健康参数预测方法、装置、设备及存储介质与流程

本发明一般涉及人工智能，具体涉及一种健康参数预测方法、装置、设备及存储介质。

背景技术：

1、随着人工智能技术的不断发展，疾病预测功能作为一种融合了临床知识、辅助医生做出关于诊断、治疗、预后等决策的系统功能，已经被广泛地应用于医疗领域，例如，智能导诊、在线问诊等，其能够为医生提供诊断、处方等决策支持。其中，帕金森病作为一种致残性脑部疾病，会影响运动、认知、睡眠和其他正常功能，为了便于对患者的病症进行更好的诊断和治疗，对帕金森病进行进展预测显得至关重要。

2、目前，相关技术中通过医生凭借经验对病症进行打分，并结合mds统一帕金森病评定量表(mds unified-parkinson disease rating scale,mds-updrs)对帕金森病的严重程度进行评估判断，然而该方案需要依赖人工经验缺乏客观性，导致病症进展预测的准确度较低。

技术实现思路

1、鉴于现有技术中的上述缺陷或不足，期望提供一种健康参数预测方法、装置、设备及存储介质。

2、第一方面，本技术提供了一种健康参数预测方法，该方法包括：

3、获取待预测对象的特征数据；特征数据包括生物分子特征数据和用药特征数据；

4、对生物分子特征数据进行差异性处理，得到待预测对象的共同特征数据和差异特征数据；

5、将共同特征数据、差异特征数据和用药特征数据输入预测模型进行预测处理，得到待预测对象的健康参数；健康参数用于表征待预测对象的健康程度。

6、在其中一个实施例中，将共同特征数据、差异特征数据和用药特征数据输入预测模型进行预测处理，得到待预测对象的健康参数，包括：

7、对共同特征数据、差异特征数据和用药特征数据进行向量化处理，得到共同特征向量和组合特征向量；共同特征数据用于表征待预测对象与其他对象之间的生物分子特征的共性；差异特征数据用于表征待预测对象与其他对象之间的生物分子特征的差异性；用药特征数据用于表征待预测对象的用药情况；

8、将共同特征向量和组合特征向量通过预测模型的编码模块进行编码处理得到融合编码信息；

9、将融合编码信息通过注意力机制模型进行注意力分配处理，得到全局特征向量；

10、将融合编码信息和全局特征向量通过预测模型的解码模块进行解码处理，得到待预测对象的健康参数。

11、在其中一个实施例中，对共同特征向量和组合特征向量通过预测模型的编码模块进行编码处理得到融合编码信息，包括：

12、分别对共同特征向量和组合特征向量进行特征提取，得到共同特征向量对应的第一特征信息和组合特征向量对应的第二特征信息；

13、将第一特征信息和第二特征信息进行拼接处理，得到中间特征信息；

14、利用编码模块，对中间特征信息和当前时刻的前一时刻的隐藏层状态信息进行融合处理，获得融合特征；根据第一权重系数和第二权重系数对融合特征分别进行权重分配，获得第一中间特征和第二中间特征，根据第一中间特征和第二中间特征获得融合编码信息；第一权重系数用于表征隐藏层状态信息被忽略的程度，第二权重系数用于表征隐藏层状态信息对当前融合特征的影响程度。

15、在其中一个实施例中，将全局特征向量通过预测模型的解码模块进行解码处理，得到待预测对象的健康参数，包括：

16、将全局特征向量和融合编码信息通过解码模块中的第二门控循环单元进行解码处理，得到重构的生物分子信息；

17、将重构的生物分子信息通过输出层进行预测处理，得到待预测对象的健康参数。

18、在其中一个实施例中，对共同特征数据、差异特征数据和用药特征数据进行向量化处理，得到共同特征向量和组合特征向量，包括：

19、分别对共同特征数据和差异特征数据进行向量化处理，得到共同特征向量和差异特征向量；

20、对用药特征数据进行向量化处理，得到用药特征编码值；

21、将用药特征编码值与差异特征向量进行组合处理，得到组合特征向量。

22、在其中一个实施例中，预测模型的训练过程包括：

23、获取样本对象的样本特征数据，将样本特征数据分为训练集和测试集；样本特征数据包括样本对象在不同采集时间的样本生物分子特征数据和样本用药特征数据；

24、利用训练集对待构建的预测模型进行训练，按照损失函数最小化对待构建的预测模型进行优化处理，得到初始预测模型；

25、将测试集输入初始预测模型进行测试，得到预测模型。

26、在其中一个实施例中，利用训练集对待构建的预测模型进行训练，按照损失函数最小化对待构建的预测模型进行优化处理，得到初始预测模型，包括：

27、对训练集进行差异性处理，得到样本对象在每个样本采集时间的样本共同特征数据和样本差异特征数据；训练集中标注有每个样本采集时间对应的健康描述参数；

28、将样本共同特征数据、样本差异特征数据和样本用药特征数据通过待构建的预测模型，得到每个样本采集时间对应的预测参数；

29、基于每个样本采集时间对应的健康描述参数和预测参数，构建损失函数；

30、按照训练算法迭代查找损失函数最小化时对应的待构建的预测模型为初始预测模型。

31、在其中一个实施例中，将样本共同特征数据、样本差异特征数据和样本用药特征数据通过待构建的预测模型，得到每个样本采集时间对应的预测参数，包括：

32、将样本共同特征数据、样本差异特征数据和样本用药特征数据通过待构建的预测模型中的编码模块进行编码处理，得到各个样本采集时间的组合编码信息；

33、将各个样本采集时间的组合编码信息通过注意力机制模型进行注意力分配处理，得到全局特征数据；

34、将全局特征数据和组合编码信息通过待构建的预测模型中的解码模块进行解码处理，得到每个样本采集时间对应的预测参数。

35、第二方面，本技术提供了一种健康参数预测装置，该装置包括：

36、获取模块，用于获取待预测对象的特征数据；所述特征数据包括生物分子特征数据和用药特征数据；

37、差异性处理模块，用于对所述生物分子特征数据进行差异性处理，得到所述待预测对象的共同特征数据和差异特征数据；

38、预测模块，用于将所述共同特征数据、所述差异特征数据和所述用药特征数据输入预测模型进行预测处理，得到所述待预测对象的健康参数；所述健康参数用于表征所述待预测对象的健康程度。

39、第三方面，本技术实施例提供一种终端设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现如第一方面的健康参数预测方法。

40、第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序用于实现如第一方面所述的健康参数预测方法。

41、本技术实施例提供的健康参数预测方法、装置、设备及存储介质，通过获取待预测对象的特征数据，该特征数据包括生物分子特征数据和用药特征数据，然后对生物分子特征数据进行差异性处理，得到待预测对象的共同特征数据和差异特征数据，并将共同特征数据、差异特征数据和用药特征数据输入预测模型进行预测处理，得到待预测对象的健康参数，该健康参数用于表征待预测对象的健康程度。本技术中的技术方案相比于现有技术而言，一方面，通过对待预测对象的生物分子特征数据进行差异性处理，能够更细粒度地对生物分子特征数据进行划分，以便有针对性地对共同特征数据和差异特征数据进行预测，有效提高了对健康参数进行预测的准确度。另一方面，通过预测模型对共同特征数据、差异特征数据和用药特征数据进行预测处理，得到待预测对象的健康参数，其无需依赖人工经验且具备客观性，实现了精准地对待预测对象的健康程度的预测，该健康程度可以包括疾病的进展程度，适用于对帕金森病的进展预测的场景，提高了病症进展预测的准确度。