归一化层和第三激活层，所述第二卷积层连接所述第二批归一化层，所述第二批归一化层连接所述第二激活层，所述第二激活层连接所述第三卷积层，所述第三卷积层连接所述第三批归一化层，所述第三批归一化层连接所述第三激活层；
9、ham-drcnn模型训练过程包括：
10、对所述跨模态特征[on，ot，of]依次进行平均池化、卷积和激活处理，得到通道权重向量wc；对所述跨模态特征[on，ot，of]进行最大池化、平均池化、卷积和激活处理，得到空间权重向量ws；
11、对所述跨模态特征[on，ot，of]赋予通道权重向量wc，得到yc＝wc·[on,ot,of]；
12、对yc＝wc·[on,ot,of]赋予空间权重向量ws，得到y＝g(yc)·ws；
13、对y＝g(yc)·ws进行压缩和激励，集成为新的多模态特征图o＝sigmoid(gap(y))·y；
14、多模态特征图o＝sigmoid(gap(y))·y输送到一个具有激活函数的全连接层，多模态特征图各隐含状态的和作为ham-drcnn模型的输入特征向量s；
15、对特征向量s依次进行卷积、激活、归一化处理，回归输出k种gs决策类别的概率；
16、重复上述训练过程，迭代训练优化ham-drcnn模型的参数，得到最终的gs分类模型。
17、本专利技术将混合注意力机制与深度残差卷积神经网络(drcnn)结合，构成基于混合注意力机制的深度残差卷积神经网络模型(ham-drcnn)，混合注意力机制包括通道注意力机制和空间注意力机制，将通道注意力机制与空间注意力机制顺序连接，为跨模态特征赋予权重，使得gs分类模型关注跨模态特征中的关键内容，提高数据分析能力，提高模型收敛速度和决策精度，实现了老年综合征的高效预测。
18、所述gs分类模型输出gs决策分类结果的概率pgs＝[p1gs,p2gs,...,plgs]，plgs表示第l个gs决策的概率。
19、基于gs分类模型输出的决策概率，可以实现gs的智能决策，通过老人的医疗、行为状态和环境等数据可以准确评估gs症状，并辅助医疗决策。在获取患者数据信息后，采用智能化手段对患者进行干预，必要时辅以人工决策，得到进一步治疗建议。
20、根据gs分类模型输出结果完成gs诊断后，各监测设备和医疗信息库对老年群体进行长期监测和记录并将数据传输至数据平台存储。
21、所述数值数据处理，包括以下步骤：
22、s1：利用经验模态分解(emd)对数值数据进行处理，得到包含不同时频特征的n个子序列{imf1,imf2,...,imfn}；
23、s2：基于随机森林算法对{imf1,imf2,...,imfn}进行特征筛选，得到
24、所述基于随机森林算法对{imf1,imf2,...,imfn}进行特征筛选，包括以下步骤：
25、a1：计算n个子序列{imf1,imf2,...,imfn}的重要性，并按降序排序；
26、a2：确定剔除比例，依据特征重要性剔除相应比例的特征，得到一个新的特征集；
27、a3：用新的特征集重复上述过程，直到剩下m个特征值；
28、a4：根据上本文档来自技高网...
【技术保护点】
1.一种老年综合征跨模态特征智能决策方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述数值数据处理，包括以下步骤：
3.根据权利要求2所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述基于随机森林算法对{IMF1,IMF2,...,IMFN}进行特征筛选，包括以下步骤：
4.根据权利要求1所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述文本数据处理，包括以下步骤：
5.根据权利要求1所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述通道权重向量Wc构建包括以下过程：
6.根据权利要求1所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述空间权重向量Ws构建包括以下过程：
7.根据权利要求1所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述GS分类模型输出GS决策分类结果的概率PlGS表示第l个GS决策的概率。
8.根据权利要求1所述的一种实现老年综合征跨模态特征智能决策方法的电子设备，其
...【技术特征摘要】
1.一种老年综合征跨模态特征智能决策方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述数值数据处理，包括以下步骤：
3.根据权利要求2所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述基于随机森林算法对{imf1,imf2,...,imfn}进行特征筛选，包括以下步骤：
4.根据权利要求1所述的一种老年综合征跨模态特征智能决策方法，其特征在于，所述文本数据处理，包括以下步骤：
5.根据权利要...
【专利技术属性】
技术研发人员：陈琼，彭琳琳，石柯，李雪兵，谢斌，刘辉，李燕飞，刘江浔，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。