技术特征：
1.一种疾病预测方法，其特征在于，包括：根据获取的电子健康记录数据，确定在线时间序列预测；将所述在线时间序列预测输入至长短期记忆lstm模型，得到所述lstm模型输出的平稳片段集，所述平稳片段集包括多个时间平稳片段，所述lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将所述平稳片段集输入至时间卷积网络，得到所述时间卷积网络输出的疾病预测结果，所述时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对所述历史平稳片段集进行训练得到的。2.根据权利要求1所述的方法，其特征在于，所述lstm模型是基于以下步骤进行训练得到的：获取所述历史在线时间序列预测及所述历史平稳片段集之间的累计误差；根据所述累计误差，对预训练lstm模型进行调整，得到训练好的lstm模型。3.根据权利要求1所述的方法，其特征在于，所述时间卷积网络是基于以下步骤进行训练得到的：获取预训练时间卷积网络对应的自适应参数；利用偏导数建模方法，根据所述自适应参数，确定所述预训练时间卷积网络对应的第一适应系数；利用稀疏记忆交互方法，根据所述历史平稳片段集及所述第一适应系数，对所述预训练时间卷积网络进行训练，得到训练好的时间卷积网络。4.根据权利要求3所述的方法，其特征在于，所述利用偏导数建模方法，根据所述自适应参数，确定所述预训练时间卷积网络对应的第一适应系数，包括：利用偏导数建模方法中的梯度公式，确定所述预训练时间卷积网络对应的当前梯度；将所述当前梯度进行映射，得到第一适应系数；其中，所述梯度公式为其中，所述梯度公式为表示所述当前梯度；γ表示第一系数，γ∈(0，1)；表示所述自适应参数的指数移动平均值ema对应的梯度；表示所述历史平稳片段集在第l层第t时刻对应的梯度。5.根据权利要求4所述的方法，其特征在于，所述利用稀疏记忆交互方法，根据所述历史平稳片段集及所述第一适应系数，对所述预训练时间卷积网络进行训练，得到训练好的时间卷积网络，包括：根据所述历史平稳片段集，确定中间适应系数；利用稀疏记忆交互方法中的适应系数公式，确定所述预训练时间卷积网络对应的第二适应系数；根据所述第二适应系数，对所述预训练时间卷积网络进行调整，得到训练好的时间卷积网络；其中，所述适应系数公式为u
′
l
表示所述第二适应系数；t表示第二系数，t∈(0，1)；u
l
表示所述第一适应系数；表
示中间适应系数。6.根据权利要求5所述的方法，其特征在于，所述根据所述历史平稳片段集，确定中间适应系数，包括：利用稀疏记忆交互方法中的第一公式，确定所述平稳片段集包括的每个时间平稳片段；利用第二公式，确定预设数量的目标时间平稳片段；根据第三公式，确定中间适应系数；其中，所述第一公式为r
l
＝softmax(m
l
u
l
)；所述第二公式为r
l(k)
＝topk(r
l
)；所述第三公式为m
l
表示关联存储器，存储所述第一适应系数；r
l
表示所述关联存储器m
l
对应的注意力权重；k表示所述预设数量；r
l(k)
表示所述平稳片段集中检索最相关的前预设数量k个记忆项，所述记忆项为时间平稳片段；r
l(k)
[i]表示所述r
l(k)
中第i个时间平稳片段；m
l
[i]表示述关联存储器m
l
中第i行记忆项；表示所述中间适应系数。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：根据所述平稳片段集，更新所述训练好的时间卷积网络中包括的所述历史平稳片段集，得到新的历史平稳片段集。8.一种疾病预测装置，其特征在于，包括：确定模块，用于根据获取模块获取的电子健康记录数据，确定在线时间序列预测；输出模块，用于将所述在线时间序列预测输入至长短期记忆lstm模型，得到所述lstm模型输出的平稳片段集，所述平稳片段集包括多个时间平稳片段，所述lstm模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将所述平稳片段集输入至时间卷积网络，得到所述时间卷积网络输出的疾病预测结果，所述时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对所述历史平稳片段集进行训练得到的。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述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7任一项所述疾病预测方法。10.一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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述疾病预测方法。
技术总结
本发明提供一种疾病预测方法、装置、电子设备及计算机可读存储介质，该方法包括：根据获取的电子健康记录数据，确定在线时间序列预测；将在线时间序列预测输入至长短期记忆LSTM模型，得到LSTM模型输出的平稳片段集，平稳片段集包括多个时间平稳片段，LSTM模型是基于历史在线时间序列预测及历史平稳片段集进行训练得到的；将平稳片段集输入至时间卷积网络，得到时间卷积网络输出的疾病预测结果，时间卷积网络是利用偏导数建模方法及稀疏记忆交互方法，对历史平稳片段集进行训练得到的。该方法利用LSTM模型及时间卷积网络，可有效解决该电子健康记录数据无法兼顾长期依赖性和时间不规则性的问题，从而提高疾病预测结果的准确性。性。性。
技术研发人员：徐毅 汤昊宬 梁慧 丁振甲
受保护的技术使用者：中国科学院自动化研究所
技术研发日：2022.09.21
技术公布日：2023/1/31