《基于多阶隐马尔可夫模型的健康预警方法.pdf》由会员分享，可在线阅读，更多相关《基于多阶隐马尔可夫模型的健康预警方法.pdf（6页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201410847991.7(22)申请日 2014.12.30G06F 19/00(2011.01)G06Q 50/22(2012.01)(71)申请人 天津迈沃医药技术有限公司地址 300381 天津市西青区凌奥创意产业园一期4号楼2层(72)发明人 赵欣 张桂芸(74)专利代理机构 天津滨海科纬知识产权代理有限公司 12211代理人 韩敏(54) 发明名称基于多阶隐马尔可夫模型的健康预警方法(57) 摘要本发明提供一种基于多阶隐马尔可夫模型的健康预警方法，包括如下步骤：建立标准健康知识库：建立个人体征数据信息库，建立多阶隐马尔可夫模。
2、型，针对个人的预测与预警。通过本发明的方法，提供互动的主动健康服务模式，人的健康状态随着时间推移，当与健康知识库相应指标比对，发生异常时会重点提示预警。这些状态转换空间可能会划分为很多可达等价类，一方面，利用大数据可发现体征数据发展趋势和健康走向 ；另一方面，当需要判断一个新的会员健康状态时，可找相应匹配状态等价类，用其中容易判断的状态来判断(病症和发展趋势状态与速度类似)，用此给出预警和建议。(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书1页 说明书3页 附图1页(10)申请公布号 CN 104462858 A(43)申请公布日 2015.03.25。
3、CN 104462858 A1/1 页21.一种基于多阶隐马尔可夫模型的健康预警方法，其特征在于，包括如下步骤 ：( 一 ) 建立标准健康知识库 ：记录体征数据的正常值，体检和常规检查数据的正常值，用于将来与个人真实健康数据比对 ；( 二 ) 建立个人体征数据信息库，存储个人的健康信息，包括体征数据，体检和常规检查数据。用于与标准健康知识库比对，跟踪数据变化，以分析健康状况走势，提供健康预警以及个性化改善方案 ；( 三 ) 建立多阶隐马尔可夫模型，把人在某一时刻 t 的健康状态用 St表示，则人在不同时间的健康状况用一系列状态表示，人在不同时期的健康状态看成一系列的状态转移 ；对人的健康状态指。
4、标 St用 m 个指标数据表示，则人在不同时间的健康状况用一系列 m维向量表示，St (St,1,St,2,St,m)；一个人从 t 时刻状态 St到 t+1 时刻状态 St+1转移的概率为 Pij，则从 t 时刻状态到 t+1时刻的状态转移概率矩阵为 A (Pij)NN, 即下面的公式 (1) ：St+1StA (1)其中0Pij1( 四 ) 针对个人的预测与预警，先从个人体征数据信息库中读取相应体征数据，然后获得起初始状态，然后用多阶隐马尔可夫模型做预测。2.根据权利要求 1 所述的一种基于多阶隐马尔可夫模型的健康预警方法，其特征在于，所述步骤 (1) 中体征数据包括体重、心率、血压、脉率。
5、、呼吸频率、体温、热消耗量、运动量、睡眠量血糖和血氧、激素和 BMI 指数，体脂含量 ；所述体检和常规检查数据包括尿常规各项、生化全项、血流变 9 项、肿瘤标志物 3 项。3.根据权利要求 1 所述的一种基于多阶隐马尔可夫模型的健康预警方法，其特征在于，所述步骤(3)中转移概率矩阵A初始值采用专家给定，然后根据病患信息数据和医生增加的病例信息数据更新。4.根据权利要求 3 所述的一种基于多阶隐马尔可夫模型的健康预警方法，其特征在于，所述数据更新按下式 (2) 更新转移概率 Pij，New Pij old Pij+dij/N， (2)其中 dij 是因病患的数据改变的相应权值增量，-1 dij 。
6、1，N 是总状态数。5.根据权利要求 3 所述的一种基于多阶隐马尔可夫模型的健康预警方法，其特征在于，所述数据更新采用概率神经网络的机器学习方法迭代更新与完善。权 利 要 求 书CN 104462858 A1/3 页3基于多阶隐马尔可夫模型的健康预警方法技术领域0001 本发明属于计算机信息领域，特别是涉及到一种基于多阶隐马尔可夫模型的健康预警方法。背景技术0002 现阶段人们逐渐认识到“以健康为中心”和“治未病”理念是现代医疗服务的发展趋势，由此健康服务模式开始从传统单向的被动健康服务模式向互动的主动健康服务模式转变，具体体现在 ：一是“未病先防”( 即预防保健 ) ；二是“既病防变”或“已。
7、病早治”；三是连续性的医疗服务 ( 诊疗服务、疾病管理、健康预警为系列化 )，实现早期干预、视点前移，以疾病 / 人为中心的主动服务模式。0003 人体体征变化有一定规律，而慢性病发生前人体已经会有一些持续性异常。理论上来说，如果大数据掌握了这样的异常情况，便可以进行慢性病预测。利用平台的大数据做疾病预测的相关分析，甚至可以给新药提供良好的建议。发明内容0004 本发明要解决的问题是设计一种基于多阶隐马尔可夫模型的健康预警方法，实现早期干预、视点前移，以疾病 / 人为中心的主动服务模式。0005 需要说明的是，本发明基于多阶隐马尔可夫模型的健康预警方法，是信息学的一种应用，通过信息分析得到适用。
8、于自身的健康预警的方法，并非属于疾病的诊断和治疗方法，因此不违反专利法第二十五条的相关规定。0006 为了达到上述目的，本发明采取的技术方案为 ：一种基于多阶隐马尔可夫模型的健康预警方法，其特征在于，包括如下步骤 ：0007 ( 一 ) 建立标准健康知识库 ：记录体征数据的正常值，体检和常规检查数据的正常值，用于将来与个人真实健康数据比对 ；0008 ( 二 ) 建立个人体征数据信息库，存储个人的健康信息，包括体征数据，体检和常规检查数据。用于与标准健康知识库比对，跟踪数据变化，以分析健康状况走势，提供健康预警以及个性化改善方案 ；0009 ( 三 ) 建立多阶隐马尔可夫模型，0010 把人在。
9、某一时刻 t 的健康状态用 St表示，则人在不同时间的健康状况用一系列状态表示，人在不同时期的健康状态看成一系列的状态转移 ；0011 对人的健康状态指标 St用 m 个指标数据表示，则人在不同时间的健康状况用一系列 m 维向量表示，St (St,1,St,2,St,m)；0012 一个人从 t 时刻状态 St到 t+1 时刻状态 St+1转移的概率为 Pij，则从 t 时刻状态到t+1 时刻的状态转移概率矩阵为 A (Pij)NN, 即下面的公式 (1) ：0013 St+1StA (1)0014 其中说 明 书CN 104462858 A2/3 页40015 0Pij10016 ( 四 )。
10、 针对个人的预测与预警，先从个人体征数据信息库中读取相应体征数据，然后获得起初始状态，然后用多阶隐马尔可夫模型做预测。0017 优选的，所述步骤 (1) 中体征数据包括体重、心率、血压、脉率、呼吸频率、体温、热消耗量、运动量、睡眠量血糖和血氧、激素和 BMI 指数，体脂含量 ；所述体检和常规检查数据包括尿常规各项、生化全项、血流变 9 项、肿瘤标志物 3 项。0018 优选的，所述步骤(3)中转移概率矩阵A初始值采用专家给定，然后根据病患信息数据和医生增加的病例信息数据更新。0019 进一步的，所述数据更新按下式 (2) 更新转移概率 Pij，0020 New Pij old Pij+dij/。
11、N， (2)0021 其中 dij 是因病患的数据改变的相应权值增量，-1 dij 1，N 是总状态数。0022 进一步的，所述数据更新采用概率神经网络的机器学习方法迭代更新与完善。0023 本发明的有益效果为 ：通过本发明的方法，提供互动的主动健康服务模式，人的健康状态随着时间推移，当与健康知识库相应指标比对，发生异常时会重点提示预警。这些状态转换空间可能会划分为很多可达等价类，一方面，利用大数据可发现体征数据发展趋势和健康走向 ；另一方面，当需要判断一个新的会员健康状态时，可找相应匹配状态等价类，用其中容易判断的状态来判断 ( 病症和发展趋势状态与速度类似 )，用此给出预警和建议。附图说明。
12、0024 图 1 是人健康状态的多阶隐马尔可夫模型的示意图。具体实施方式0025 下面结合具体实施例对本发明做进一步说明。0026 本方案设计如下工作 ：0027 1. 会员健康知识库 ：记录体征数据 ( 如体重、心率、血压、脉率、呼吸频率、体温、热消耗量、运动量、睡眠量血糖和血氧、激素和 BMI 指数，体脂含量 ) 的正常值，体检和常规检查(尿常规各项、生化全项、血流变(9项)、肿瘤标志物3项等等)正常值，用于将来与会员真实健康数据比对。0028 2. 会员体征数据信息库 ：存储登陆网站的会员的健康信息，包括体征数据，体检和常规检查数据。用于与标准知识库比对，跟踪数据变化，以分析健康状况走势。
13、，提供健康预警以及个性化改善方案。0029 3.基于M-HMM(Multistage HiddenMarkovModel,多阶隐马尔可夫模型)健康趋势预测与预警 ：0030 马尔可夫模型 (MarkovModel) 是利用已知到现在为止的所有信息来预测将来的算法模型。把人在某一时刻 t 的健康状态用 St 表示，则人在不同时间的健康状况用一系列状态表示，这样所有可能的健康状态组成会员健康状态空间。因此人在不同时期的健康状态看成一系列的状态转移。如肺炎 , , 期和肺结核的 , , 期，为其各状态，其中死亡或不可治愈为吸收态 ( 终止态，不再转换 )。说 明 书CN 104462858 A3/3。
14、 页50031 而对人的健康状态指标St往往需要一系列指标数据，如用m个指标数据St,1,St,2,St,m 表示，即组成 m 维向量，则人在不同时间的健康状况用一系列 m 维向量表示，如 t 时刻的健康状态为 St (St,1,St,2,St,m)。所以一个状态需要若干个相关现象来观察决定，所以采用隐马尔可夫模型。又因为人在某一时刻的状态不是一项指标，所以属于多阶隐马尔可夫模型。如图 1 所示 ：0032 如肺炎 , , 期和肺结核的 , , 期，其主要观察表现为发热、盗汗、全身不适及咳嗽、咳痰、咯血、胸痛、呼吸困难等。需要检测的项目为血常规，尿常规，粪常规，X 线检查，体液免疫检测，肝功能。
15、检查、肾功能检查，细菌培养，CT 检查，内镜检查。设一个人从 t 时刻状态 St 到 t+1 时刻状态 St+1 转移的概率为 Pij，则从 t 时刻状态到 t+1 时刻的状态转移概率矩阵为 A (Pij)NN, 即公式 (1)0033 St+1 St A (1)0034 如上述肺炎 , , 期和肺结核的 , , 期加死亡或不可治愈及健康共 8种状态。即 A 为 8*8 矩阵，假设如下 ：0035 0.83 0.04 0.05 0.01 0.01 0.03 0.02 0.010036 0.01 0.93 0.01 0.01 0.01 0.01 0.01 0.010037 0.01 0.01 0。
16、.82 0.00 0.04 0.03 0.06 0.030038 0.03 0.00 0.01 0.78 0.05 0.05 0.01 0.010039 0.01 0.01 0.01 0.01 0.93 0.01 0.01 0.010040 0.02 0.03 0.01 0.04 0.00 0.88 0.01 0.010041 0.01 0.02 0.03 0.04 0.05 0.02 0.80 0.030042 0.02 0.04 0.01 0.03 0.01 0.06 0.00 0.830043 其中转移概率矩阵 A 初始值采用专家给定，然后根据本会员和其他会员同病病友信息数据和医生增加的。
17、病例信息数据更新。0044 其中的数据更新可采用如下更新计算是 ：0045 (1) 若以简单方式，则根据某会员的数据按下式 (2) 赋值语句更新转移概率 Pij，0046 New Pij old Pij+dij/N， (2)0047 其中 dij 是因某会员的数据改变的相应权值增量，-1 dij 1，N 是总状态数。0048 (2) 若有大数据支持以及硬件条件可以支持复杂智能方法，则可采用概率神经网络的机器学习方法迭代更新与完善。0049 针对一位会员的预测与预警，先从上述信息数据库 2 中读取相应体征数据，得到起初始状态，然后用 M-HMM 做预测，可根据会员要求，做各种时间域的预测。005。
18、0 人的健康状态随着时间推移，当与健康知识库相应指标比对，发生异常时会重点提示预警。这些状态转换空间可能会划分为很多可达等价类，一方面，利用大数据可发现体征数据发展趋势和健康走向 ；另一方面，当需要判断一个新的会员健康状态时，可找相应匹配状态等价类，用其中容易判断的状态来判断 ( 病症和发展趋势状态与速度类似 )，用此给出预警和建议。0051 以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。说 明 书CN 104462858 A1/1 页6图1说 明 书 附 图CN 104462858 A。