1.一种患者数据可视化管理方法,其特征在于,包括:
获取被分析患者的电子病历和预定时间周期内多天的日常体征数据;
对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量;
提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图;
对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量;
基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理;
其中,对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量,包括:将所述日常体征数据时序关联特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到日常体征时序局部特征向量的序列;
基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量,包括:以如下权重公式计算所述日常体征时序局部特征向量的序列对于所述患者健康状态语义特征向量的权重值;
其中,所述权重公式为:
;
其中,A是1× 的矩阵,是所述患者健康状态语义特征向量, 是所述患者健康状态语义特征向量的维度,B是1× 的矩阵, 是各个所述日常体征时序局部特征向量的维度,是所述日常体征时序局部特征向量的序列中第个日常体征时序局部特征向量,是Sigmoid函数,是所述日常体征时序局部特征向量的序列中特征向量的总数,是所述权重值;
基于所述权重值以如下分配式特征交互公式来对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,所述分配式特征交互公式为:
;
其中, 是所述包含日常体征信息的患者健康状态语义特征向量, 和 代表1×1卷积核的卷积操作,是所述患者健康状态语义特征向量,是所述日常体征时序局部特征向量的序列中特征向量的总数,是所述权重值,是所述日常体征时序局部特征向量的序列中第个日常体征时序局部特征向量。
2.根据权利要求1所述的患者数据可视化管理方法,其特征在于,对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量,包括:提取所述电子病历中的文本信息;
对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到所述患者健康状态语义特征向量。
3.根据权利要求2所述的患者数据可视化管理方法,其特征在于,对所述文本信息进行分词处理后通过包含词嵌入层的电子病历信息上下文编码器以得到所述患者健康状态语义特征向量,包括:对所述文本信息进行分词处理以将所述文本信息转化为由多个词组成的词序列;
使用所述包含词嵌入层的电子病历信息上下文编码器的词嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列;
使用所述包含词嵌入层的电子病历信息上下文编码器对所述词向量的序列进行基于全局的上下文语义编码以获得所述患者健康状态语义特征向量。
4.根据权利要求3所述的患者数据可视化管理方法,其特征在于,提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图,包括:将所述预定时间周期内多天的日常体征数据按照时间维度和样本维度排列为日常体征时序关联输入矩阵;
利用深度学习网络模型对所述日常体征时序关联输入矩阵进行特征提取以得到所述日常体征数据时序关联特征图。
5.根据权利要求4所述的患者数据可视化管理方法,其特征在于,所述深度学习网络模型为基于卷积神经网络模型的日常体征时序特征提取器;
其中,所述基于卷积神经网络模型的日常体征时序特征提取器,包括:输入层、卷积层、池化层、激活层和输出层。
6.根据权利要求5所述的患者数据可视化管理方法,其特征在于,利用深度学习网络模型对所述日常体征时序关联输入矩阵进行特征提取以得到所述日常体征数据时序关联特征图,包括:将所述日常体征时序关联输入矩阵通过所述基于卷积神经网络模型的日常体征时序特征提取器以得到所述日常体征数据时序关联特征图。
7.根据权利要求6所述的患者数据可视化管理方法,其特征在于,基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理,包括:对所述包含日常体征信息的患者健康状态语义特征向量进行特征分布优化以得到包含日常体征信息的优化患者健康状态语义特征向量;
将所述包含日常体征信息的优化患者健康状态语义特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生健康管理方案调整提示;
显示所述分类结果和所述预定时间周期内多天的日常体征数据。
8.一种患者数据可视化管理系统,其特征在于,包括:
体征数据获取模块,用于获取被分析患者的电子病历和预定时间周期内多天的日常体征数据;
文本语义分析模块,用于对所述电子病历进行文本语义分析以得到患者健康状态语义特征向量;
关联特征提取模块,用于提取所述预定时间周期内多天的日常体征数据的日常体征数据关联特征以得到日常体征数据时序关联特征图;
特征交互模块,用于对所述患者健康状态语义特征向量和所述日常体征数据时序关联特征图进行特征交互以得到包含日常体征信息的患者健康状态语义特征向量;
数据可视化处理模块,用于基于所述包含日常体征信息的患者健康状态语义特征向量进行数据可视化处理;
其中,特征交互模块,包括:
将所述日常体征数据时序关联特征图的沿通道维度的各个特征矩阵进行特征矩阵展开以得到日常体征时序局部特征向量的序列;
基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,基于所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量,包括:以如下权重公式计算所述日常体征时序局部特征向量的序列对所述患者健康状态语义特征向量的权重值;
其中,所述权重公式为:
;
其中,A是1× 的矩阵,是所述患者健康状态语义特征向量, 是所述患者健康状态语义特征向量的维度,B是1× 的矩阵, 是各个所述日常体征时序局部特征向量的维度,是所述日常体征时序局部特征向量的序列中第个日常体征时序局部特征向量,是Sigmoid函数,是所述日常体征时序局部特征向量的序列中特征向量的总数,是所述权重值;
基于所述权重值以如下分配式特征交互公式来对所述患者健康状态语义特征向量进行重要信息分配式特征交互以得到所述包含日常体征信息的患者健康状态语义特征向量;
其中,所述分配式特征交互公式为:
;
其中, 是所述包含日常体征信息的患者健康状态语义特征向量, 和 代表1×1卷积核的卷积操作,是所述患者健康状态语义特征向量,是所述日常体征时序局部特征向量的序列中特征向量的总数,是所述权重值,是所述日常体征时序局部特征向量的序列中第个日常体征时序局部特征向量。