1.一种基于大数据的糖尿病足风险评估方法,其特征在于,包括:实时采集多维度生理数据,对实时采集的多维度生理数据进行预处理;
基于预处理后的多维度生理数据提取生理特征,并融合成多维度特征向量;
构建个性化健康基线模型,将多维度特征向量输入个性化健康基线模型,预测个性化安全基线;
将生理特征与个性化安全基线进行对比,基于每个生理特征与对应的个性化安全基线的偏差,制定非线性惩罚函数P,预测每个生理特征的偏差对患者整体健康状态的影响程度,评估患者当前的糖尿病足风险;
所述基于预处理后的多维度生理数据提取生理特征,并融合成多维度特征向量,具体步骤如下:通过滑动窗口法分析足底压力数据,提取足底压力特征;
通过对足底温度数据进行时序分析,提取足底温度特征;
通过对血流速度数据进行频域分析和时序分析,提取血流速度特征和心率特征;
通过对血糖水平数据和血压数据进行统计分析,提取血糖特征和血压特征;
基于每个特征的非线性关系和周期性变化,采用指数衰减、正弦函数以及特征偏离基准值的平滑调节方法进行特征融合,表达式为:;
其中,F是多维度特征向量,是第i个生理特征,是第i个生理特征的指数衰减参数,是第i个生理特征的基准值,是正弦函数的频率调节参数,表示生理特征的周期性波动,n是生理特征总数量,i是生理特征的索引变量,e是自然对数的底数;
所述构建个性化健康基线模型,将多维度特征向量输入个性化健康基线模型,预测个性化安全基线,具体步骤如下:通过非线性关系捕捉多维度特征向量F中生理特征间的复杂交互影响,当生理特征偏离健康基准时,通过调节因子适应不同个体的生理特征灵敏度差异,构建个性化健康基线模型,预测个性化安全基线,表达式为:;
其中,表示第i个生理特征的个性化安全基线,表示多维特征向量F经过非线性函数的组合得到的综合健康状态指标,是多维特征向量F在健康状态下的基准值,是调节因子;
预测每个生理特征的偏差对患者整体健康状态的影响程度,表达式为:;
其中,表示第i个生理特征的偏差对患者整体健康状态的影响程度,表示个性化安全基线与生理特征的总体偏差。
2.如权利要求1所述的基于大数据的糖尿病足风险评估方法,其特征在于,所述多维度生理数据包括足底压力、足底温度、血流速度、血糖水平、血压、心率和步态稳定性。
3.如权利要求2所述的基于大数据的糖尿病足风险评估方法,其特征在于,所述对实时采集的多维度生理数据进行预处理,具体步骤如下:使用基于统计学的异常值检测算法,识别并移除异常的数据点;
使用线性插入值法,将高频生理数据与低频生理数据进行时间同步;
对不同量纲的生理数据进行标准化处理。
4.如权利要求3所述的基于大数据的糖尿病足风险评估方法,其特征在于,所述评估患者当前的糖尿病足风险,具体步骤如下:基于历史数据和个性化安全基线定义低风险阈值和高风险阈值;
当<时,认为患者的糖尿病足风险处于低风险;
当≤<时,认为患者的糖尿病足风险处于中等风险;
当≥时,认为患者的糖尿病足风险处于高风险。
5.一种基于大数据的糖尿病足风险评估系统,基于权利要求1~4任一所述的基于大数据的糖尿病足风险评估方法,其特征在于,包括:数据采集模块、特征融合模块、个性化安全基线预测模块和风险评估模块;
数据采集模块,用于实时采集多维度生理数据,对实时采集的多维度生理数据进行预处理;
特征融合模块,用于基于预处理后的多维度生理数据提取生理特征,并融合成多维度特征向量;
基线预测模块,用于构建个性化健康基线模型,将多维度特征向量输入个性化健康基线模型,预测个性化安全基线;
风险评估模块,用于将生理特征与个性化安全基线进行对比,分析个性化安全基线的总体偏差,评估患者当前的糖尿病足风险。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1~4任一所述的基于大数据的糖尿病足风险评估方法的步骤。
7.一种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权利要求1~4任一所述的基于大数据的糖尿病足风险评估方法的步骤。