本發(fā)明涉及醫(yī)療數(shù)據(jù)分析領(lǐng)域，特別是涉及一種針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法。

背景技術(shù)：

隨著社會(huì)的發(fā)展，科學(xué)技術(shù)也相應(yīng)地不斷提高，全國各大小醫(yī)院開始將自己存儲(chǔ)數(shù)據(jù)的方式變得更加多樣化，因此醫(yī)療多模態(tài)大數(shù)據(jù)的概念得到了廣大專家學(xué)者的關(guān)注。臨床疾病的多模態(tài)大數(shù)據(jù)是指對(duì)疾病從不同的角度和視覺(如生理、習(xí)慣、心理、環(huán)境等)采集得到的各類數(shù)據(jù)的集合。多模態(tài)大數(shù)據(jù)為復(fù)雜疾病的診斷研究提供了新的研究思路。海量多模態(tài)醫(yī)療數(shù)據(jù)中隱含著數(shù)據(jù)與疾病之間的相關(guān)性信息。

然而目前在臨床上主要依靠臨床表現(xiàn)和實(shí)驗(yàn)室檢查做出診斷，而且隨著近年來檢測(cè)技術(shù)的發(fā)展，人類已經(jīng)能夠獲得到更多的人體疾病相關(guān)的多種檢查項(xiàng)目結(jié)果等多模態(tài)的數(shù)據(jù)，而這些數(shù)據(jù)往往與疾病間存在相關(guān)性。醫(yī)療臨床資源豐富，病例病種全，多模態(tài)樣本量巨大。但是由于缺乏大數(shù)據(jù)處理環(huán)境的支撐和多模態(tài)數(shù)據(jù)的有效利用，當(dāng)前已有的疾病診斷研究仍然停留在傳統(tǒng)的基于單模態(tài)的數(shù)據(jù)研究。

醫(yī)學(xué)信息內(nèi)容豐富多樣，數(shù)據(jù)結(jié)構(gòu)特殊，臨床疾病大數(shù)據(jù)可能含有純數(shù)據(jù)、圖像、文字、檢測(cè)信號(hào)、音頻或者視頻信息等。同時(shí)許多醫(yī)學(xué)信息的表達(dá)、記錄具有不確定性、模糊性、不完整性、帶有噪聲和冗余性等特征加大了醫(yī)學(xué)數(shù)據(jù)挖掘的難度。盡管現(xiàn)如今科學(xué)界對(duì)數(shù)據(jù)的感知與獲取方法有不少舉足輕重的發(fā)展，但是在普適化多模態(tài)大數(shù)據(jù)環(huán)境下，數(shù)據(jù)量大及模態(tài)繁多給數(shù)據(jù)的采集、傳輸、清洗和儲(chǔ)存帶來了新的挑戰(zhàn)，致使現(xiàn)有的方法無法直接融入到基于非侵入式普適化多模態(tài)大數(shù)據(jù)的信息提取及疾病演化規(guī)律的建模中。

除此之外，病人的飲食習(xí)慣、所在地區(qū)的氣候特征、風(fēng)土人情、近期的情緒波動(dòng)等等都與疾病的發(fā)生發(fā)展有密切關(guān)系。而且這種誤差隨著時(shí)間推進(jìn)以具有放大效應(yīng)，會(huì)愈演愈烈，導(dǎo)致演化規(guī)律對(duì)實(shí)際治療效果起反作用。因此，基于臨床疾病的非侵入式普適化多模態(tài)醫(yī)療大數(shù)據(jù)，最大化地少疾病演化規(guī)律與實(shí)際病情的誤差是大數(shù)據(jù)醫(yī)療發(fā)展路上的一大障礙。

綜上所述，想要實(shí)現(xiàn)普適化多模態(tài)大數(shù)據(jù)的研究并不容易，而且更大的難題是如何設(shè)法去分析疾病發(fā)病的內(nèi)在和外在原因，并揭示疾病的演化規(guī)律。由此可見，如何通過多模態(tài)大數(shù)據(jù)得到疾病診斷的相關(guān)研究是本領(lǐng)域技術(shù)人員亟待解決地問題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是提供一種針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法，用于通過多模態(tài)大數(shù)據(jù)得到疾病診斷的相關(guān)研究。

為解決上述技術(shù)問題，本發(fā)明提供一種針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法，包括：

根據(jù)確定好的疾病類型，從醫(yī)療系統(tǒng)中獲取所述疾病類型對(duì)應(yīng)的歷史大數(shù)據(jù)；

通過所述歷史大數(shù)據(jù)在各模態(tài)下對(duì)應(yīng)的變化率設(shè)計(jì)多密度量化器以得到實(shí)時(shí)數(shù)據(jù)的感知與獲取方法；

對(duì)所述歷史大數(shù)據(jù)采用多模態(tài)數(shù)據(jù)挖掘方法，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法，提取出所述疾病類型對(duì)應(yīng)的特征信息；

依據(jù)所述特征信息推導(dǎo)出所述歷史大數(shù)據(jù)中感染所述疾病類型的個(gè)體的動(dòng)態(tài)演化規(guī)律；

結(jié)合所述個(gè)體的動(dòng)態(tài)演化規(guī)律得到所述實(shí)時(shí)數(shù)據(jù)的性能評(píng)估指標(biāo)。

優(yōu)選地，所述通過所述歷史大數(shù)據(jù)在各模態(tài)下對(duì)應(yīng)的變化率設(shè)計(jì)多密度量化器以得到實(shí)時(shí)數(shù)據(jù)的感知與獲取方法具體包括：

按照所述變化率將所述歷史大數(shù)據(jù)進(jìn)行分段，并求解各分段結(jié)果對(duì)應(yīng)的平均值；

按照各所述平均值的偏差的范圍將所述平均值劃分成多個(gè)集合，并求解所述集合的平均值；

計(jì)算所述集合中的測(cè)量數(shù)據(jù)的偏差，并根據(jù)所述測(cè)量數(shù)據(jù)的偏差與所述集合的平均值的對(duì)應(yīng)關(guān)系設(shè)計(jì)預(yù)測(cè)函數(shù)；

根據(jù)所述預(yù)測(cè)函數(shù)將所述測(cè)量數(shù)據(jù)標(biāo)準(zhǔn)化；

對(duì)標(biāo)準(zhǔn)化后的測(cè)量數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，并依據(jù)傳輸網(wǎng)絡(luò)的負(fù)載特性設(shè)置所述多密度量化器。

優(yōu)選地，所述對(duì)所述歷史大數(shù)據(jù)采用多模態(tài)數(shù)據(jù)挖掘方法具體包括：

將疾病與危險(xiǎn)因素的影響關(guān)系生成關(guān)系矩陣；

依據(jù)所述關(guān)系矩陣設(shè)定目標(biāo)函數(shù)，并對(duì)所述目標(biāo)函數(shù)極小化；

其中，所述目標(biāo)函數(shù)為：

其中，mij為所述關(guān)系矩陣，u為疾病，v為危險(xiǎn)因素，xu表示疾病的特征，xv為危險(xiǎn)因素的特征，r(u,v)是對(duì)u與v的規(guī)則化約束，ru(u,xu)為u對(duì)xu的規(guī)則化約束，rv(v,xv)為v對(duì)xv的規(guī)則化約束，λ、λu和λv分別為對(duì)應(yīng)規(guī)則化約束項(xiàng)的權(quán)重，值在0～1之間，l(ui,vj,mij)為ui、vi和mij的關(guān)系函數(shù)。

優(yōu)選地，所述結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法，提取出所述疾病類型對(duì)應(yīng)的特征信息具體包括：

按照所述測(cè)量數(shù)據(jù)所屬模態(tài)的類型建立多種卷積核；

對(duì)所述卷積核進(jìn)行混合采樣得到所述特征信息；

將所述特征信息與所述卷積神經(jīng)網(wǎng)絡(luò)的輸出層全連接。

優(yōu)選地，所述個(gè)體的動(dòng)態(tài)演化規(guī)律具體通過如下步驟得到：

采用模糊邏輯系統(tǒng)辨識(shí)法建立所述特征信息與疾病個(gè)體演化規(guī)律之間的模糊動(dòng)態(tài)治療模型。

優(yōu)選地，所述結(jié)合所述個(gè)體的動(dòng)態(tài)演化規(guī)律得到所述實(shí)時(shí)數(shù)據(jù)的性能評(píng)估指標(biāo)具體包括：

基于所述模糊動(dòng)態(tài)治療模型中的目標(biāo)函數(shù)，通過迭代優(yōu)化算法建立疾病性能評(píng)估指標(biāo)；

計(jì)算所述疾病性能評(píng)估指標(biāo)的最小值。

優(yōu)選地，還包括：

基于所述疾病性能評(píng)估指標(biāo)，利用滾動(dòng)優(yōu)化算法得到最優(yōu)的疾病治療序列。

優(yōu)選地，還包括：

通過所述實(shí)時(shí)數(shù)據(jù)對(duì)所述疾病治療序列進(jìn)行反饋矯正。

優(yōu)選地，還包括：

依據(jù)所述個(gè)體的動(dòng)態(tài)演化規(guī)律建立所述疾病類型對(duì)應(yīng)的群體的動(dòng)態(tài)演化規(guī)律。

本發(fā)明所提供的針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法，包括：根據(jù)確定好的疾病類型，從醫(yī)療系統(tǒng)中獲取疾病類型對(duì)應(yīng)的歷史大數(shù)據(jù)；通過歷史大數(shù)據(jù)在各模態(tài)下對(duì)應(yīng)的變化率設(shè)計(jì)多密度量化器以得到實(shí)時(shí)數(shù)據(jù)的感知與獲取方法；對(duì)歷史大數(shù)據(jù)采用多模態(tài)數(shù)據(jù)挖掘方法，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法，提取出疾病類型對(duì)應(yīng)的特征信息；依據(jù)特征信息推導(dǎo)出歷史大數(shù)據(jù)中感染疾病類型的個(gè)體的動(dòng)態(tài)演化規(guī)律；結(jié)合個(gè)體的動(dòng)態(tài)演化規(guī)律得到實(shí)時(shí)數(shù)據(jù)的性能評(píng)估指標(biāo)。由此可見，本方法可以有效地克服傳統(tǒng)數(shù)據(jù)分析方法僅考慮疾病患者生理單模態(tài)數(shù)據(jù)的局限性，能夠綜合考慮疾病的危險(xiǎn)因素，為醫(yī)院提供更加詳盡且準(zhǔn)確的臨床診斷標(biāo)準(zhǔn)，同時(shí)能給出多模態(tài)大數(shù)據(jù)與疾病的個(gè)體的動(dòng)態(tài)演化規(guī)律，預(yù)測(cè)疾病的發(fā)病趨勢(shì)，為疾病的早診斷早治療提供決策依據(jù)和技術(shù)支撐，提高了診斷效率和診療質(zhì)量。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例，下面將對(duì)實(shí)施例中所需要使用的附圖做簡(jiǎn)單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例提供的一種針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法的流程圖；

圖2為本發(fā)明實(shí)施例提供的一種基于滾動(dòng)優(yōu)化算法得到最優(yōu)的疾病治療序列的原理圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下，所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)范圍。

本發(fā)明的核心是提供一種針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法。

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。

圖1為本發(fā)明實(shí)施例提供的一種針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法的流程圖。如圖1所示，針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法，包括：

s10：根據(jù)確定好的疾病類型，從醫(yī)療系統(tǒng)中獲取疾病類型對(duì)應(yīng)的歷史大數(shù)據(jù)。

可以理解的是疾病類型有很多種，例如，肛腸疾病，具體類型本實(shí)施例不再贅述。另外，醫(yī)療系統(tǒng)中，都存儲(chǔ)有每種疾病類型對(duì)應(yīng)的歷史大數(shù)據(jù)，這些數(shù)據(jù)是真實(shí)數(shù)據(jù)，具有非常高的參考價(jià)值，本發(fā)明就是將歷史大數(shù)據(jù)之間的相關(guān)性得到疾病類型所對(duì)應(yīng)的個(gè)體的動(dòng)態(tài)演化規(guī)律，從而通過這個(gè)動(dòng)態(tài)演化規(guī)律得到實(shí)時(shí)數(shù)據(jù)的性能評(píng)估指標(biāo)，以完成對(duì)實(shí)時(shí)數(shù)據(jù)的分析和得到相應(yīng)的治療方案。

s11：通過歷史大數(shù)據(jù)在各模態(tài)下對(duì)應(yīng)的變化率設(shè)計(jì)多密度量化器以得到實(shí)時(shí)數(shù)據(jù)的感知與獲取方法。

本實(shí)施例中，從數(shù)據(jù)采集、數(shù)據(jù)清洗和量化壓縮三個(gè)方面，去構(gòu)建非侵入式普適化多模態(tài)數(shù)據(jù)的感知與獲取方法，分析歷史數(shù)據(jù)的特點(diǎn)(例如數(shù)據(jù)的變化率)以及與該臨床疾病的關(guān)聯(lián)關(guān)系，針對(duì)不同的數(shù)據(jù)設(shè)計(jì)基于多采樣率的數(shù)據(jù)采集方法。作為優(yōu)選地實(shí)施方式，步驟s11具體包括s110-s114。

s110：按照變化率將歷史大數(shù)據(jù)進(jìn)行分段，并求解各分段結(jié)果對(duì)應(yīng)的平均值。

依據(jù)歷史大數(shù)據(jù)的特性，分析不同模態(tài)數(shù)據(jù)的變化率，基于這種變化率對(duì)數(shù)據(jù)進(jìn)行分段。針對(duì)不同段的數(shù)據(jù)，通過下面的公式求解平均值。

其中，n為s階段采樣數(shù)據(jù)的個(gè)數(shù)，di為一個(gè)階段中的所有測(cè)量值。

s111：按照各平均值的偏差的范圍將平均值劃分成多個(gè)集合，并求解集合的平均值。

把μs相近的值歸為一類，定義為集合ωs，并記這集合的平均值為

s112：計(jì)算集合中的測(cè)量數(shù)據(jù)的偏差，并根據(jù)測(cè)量數(shù)據(jù)的偏差與集合的平均值的對(duì)應(yīng)關(guān)系設(shè)計(jì)預(yù)測(cè)函數(shù)。

測(cè)量數(shù)據(jù)的偏差計(jì)算公式為：其中ni為集合ωs的所有測(cè)量數(shù)據(jù)的個(gè)數(shù)。

s113：根據(jù)預(yù)測(cè)函數(shù)將測(cè)量數(shù)據(jù)標(biāo)準(zhǔn)化。

針對(duì)一個(gè)具有動(dòng)態(tài)特性的測(cè)量數(shù)據(jù)，基于有限步預(yù)測(cè)其對(duì)應(yīng)的平均值和偏差，即設(shè)計(jì)預(yù)測(cè)函數(shù)f(d(k),…d(k-n+1))預(yù)測(cè)d(k)時(shí)刻測(cè)量數(shù)據(jù)的平均值與偏差?；赿(k)時(shí)刻預(yù)測(cè)的平均值與偏差，把測(cè)量數(shù)據(jù)標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化公式如下：

s114：對(duì)標(biāo)準(zhǔn)化后的測(cè)量數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，并依據(jù)傳輸網(wǎng)絡(luò)的負(fù)載特性設(shè)置多密度量化器。

其中，數(shù)據(jù)清洗具體為：定義一個(gè)常數(shù)θ＞1，通過判斷y(k)的絕對(duì)值是否大于θ，來判斷當(dāng)前d(k)時(shí)刻的測(cè)量數(shù)據(jù)的是否屬于離群值，如果否，則剔除實(shí)現(xiàn)動(dòng)態(tài)數(shù)據(jù)清洗。

針對(duì)如上獲得的標(biāo)準(zhǔn)化后的數(shù)據(jù)，基于傳輸網(wǎng)絡(luò)的負(fù)載特性，需按如下方法設(shè)計(jì)多密度量化器，量化器是對(duì)數(shù)據(jù)進(jìn)行量化，以方便數(shù)據(jù)采集、清洗和儲(chǔ)存。一般的量化器傳輸量化的設(shè)定值固定，這樣的弊端在于，網(wǎng)絡(luò)傳輸速度快時(shí)，容易造成網(wǎng)絡(luò)資源浪費(fèi)，網(wǎng)絡(luò)傳輸速度慢時(shí)，容易丟失有效數(shù)據(jù)。而多密度量化器能根據(jù)傳輸網(wǎng)絡(luò)的情況，動(dòng)態(tài)的調(diào)節(jié)量化器的設(shè)定值，從而得到多密度量化器。由于多模態(tài)大數(shù)據(jù)對(duì)網(wǎng)絡(luò)性能要求高，而實(shí)際網(wǎng)絡(luò)情況是動(dòng)態(tài)的，時(shí)好時(shí)壞。為了最大效率量化數(shù)據(jù)，所以要基于傳輸網(wǎng)絡(luò)的狀態(tài)，實(shí)時(shí)變化設(shè)定值，下文中的步驟就是解釋如何去動(dòng)態(tài)調(diào)整設(shè)定值。

第一步，把量化測(cè)量值寫成量化輸出值加上一個(gè)高斯噪聲的形式，即

其中，yi(k)為實(shí)際測(cè)量數(shù)據(jù)，為量化后的測(cè)量數(shù)據(jù)，qi(k)為量化誤差。為了便于后面的分析，假設(shè)qi(k)為在區(qū)間[-0.5ui,0.5ui]上滿足均值為0，方差為的均勻分布。基于歷史大數(shù)據(jù)的分析，給出不同數(shù)據(jù)源的需要確定所采集數(shù)據(jù)的精度要求，設(shè)計(jì)對(duì)應(yīng)數(shù)據(jù)源的均勻量化器。

第二步，根據(jù)傳輸網(wǎng)絡(luò)分析每個(gè)數(shù)據(jù)包的比特?cái)?shù)，定義為b1。同時(shí)定義k時(shí)刻實(shí)際傳輸?shù)臄?shù)據(jù)比特?cái)?shù)為b2(k)。本發(fā)明定義傳輸通道k時(shí)刻的負(fù)載度為：

第三步，根據(jù)歷史大數(shù)據(jù)統(tǒng)計(jì)出數(shù)據(jù)變化的窗口值，定義為m，設(shè)計(jì)長(zhǎng)度為m的存儲(chǔ)器。這是一種數(shù)據(jù)處理的常用方法，此處是以某一個(gè)時(shí)間長(zhǎng)度作為跨度，對(duì)數(shù)據(jù)進(jìn)行分區(qū)，每一個(gè)時(shí)間區(qū)域的數(shù)據(jù)稱之為窗口值。定義m個(gè)長(zhǎng)度內(nèi)平均負(fù)載度為：

結(jié)合數(shù)據(jù)源所需要滿足的精度和平均負(fù)載度設(shè)計(jì)多密度量化器。

根據(jù)求出的每一個(gè)時(shí)間段的平均負(fù)載度，基于這個(gè)值的大小并對(duì)照參考值，來調(diào)整量化器的設(shè)定值，以此來達(dá)到動(dòng)態(tài)的量化器的效果，也就是多密度量化器的運(yùn)作方式。

通過設(shè)計(jì)多密度量化器，可以有效地解決了同步傳輸情況下傳輸網(wǎng)絡(luò)吞吐量受限的難題，得到了基于有限歷史數(shù)據(jù)的動(dòng)態(tài)統(tǒng)計(jì)離群值判斷準(zhǔn)則，實(shí)現(xiàn)了多模態(tài)大數(shù)據(jù)的動(dòng)態(tài)清洗，提高了網(wǎng)絡(luò)資源的利用率。

s12：對(duì)歷史大數(shù)據(jù)采用多模態(tài)數(shù)據(jù)挖掘方法，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法，提取出疾病類型對(duì)應(yīng)的特征信息。

多模態(tài)大數(shù)據(jù)挖掘方法，首先是將疾病與危險(xiǎn)因素的關(guān)系抽象為一個(gè)關(guān)系矩陣mij，mij表示疾病i受危險(xiǎn)因素j的影響關(guān)系，可以是0或者1，表示有無影響關(guān)系；也可以是實(shí)數(shù)值，表示受影響的程度。

作為一種優(yōu)選地實(shí)施方式，對(duì)歷史大數(shù)據(jù)采用多模態(tài)數(shù)據(jù)挖掘方法具體包括：

將疾病與危險(xiǎn)因素的影響關(guān)系生成關(guān)系矩陣；

依據(jù)關(guān)系矩陣設(shè)定目標(biāo)函數(shù)，并對(duì)目標(biāo)函數(shù)極小化；

其中，目標(biāo)函數(shù)為：

其中，mij為所述關(guān)系矩陣，u為疾病，v為危險(xiǎn)因素，xu表示疾病的特征，xv為危險(xiǎn)因素的特征，r(u,v)是對(duì)u與v的規(guī)則化約束，ru(u,xu)為u對(duì)xu的規(guī)則化約束，rv(v,xv)為v對(duì)xv的規(guī)則化約束，λ、λu和λv分別為對(duì)應(yīng)規(guī)則化約束項(xiàng)的權(quán)重，值在0～1之間，l(ui,vj,mij)為ui、vi和mij的關(guān)系函數(shù)。

通過極小化以上目標(biāo)函數(shù)，即對(duì)目標(biāo)函數(shù)極小化：

通過極小化目標(biāo)函數(shù)可以最終得到的疾病與危險(xiǎn)因素之間的影響關(guān)系矩陣mij，實(shí)現(xiàn)對(duì)疾病危險(xiǎn)因素的挖掘預(yù)測(cè)。

通過上述挖掘方法，解決了多模態(tài)大數(shù)據(jù)的數(shù)據(jù)稀疏難題，得到了基于卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)大數(shù)據(jù)關(guān)聯(lián)性判定方法，提高了多模態(tài)大數(shù)據(jù)的分析效率。

上文中對(duì)歷史大數(shù)據(jù)中的疾病的危險(xiǎn)因素進(jìn)行了挖掘，下文中將描述特征信息的識(shí)別。作為一種優(yōu)選地實(shí)施方式，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法，提取出疾病類型對(duì)應(yīng)的特征信息具體包括：

按照測(cè)量數(shù)據(jù)所屬模態(tài)的類型建立多種卷積核。

對(duì)卷積核進(jìn)行混合采樣得到特征信息。

將特征信息與卷積神經(jīng)網(wǎng)絡(luò)的輸出層全連接。

第一步，建立多種卷積核，局部區(qū)域感知能夠發(fā)現(xiàn)數(shù)據(jù)的一些局部特征，比如圖片上的一個(gè)角，一段弧，這些基本特征是構(gòu)成動(dòng)物視覺的基礎(chǔ)；而后向傳播神經(jīng)網(wǎng)絡(luò)中，所有的像素點(diǎn)是一堆混亂的點(diǎn)，相互之間的關(guān)系沒有被挖掘。卷積神經(jīng)網(wǎng)絡(luò)中每一層的由多個(gè)map組成，每個(gè)map由多個(gè)神經(jīng)單元組成，同一個(gè)map的所有神經(jīng)單元共用一個(gè)卷積核(即權(quán)重)，卷積核往往代表一個(gè)特征，比如某個(gè)卷積和代表一段弧，那么把這個(gè)卷積核在整個(gè)圖片上滾一下，卷積值較大的區(qū)域就很有可能是一段弧。注意卷積核其實(shí)就是權(quán)重，我們并不需要單獨(dú)去計(jì)算一個(gè)卷積，而是一個(gè)固定大小的權(quán)重矩陣去圖像上匹配時(shí)，這個(gè)操作與卷積類似，因此我們稱為卷積神經(jīng)網(wǎng)絡(luò)。實(shí)際上，后向傳播神經(jīng)網(wǎng)絡(luò)也可以看作一種特殊的卷積神經(jīng)網(wǎng)絡(luò)，只是這個(gè)卷積核就是某層的所有權(quán)重，即感知區(qū)域是整個(gè)圖像。權(quán)重共享策略減少了需要訓(xùn)練的參數(shù)，使得訓(xùn)練出來的模型的范化能力更強(qiáng)。

第二步，對(duì)不同的卷積核進(jìn)行混合采樣得到特征信息。采樣的目的主要是混淆特征的具體位置，因?yàn)槟硞€(gè)特征找出來后，它的具體位置已經(jīng)不重要了，我們只需要這個(gè)特征與其他的相對(duì)位置，比如一個(gè)“8”，當(dāng)我們得到了上面一個(gè)"o"時(shí)，我們不需要知道它在圖像的具體位置，只需要知道它下面又是一個(gè)“o”我們就可以知道是一個(gè)'8'了，因?yàn)閳D片中"8"在圖片中偏左或者偏右都不影響我們認(rèn)識(shí)它，這種混淆具體位置的策略能對(duì)變形和扭曲的圖片進(jìn)行識(shí)別，實(shí)現(xiàn)多模態(tài)數(shù)據(jù)的互為補(bǔ)充，為精確刻畫該疾病提供基礎(chǔ)?！疤卣餍畔ⅰ敝复氖怯杏玫臄?shù)據(jù)，能表征疾病信息的數(shù)據(jù)。例如記錄一個(gè)病人30天的體溫，若其中有四天體溫異常，雖然這30天都是有用數(shù)據(jù)，但那四天異常體溫?cái)?shù)據(jù)就是特征信息。

第三步，實(shí)現(xiàn)混合采樣的特征信息與輸出層的全連接，并利用類似后向傳播神經(jīng)網(wǎng)絡(luò)的方式，即通過最小化殘差來調(diào)整權(quán)重和偏置。

假設(shè)我們有一個(gè)固定樣本集{(x,y)}，它包含m個(gè)樣例。我們可以用批量梯度下降法來求解神經(jīng)網(wǎng)絡(luò)。具體來講，對(duì)于單個(gè)樣例(x,y)，其代價(jià)函數(shù)為：

j(w,b；x,y)＝||hw,b(x)-y||²

目標(biāo)是針對(duì)參數(shù)w和b來求其函數(shù)j(w,b)的最小值。為了求解神經(jīng)網(wǎng)絡(luò)，我們需要將每一個(gè)參數(shù)w和b初始化為一個(gè)很小的、接近零的隨機(jī)值，之后對(duì)目標(biāo)函數(shù)使用批量梯度下降法的最優(yōu)化算法。因?yàn)閖(w,b)是一個(gè)非凸函數(shù)，梯度下降法很可能會(huì)收斂到局部最優(yōu)解。但是在實(shí)際應(yīng)用中，梯度下降法通常能得到令人滿意的結(jié)果。以上公式中的第一項(xiàng)j(w,b)是一個(gè)均方差項(xiàng)。第二項(xiàng)是一個(gè)規(guī)則化項(xiàng)(也叫權(quán)重衰減項(xiàng))，其目的是減小權(quán)重的幅度，防止過度擬合。

s13：依據(jù)特征信息推導(dǎo)出歷史大數(shù)據(jù)中感染疾病類型的個(gè)體的動(dòng)態(tài)演化規(guī)律。

該步驟是基于普適化多模態(tài)大數(shù)據(jù)的特征信息對(duì)個(gè)體的動(dòng)態(tài)演化規(guī)律進(jìn)行研究。作為一種優(yōu)選地實(shí)施方式，個(gè)體的動(dòng)態(tài)演化規(guī)律具體通過如下步驟得到：采用模糊邏輯系統(tǒng)辨識(shí)法建立特征信息與疾病個(gè)體演化規(guī)律之間的模糊動(dòng)態(tài)治療模型。

模糊動(dòng)態(tài)治療模型為：

其中，θj代表模糊邏輯隸屬度函數(shù)，u(t)代表了治療輸入，y(t)代表疾病個(gè)體的疾病輸出，狀態(tài)x(t)＝[x1(t),...,xn(t)]^t代表與疾病等級(jí)相關(guān)的n個(gè)特征信息，例如體溫、血壓、尿素等，非線性函數(shù)f(x(t))和g(x(t))代表特征信息對(duì)患病個(gè)體的影響，動(dòng)態(tài)系統(tǒng)矩陣b和d代表控制輸入對(duì)疾病個(gè)體的影響。

s14：結(jié)合個(gè)體的動(dòng)態(tài)演化規(guī)律得到實(shí)時(shí)數(shù)據(jù)的性能評(píng)估指標(biāo)。

在具體實(shí)施中，疾病性能評(píng)估指標(biāo)是評(píng)價(jià)疾病治療效果的重要參數(shù)之一，能夠描述在治療方案作用下該疾病的發(fā)展趨勢(shì)。作為一種優(yōu)選地實(shí)施方式，結(jié)合個(gè)體的動(dòng)態(tài)演化規(guī)律得到實(shí)時(shí)數(shù)據(jù)的性能評(píng)估指標(biāo)具體包括：

基于模糊動(dòng)態(tài)治療模型中的目標(biāo)函數(shù)，通過迭代優(yōu)化算法建立疾病性能評(píng)估指標(biāo)；

計(jì)算疾病性能評(píng)估指標(biāo)的最小值。

其中，疾病性能評(píng)估指標(biāo)具體為：

其中，j(t)為所述疾病性能評(píng)估指標(biāo)、矩陣r為治療輸入?yún)?shù)對(duì)所述疾病性能評(píng)估指標(biāo)的影響參數(shù)、u(t)為治療輸入?yún)?shù)、q為n個(gè)所述特征信息對(duì)所述疾病性能評(píng)估指標(biāo)的影響參數(shù)、s為疾病等級(jí)對(duì)所述疾病性能評(píng)估指標(biāo)的影響參數(shù)、為所述特征信息的預(yù)測(cè)值，為所述疾病等級(jí)的預(yù)測(cè)值。

以上的疾病性能評(píng)價(jià)指標(biāo)涉及到未來時(shí)刻的狀態(tài)和輸出因此需要采用預(yù)測(cè)模型對(duì)這些變量進(jìn)行預(yù)算。同時(shí)，該j(t)包含治療輸入?yún)?shù)u(t)和疾病等級(jí)預(yù)測(cè)值因此在判斷疾病等級(jí)的同時(shí)可以對(duì)疾病的治療輸入進(jìn)行調(diào)節(jié)，即要求治療輸入最小的同時(shí)保持疾病等級(jí)達(dá)到最低，如上述公式所述。

本發(fā)明通過模糊邏輯系統(tǒng)辨識(shí)法，得到了個(gè)體的動(dòng)態(tài)演化規(guī)律，精確地描述了特征信息與疾病之間的動(dòng)態(tài)關(guān)聯(lián)關(guān)系，給出了疾病性能評(píng)估指標(biāo)，解決了臨床疾病的疾病等級(jí)判別問題。

本實(shí)施例提供的針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法，包括：根據(jù)確定好的疾病類型，從醫(yī)療系統(tǒng)中獲取疾病類型對(duì)應(yīng)的歷史大數(shù)據(jù)；通過歷史大數(shù)據(jù)在各模態(tài)下對(duì)應(yīng)的變化率設(shè)計(jì)多密度量化器以得到實(shí)時(shí)數(shù)據(jù)的感知與獲取方法；對(duì)歷史大數(shù)據(jù)采用多模態(tài)數(shù)據(jù)挖掘方法，并結(jié)合卷積神經(jīng)網(wǎng)絡(luò)方法，提取出疾病類型對(duì)應(yīng)的特征信息；依據(jù)特征信息推導(dǎo)出歷史大數(shù)據(jù)中感染疾病類型的個(gè)體的動(dòng)態(tài)演化規(guī)律；結(jié)合個(gè)體的動(dòng)態(tài)演化規(guī)律得到實(shí)時(shí)數(shù)據(jù)的性能評(píng)估指標(biāo)。由此可見，本方法可以有效地克服傳統(tǒng)數(shù)據(jù)分析方法僅考慮疾病患者生理單模態(tài)數(shù)據(jù)的局限性，能夠綜合考慮疾病的危險(xiǎn)因素，為醫(yī)院提供更加詳盡且準(zhǔn)確的臨床診斷標(biāo)準(zhǔn)，同時(shí)能給出多模態(tài)大數(shù)據(jù)與疾病的個(gè)體的動(dòng)態(tài)演化規(guī)律，預(yù)測(cè)疾病的發(fā)病趨勢(shì)，為疾病的早診斷早治療提供決策依據(jù)和技術(shù)支撐，提高了診斷效率和診療質(zhì)量。

在上述實(shí)施例的基礎(chǔ)上，作為優(yōu)選地實(shí)施方式，還包括：

基于疾病性能評(píng)估指標(biāo)，利用滾動(dòng)優(yōu)化算法得到最優(yōu)的疾病治療序列。

滾動(dòng)優(yōu)化算法是利用閉環(huán)反饋的機(jī)制，將輸出結(jié)果反饋到輸入端進(jìn)行優(yōu)化調(diào)整之后再輸出，直到得到最優(yōu)的疾病治療序列。以肛腸疾病為例進(jìn)行說明，基于肛腸疾病的特征信息的反饋矯正調(diào)節(jié)模糊動(dòng)態(tài)治療模型的參數(shù)，以得到肛腸疾病的預(yù)測(cè)動(dòng)態(tài)治療模型。所得到的預(yù)測(cè)動(dòng)態(tài)治療模型不僅能夠預(yù)測(cè)肛腸疾病的發(fā)展趨勢(shì)，還采用動(dòng)態(tài)治療方案替代以往的靜態(tài)治療方案，反復(fù)優(yōu)化計(jì)算并滾動(dòng)實(shí)施相應(yīng)的治療序列，有效地克服了治療過程中的不確定性，并能方便地處理特征信息之間的約束關(guān)系，達(dá)到較好的治療效果。

基于所設(shè)計(jì)的疾病性能評(píng)估指標(biāo)j(t)，采用滾動(dòng)優(yōu)化算法找出如下最優(yōu)的疾病治療序列。所得到的治療序列能夠根據(jù)先驗(yàn)特征信息和治療輸入預(yù)測(cè)疾病個(gè)體未來的疾病等級(jí)，是一種優(yōu)化控制治療序列。區(qū)別于傳統(tǒng)的治療方案，滾動(dòng)優(yōu)化算法對(duì)治療時(shí)間具有嚴(yán)格的限制，是在有限時(shí)間段的滾動(dòng)優(yōu)化。圖2為本發(fā)明實(shí)施例提供的一種基于滾動(dòng)優(yōu)化算法得到最優(yōu)的疾病治療序列的原理圖。在所得最優(yōu)治療序列的作用下，最少的治療輸入能夠使得疾病性能評(píng)估指標(biāo)j(t)在最短的時(shí)間內(nèi)最小化，即疾病以最快的速度痊愈。

在上述實(shí)施例的基礎(chǔ)上，作為優(yōu)選地實(shí)施方式，還包括：

通過實(shí)時(shí)數(shù)據(jù)對(duì)疾病治療序列進(jìn)行反饋矯正。

在臨床疾病治療優(yōu)化過程中，利用實(shí)時(shí)的特征信息不斷進(jìn)行反饋矯正，通過疾病模型在線識(shí)別和治療方案在線修正的方式，調(diào)節(jié)個(gè)體的動(dòng)態(tài)演化規(guī)律中的參數(shù)用于補(bǔ)償模型預(yù)測(cè)治療誤差和外界環(huán)境對(duì)該疾病個(gè)體的干擾。定義誤差向量：

其中，e為治療誤差。

利用誤差，采樣加權(quán)的方法預(yù)測(cè)未來疾病誤差并補(bǔ)償基于模糊動(dòng)態(tài)治療模型對(duì)應(yīng)的預(yù)測(cè)模型的治療誤差，得到校正后的預(yù)測(cè)治療向量為：

由于反饋矯正是建立在個(gè)體反饋信息基礎(chǔ)上的反復(fù)決策過程，因此該動(dòng)態(tài)預(yù)測(cè)治療方案能夠得到較好的治療效果，在優(yōu)化疾病性能評(píng)估指標(biāo)的同時(shí)能夠?qū)膊€(gè)體未來的臨床疾病等級(jí)做出精準(zhǔn)地的預(yù)測(cè)。

在上述實(shí)施例的基礎(chǔ)上，作為優(yōu)選地實(shí)施方式，還包括：

依據(jù)個(gè)體的動(dòng)態(tài)演化規(guī)律建立疾病類型對(duì)應(yīng)的群體的動(dòng)態(tài)演化規(guī)律。

在具體實(shí)施中，針對(duì)個(gè)體之間的演化規(guī)律分析問題，對(duì)多個(gè)領(lǐng)域的數(shù)據(jù)進(jìn)行聯(lián)合建模，從而豐富數(shù)據(jù)避免過擬合并且對(duì)個(gè)體疾病特性進(jìn)行更準(zhǔn)確的描述。對(duì)每個(gè)領(lǐng)域的人群疾病與藥物之間的對(duì)應(yīng)模型，我們希望它們能夠盡量的相近，從而約束彼此。形式化地，擬最小化如下目標(biāo)函數(shù)：

其中，u^t與v^t表示第t個(gè)領(lǐng)域的模型，由于多個(gè)u^t的存在，人群疾病特性可以被精準(zhǔn)地建模；而最后那一個(gè)約束項(xiàng)，又使得不同領(lǐng)域的信息可以通過全局模型u^a進(jìn)行共享。

除了人群疾病和藥物本身的內(nèi)容數(shù)據(jù)，人群之間還存在關(guān)聯(lián)。由于人群社會(huì)行為往往反應(yīng)了人群的部分特性，作為相互關(guān)聯(lián)的兩個(gè)人群，其特性往往也比較相似。通過對(duì)人群社會(huì)行為關(guān)系鏈的建模，我們可以建立更為精準(zhǔn)的人群模型u。具體來說，關(guān)系鏈數(shù)據(jù)可以用于約束相互關(guān)聯(lián)人群的人群模型。形式地，擬最小化如下的目標(biāo)函數(shù)：

其中，dik表示人群間的關(guān)聯(lián)強(qiáng)度。

另一方面，也可以對(duì)沒有社會(huì)行為的“新”人群進(jìn)行建模。也就是說，一個(gè)新人群疾病的模型可以用相關(guān)聯(lián)的人群疾病模型進(jìn)行表示，從而使得模型能對(duì)新人群疾病與藥物之間的關(guān)系進(jìn)行精準(zhǔn)的預(yù)測(cè)，從而實(shí)現(xiàn)對(duì)臨床疾病的干預(yù)。

以上對(duì)本發(fā)明所提供的針對(duì)臨床疾病的多模態(tài)大數(shù)據(jù)的數(shù)據(jù)分析方法進(jìn)行了詳細(xì)介紹。說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。對(duì)于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對(duì)應(yīng)，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法部分說明即可。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對(duì)本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。

還需要說明的是，在本說明書中，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。