(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211330829.9 (22)申请日 2022.10.28 (71)申请人 合肥伊阳健康科技有限公司 地址 231299 安徽省合肥市蜀山区高新区 明珠大道198号科技实业园 （众望分 园） 科研楼1号楼1707 (72)发明人 张永亮　叶骏　 (74)专利代理 机构 北京美智年 华知识产权代理 事务所(普通 合伙) 11846 专利代理师 梁忠益　李晨露 (51)Int.Cl. G16H 50/50(2018.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 冠心病运动反应性预测模型的建模方法、 模 型、 设备 (57)摘要 本发明涉及运动健康领域， 公开一种冠心病 运动反应性预测模型的建模方法， 包括S101： 采 集冠心病患者的医疗数据和运动信息数据， 筛选 出影响冠心病 复发的显著特征参数； S102： 对显 著特征参数进行预处理得到特征数据； S103： 建 立第一预测模 型， 对冠心病复发风险预测模型进 行训练； S104： 基于第一预测模型， 结合运动信息 数据观察冠心病复发风险变化情况， 基于该变化 情况评价运动康复方案效果反应； S105： 建立第 二预测模型， 对第二预测模型进行训练。 本发明 经过两次建模， 有针对性地预测患者冠心病复发 风险改善效果。 权利要求书3页 说明书11页 附图2页 CN 115394448 A 2022.11.25 CN 115394448 A 1.一种冠心病运动反应性预测模型的建模方法， 其特 征在于， 包括如下步骤： S101： 采集冠心病患者的医疗数据和运动信息数据， 所述医疗数据包括冠心病患者的 各项医疗指标和预定时间段内的冠心病的复发情况， 通过分析冠心病患者的各项医疗指标 和复发情况筛选出影响冠心病复发的显著特征参数， 所述冠心病的复发情况为复发或不复 发； S102： 对显著特 征参数进行 预处理得到特 征数据； S103： 建立第一预测模型： 以特征数据作为第一预测模型的输入， 以冠心病的复发情况 作为第一预测模型的输出， 对第一预测模型进行训练； S104： 基于第一预测模型， 在给定运动周期开始到给定运动周期结束期间内， 结合运动 信息数据观察冠心病复发风险变化情况， 基于该变化情况评价运动康复方案效果反应， 所 述运动康复方案效果反应为有反应或无反应； S105： 建立第二预测模型： 以显著特征参数、 运动信息数据和第一预测模型的输出作 为 第二预测模型 的输入， 以运动康复方案效果反应作为第二预测模型 的输出， 对第二预测模 型进行训练。 2.根据权利要求1所述的冠心病运动反应性预测模型的建模方法， 其特征在于， 步骤 S101中， 所述运动信息数据包括： 运动量、 运动强度、 运动时间、 运动类型、 运动类型个数、 运 动次数和运动时机 选择。 3.根据权利要求1所述的冠心病运动反应性预测模型的建模方法， 其特征在于， 步骤 S101中， 所述通过分析冠心病患者的各项医疗指标和预定时间段内的复发情况筛选出影响 冠心病复发的显著特征参数的方法包括： 基于单变量分析筛选法分析冠心病患者的各项医 疗指标， 对于服从正态分布的数据采用独立T检验， 对于不服从正态分布的数据采用 Wilconxon秩和检验。 4.根据权利要求1所述的冠心病运动反应性预测模型的建模方法， 其特征在于， 步骤 S102中， 所述对显著特征参数进行预处理得到特征数据的方法包括： 将显著特征参数输入 卷积神经网络， 得到特 征数据。 5.根据权利要求1所述的冠心病运动反应性预测模型的建模方法， 其特征在于， 步骤 S103中， 所述对第一预测模型进 行训练的方法包括基于递归神经网络算法对第一预测模型 进行训练； 所述递归神经网络采用分类交叉损失函数和带有热重启的Adam优化器进行学 习； 所述分类交叉损失函数采用公式1： 公式1 ； 其中， N表示训练样本的数量， M表示分类结果的个数， 表示分类结果的真实值， 表示预测为该分类结果的概 率； 所述带有热重启的Adam优化器进行学习的方法包括： 在每个训练周期后使用验证集验 证模型， 直到连续训练周期的分类交叉损失函数的数值 不再减少。 6.根据权利要求1所述的冠心病运动反应性预测模型的建模方法， 其特征在于， 步骤 S104中， 所述基于该变化情况评价 运动康复方案效果的方法包括： 给定运动周期结束时的复发风险低于给定运动周期开始时的复发风险， 则认为运动康 复方案有反应， 否则认为无反应。权　利　要　求　书 1/3 页 2 CN 115394448 A 27.根据权利要求1所述的冠心病运动反应性预测模型的建模方法， 其特征在于， 步骤 S105中， 所述对第二预测模型进行训练的方法包括： 采用XGBoost算法生成一个集合， 集合 内包括多棵回归树， 每棵 回归树利用十折交叉验 证法进行训练， 将对应每棵回归树的叶子节点得分相加， 对第i个样本， 计算出第二预测估 计值， 采用如下公式2： 公式2  ； 其中， fk表示每一棵 回归树的预测结果， K为回归树的数量， xi表示第i个样本的特征， yi 表示第i个样本的第二预测估计值， 公式1表示给定一个输入值xi， 输出值为K棵回归树的第 二预测估计值yi； k为1到K的自然数， i为1到n 的自然数， n表示训练用的冠心病患者 的样本 数量； 建立第二迭代函数， 第t次第二迭代函数采用如下公式3： 公式3  ； 其中， l是一个可以微分的损失函数， yi,yi~(t‑1)表示第t‑1次迭代中的第i个样本的实际 值yi~(t‑1)与第二预测估计值yi之间的差异， ft(xi)是经过第t次迭代后第i个样本的预测结 果， Ω(ft)是复杂度的惩罚函数， t为大于1的自然数。 8.根据权利要求1所述的冠心病运动反应性预测模型的建模方法， 其特征在于， 还包括 S106： 设置第二预测模型的输出， 将第二预测模型输出经四舍五入后输出0或1， 0代表运动 康复方案无反应， 1代 表运动康复方案有反应。 9.一种冠心病运动反应性预测模型， 其特征在于， 采用权利要求1 ‑8中任一项所述的冠 心病运动反应性预测模型的建模方法进行构建； 所述反应性预测模型包括： 医疗数据获取模块、 显著特征参数获取模块、 预处理模块、 第一预测模型、 运动信息数据获取模块、 第二预测模型和反应效果获取模块； 所述医疗数据获取模块用于获取冠心病患 者的医疗数据， 所述医疗数据包括冠心病患 者的各项医疗指标和预定时间段内的冠心病的复发情况， 所述冠心病的复发情况为复发或 不复发； 所述显著特征参数获取模块用于通过分析冠心病患者的各项医疗指标和复发情况筛 选出影响冠心病复发的显著特 征参数； 所述预处 理模块用于对显著特 征参数进行 预处理得到特 征数据； 所述第一预测模型用于以特 征数据作为输入， 输出 冠心病的复发情况； 所述运动信息数据获取模块用于获取 冠心病患者的运动信息数据； 所述反应效果获取模块用于通过第一预测模型和运动信息数据获取模块的数据评价 康复方案反应效果； 所述第二预测模型用于以显著特征参数、 运动信息数据和冠心病的复发情况作为输 入， 输出运动康复方案效果反应， 所述 运动康复方案效果反应为有反应或无反应。 10.一种电子设备， 其特 征在于， 包括： 处 理器、 存储器和总线， 所述处理器和所述存储器通过所述总 线完成相互间的通信， 所述存储器存储有可被所权　利　要　求　书 2/3 页 3 CN 115394448 A 3