基于深度置信网络的慢性病精确干预方法及系统
阅读：512发布：2020-05-08
专利汇可以提供基于深度置信网络的慢性病精确干预方法及系统专利检索，专利查询，专利分析的服务。并且本 发明 实施例 提供一种基于深度置信网络的慢性病精确干预方法及系统，其包括以下步骤：步骤S1，构建慢性病动态渐变指标精确分类体系；步骤S2，构建DBN模型及其自适应参数信息结构；步骤S3，基于样本训练的慢性病健康管理精准干预模型语义特征信息提取模型。该基于深度置信网络的慢性病精确干预方法及系统创造性地将 深度学习 理论应用到慢性病管理领域，提高了慢性病精准防控效率，节省成本。解决了长期以来制约人类 生活 质量 提升的慢性病防控难题。，下面是基于深度置信网络的慢性病精确干预方法及系统专利的具体信息内容。
1.一种基于深度置信网络的慢性病精确干预方法，其特征在于，包括以下步骤：
步骤S1，构建慢性病动态渐变指标精确分类体系；
步骤S2，构建DBN模型及其自适应参数信息结构；
步骤S3，基于样本训练的慢性病健康管理精准干预模型语义特征信息提取模型。
2.根据权利要求1所述的基于深度置信网络的慢性病精确干预方法，其特征在于，所述步骤S1中，慢性病动态渐变指标精确分类体系包括：提取慢性病病理渐变特征库、病理特征库、干预特征库和精准干预策略库；所述精准干预策略库由基于慢性病特征分类的健康干预方案集组成。
3.根据权利要求2所述的基于深度置信网络的慢性病精确干预方法，其特征在于，所述精准干预策略库包括：慢性病诊断标准、风险评估模型和精准干预模型。
4.根据权利要求3所述的基于深度置信网络的慢性病精确干预方法，其特征在于，所述步骤S2中，DBN模型的底层由多层受限玻尔兹曼机框架堆叠而成，顶层为BP神经网络，所述底层算法采用逐层贪婪无监督学习，所述顶层通过有标签数据对网络进行有监督学习。
5.根据权利要求4所述的基于深度置信网络的慢性病精确干预方法，其特征在于，所述DBN模型采用优势遗传算法来确定结构。
6.根据权利要求1所述的基于深度置信网络的慢性病精确干预方法，其特征在于，所述步骤S3中，DBN学习语义信息特征提取算法构建过程为：
数据采集和预处理：从慢性病特征分类及风险级别评估量化表的各项数据流中挖掘组成原始数据集，然后对原始采集数据进行预处理，最后把数据集划分为训练样本和测试数据两份；
提取基于多层RBM堆栈的慢性病DBN特征分类参数：采用遗传优势进化算法结合样本训练的方法，进行慢性病的DBN模型的最优网络结构参数计算，包括输入层结点的个数、隐含层结点的个数和隐含层的层数；
确定DBN慢性病精准干预模型网络传输参数权重：利用训练数据对DBN精准预测和干预模型进行训练，计算实际输出和目标输出的误差，使用与网络权重相关的函数来表示这个误差，用共轭梯度算法来调整权重矩阵，最后得到的是误差函数达到最小的网络权重矩阵；
特征语义信息测试阶段：将测试数据输入到DBN精准干预模型中，计算慢性病概念的精准干预结果；
预测结果分析：对于相同的训练数据和测试数据，将预测结果与DBN模型的干预结果进行对比。
7.一种基于深度置信网络的慢性病精确干预系统，其特征在于，包括：
分类体系构建模块，用于构建慢性病动态渐变指标精确分类体系；
模型构建模块，用于构建DBN模型及其自适应参数信息结构；
提取模型模块，用于基于样本训练的慢性病健康管理精准干预模型语义特征信息提取模型。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于深度置信网络的慢性病精确干预方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于深度置信网络的慢性病精确干预方法的步骤。
基于深度置信网络的慢性病精确干预方法及系统
技术领域
[0001] 本发明涉及慢性病干预领域，尤其涉及一种基于深度置信网络的慢性病 精确干预方法及系统。
背景技术
[0002] 随着经济社会的快速发展，慢性病已经成为影响我国居民健康的重大公 共卫生问题。据卫生部统计，我国目前已确诊的慢性病患者超过2.6亿人， 且每年死于慢性病的人数超过300万人。更为严重的是，伴随我国工业化、 城镇化、老龄化进程的加快和环境污染的加剧，慢性病发病人数正以每年550 万例快速增长，平均每天增长1.5万例，而且因慢性病致死的人数已经上升 至居民总死亡人数的85％，医疗费用负担占疾病总负担的70％，因此慢性病 已经严重影响我国经济社会的发展和人民生活质量的提高。
[0003] 随着医疗技术水平的提升，当前慢性病对我国居民的危害已经取代了过 去流行性传染病对人体的伤害，尤其是近年来，在中老年人群中，对导致慢 性病危险因素的知晓率和控制率都很低。危险因素长期大量蓄积与伤害人体， 势必增加中老年人患慢性病的风险，致使慢性病患病率逐年上升，成为导致 我国居民死亡的第一要因。可见慢性病已经成为影响人民对美好生活追求的 头号杀手。据此，2017年2月首次发布了《中国防治慢性病中长期规划(2017— 2025年)》，规划要求到2020年由慢性病导致的过早死亡率较2015年降低 10％，到2025年降低20％，力争30—70岁人群因心脑血管疾病、癌症、慢 性呼吸系统疾病和糖尿病导致的过早死亡率较2015年降低20％，逐步提高居 民健康期望寿命，有效控制慢性病发生。
[0004] 慢性病主要包括心脑血管疾病、恶性肿瘤、糖尿病和慢性呼吸系统疾病 等。据研究，慢性病的发生与个人生活方式(60％)、遗传因素(15％)、社 会条件(10％)、医疗条件(8％)和自然环境(7％)等因素密切相关，而目 前我国对于慢性病的防控研究深度还远远不够，很多慢性病致病机理尚未完 全清楚，精准有效的防控措施与方法有待研究。
[0005] 当前慢性病治疗是世界性难题，发达国家主要依托健康管理，采用以预 防为主、治疗为辅的措施，降低慢性病发病率，这与我国中医所倡导的“不 治已病，治未病”同一渊源。医疗实践发现：治疗慢性病关键在于早发现， 早预防，即：可以通过慢性病健康管理进行精准干预。慢性病健康干预是指 对影响慢性病健康的不良行为、不良生活方式、生态环境及个人习惯等危险 因素，结合遗传基因进行综合处置的医疗措施和方法。其中精准诊断和
[0006] 精准干预是健康管理的关键所在，是慢性病综合防治的重点。健康管理 重在“精准预防”，
[0007] 即：在患者身体还处于亚健康状态时期，就提前采用各种医疗措施进行 精准干预，阻断病变器官或组织进一步恶化。
[0008] 近年来，由于慢性病在我国增长势头不断提高，国家也加大了慢性病防 控策略和措施研究，但是由于慢性病的致病因素多，变量间关系错综复杂， 采用传统的统计方法进行调査、监测和防控，跟踪周期长、信息量大、难以 发现病变的内在规律，严重影响了慢性病精准防控措施的有效实施。
[0009] 公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解， 而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员 所公知的现有技术。
发明内容
[0010] 针对现有技术存在的问题，本发明实施例提供一种基于深度置信网络的 慢性病精确干预方法及系统。
[0011] 第一方面，本发明实施例提供一种基于深度置信网络的慢性病精确干预 方法，包括以下步骤：
[0012] 步骤S1，构建慢性病动态渐变指标精确分类体系；
[0013] 步骤S2，构建DBN模型及其自适应参数信息结构；
[0014] 步骤S3，基于样本训练的慢性病健康管理精准干预模型语义特征信息提 取模型。
[0015] 进一步地，步骤S1中，慢性病动态渐变指标精确分类体系包括：提取慢 性病病理渐变特征库、病理特征库、干预特征库和精准干预策略库；所述精 准干预策略库由基于慢性病特征分类的健康干预方案集组成。
[0016] 进一步地，精准干预策略库包括：慢性病诊断标准、风险评估模型和精 准干预模型。
[0018] 进一步地，DBN模型采用优势遗传算法来确定结构。
[0019] 进一步地，步骤S3中，DBN学习语义信息特征提取算法构建过程为：
[0020] 数据采集和预处理：从慢性病特征分类及风险级别评估量化表的各项数 据流中挖掘组成原始数据集，然后对原始采集数据进行预处理，最后把数据 集划分为训练样本和测试数据两份；
[0021] 提取基于多层RBM堆栈的慢性病DBN特征分类参数：采用遗传优势 进化算法结合样本训练的方法，进行慢性病的DBN模型的最优网络结构参数 计算，包括输入层结点的个数、隐含层结点的个数和隐含层的层数；
[0022] 确定DBN慢性病精准干预模型网络传输参数权重：利用训练数据对 DBN精准预测和干预模型进行训练，计算实际输出和目标输出的误差，使用 与网络权重相关的函数来表示这个误差，用共轭梯度算法来调整权重矩阵， 最后得到的是误差函数达到最小的网络权重矩阵；
[0023] 特征语义信息测试阶段：将测试数据输入到DBN精准干预模型中，计算 慢性病概念的精准干预结果；
[0024] 预测结果分析：对于相同的训练数据和测试数据，将预测结果与DBN模 型的干预结果进行对比。
[0025] 第二方面，本发明实施例提供一种基于深度置信网络的慢性病精确干预 系统，包括：
[0026] 分类体系构建模块，用于构建慢性病动态渐变指标精确分类体系；
[0027] 模型构建模块，用于构建DBN模型及其自适应参数信息结构；
[0028] 提取模型模块，用于基于样本训练的慢性病健康管理精准干预模型语义 特征信息提取模型。
[0029] 第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存 储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序 时实现如第一方面所提供的基于深度置信网络的慢性病精确干预方法的步骤。
[0030] 第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存 储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的基 于深度置信网络的慢性病精确干预方法的步骤。
[0031] 本发明实施例提供的一种基于深度置信网络的慢性病精确干预方法及系 统创造性地将深度学习理论应用到慢性病管理领域，通过慢性病监测和该模 型的计算，掌握慢性病流行趋势和死亡谱，确定慢性病发作的高危人群及患 者，对慢性病目标群体状况做出评价，提取本质特征，表达因果关系，也可 根据概率分布状况对慢性病相关数据和作用结果分类与分级，采用关联数据 分析法分析数据之间隐藏的内在相关性，并采取有针对性的干预措施，控制 慢性病危险因素的流行和慢性病的发生发展，并不断评价慢性病精准干预措 施的效果，在慢性病精准防控方面提高效率，节省成本。解决长期以来制约 人类生活质量提升的慢性病防控难题。附图说明
[0032] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下 面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在 不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033] 图1为本发明实施例提供的基于深度置信网络的慢性病精确干预方法的 流程示意图；
[0034] 图2为本发明实施例提供的方法的样本训练及实际应用示意图；
[0035] 图3本发明实施例提供的基于深度置信网络的慢性病精确干预系统的原 理图；
[0036] 图4本发明实施例提供的一种电子设备的实体结构图。
具体实施方式
[0037] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发 明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获 得的所有其他实施例，都属于本发明保护的范围。
[0039] 由于慢性病的诱因具有多元性、复杂性、长期性、主次性和渐进性，因 此要正确理解慢性病的发病机理，就要结合生存环境、生活习惯、心里因素 和社会关系等因素，以生命体系为核心，构建大样本病例信息数据库，选择 高效的数据挖掘技术，从中发现诱发慢性病的内在本质规律。慢性病精准医 疗包括精准诊断和精准防控两部分，其中精准诊断是基础。慢性病的精确诊 断就是要在客观采集并分析临床症状、体征的同时，通过系统生物学、生物 信息学和大数据挖掘等技术，发现有病证的生物学物质基础及生物标志物， 表达其发生发展及演化规律，从而对病证实现客观而精确的诊断。精准防控 是依据病症演变规律，采取有效措施精准干预疾病的演变。把精准医疗引入 慢性病防控领域，实现慢性病精准的病证分类和诊断，制定具有个性化的健 康维护、疾病预防、诊疗和康复方案，并分析其疗效和安全性机制的新型中 西医结合医疗，是一项极具挑战性的系统工程。
[0040] 当前慢性病精准医疗的快速发展得益于大规模人类基因组生物数据库的 建立、高通量蛋白组学、代谢组学以及各种检测手段的兴起，还有人工智能、 计算分析和大规模数据处理技术的发展。该项工作如果采用传统的人工防控 模式，工作量大、效率低、覆盖面小、难以普及推广，甚至不可能实现。而 随着人工智能、数据挖掘、大数据、物联网和云端超级计算技术的快速发展， 深度置信网络(Deep Belief Network,DBN)学习算法在人工智能和计算机精 准医疗等领域的广泛应用，为慢性病的精准防控提供了技术支持。
[0041] 图1为本发明实施例提供的一种基于深度置信网络的慢性病精确干预方 法流程图，如图1所示，针对复杂的多变量慢性病致病因素，该方法采用模 拟人脑学习的DBN算法，包括以下步骤：
[0042] 步骤S1，构建慢性病动态渐变指标精确分类体系；
[0043] 构建慢性病动态渐变指标精确分类体系旨在研究慢性病与个人的遗传基 因、社会和自然环境、医疗条件以及生活方式等致病因素的相关性，由于常 见的慢性病都会经历从健康到疾病的渐变过程，这个过程可能很长，往往需 要几年到十几年，甚至几十年的时间。因此需要对慢性病群体的致病因子进 行长期的跟踪、监测与样本数据收集，通过分析掌握慢性病发病趋势和内在 变化规律，筛选慢性病危险致病因子及因子之间的关联度，同时建立慢性病 动态渐变指标分类体系。
[0044] 慢性病动态渐变指标精确分类体系主要包括：提取慢性病病理渐变特征 库、病理特征库、干预特征库和精准干预策略库。精准干预策略库是构建慢 性病动态渐变指标精确分类体系的核心。精准干预策略库主要是以慢性病健 康管理样本库为核心，以个体基因、体质、生存环境和习惯为基础，以生理 健康参数为依据，结合慢性病精准分类特征，构建慢性病精准干预方案集。 健康干预方案集在动态的过程中提取基于患者健康状况的个体病历特征，并 对潜在的药物、防控措施与病理之间的多维关系进行描述，同时以慢性病防 控问题为中心，将抽取得到的实体关系组织起来，形成对慢性病精准干预中 涉及的药物、治疗和检查等概念进行系统表达。DBN学习模型将慢性病动态 渐变指标精确分类体系转化为一个多分类问题，对实体信息进行特征提取， 转化为特征向量，再进行分类器的训练学习，通过标签学习，即可提取到慢 性病病理特征、干预策略以及治疗方案等各维之间的潜在联系，逐步丰富慢 性病精确分类体系。通过数据挖掘，利用深度学习网络模拟医生健康管理诊 断分析方法，对慢性病人群进行风险评估、分类和危险级别鉴别，实现人群 自动分类及精准干预。精准干预策略库是一个动态特征库，是在系统的不断 学习过程中得到充实和修正。
[0045] 在实施例的步骤S1中，精准干预策略库包括：慢性病诊断标准、风险评 估模型和精准干预模型。针对实体病例，根据慢性病诊断标准，慢性病的风 险评估可分为三级，一级属于健康体质，二级属于过度体质，三级属于恶性 病变体质，健康管理精准干预主要是针对二级体质进行干预。二级是在疾病 发生之前，通过模型提取个体生理特征参数，发现病变类型及风险级别，并 针对个体状况结合慢性病干预策略库生成健康管理方案，以阻断疾病在体内 进一步蔓延。精准干预模型是针对慢性病特征分类及风险级别评估指标体系 的主要风险因素，计算各相关因子对慢性病基于时间渐变的函数关系，科学 表达慢性病类型和精准干预的非线性对应关系。
[0046] 如图2所示，步骤S2，构建DBN模型及其自适应参数信息结构；
[0047] 深度置信网络(Deep Belief Network,DBN)学习算法在人工智能和计算 机精准医疗等领域的广泛应用，为慢性病的精准防控提供了技术支持。DBN 是人工神经网络的一种，它模仿人脑的学习机制来解释数据，其动机在于建 立、模拟人脑进行分析学习。
[0048] DBN采用多层受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)框 架，层间采用逐层训练解决特征提取最优问题，同时也保证了分类的精度问 题。深度学习作为人工智能算法的一个新技术，其目的在于建立、模拟人脑 学习的神经网络系统，与传统的神经网络比较，该系统主要包括一个输入层、 多个隐层(可单层、可多层)和一个输出层的多层网络结构，深度学习算法 的提出克服了传统人工神经网络的缺陷，它通过无监督的特征学习实现对高 层的特征表示。
[0049] 考虑到慢性病的医学机理较为复杂，相关影响因素较多，各因素之间既 有自影响，又有互影响，既有定性，又有定量，且影响因素与发病结果之间 是非线性关系，所形成的医疗数据呈多元性、复杂性、非线性和数据量超大 等特性，因而采用传统的BP神经网络[BP(back propagation)神经网络是一种 按照误差逆向传播算法训练的多层前馈神经网络]学习模型在解决该问题中 不适用。而DBN是深度学习算法的一种，它是由多层受限玻尔兹曼机 (Restricted Boltzmann Machine,RBM)和BP神经网络组成的一种深度学习 算法，底层由多个RBM堆叠而成，实现对数据的抽象表示，顶层为BP神经 网络，底层算法采用逐层贪婪无监督学习，对DBN进行分层学习，然后在顶 层通过有标签数据对网络进行有监督学习，使网络的重构误差最小。DBN学 习框架通过学习一种深层非线性网络结构，只需简单的网络结构即可实现复 杂函数的逼近，并展现了强大的从大量无标注样本集中学习数据集本质特征 的能力。由于模型的层次深(通常有5层、6层，甚至10多层的隐藏层节点)， 表达能力强，能够获得更好地表示大规模数据的特征。因此该模型既具有无 监督深度学习处理大规模数据的优势，又兼容高精度识别特征数据的优势。
[0050] DBN能够通过底层无监督学习和顶层有监督参数调整相结合的方式，最 终实现知识发现与精准分类的目的。同时，DBN的学习算法使其在处理大量 数据时能够实现快速学习的目标，从而提高模型的效率和准确率。目前多数 疾病诊断与防控技术，以分类、回归等算法为主，而采用DBN能够通过无监 督学习对原始数据进行分层表示，通过多层传播实现复杂函数的模拟，最终 实现从大量的样本数据中学习本质特征的功能。
[0051] 在构建DBN模型时，有两个非常重要的参数需要确定，就是隐含层和隐 含层结点的个数，通常在计算系统的层数和节点的个数时，各节点的权值也 得到确定。隐含层越多处理能力越强大，但是计算效率也越低，而隐含层的 结点的个数过多，也会出现过拟合，从而导致计算结果错误。本项目采用基 于稀疏特征约束条件限制的自优化层间特征损失传递函数，确保层间信息传 递损失最少。深度学习的过程就是获得逐层学习特征的表示，每层学习均可 得到一种新的表示，这种表示还能通过某种方式表示成原来的数据。对于一 个特征的表示，如果越稀疏，就说明这样的特征只被少数的上层节点所激活， 在一定程度上起到了抽象的作用。所以，选择基于稀疏特征约束条件限制的 模型，得到的特征判别效果更优。而且可以通过调整层间特征损失函数权重 来提高模型得到特征的稀疏性。如此该模型采用分层无监督学习，然后在顶 层通过有标签数据对网络进行有监督学习，使网络的重构误差最小。项目根 据层间特征的继承性，采用优势遗传算法来确定DBN模型的最优结构。当 DBN模型的隐含层个数为1时，在输入层中，把输入结点的个数设置为1～ 10之间改变的10个不同值。把隐含层的结点个数设置为4、8、12、16和20 五个不同的值。这样设置的结果是：相对与输入结点的个数变化，网络的预 测效果对隐含层结点个数的改变更加敏感。在对数据集的实验结果中，通过 优势遗传算法，结合损失函数过程最小的约束条件，寻找出识别率最高时对 应的输入层结点个数和隐含层结点个数，之后再增加新的隐含层，判断新的 隐含层中结点个数的变化对预测效果的影响，从而确定最佳节点个数，同时 也确定了隐含层的层数。
[0052] 对于状态(v,h)，RBM的能量函数取值最小计算公式：
[0053]
[0054] 式中：Wi,j——显层第i个节点和隐层第j个节点之间的权重；
[0055] ai——显层节点i的偏置大小；
[0056] bi——隐层节点j的偏置大小。
[0057] 其中，RBM模型参数为θ＝{W,a,b}，将可视层和隐含层的各节点带入能量函数的公式中，可以 得到整个RBM连接结构的能量。
[0058] 根据吉布斯分布(Gibbs)可以得出：RBM处于当前状态(v,h)时的概率为：
[0059]
[0060]
[0061] 这个概率可以看作显层状态和隐层状态的联合概率分布，根据联合概率 分布可以得出显层状态的边缘分布为：
[0062]
[0063] 步骤S3，基于样本训练的慢性病健康管理精准干预模型语义特征信息提 取模型。
[0064] DBN的核心是由多层RBM堆栈构成，通过无监督贪婪逐层算法可以训 练RBM，将学习得到的权重θ＝{W，a，b}传递给DBN构成慢性病特征分类 库，训练数据计算得到的RBM隐层状态作为下一个RBM的输入数据，来进 一步学习RBM隐层单元之间的依赖关系。将这个学习过程重复多次，在重 复的过程中，结合信息特征的继承性和损失函数最小约束条件，采用优势遗 传算法实现最优路径的优化问题，从而确定受限玻尔兹曼机的最优堆叠层结 构，且学习到数据中复杂的语义结构信息。在完成了逐层的RBM预训练后， RBM堆叠构成一个DBN，在最顶层増加一个分类层BP，便可构成一个自下 而上的前馈深层神经网络，且在顶层实现语义概念抽象。在项目中，选用BP 算法，通过带标签的数据用BP算法对判别性能做微调整。DBN的算法步骤 可以概括为：①预训练阶段：通过RBM自训练算法结合遗传优势进化算法， 选择由低层到髙层逐层无监督地训练出所有的RBM结构；②微调阶段：将 最后一层RBM的输出信息由输入端传到输出端，使用BP神经网络作为模型 有监督的分类器，通过网络传递误差作为修正标准，将误差从输出端向输入 端进行反向传播，修改DBN的权重参数，再次循环。RBM堆叠构造的DBN 学习语义信息特征提取算法构建过程：
[0065] 1)数据采集和预处理。从慢性病特征分类及风险级别评估量化表的各 项数据流中挖掘组成原始数据集，然后对原始采集数据进行预处理，最后把 数据集划分为训练样本和测试数据两份。
[0066] 2)提取基于多层RBM堆栈的慢性病DBN特征分类参数。采用遗传优 势进化算法结合样本训练的方法，进行慢性病的DBN模型的最优网络结构参 数计算，包括输入层结点的个数、隐含层结点的个数和隐含层的层数。
[0067] 3)确定DBN慢性病精准干预模型网络传输参数权重。利用训练数据对 DBN精准预测和干预模型进行训练，为了加速训练，计算实际输出和目标输 出的误差，使用与网络权重W相关的函数来表示这个误差，用共轭梯度算法 来调整权重矩阵，最后得到的是误差函数达到最小的网络权重矩阵W。
[0068] 4)特征语义信息测试阶段。将测试数据输入到DBN精准干预模型中， 计算慢性病概念的精准干预结果。
[0069] 5)预测结果分析。对于相同的训练数据和测试数据，利用经典的预测 方法进行预测，将预测结果与DBN模型的干预结果进行对比。据此：DBN 模型的学习训练核心包括受限玻尔兹曼机的无监督自主训练和BP算法的有 监督训练。在DBN模型训练的时候，如果同时进行整个网络所有层的训练， 会导致时间复杂度过高，而如果采用贪婪逐层学习算法将会解决这个问题。
[0070] 基于样本训练的DBN中的语义信息挖掘算法包括：低层到高层的语义 抽象遗传优化算法，高层语义信息生成和网络中层语义特征挖掘，并构建各 层语义信息库。在高层语义信息生成方面，研究如何在深度学习框架下，学 习和选取底层特征信息提取的RBM模板集，然后采用组合函数生成高层语 义信息，再利用DBN对获得的高层语义信息进行解析，从而得到最终可用的 高层语义信息，并将获得的高层语义信息融合到DBN学习模型框架中，形成 抽象的慢性病健康管理精准干预体系语义信息特征库。
[0071] 综上RBM网络的表示需要尽可能拟合输入数据。计算如下：
[0072] 设对于一组满足独立同分布的样本集：D＝{V(1),V(2),...,V(N)}，需要学习参数θ＝{W,a,b}， 设S表示样本空间，q表示输入的样本分布，q(A)表示输入样本A的概率，p是RBM网络表示的边缘 分布，则q和p为KL距离为：
[0073]
[0074] 对RBM网络来说，即让RBM网络随机发生多次(v,h)状态，训练样本出现的概率最高。对概率 模型，选择一个参数，使当前的观测样本概率最大，优化问题为使得数据似然值最大的参数：
[0075] θ*＝argmaxln(P(v；θ)) (13)
[0076] 由于显层和隐层内部之间没有连接，所以输入变量和模型分布下的各状 态的条件期望值，给定训练数据v，隐层节点的状态为：
[0077] P(hj＝1|v)＝σ(bj+∑iviwi,j) (14)[0078] 根据CD-k算法得出由隐层计算出的显层重构状态为：
[0079] P(vi＝1|h)＝σ(ai+∑ihjwi,j) (15)[0080] 其中σ(A)＝1/(1+exp(-x))，即为Sigmoid函数。
[0081] 根据以上公式，可以求得近似梯度，使用梯度下降法更新RBM参数：
[0082]
[0083] RBM模型的参数优化过程可以看作对模型能量最小化过程，即重构误 差最小。在其无监督训练过程中通常采用对比散度(Contrastive Divergence, CD)方式来更新权重参数，即
[0084]
[0085]
[0086]
[0087] 式中，ε为学习率，Edata(·)是将可见状态值取为训练样本值时得到的依赖数据的期望值，为整个网 络单元的联合概率分布期望值；Edata(·)是可见单元为随机二值状态时的期望值。
[0088] 基于上述任一实施例，图3为本发明实施例提供的一种基于深度置信网 络的慢性病精确干预系统的原理图，该系统包括：
[0089] 分类体系构建模块，用于构建慢性病动态渐变指标精确分类体系；
[0090] 模型构建模块，用于构建DBN模型及其自适应参数信息结构；
[0091] 提取模型模块，用于基于样本训练的慢性病健康管理精准干预模型语义 特征信息提取模型。
[0092] 综上所述，本发明实施例提供的基于深度置信网络的慢性病精确干预方 法及系统创造性地将深度学习理论应用到慢性病管理领域，通过慢性病监测 和该模型的计算，掌握慢性病流行趋势和死亡谱，确定慢性病发作的高危人 群及患者，对慢性病目标群体状况做出评价，提取本质特征，表达因果关系， 也可根据概率分布状况对慢性病相关数据和作用结果分类与分级，采用关联 数据分析法分析数据之间隐藏的内在相关性，并采取有针对性的干预措施， 控制慢性病危险因素的流行和慢性病的发生发展，并不断评价慢性病精准干 预措施的效果，在慢性病精准防控方面提高效率，节省成本。解决长期以来 制约人类生活质量提升的慢性病防控难题。
[0093] 图4为本发明实施例提供的一种电子设备的实体结构示意图，如图4所 示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信 接口302，存储器303通过通信总线304完成相互间的通信。处理器301可 以调用存储在存储器303上并可在处理器301上运行的计算机程序，以执行 上述各实施例提供的方法，例如包括：
[0094] 步骤S1，构建慢性病动态渐变指标精确分类体系；
[0095] 步骤S2，构建DBN模型及其自适应参数信息结构；
[0096] 步骤S3，基于样本训练的慢性病健康管理精准干预模型语义特征信息提 取模型。
[0097] 本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算 机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法， 例如包括：
[0098] 步骤S1，构建慢性病动态渐变指标精确分类体系；
[0099] 步骤S2，构建DBN模型及其自适应参数信息结构；
[0100] 步骤S3，基于样本训练的慢性病健康管理精准干预模型语义特征信息提 取模型。
[0101] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明 的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或 者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络 单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例 方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以 理解并实施。
[0102] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实 施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬 件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部 分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可 读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台 计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施 例或者实施例的某些部分所述的方法。
[0103] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其 限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术 人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或 者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技 术方案的本质脱离本发明各实施例技术方案的精神和范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 用于图像识别的深度学习模型、该模型的训练装置及方法 | 2020-05-08 | 260 |
| 一种基于深度学习的领域自适应中文分词方法 | 2020-05-11 | 981 |
| 一种基于深度学习的光纤模式分解方法及可读介质 | 2020-05-11 | 187 |
| 一种智能垃圾分类桶 | 2020-05-11 | 304 |
| 特征表示迁移学习方法及相关装置 | 2020-05-08 | 118 |
| 一种基于振动机理与深度学习技术的整周期无键相监测方法 | 2020-05-08 | 334 |
| 一种基于深度学习的手势识别方法 | 2020-05-08 | 149 |
| 基于对象模型的试验数据统一检索方法和系统 | 2020-05-11 | 148 |
| 一种HLA I型分子与多肽的亲和力预测方法 | 2020-05-08 | 576 |
| 一种基于深度学习的白细胞大视场图像检测系统及方法 | 2020-05-08 | 43 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈