基于深度学习的阿尔茨海默症的预测系统和方法

本发明涉及阿尔茨海默症预测，具体为基于深度学习的阿尔茨海默症的预测系统和方法。

背景技术：

1、阿尔茨海默症是一种导致痴呆的常见原因，约占痴呆患者总人数的三分之二以上，阿尔茨海默症的发生与多种因素有关，包括年龄、遗传、生活方式、血管风险等。目前，阿尔茨海默症还没有根治的方法，但可以通过药物或非药物手段改善患者的症状和生活质量。

2、根据患者的身体数据以及状态能够展开对阿尔茨海默症的预测，预测阿尔茨海默病的患病风险，并对是否患病做出诊断，生成精确、直观的阿尔茨海默氏症风险个体可视化。

3、阿尔茨海默症的预测能够根据患者的情况来生成数据，能够更加直观的预测到阿尔茨海默症患者的状态，以便于针对不同的阿尔茨海默症患者进行相应针对性的治疗和改善，因此，阿尔茨海默症预测的准确性极为重要。

技术实现思路

1、本发明的目的之一在于提供基于深度学习的阿尔茨海默症的预测系统和方法，通过预测的方式来获得患者在不同阶段的风险，以便于医生针对不同阶段的病人做出针对性的治疗和改善。

2、为实现以上目的，本发明通过以下技术方案予以实现：基于深度学习的阿尔茨海默症的预测系统，包括：

3、微处理器；

4、预处理模块，位于微处理器的下级，用于对数据进行预处理，预处理模块的下级配置多个数据采集模块，数据采集模块分别队对应不同的数据信息，并将数据传输至预处理模块；

5、深度学习模型，配置于微处理器的上级，用于构建和训练不同的深度学习模型，从多种数据中学习最具预测性的特征并输出阿尔茨海默症的风险和诊断结果；

6、数据融合和分类单元，位于深度学习模型的下级，用于及那个不同数据模式的深度学习输出进行融合和分类；

7、数据解析和可视化单元，位于深度学习模型的下级，深度学习模型的内部机制进行解释和可视化，使用不同的数据解析方法生成可解释和直观的可视化结果。

8、在本发明一或多个实施方式中，上述的该数据融合和分类模块包括：

9、数据筛选模块，用于对数据进行筛选，消除或减少单一数据源的单一数据源的不确定性、不一致性、冲突性；

10、数据压缩模块，用于对多种数据源进行压缩优化。

11、在本发明一或多个实施方式中，上述的该数据解析和可视化单元包括：

12、数据分析模块，用于对预处理后的数据继进行统计分析、聚类分析、关联分析，并挖掘数据的特征和规律；

13、可视化模块，根据数据类型，选择合适的图形和图表，转化为直观的图像；

14、数据呈现模块，配置为显示器。

15、在本发明一或多个实施方式中，上述的数据采集模块采集数据包括：脑部核磁共振成像、基因信息、临床测试以及患者年龄、性别、bmi指数、胆固醇水平、收缩压水平以及体育锻炼强度。

16、在本发明一或多个实施方式中，上述的深度学习模型配置堆叠降噪自编码器、3d卷积神经网络、全卷积网络。

17、在本发明一或多个实施方式中，上述的数据预处理对数据的处理包括清洗、标准化、缺失值处理、异常值检测。

18、在本发明一或多个实施方式中，上述的深度学习模型接入网络，用于构建和训练不同模型的数据对比和参考。

19、本申请还提供一种基于深度学习的阿尔茨海默症的预测方法，用于上述的阿尔茨海默症的预测系统，其特征在于，包括以下步骤：

20、s1、通过数据采集模块对患者的多项数据进行采集，并经过预处理模块对数据进行初步筛选过滤；

21、s2、深度学习模型根据初步筛选过滤后的数据进行不同模型的建立，并提取数据中的特征；

22、s3、数据融合和分类单元使用不同的分类层对数据进行融合分类；

23、s4、通过数据解析和可视化单元生成可解释和直观的可视化结果，显示出哪些大脑区域或基因变异与阿尔茨海默症的发生和发展有关。

24、有益效果

25、本发明提供了基于深度学习的阿尔茨海默症的预测系统和方法。与现有技术相比具备以下有益效果：

26、1、本申请能够对患者的数据进行融合，将不同的数据模式的深度学习输出进行融合和分类，使用不同的分类层，如决策树、随机森林、支持向量机和k近邻等，以提高阿尔茨海默症分期预测的准确性和鲁棒性，进而确保每个阶段阿尔茨海默症的针对性。

27、2、数据解析和可视化可以提高阿尔茨海默症预测的可解释性和直观性，通过使用不同的数据解析方法，如聚类和扰动分析等，以识别最重要的特征和影响因素，并生成可解释和直观的可视化结果，显示出哪些大脑区域或基因变异与阿尔茨海默症的发生和发展有关。

28、3、数据分类可以提高阿尔茨海默症预测的效率和实时性，通过使用不同的分类层，如决策树、随机森林、支持向量机和k近邻等，将患者分为正常认知、轻度认知障碍和阿尔茨海默症三个阶段。

技术特征：

1.基于深度学习的阿尔茨海默症的预测系统，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的阿尔茨海默症的预测系统，其特征在于，该数据融合和分类模块包括：

3.根据权利要求1所述的基于深度学习的阿尔茨海默症的预测系统，其特征在于，该数据解析和可视化单元包括：

4.根据权利要求1所述的基于深度学习的阿尔茨海默症的预测系统，其特征在于，数据采集模块采集数据包括：脑部核磁共振成像、基因信息、临床测试以及患者年龄、性别、bmi指数、胆固醇水平、收缩压水平以及体育锻炼强度。

5.根据权利要求1所述的基于深度学习的阿尔茨海默症的预测系统，其特征在于，深度学习模型配置堆叠降噪自编码器、3d卷积神经网络、全卷积网络。

6.根据权利要求1所述的基于深度学习的阿尔茨海默症的预测系统，其特征在于，数据预处理对数据的处理包括清洗、标准化、缺失值处理、异常值检测。

7.根据权利要求1所述的基于深度学习的阿尔茨海默症的预测系统，其特征在于，深度学习模型接入网络，用于构建和训练不同模型的数据对比和参考。

8.一种基于深度学习的阿尔茨海默症的预测方法，用于如权利要求1-7任一项所述的阿尔茨海默症的预测系统，其特征在于，包括以下步骤：

技术总结
本发明公开了基于深度学习的阿尔茨海默症的预测系统，包括：微处理器；预处理模块，位于微处理器的下级，用于对数据进行预处理，预处理模块的下级配置多个数据采集模块，数据采集模块分别队对应不同的数据信息，并将数据传输至预处理模块；深度学习模型，配置于微处理器的上级，用于构建和训练不同的深度学习模型，从多种数据中学习最具预测性的特征并输出阿尔茨海默症的风险和诊断结果。本申请能够对患者的数据进行融合，将不同的数据模式的深度学习输出进行融合和分类，使用不同的分类层，如决策树、随机森林、支持向量机和k近邻等，以提高阿尔茨海默症分期预测的准确性和鲁棒性。

技术研发人员：高峰,乐波,罗代忠,龚吉淼,王先平,邱鑫,陈静
受保护的技术使用者：重庆文理学院
技术研发日：
技术公布日：2024/1/15