本發(fā)明涉及數(shù)據(jù)處理，特別是指心腦血管疾病風(fēng)險(xiǎn)預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、心腦血管疾病的監(jiān)測(cè)有的依賴于有限的生理參數(shù)進(jìn)行風(fēng)險(xiǎn)預(yù)測(cè)，如血壓、血脂、血糖等靜態(tài)指標(biāo)。然而，這些指標(biāo)只能反映某一時(shí)刻的身體狀況，難以全面、動(dòng)態(tài)地反映心腦血管疾病的風(fēng)險(xiǎn)。

2、例如，只關(guān)注血壓的絕對(duì)值，而忽略了血壓的動(dòng)態(tài)波動(dòng)情況，如血壓的晝夜節(jié)律變化、血壓的瞬時(shí)波動(dòng)率等，這些動(dòng)態(tài)信息對(duì)于評(píng)估心腦血管疾病風(fēng)險(xiǎn)同樣重要。

3、此外，傳統(tǒng)技術(shù)主要檢測(cè)血清總膽固醇、甘油三酯等總體血脂水平，而無(wú)法準(zhǔn)確反映不同脂蛋白亞類的水平，如低密度脂蛋白膽固醇(ldl-c)、高密度脂蛋白膽固醇(hdl-c)等，這些脂蛋白亞類與心腦血管疾病的發(fā)生風(fēng)險(xiǎn)密切相關(guān)。只關(guān)注某些單一的特征，如血壓、血脂水平，而忽略了這些特征之間的相互作用和相互影響。例如，血壓和血脂水平之間可能存在復(fù)雜的交互作用，共同影響心腦血管疾病的風(fēng)險(xiǎn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明要解決的技術(shù)問題是提供心腦血管疾病風(fēng)險(xiǎn)預(yù)測(cè)方法及系統(tǒng)，為心腦血管疾病的早期預(yù)測(cè)提供依據(jù)。

2、為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

3、第一方面，心腦血管疾病風(fēng)險(xiǎn)預(yù)測(cè)方法，所述方法包括：

4、獲取目標(biāo)用戶的實(shí)時(shí)生理參數(shù)，包括動(dòng)態(tài)血壓波動(dòng)率、血清脂蛋白水平、心率變異性頻域指標(biāo)和睡眠呼吸暫停低通氣指數(shù)；

5、對(duì)實(shí)時(shí)生理參數(shù)進(jìn)行預(yù)處理，采用小波變換提取血壓信號(hào)的瞬時(shí)波形特征，并提取與健康狀況相關(guān)的特征，包括血壓水平、血脂水平、血糖水平、心電圖異常指標(biāo)和心臟超聲異常指標(biāo)，形成特征向量集；

6、利用磷蝦群算法對(duì)特征向量集進(jìn)行特征選擇與優(yōu)化，通過模擬磷蝦群的覓食行為，自動(dòng)搜索對(duì)心血管健康狀況評(píng)估關(guān)鍵的特征子集，以得到優(yōu)化后的特征向量集；

7、根據(jù)優(yōu)化后的特征向量集，通過概率時(shí)間佩特里網(wǎng)，構(gòu)建包含生理信號(hào)時(shí)空編碼、臨床知識(shí)圖譜嵌入和動(dòng)態(tài)強(qiáng)化學(xué)習(xí)的三級(jí)融合模型；

8、將目標(biāo)用戶的特征向量輸入三級(jí)融合模型中，根據(jù)佩特里網(wǎng)的推理規(guī)則，得到目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度，并根據(jù)目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度，輸出風(fēng)險(xiǎn)評(píng)估結(jié)果和生成預(yù)警信息。

9、進(jìn)一步的，對(duì)實(shí)時(shí)生理參數(shù)進(jìn)行預(yù)處理，采用小波變換提取血壓信號(hào)的瞬時(shí)波形特征，并提取與健康狀況相關(guān)的特征，包括血壓水平、血脂水平、血糖水平、心電圖異常指標(biāo)和心臟超聲異常指標(biāo)，形成特征向量集，包括：

10、采用小波變換方法對(duì)血壓信號(hào)進(jìn)行瞬時(shí)波形特征提取，以獲取血壓變化的動(dòng)態(tài)特征；

11、從經(jīng)過小波變換處理后的數(shù)據(jù)中提取與健康狀況相關(guān)的特征，包括血壓水平、血脂水平、血糖水平、心電圖異常指標(biāo)和心臟超聲異常指標(biāo)，形成特征向量集。

12、進(jìn)一步的，利用磷蝦群算法對(duì)特征向量集進(jìn)行特征選擇與優(yōu)化，通過模擬磷蝦群的覓食行為，自動(dòng)搜索對(duì)心血管健康狀況評(píng)估關(guān)鍵的特征子集，以得到優(yōu)化后的特征向量集，包括：

13、確定磷蝦群的大小，即參與特征選擇的候選特征數(shù)量，并為每個(gè)磷蝦賦予初始位置；

14、設(shè)置磷蝦的感知范圍、移動(dòng)步長(zhǎng)、最大迭代次數(shù)，并定義貢獻(xiàn)程度函數(shù)，以評(píng)估磷蝦當(dāng)前位置對(duì)心血管健康狀況評(píng)估的貢獻(xiàn)程度；

15、對(duì)于每個(gè)磷蝦，根據(jù)當(dāng)前位置，提取對(duì)應(yīng)的特征，以構(gòu)建預(yù)測(cè)模型；

16、使用包含心血管健康狀況相關(guān)樣本數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練，并根據(jù)貢獻(xiàn)程度函數(shù)，計(jì)算每個(gè)磷蝦的貢獻(xiàn)程度值；

17、將貢獻(xiàn)程度值賦給對(duì)應(yīng)的磷蝦，作為在當(dāng)前迭代中的表現(xiàn)評(píng)價(jià)，并對(duì)于每個(gè)磷蝦，計(jì)算感知范圍內(nèi)的鄰居集合，在鄰居集合中，確定當(dāng)前磷蝦的學(xué)習(xí)對(duì)象；

18、根據(jù)學(xué)習(xí)對(duì)象、當(dāng)前磷蝦的位置差異和預(yù)設(shè)的移動(dòng)步長(zhǎng)，更新當(dāng)前磷蝦的位置；

19、重復(fù)特征提取、模型構(gòu)建、訓(xùn)練和貢獻(xiàn)程度計(jì)算的過程，直到達(dá)到預(yù)設(shè)的最大迭代次數(shù)，最終得到一組優(yōu)化后的特征組合。

20、根據(jù)優(yōu)化后的特征組合，從原始特征向量集中提取對(duì)應(yīng)的特征，形成優(yōu)化后的特征向量集。

21、進(jìn)一步的，根據(jù)貢獻(xiàn)程度函數(shù)，計(jì)算磷蝦當(dāng)前位置對(duì)心血管健康狀況評(píng)估的貢獻(xiàn)程度，包括：

22、計(jì)算磷蝦當(dāng)前位置所對(duì)應(yīng)特征子集構(gòu)建預(yù)測(cè)模型時(shí)，正確預(yù)測(cè)為正例的樣本數(shù)和正確預(yù)測(cè)為負(fù)例的樣本數(shù)，以及錯(cuò)誤預(yù)測(cè)為正例的樣本數(shù)和錯(cuò)誤預(yù)測(cè)為負(fù)例的樣本數(shù)；根據(jù)正例的樣本數(shù)、負(fù)例的樣本數(shù)、正例的樣本數(shù)和負(fù)例的樣本數(shù)計(jì)算準(zhǔn)確性指標(biāo)值；

23、確定磷蝦當(dāng)前位置對(duì)應(yīng)的特征子集的大小，即特征子集中包含的特征數(shù)量，根據(jù)特征子集中包含的特征數(shù)量，計(jì)算特征子集因素指標(biāo)值；

24、計(jì)算整個(gè)數(shù)據(jù)集的熵，以及每個(gè)特征不同取值對(duì)應(yīng)數(shù)據(jù)子集的熵，對(duì)于每個(gè)特征，計(jì)算其所有取值對(duì)應(yīng)數(shù)據(jù)子集熵的加權(quán)平均值；計(jì)算整個(gè)數(shù)據(jù)集的熵與加權(quán)平均值之間的差值，并計(jì)算差值與所有特征中信息增益的最大值之間的比值；根據(jù)比值，計(jì)算信息增益影響值；

25、將準(zhǔn)確性指標(biāo)值、特征子集因素指標(biāo)值和信息增益影響值進(jìn)行融合，以得到磷蝦當(dāng)前位置對(duì)心血管健康狀況評(píng)估的貢獻(xiàn)程度。

26、進(jìn)一步的，根據(jù)優(yōu)化后的特征向量集，通過概率時(shí)間佩特里網(wǎng)，構(gòu)建包含生理信號(hào)時(shí)空編碼、臨床知識(shí)圖譜嵌入和動(dòng)態(tài)強(qiáng)化學(xué)習(xí)的三級(jí)融合模型，包括：

27、初始化概率時(shí)間佩特里網(wǎng)的構(gòu)建環(huán)境，包括定義網(wǎng)的狀態(tài)、變遷、弧、相關(guān)的概率和時(shí)間參數(shù)；

28、對(duì)優(yōu)化后的特征向量集中的血壓波形特征、心率變異性生理信號(hào)數(shù)據(jù)進(jìn)行編碼和融合處理，形成包含生理信號(hào)動(dòng)態(tài)變化、空間關(guān)系和臨床知識(shí)的中間特征表示；

29、通過動(dòng)態(tài)強(qiáng)化學(xué)習(xí)算法，將包含生理信號(hào)動(dòng)態(tài)變化、空間關(guān)系和臨床知識(shí)的中間特征表示作為輸入數(shù)據(jù)，進(jìn)行學(xué)習(xí)和優(yōu)化，經(jīng)過多次迭代訓(xùn)練，形成包含生理信號(hào)時(shí)空編碼、臨床知識(shí)圖譜嵌入和動(dòng)態(tài)強(qiáng)化學(xué)習(xí)的三級(jí)融合模型。

30、進(jìn)一步的，三級(jí)融合模型，包括：

31、第一級(jí)為生理信號(hào)時(shí)空編碼模塊，將優(yōu)化后的特征向量集中的生理信號(hào)進(jìn)行時(shí)空編碼，以獲取信號(hào)之間的時(shí)序關(guān)系和空間特征；

32、第二級(jí)為臨床知識(shí)圖譜嵌入模塊，將臨床知識(shí)與特征向量進(jìn)行融合，將臨床知識(shí)轉(zhuǎn)化為結(jié)構(gòu)化信息；

33、第三級(jí)為動(dòng)態(tài)強(qiáng)化學(xué)習(xí)模塊，根據(jù)生理信號(hào)時(shí)空編碼模塊和臨床知識(shí)圖譜嵌入模塊的輸出進(jìn)行動(dòng)態(tài)學(xué)習(xí)，最終輸出目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度。

34、進(jìn)一步的，將目標(biāo)用戶的特征向量輸入三級(jí)融合模型中，根據(jù)佩特里網(wǎng)的推理規(guī)則，得到目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度，并根據(jù)目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度，輸出風(fēng)險(xiǎn)評(píng)估結(jié)果和生成預(yù)警信息，包括：

35、將目標(biāo)用戶的特征向量作為輸入數(shù)據(jù)，傳遞至三級(jí)融合模型的第一級(jí)，即生理信號(hào)時(shí)空編碼模塊；

36、在生理信號(hào)時(shí)空編碼模塊中，提取生理信號(hào)之間的時(shí)序關(guān)系和空間特征，形成中間特征表示；

37、將中間特征表示傳遞至第二級(jí)，即臨床知識(shí)圖譜嵌入模塊，臨床知識(shí)與中間特征表示進(jìn)行融合，生成融合后的特征表示；

38、將融合后的特征表示傳遞至第三級(jí)，即動(dòng)態(tài)強(qiáng)化學(xué)習(xí)模塊，根據(jù)融合后的特征表示進(jìn)行動(dòng)態(tài)學(xué)習(xí)和優(yōu)化，通過不斷調(diào)整，輸出目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度；

39、根據(jù)目標(biāo)用戶的健康狀況和風(fēng)險(xiǎn)程度，生成相應(yīng)的風(fēng)險(xiǎn)評(píng)估報(bào)告，包括風(fēng)險(xiǎn)等級(jí)、風(fēng)險(xiǎn)因素分析、建議措施；

40、根據(jù)目標(biāo)用戶的健康狀況和風(fēng)險(xiǎn)程度，設(shè)定一個(gè)預(yù)警閾值，將目標(biāo)用戶的健康狀況和風(fēng)險(xiǎn)程度與預(yù)警閾值進(jìn)行比較，當(dāng)目標(biāo)用戶的健康狀況和風(fēng)險(xiǎn)程度≥預(yù)警閾值時(shí)，自動(dòng)根據(jù)預(yù)設(shè)的預(yù)警規(guī)則，生成預(yù)警信息，包括風(fēng)險(xiǎn)等級(jí)、主要風(fēng)險(xiǎn)因素、建議的緊急行動(dòng)。

41、進(jìn)一步的，將融合后的特征表示傳遞至第三級(jí)，即動(dòng)態(tài)強(qiáng)化學(xué)習(xí)模塊，根據(jù)融合后的特征表示進(jìn)行動(dòng)態(tài)學(xué)習(xí)和優(yōu)化，通過不斷調(diào)整，輸出目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度，包括：

42、初始化動(dòng)態(tài)強(qiáng)化學(xué)習(xí)模型，包括設(shè)置動(dòng)態(tài)強(qiáng)化學(xué)習(xí)模型的結(jié)構(gòu)、參數(shù)、學(xué)習(xí)率；

43、動(dòng)態(tài)強(qiáng)化學(xué)習(xí)模型接收融合后的特征表示，并根據(jù)預(yù)設(shè)的學(xué)習(xí)算法進(jìn)行動(dòng)態(tài)學(xué)習(xí)；

44、在學(xué)習(xí)的每個(gè)階段中，根據(jù)當(dāng)前的特征表示預(yù)測(cè)一個(gè)目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度，并與實(shí)際的健康狀況風(fēng)險(xiǎn)程度進(jìn)行比較，計(jì)算預(yù)測(cè)結(jié)果和實(shí)際結(jié)果之間的差異；

45、重復(fù)進(jìn)行學(xué)習(xí)和優(yōu)化，當(dāng)達(dá)到預(yù)設(shè)的學(xué)習(xí)停止條件，輸出目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度。

46、第二方面，心腦血管疾病風(fēng)險(xiǎn)預(yù)測(cè)系統(tǒng)，包括：

47、數(shù)據(jù)采集模塊，用于獲取目標(biāo)用戶的生理信號(hào)數(shù)據(jù)；

48、特征提取模塊，用于從所述生理信號(hào)數(shù)據(jù)中提取特征，并形成特征向量集；

49、特征選擇與優(yōu)化模塊，用于采用磷蝦群算法，對(duì)特征向量集進(jìn)行特征選擇與優(yōu)化，自動(dòng)搜索并確定對(duì)心血管健康狀況評(píng)估關(guān)鍵的特征子集；

50、三級(jí)融合模塊，用于對(duì)優(yōu)化后的特征向量集進(jìn)行深層次、多維度的融合處理，得到融合后的特征表示；

51、風(fēng)險(xiǎn)預(yù)測(cè)模塊，用于根據(jù)三級(jí)融合模塊輸出的特征表示，預(yù)測(cè)目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度，得到風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，并根據(jù)風(fēng)險(xiǎn)預(yù)測(cè)結(jié)果，當(dāng)目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度超過預(yù)設(shè)閾值時(shí)，自動(dòng)生成預(yù)警信息。

52、第三方面，一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的方法。

53、本發(fā)明的上述方案至少包括以下有益效果：

54、采用小波變換提取血壓信號(hào)的瞬時(shí)波形特征，能夠捕捉到血壓信號(hào)中細(xì)微而重要的變化信息，同時(shí)提取與健康狀況相關(guān)的多種特征，如血壓水平、血脂水平、血糖水平、心電圖異常指標(biāo)和心臟超聲異常指標(biāo)等，形成特征向量集，這種預(yù)處理方式不僅保留了生理參數(shù)中的關(guān)鍵信息，還去除了噪聲和冗余數(shù)據(jù)，提高了數(shù)據(jù)的質(zhì)量和可用性。利用磷蝦群算法對(duì)特征向量集進(jìn)行特征選擇與優(yōu)化，通過模擬磷蝦群的覓食行為，自動(dòng)搜索對(duì)心血管健康狀況評(píng)估關(guān)鍵的特征子集。這種方法避免了人工特征選擇的主觀性和局限性，能夠快速、準(zhǔn)確地找到最具預(yù)測(cè)能力的特征組合，提高了特征選擇的效率和準(zhǔn)確性。

55、經(jīng)過磷蝦群算法優(yōu)化后的特征向量集，去除了對(duì)心血管健康狀況評(píng)估貢獻(xiàn)較小的特征，保留了關(guān)鍵特征，減少了特征的數(shù)量和復(fù)雜度，降低了模型的計(jì)算成本，同時(shí)提高了模型的泛化能力和預(yù)測(cè)準(zhǔn)確性。通過概率時(shí)間佩特里網(wǎng)構(gòu)建包含生理信號(hào)時(shí)空編碼、臨床知識(shí)圖譜嵌入和動(dòng)態(tài)強(qiáng)化學(xué)習(xí)的三級(jí)融合模型，將生理信號(hào)的時(shí)空信息、臨床知識(shí)和強(qiáng)化學(xué)習(xí)的優(yōu)化能力有機(jī)結(jié)合。生理信號(hào)時(shí)空編碼能夠捕捉生理信號(hào)在時(shí)間和空間上的動(dòng)態(tài)變化，臨床知識(shí)圖譜嵌入則引入了豐富的醫(yī)學(xué)領(lǐng)域知識(shí)，動(dòng)態(tài)強(qiáng)化學(xué)習(xí)則通過不斷學(xué)習(xí)和優(yōu)化，提高了模型的適應(yīng)性和準(zhǔn)確性，這種三級(jí)融合模型能夠充分利用不同來(lái)源的信息，更全面、準(zhǔn)確地評(píng)估目標(biāo)用戶的心腦血管疾病風(fēng)險(xiǎn)程度。與傳統(tǒng)模型相比，它能夠更好地處理復(fù)雜的生理數(shù)據(jù)和醫(yī)學(xué)知識(shí)，提高了風(fēng)險(xiǎn)預(yù)測(cè)的精度和可靠性。

56、將目標(biāo)用戶的特征向量輸入三級(jí)融合模型中，根據(jù)佩特里網(wǎng)的推理規(guī)則，得到目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度。這種個(gè)性化的評(píng)估方式能夠充分考慮每個(gè)用戶的獨(dú)特生理特征和健康狀況，為用戶提供更準(zhǔn)確、更有針對(duì)性的風(fēng)險(xiǎn)評(píng)估結(jié)果。根據(jù)目標(biāo)用戶的健康狀況風(fēng)險(xiǎn)程度，輸出風(fēng)險(xiǎn)評(píng)估結(jié)果和生成預(yù)警信息。當(dāng)風(fēng)險(xiǎn)程度較高時(shí)，及時(shí)發(fā)出預(yù)警，提醒用戶采取相應(yīng)的預(yù)防和治療措施，有助于早期發(fā)現(xiàn)心腦血管疾病的風(fēng)險(xiǎn)，降低疾病的發(fā)生率和死亡率，提高用戶的健康水平和生活質(zhì)量。該方法為醫(yī)生提供了一種科學(xué)、客觀的心腦血管疾病風(fēng)險(xiǎn)預(yù)測(cè)工具，能夠幫助醫(yī)生更準(zhǔn)確地評(píng)估患者的病情和風(fēng)險(xiǎn)，制定更合理的治療方案，提高臨床治療效果。該方法的研究和應(yīng)用有助于深入了解心腦血管疾病的發(fā)病機(jī)制和影響因素，為醫(yī)學(xué)研究提供新的思路和方法，推動(dòng)心腦血管疾病防治領(lǐng)域的發(fā)展。