基于图神经网络与深度学习的失能老人照护方案推荐方法

本发明涉及照护方案推荐，尤其涉及一种基于图神经网络与深度学习的失能老人照护方案推荐方法。

背景技术：

1、目前我国人口老龄化日益加剧，而护理机构及人员资源紧缺，应用人工智能、照护机器人等技术对中重度失能老人照护成为应对这一问题的重要手段。其中针对老年人开展行动能力评估，确定老年人照护方案成为社会、老人和政府的迫切需要，养老院、医院等机构需要根据老人不同的行动能力制定照护方案，开展老年人能力评估成为养老效劳工作中的紧迫任务，对失能老人的综合智能照护评估呈现庞大而刚性的需求。

2、传统失能老人照护方案制定方法大多为规则推理法，由照护工作人员根据失能老人的多个重点照护需求进行方案规划，依赖于医师的经验判断且容易忽略部分老人特征，随着图神经网络及深度学习的发展越来越成熟，图模型在推荐系统、图结构数据建模等方面取得了非常好的效果，因此，失能老人的照护方案推荐可以采用图深度学习方法完成。

技术实现思路

1、根据现有技术存在的问题，本发明公开了一种基于图神经网络与深度学习的失能老人照护方案推荐方法，具体包括：

2、采用护理需求调查表采集多位失能老人特征信息，确定照护项目标签，作为深度学习模型的训练数据；

3、以老人和特征作为本体构建二部图结构图数据集，构建神经网络模型并基于二部图结构图数据集对该模型进行训练，得到照护方案推荐模型；

4、将已填好的护理需求调查表数据作为预先训练好的深度学习模型的输入信息，预测得到该失能老人的照护方案。

5、构建二部图结构图数据集时：节点及关系抽取：对于照护数据，每一条案例样本视为一个失能老人节点vu∈vu，照护数据中出现的所有信息项目、如问卷项目视为不同的“特征”节点vs∈vs，当案例中的失能老人有某个特征时，则建立该失能老人节点和对应症状节点的连边，即对每一个患者与症状交互的二元组(vu,vs)，都存在边e(vu,vs)∈e，则图结构照护数据可用图g＝(v,e)来表示，其中v＝vu∪vs

6、失能老人节点的节点初始嵌入矩阵为照护需求问卷结果多热编码矩阵特征节点初始嵌入矩阵为照护需求问卷独热编码其中m为案例数量，n为问卷问题数量，二部图的边权重设置为1。

7、基于二部图结构图数据集对神经网络模型进行训练时采用如下方式：

8、设置神经网络模型的随机失活参数、学习率参数以及迭代次数；

9、对二部图图卷积滤波、生成图信号滤波阈值、对图信号软阈值进行滤波、对多标签结果进行二元交叉熵损失计算、最后反向传播并更新网络模型参数。

10、对二部图图卷积滤波方式为：通过图数据集上的消息传递进行图节点特征更新，具体公式为：

11、

12、其中，其中分别为目标节点i在第k层的图卷积滤波结果和最终滤波结果，agg为节点聚合函数；

13、基于图节点特征生成图信号滤波阈值，采用模型子网络生成图信号滤波阈值，子网络可用公式表达为：

14、

15、

16、其中，γ＝[γ1,γ2,...,γm]为最终生成的图信号滤波阈值，mlp(·)为全连接网络，α为用于阈值生成的缩放系数，gap为全局平均池化操作；

17、所述对图信号软阈值进行滤波具体公式为：

18、

19、其中分别为节点i在第k+1层的最终滤波结果、第k层的图卷积滤波结果，γi为第i个图信号滤波阈值，σ(·)为非线性激活函数relu；

20、所述交叉熵损失函数的表达式为：

21、

22、其中，n为样本数量，yn为样本标签，pn为模型输出；

23、判断损失函数是否已有m轮不再下降，如果否，重复上述过程，反之，则获得最佳的照护方案推荐模型。

24、由于采用了上述技术方案，本发明提供的一种基于图神经网络与深度学习的失能老人照护方案推荐方法，该方法中采用图神经网络深度学习模型直接进行失能老人照护方案推荐和制定,无需专业护理人员，可以降低失能老人照护方案制定过程中对专业人员的依赖并避免人工制定时出现的照护项目漏选、错选；本发明公开的基于图神经网络的照护方案推荐方法，数据处理模块以二部图的方式建模失能老人照护数据，充分保留原始数据中的样本特征及关系信息，适用于复杂而个性化的照护推荐任务，提高照护推荐模型预测时对样本全局信息的提取能力；本发明公开的基于图神经网络的照护方案推荐方法中，失能老人图节点表征提取部分包括消息传递层及图信号滤波模块，其中信号滤波模块可以使模型在处理包含噪声或冗余信息的失能老人问卷或档案数据时保持较高的准确率。

技术特征：

1.一种基于图神经网络与深度学习的失能老人照护方案推荐方法，其特征在于包括：

2.根据权利要求1所述的方法，其特征在于：构建二部图结构图数据集时：节点及关系抽取：对于照护数据，每一条案例样本视为一个失能老人节点vu∈vu，照护数据中出现的所有信息项目、如问卷项目视为不同的“特征”节点vs∈vs，当案例中的失能老人有某个特征时，则建立该失能老人节点和对应症状节点的连边，即对每一个患者与症状交互的二元组(vu,vs)，都存在边e(vu,vs)∈e，则图结构照护数据可用图g＝(v,e)来表示，其中v＝vu∪vs

3.根据权利要求1所述的方法，其特征在于：基于二部图结构图数据集对神经网络模型进行训练时采用如下方式：

4.根据权利要求1所述的方法，其特征在于：对二部图图卷积滤波方式为：通过图数据集上的消息传递进行图节点特征更新，具体公式为：

技术总结
本发明公开了一种基于图神经网络与深度学习的失能老人照护方案推荐方法，采用护理需求调查表采集多位失能老人特征信息，确定照护项目标签，作为深度学习模型的训练数据；以老人和特征作为本体构建二部图结构图数据集，构建神经网络模型并基于二部图结构图数据集对该模型进行训练，得到照护方案推荐模型；将已填好的护理需求调查表数据作为预先训练好的深度学习模型的输入信息，预测得到该失能老人的照护方案。该方法以二部图的方式建模失能老人照护数据，充分保留原始数据中的样本特征及关系信息，适用于复杂而个性化的照护推荐任务，提高照护推荐模型预测时对样本全局信息的提取能力。

技术研发人员：罗静静,苗春龙,祝兴,王洪波,甘中学,岑宇晖,陈洲瀚,王烁
受保护的技术使用者：复旦大学
技术研发日：
技术公布日：2024/4/17