【技术实现步骤摘要】
本专利技术涉及脑卒中数字智能化预警的，尤其涉及一种基于大数据的脑卒中数字智能化预警方法及系统。
技术介绍
1、脑卒中是指由于脑血管病变引起的脑功能异常或神经缺损的临床综合征。它是全球范围内导致死亡和残疾的主要原因之一，给患者及其家属带来了严重的心理和经济负担。目前，脑卒中的预防和治疗仍然面临着挑战。近年来，随着科技的不断进步，大数据技术、机器学习和人工智能等新兴技术得到广泛应用。这些技术可以对大规模的医疗数据进行分析和挖掘，帮助医护人员发现潜在的疾病风险和预测疾病发生的可能性。因此，将这些技术应用于脑卒中的预警和诊断具有重要意义。本专利技术提出一种基于大数据的脑卒中数字智能化预警方法及系统，通过大数据分析和智能算法，可以对脑卒中的风险进行提前预警，及时采取干预措施，从而减少脑卒中的发生率和致残率。
技术实现思路
1、有鉴于此，本专利技术提供一种基于大数据的脑卒中数字智能化预警方法及系统，目的在于：1)采用小波变换将数据从时域转换到小波域，并对小波系数进行频谱分析提取频谱特征，结合主成分分析对特征进行降维提高脑卒中特征准确性；2)基于深度学习构建脑卒中预警模型，使用动量梯度下降算法进行目标函数优化的步骤包括初始化参数、设置超参数、初始化动量、迭代更新参数，在每次迭代中，通过前向传播计算预测值，然后通过反向传播计算梯度，并利用动量变量和学习率更新权重和偏置，加速收敛并提高优化效果。
2、为实现上述目的，本专利技术提供的一种基于大数据的脑卒中数字智能化预警方法，包括以下步骤：
3、s1：对患者的临床数据、生理指标、影像学数据进行收集并进行数据清洗和预处理，去除采集数据中的异常值并填补缺失值得到预处理后的数据；
4、s2：对预处理后的数据进行特征提取，将原始数据转化为与脑卒中风险相关的特征向量，其中小波特征提取和主成分分析为所述提取的主要实施方法；
5、s3：构建脑卒中预警模型，所述模型为深度学习模型，以脑卒中风险特征向量为输入，以脑卒中风险预测值为输出；
6、s4：对构建的脑卒中预警模型进行优化求解得到最优模型参数，并根据得到的最优模型参数实例化模型得到脑卒中预警模型实例；
7、s5：使用脑卒中预警模型实例对患者脑卒中风险进行预警，当监测到超过预警阈值时，触发预警机制通知医护人员。
8、作为本专利技术的进一步改进算法：
9、可选地，所述s1步骤中去除采集数据中的异常值，包括：
10、s11：计算采集数据离群值的阈值，计算公式为：
11、
12、
13、其中，表示采集数据的均值，s表示采集数据的标准差，k表示判断离群值的倍数，lower threshold表示阈值下限，upper threshold表示阈值上限；
14、s12：根据计算得到的离群值阈值，对数据进行遍历，并识别出超过阈值范围的数据点作为异常值；
15、s13：对于识别出的异常数据进行删除，在处理异常值后，重新计算数据离群阈值重复步骤s12直到不再有异常数据。
16、所述s1步骤中填补缺失值，包括：
17、对数据进行遍历，识别出缺失值，对缺失值进行数据填充，其中均值填充为所述数据填充的主要实施方法，计算公式为：
18、
19、其中，xi表示非缺失值观测，n表示非缺失值的数量。
20、可选地，所述s2步骤对预处理后的数据进行特征提取，将原始数据转化为与脑卒中风险相关的特征向量，包括：
21、所述s2步骤中对预处理后的数据进行特征提取，包括：
22、s21：对预处理后的数据进行小波变换，将数据从时域转换到小波域，计算公式为：
23、
24、其中，x(t)是预处理后的数据，ψa,b(t)是小波基函数，a和b分别表示尺度参数和平移参数；
25、s22：选择保留高频或低频的小波系数进行统计特征计算，计算公式为：
26、
27、其中，xi表示小波系数，n表示小波系数的数量；
28、s23：对小波系数进行频谱分析提取频谱特征；
29、s24：将经过小波变换、小波系数提取、统计特征计算、频谱特征提取处理后的特征组合成特征向量，用于模型训练。
30、所述s23步骤中对小波系数进行频谱分析提取频谱特征，包括：
31、a1：计算每个小波包系数的能量，计算公式为：
32、
33、其中，n表示第j层小波包系数的长度，ci,j为第j层小波包系数；
34、a2：对计算得到的小波系数能量进行归一化，使用归一化的能量密度函数来表示功率谱密度，计算公式为：
35、
36、其中，j表示小波包变换的总层数；
37、a3：根据归一化能量密度函数，可以得到每个小波包系数对应的功率谱密度，计算公式为：
38、
39、其中，bj为第j层小波包系数的频带宽度。
40、所述s2中主成分分析进行特征提取，包括：
41、b1：计算特征向量数据的协方差矩阵，用于衡量特征之间的相关性，计算公式为：
42、
43、其中，x是按照特征向量采集的数据矩阵，每行表示一个样本，每列表示一个特征，n)是样本数量；
44、b2：对协方差矩阵进行特征值分解，得到特征值和对应的特征向量；
45、b3：根据特征值的大小排序，选择前k个特征值对应的特征向量作为主成分，这些主成分对应的特征向量构成了一个新的特征空间；
46、b4：将标准化后的数据通过内积投影到选择的主成分上，得到降维后的数据。
47、可选地，所述s3步骤中构建脑卒中预警模型，所述模型为深度学习模型，以脑卒中风险特征向量为输入，以脑卒中风险预测值为输出，包括：
48、所述脑卒中预警模型包括输入层、隐藏层和输出层，输入层接收用户指令的语义特征向量，隐藏层由多个神经元组成的隐藏层，每个神经元将输入数据与权重相乘并通过激活函数进行非线性转换，并输出脑卒中风险预测值；
49、在前向传播过程中，将输入数据从输入层逐层传递到输出层，并通过激活函数进行非线性变换，具体计算公式为：
50、hl＝σ(wl·hl-1+bl)
51、yk＝σ(wo·hl-1+bo)
52、其中，wl和bl分别表示第l层隐藏层的权重矩阵和偏置向量，wo和bo表示输出层的权重矩阵和偏置向量，σ(·)表示激活函数，hl表示隐藏层第l层神经元，yk表示输出层的第k个神经元。
53、可选地，所述s4步骤中对构建的脑卒中预警模型进行优化求解得到最优模型参数，并根据得到的最优模型参数实例化模型得到脑卒中预警模型实例，包括：
54、所述s4步骤中对构建的脑卒中预警模型进行优化求解得到最优模型参数，包括：
55本文档来自技高网...
【技术保护点】
1.一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述S1步骤中去除采集数据中的异常值，包括：
3.如权利要求1所述的种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述S1步骤中填补缺失值，包括：
4.如权利要求1所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述S2步骤中对预处理后的数据进行特征提取，包括：
5.如权利要求4所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述S23步骤中对小波系数进行频谱分析提取频谱特征，包括：
6.如权利要求1所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述S2中主成分分析进行特征提取，包括：
7.如权利要求1述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述S3骤中构建脑卒中预警模型，包括：
8.如权利要求1所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述S4步骤中对构建的脑卒中预警模
9.如权利要求8所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述S423步骤中根据当前的参数梯度进行动量更新和参数更新，包括：
10.一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述s1步骤中去除采集数据中的异常值，包括：
3.如权利要求1所述的种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述s1步骤中填补缺失值，包括：
4.如权利要求1所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述s2步骤中对预处理后的数据进行特征提取，包括：
5.如权利要求4所述的一种基于大数据的脑卒中数字智能化预警方法，其特征在于，所述s23步骤中对小波系数进行频谱分析提取频谱特征，包括：
6.如权利...
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。