【技术实现步骤摘要】
本专利技术涉及糖尿病预测，具体是一种基于k-means聚类分析的糖尿病并发症预测方法。
技术介绍
1、k-means聚类分析是一种广泛使用的无监督学习算法，k-means聚类分析在计算的过程中用于将数据点划分为k个不同的簇或组，通过迭代优化误差平方和的目标函数将数据点分配给最近的聚类中心，并重新计算聚类中心的位置，直到聚类中心不再变化或变化很小为止，便于进一步分析和理解数据集的结构和模式。k-means聚类分析的优点包括简单易实现、处理速度快，适用于处理大规模数据集。
2、如公开号为cn107403072a的专利公开了一种基于机器学习的2型糖尿病预测预警方法，该专利具体公开了“一种基于机器学习的2型糖尿病预测预警方法，通过k-means算法和logistic regression算法建立先聚类再分类的糖尿病双层预测分析模型，对非糖尿病的分类结果通过c4.5算法和k-means算法分析出的规则进行预警分级，对糖尿病数据集通过日常数据收集管理后并进行更新维护以优化原始糖尿病双层预测分析模型。本方法包括数据收集模块、数据预处理模块、预测分析模块、预警分级模块和日常管理模块等五大模块。”的技术方案，实现了“本方法包括数据收集模块、数据预处理模块、预测分析模块、预警分级模块和日常管理模块等五大模块。主要应用在糖尿病早期预测分析、高危人群预警分级以及糖尿病日常健康管理等三大方面。本方法在实际应用中具有更高的预测准确性，更加专注每个实例的健康参数，同时针对非糖尿病实例进行预警分级，能起到更好的防范作用，做到疾病的提早预防”的技术效
3、但是方法在使用的过程中存在着预警分级效果单一的问题，不能利用足够的数据集进行更具说服性的技术目的。
4、公开号为cn103729798b的专利公开了基于改进的k-means聚类的煤矿安全评价系统，该专利具体公开了“一种改进的k-means聚类的煤矿安全评价系统，包括矿井安全数据输入模块、基于改进的k-means聚类的数据分析模块、结果输出模块；矿井安全数据输入模块接收用户提交的矿井安全状态数据，基于改进的k-means聚类的数据分析模块根据矿井安全状态数据，采用改进的k-means聚类方法进行数据分析，结果输出模块显示数据分析的结果，为煤矿企业的安全管理决策提供辅助依据”的技术方案，实现了“采用本专利技术的煤矿安全评价系统后，可以对煤炭企业所属矿井安全评价的打分结果进行分析，实现煤矿安全评价的全面管理，其评价结果可为煤矿企业的管理决策提供重要的技术依据”的技术效果。
5、同样的，该方法中虽然对k-means的模型进行了细化改进，但仍不能满足糖尿病应用领域中的糖尿病预测目的，存在改善的余地。
技术实现思路
1、本专利技术的目的在于提供一种基于k-means聚类分析的糖尿病并发症预测方法，通过利用k -means聚类分析算法对患者的身体内的数据（如血糖、尿酸、th等）进行分析，得出收敛值并预测出对用数据变化后利用图谱反应各个对应糖尿病亚并发症的具体预测结果，并解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于k-means聚类分析的糖尿病并发症预测系统，包括特征选择模块，所述特征选择模块包括收集单元和清滤单元，所述特征选择模块通过收集单元收集患者数据，所述特征选择模块通过清滤单元清洗并过滤出符合k-means聚类分析的数据；阈值计算模块，所述阈值计算模块基于k-means聚类分析的特征数据并融合大津阈值加权计算出聚类结果；以及卷积预测模块，所述卷积预测模块基于神经网络算法将聚类结果和特征数据进行学习，自动识别并勾画出糖尿病特征数据。
3、一种基于k-means聚类分析的糖尿病并发症预测方法，包括
4、步骤s1：所述特征选择模块收集并过滤出符合k-means聚类分析的数据；
5、步骤s2：所述阈值计算模块集合k-means聚类分析的特征数据和rnn卷积算法、加权计算出k-means聚类分析的内聚类结果；
6、步骤s3：rnn卷积算法再介入并晚上内聚类结果计算，勾画出供医生诊断的糖尿病预测模型。
7、作为本专利技术再进一步的方案：所述收集单元包括区块链以及云平台，所述区块链储存有患者生理指标的唯一哈希值，所述云平台供区块链读写、修改以及储存。
8、作为本专利技术再进一步的方案：所述清洗单元包括smartbi和etl工具，所述smartbi和etl工具联动生成支持k-means聚类分析数据的可视化流程配置，所述可视化流程配置通过内置排序、去重、映射、行列合并、行列转换聚合、去空值等数据预处理功能对k-means聚类分析数据进行清滤处理。
9、作为本专利技术再进一步的方案：所述k-means聚类分析内设有供患者群集分类的区别单元以及供数据分析的聚类单元，所述大津阈值包括数据化的自适应阈值选值单元，所述聚类单元和自适应阈值选值单元加权融合出聚类结果。
10、作为本专利技术再进一步的方案：所述聚类单元内设有若干个聚类中心，所述自适应阈值选值单元内设有若干个二维加权点，所述二维加权点与聚类中心进行对应计算并迭代更新出内聚类单元，所述内聚类单元供卷积预测模块分配计算。
11、作为本专利技术再进一步的方案：所述卷积预测模块包括复合rnn算法单元，所述复合rnn算法单元包括rnn算法和内聚类单元，所述复合rnn算法单元通过内聚类单元内部的数据点之间的关系和特征分布学习并预测出糖尿病特征数据。
12、作为本专利技术再进一步的方案：所述复合rnn算法单元包括卷积池化层和融合层，所述复合rnn算法单元通过卷积池化层获取内聚类单元的提取特征，所述复合rnn算法单元通过融合层学习到内聚类单元的多层抽象表示、并捕捉到内聚类单元的模式和特征数据。
13、作为本专利技术再进一步的方案：所述复合rnn算法单元还包括有预测层、训练层和评估层，所述复合rnn算法单元通过预测层供内聚类单元的分类、回归和空间映射，所述复合rnn算法单元通过训练层供内聚类单元的模型生成、模型训练和模型优化，所述复合rnn算法单元通过评估层供内聚类单元的模型评估。
14、作为本专利技术再进一步的方案：所述模型评估包括验证单元，所述模型评估通过验证单元对复合rnn算法单元进行循环模拟和验证。
15、与现有技术相比，本专利技术的有益效果是：
16、1.本申请对k-means的模型进行了细化改进，结合当前的医疗数据细化操作过程并具体通过特征选择模块收集并过滤出符合k-means聚类分析的数据，通过阈值计算模块集合k-means聚类分析的特征数据和rnn卷积算法和加权计算出k-means聚类分析的内聚类结果，最后rnn卷积算法再介入并完成内聚类结果计算，实现并勾画出供医生诊断的糖尿病预测模型，预测方法先进。
17、2.本申请通过smartbi和etl工具筛选并分类数值，然后通过大津阈值进行数值的剔换，从而实现输出聚类结果参数的分析和勾画，实现本文档来自技高网...
【技术保护点】
1.一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，包括特征选择模块，所述特征选择模块包括收集单元和清滤单元，所述特征选择模块通过收集单元收集患者数据，所述特征选择模块通过清滤单元清洗并过滤出符合k-means聚类分析的数据；
2.根据权利要求1所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述收集单元包括区块链以及云平台，所述区块链储存有患者生理指标的唯一哈希值，所述云平台供区块链读写、修改以及储存。
3.根据权利要求2所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述清洗单元包括Smartbi和ETL工具，所述Smartbi和ETL工具联动生成支持k-means聚类分析数据的可视化流程配置，所述可视化流程配置通过内置排序、去重、映射、行列合并、行列转换聚合、去空值等数据预处理功能对k-means聚类分析数据进行清滤处理。
4.根据权利要求3所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述k-means聚类分析内设有供患者群集分类的区别单元以及供
5.根据权利要求4所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述聚类单元内设有若干个聚类中心，所述自适应阈值选值单元内设有若干个二维加权点，所述二维加权点与聚类中心进行对应计算并迭代更新出内聚类单元，所述内聚类单元供卷积预测模块分配计算。
6.根据权利要求5所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述卷积预测模块包括复合RNN算法单元，所述复合RNN算法单元包括RNN算法和内聚类单元，所述复合RNN算法单元通过内聚类单元内部的数据点之间的关系和特征分布学习并预测出糖尿病特征数据。
7.根据权利要求6所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述复合RNN算法单元包括卷积池化层和融合层，所述复合RNN算法单元通过卷积池化层获取内聚类单元的提取特征，所述复合RNN算法单元通过融合层学习到内聚类单元的多层抽象表示、并捕捉到内聚类单元的模式和特征数据。
8.根据权利要求7所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述复合RNN算法单元还包括有预测层、训练层和评估层，所述复合RNN算法单元通过预测层供内聚类单元的分类、回归和空间映射，所述复合RNN算法单元通过训练层供内聚类单元的模型生成、模型训练和模型优化，所述复合RNN算法单元通过评估层供内聚类单元的模型评估。
9.根据权利要求8所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述模型评估包括验证单元，所述模型评估通过验证单元对复合RNN算法单元进行循环模拟和验证。
10.根据权利要求9所述的一种基于k-means聚类分析的糖尿病并发症预测方法，其特征在于，包括
...【技术特征摘要】
1.一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，包括特征选择模块，所述特征选择模块包括收集单元和清滤单元，所述特征选择模块通过收集单元收集患者数据，所述特征选择模块通过清滤单元清洗并过滤出符合k-means聚类分析的数据；
2.根据权利要求1所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述收集单元包括区块链以及云平台，所述区块链储存有患者生理指标的唯一哈希值，所述云平台供区块链读写、修改以及储存。
3.根据权利要求2所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述清洗单元包括smartbi和etl工具，所述smartbi和etl工具联动生成支持k-means聚类分析数据的可视化流程配置，所述可视化流程配置通过内置排序、去重、映射、行列合并、行列转换聚合、去空值等数据预处理功能对k-means聚类分析数据进行清滤处理。
4.根据权利要求3所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述k-means聚类分析内设有供患者群集分类的区别单元以及供数据分析的聚类单元，所述大津阈值包括数据化的自适应阈值选值单元，所述聚类单元和自适应阈值选值单元加权融合出聚类结果。
5.根据权利要求4所述的一种基于k-means聚类分析的糖尿病并发症预测系统，其特征在于，所述聚类单元内设有若干个聚类中心，所述自适应阈值选值单元内设有若干个二维加权点，所述二维加权点与聚类中心进行对应计...
【专利技术属性】
技术研发人员：郭立新，王伟好，贾统，肖佩，潘琦，李影，姜汛，陈子豪，
申请(专利权)人：北京医院，
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。