本發(fā)明涉及數(shù)據(jù)處理，具體來(lái)說(shuō)，涉及一種基于人工智能的呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理方法及系統(tǒng)。

背景技術(shù)：

1、呼吸康復(fù)訓(xùn)練是一種針對(duì)呼吸系統(tǒng)疾病的治療手段，旨在通過(guò)一系列有計(jì)劃的訓(xùn)練和教育活動(dòng)來(lái)改善患者的呼吸功能、增強(qiáng)體力、提高生活質(zhì)量。這種訓(xùn)練通常適用于患有慢性阻塞性肺疾病、哮喘、肺氣腫等呼吸系統(tǒng)疾病的患者。訓(xùn)練內(nèi)容可能包括但不限于呼吸技巧練習(xí)、運(yùn)動(dòng)鍛煉、能量保存技巧、營(yíng)養(yǎng)指導(dǎo)和心理支持等。

2、呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理是指對(duì)與呼吸康復(fù)訓(xùn)練相關(guān)的各種信息進(jìn)行收集、組織、存儲(chǔ)、分析的過(guò)程。有效的數(shù)據(jù)管理可以幫助醫(yī)生和患者更好地理解治療的效果，并做出相應(yīng)的調(diào)整。而將人工智能技術(shù)應(yīng)用于呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理中，可以自動(dòng)化和優(yōu)化數(shù)據(jù)管理的過(guò)程。

3、例如中國(guó)專利202110506980.2公開(kāi)了一種呼吸康復(fù)功能訓(xùn)練的管理方法及系統(tǒng)，其對(duì)比用戶訓(xùn)練影像與標(biāo)準(zhǔn)影像，評(píng)估訓(xùn)練效果，將評(píng)估結(jié)果輸入訓(xùn)練評(píng)估模型，獲得訓(xùn)練評(píng)估結(jié)果。但是上述方法還存在以下不足：該方法訓(xùn)練模型時(shí)，缺乏教師網(wǎng)絡(luò)的指導(dǎo)，模型的復(fù)雜度較高，更容易過(guò)擬合訓(xùn)練數(shù)據(jù)；同時(shí)無(wú)法根據(jù)康復(fù)訓(xùn)練數(shù)據(jù)快速有效地調(diào)整康復(fù)訓(xùn)練方案的參數(shù)。

4、針對(duì)相關(guān)技術(shù)中的問(wèn)題，目前尚未提出有效的解決方案。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)相關(guān)技術(shù)中的問(wèn)題，本發(fā)明提出一種基于人工智能的呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理方法及系統(tǒng)，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問(wèn)題。

2、為此，本發(fā)明采用的具體技術(shù)方案如下：

3、根據(jù)本發(fā)明的一個(gè)方面，提供了一種基于人工智能的呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理方法，該基于人工智能的呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理方法包括以下步驟：

4、s1、獲取呼吸康復(fù)人員的訓(xùn)練數(shù)據(jù)，并預(yù)處理訓(xùn)練數(shù)據(jù)，得到多源數(shù)據(jù)集。

5、s2、基于高性能模型構(gòu)建教師網(wǎng)絡(luò)，并通過(guò)多源數(shù)據(jù)集訓(xùn)練教師網(wǎng)絡(luò)，且構(gòu)建學(xué)生網(wǎng)絡(luò)，并基于訓(xùn)練后的教師網(wǎng)絡(luò)訓(xùn)練學(xué)生網(wǎng)絡(luò)。

6、s3、利用差分進(jìn)化算法優(yōu)化訓(xùn)練后的學(xué)生網(wǎng)絡(luò)，得到學(xué)生網(wǎng)絡(luò)優(yōu)化后模型。

7、s4、利用學(xué)生網(wǎng)絡(luò)優(yōu)化后模型生成的數(shù)據(jù)訓(xùn)練強(qiáng)化學(xué)習(xí)代理，并通過(guò)強(qiáng)化學(xué)習(xí)代理自動(dòng)調(diào)整呼吸康復(fù)人員的康復(fù)訓(xùn)練參數(shù)。

8、其中，基于高性能模型構(gòu)建教師網(wǎng)絡(luò)，并通過(guò)多源數(shù)據(jù)集訓(xùn)練教師網(wǎng)絡(luò)，且構(gòu)建學(xué)生網(wǎng)絡(luò)，并基于訓(xùn)練后的教師網(wǎng)絡(luò)訓(xùn)練學(xué)生網(wǎng)絡(luò)包括以下步驟：

9、s21、選擇高性能深度學(xué)習(xí)模型作為教師網(wǎng)絡(luò)，并調(diào)整教師網(wǎng)絡(luò)的結(jié)構(gòu)及設(shè)置超參數(shù)；

10、s22、加載預(yù)處理后的多源數(shù)據(jù)集，并使用多源數(shù)據(jù)集訓(xùn)練教師網(wǎng)絡(luò)，利用反向傳播算法更新教師網(wǎng)絡(luò)的權(quán)重，并評(píng)估教師網(wǎng)絡(luò)的性能；

11、s23、構(gòu)建學(xué)生網(wǎng)絡(luò)，并設(shè)計(jì)學(xué)生網(wǎng)絡(luò)的層數(shù)和神經(jīng)元配置；

12、s24、利用訓(xùn)練好的教師網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)推斷，生成軟標(biāo)簽；

13、s25、基于自適應(yīng)置信度調(diào)節(jié)因子訓(xùn)練學(xué)習(xí)網(wǎng)絡(luò)。

14、進(jìn)一步的，獲取呼吸康復(fù)人員的訓(xùn)練數(shù)據(jù)，并預(yù)處理訓(xùn)練數(shù)據(jù)，得到多源數(shù)據(jù)集包括以下步驟：

15、s11、收集呼吸康復(fù)人員的生理數(shù)據(jù)及康復(fù)訓(xùn)練日志數(shù)據(jù)，得到訓(xùn)練數(shù)據(jù)；

16、s12、根據(jù)康復(fù)訓(xùn)練的目標(biāo)，確定需要的標(biāo)簽數(shù)據(jù)類型，并獲取標(biāo)簽數(shù)據(jù)；

17、s12、去除訓(xùn)練數(shù)據(jù)中的噪聲和異常值；

18、s13、整合訓(xùn)練數(shù)據(jù)中不同來(lái)源的數(shù)據(jù)，并標(biāo)準(zhǔn)化處理訓(xùn)練數(shù)據(jù)；

19、s14、從訓(xùn)練數(shù)據(jù)中提取特征；

20、s15、預(yù)處理收集到的標(biāo)簽數(shù)據(jù)，并將標(biāo)簽數(shù)據(jù)與相應(yīng)的特征數(shù)據(jù)匹配。

21、進(jìn)一步的，基于自適應(yīng)置信度調(diào)節(jié)因子訓(xùn)練學(xué)習(xí)網(wǎng)絡(luò)包括以下步驟：

22、s251、根據(jù)類別間差異程度動(dòng)態(tài)調(diào)整置信度調(diào)節(jié)因子參數(shù)；

23、s252、使用自適應(yīng)置信度調(diào)節(jié)因子參數(shù)調(diào)整學(xué)生網(wǎng)絡(luò)的softmax層；

24、s253、定義學(xué)生網(wǎng)絡(luò)的損失函數(shù)，包括預(yù)測(cè)損失和蒸餾損失；

25、s254、使用帶有軟標(biāo)簽的訓(xùn)練集數(shù)據(jù)訓(xùn)練學(xué)生網(wǎng)絡(luò)，并使用反向傳播算法和優(yōu)化器更新學(xué)生網(wǎng)絡(luò)的權(quán)重；

26、s255、在驗(yàn)證集上監(jiān)控學(xué)生網(wǎng)絡(luò)的性能；

27、s256、根據(jù)驗(yàn)證集上的性能反饋，調(diào)整學(xué)生網(wǎng)絡(luò)參數(shù)；

28、s257、在測(cè)試集上評(píng)估學(xué)生網(wǎng)絡(luò)的最終性能。

29、進(jìn)一步的，根據(jù)類別間差異程度動(dòng)態(tài)調(diào)整置信度調(diào)節(jié)因子參數(shù)包括以下步驟：

30、s2511、利用教師網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)推斷，獲取每個(gè)類別的預(yù)測(cè)概率，并計(jì)算不同類別間的概率分布差異，使用kl散度作為度量標(biāo)準(zhǔn)，輸出類別間kl散度矩陣；

31、s2512、為softmax層選擇初始置信度調(diào)節(jié)因子；

32、s2513、根據(jù)類別間kl散度動(dòng)態(tài)調(diào)整每個(gè)類別的置信度調(diào)節(jié)因子；

33、s2514、集成自適應(yīng)置信度調(diào)節(jié)因子至損失函數(shù)。

34、進(jìn)一步的，根據(jù)類別間kl散度動(dòng)態(tài)調(diào)整每個(gè)類別的置信度調(diào)節(jié)因子包括以下步驟：

35、s25131、對(duì)于每一對(duì)類別，若kl散度大于預(yù)設(shè)的閾值，則增加這一對(duì)類別的置信度調(diào)節(jié)因子；

36、s25132、若這一對(duì)類別的kl散度小于等于預(yù)設(shè)的閾值，則降低置信度調(diào)節(jié)因子。

37、進(jìn)一步的，學(xué)生網(wǎng)絡(luò)的損失函數(shù)公式為：

38、?；

39、式中， l pred表示預(yù)測(cè)損失：

40、 l distill表示蒸餾損失：

41、 α表示超參數(shù)。

42、進(jìn)一步的，利用差分進(jìn)化算法優(yōu)化訓(xùn)練后的學(xué)生網(wǎng)絡(luò)，得到學(xué)生網(wǎng)絡(luò)優(yōu)化后模型包括以下步驟：

43、s31、定義差分進(jìn)化算法的參數(shù)，并初始化種群；

44、s32、對(duì)每個(gè)個(gè)體進(jìn)行適應(yīng)度評(píng)估；

45、s33、對(duì)種群中的個(gè)體進(jìn)行變異操作，生成新的候選解，并對(duì)變異后的個(gè)體與原個(gè)體進(jìn)行交叉操作，生成新的個(gè)體；

46、s34、根據(jù)適應(yīng)度值選擇下一代種群，保留適應(yīng)度較高的個(gè)體；

47、s35、重復(fù)變異、交叉和選擇操作，直到達(dá)到預(yù)設(shè)的迭代次數(shù)，并得到學(xué)生網(wǎng)絡(luò)優(yōu)化后模型。

48、進(jìn)一步的，利用學(xué)生網(wǎng)絡(luò)優(yōu)化后模型生成的數(shù)據(jù)訓(xùn)練強(qiáng)化學(xué)習(xí)代理，并通過(guò)強(qiáng)化學(xué)習(xí)代理自動(dòng)調(diào)整呼吸康復(fù)人員的康復(fù)訓(xùn)練參數(shù)包括以下步驟：

49、s41、利用學(xué)生網(wǎng)絡(luò)優(yōu)化后模型生成的特征數(shù)據(jù)作為強(qiáng)化學(xué)習(xí)的狀態(tài)輸入；

50、s42、確定強(qiáng)化學(xué)習(xí)代理采取的調(diào)整康復(fù)訓(xùn)練的動(dòng)作，設(shè)計(jì)基于康復(fù)效果評(píng)分的獎(jiǎng)勵(lì)函數(shù)；

51、s43、選擇強(qiáng)化學(xué)習(xí)算法，并初始化策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)；

52、s44、運(yùn)行強(qiáng)化學(xué)習(xí)代理，并收集狀態(tài)、動(dòng)作、獎(jiǎng)勵(lì)和下一狀態(tài)的數(shù)據(jù)；

53、s45、利用s44中收集的數(shù)據(jù)，并通過(guò)反向傳播算法更新策略網(wǎng)絡(luò)和價(jià)值網(wǎng)絡(luò)的參數(shù)；

54、s46、對(duì)強(qiáng)化學(xué)習(xí)代理迭代訓(xùn)練后，通過(guò)強(qiáng)化學(xué)習(xí)代理監(jiān)測(cè)康復(fù)人員的狀態(tài)，并根據(jù)當(dāng)前狀態(tài)和訓(xùn)練好的策略網(wǎng)絡(luò)生成調(diào)整康復(fù)訓(xùn)練參數(shù)的動(dòng)作。

55、進(jìn)一步的，獎(jiǎng)勵(lì)函數(shù)的計(jì)算公式為：

56、?；

57、式中， w eff表示康復(fù)效果評(píng)分的權(quán)重，δ r eff表示康復(fù)效果評(píng)分的變化量；

58、 w self表示患者自我感覺(jué)評(píng)分的權(quán)重，δ r self表示患者自我感覺(jué)評(píng)分的變化量；

59、 w ox表示血氧飽和度變化的權(quán)重，δ r ox表示血氧飽和度的變化量。

60、根據(jù)本發(fā)明的另一個(gè)方面，還提供了一種基于人工智能的呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理系統(tǒng)，該基于人工智能的呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理系統(tǒng)包括康復(fù)數(shù)據(jù)預(yù)處理模塊、網(wǎng)絡(luò)訓(xùn)練模塊、網(wǎng)絡(luò)優(yōu)化模塊及康復(fù)訓(xùn)練參數(shù)調(diào)整模塊；其中，康復(fù)數(shù)據(jù)預(yù)處理模塊、網(wǎng)絡(luò)訓(xùn)練模塊、網(wǎng)絡(luò)優(yōu)化模塊及康復(fù)訓(xùn)練參數(shù)調(diào)整模塊依次保持連接。

61、康復(fù)數(shù)據(jù)預(yù)處理模塊，用于獲取呼吸康復(fù)人員的訓(xùn)練數(shù)據(jù)，并預(yù)處理訓(xùn)練數(shù)據(jù)，得到多源數(shù)據(jù)集。

62、網(wǎng)絡(luò)訓(xùn)練模塊，用于基于高性能模型構(gòu)建教師網(wǎng)絡(luò)，并通過(guò)多源數(shù)據(jù)集訓(xùn)練教師網(wǎng)絡(luò)，且構(gòu)建學(xué)生網(wǎng)絡(luò)，并基于訓(xùn)練后的教師網(wǎng)絡(luò)訓(xùn)練學(xué)生網(wǎng)絡(luò)。

63、網(wǎng)絡(luò)優(yōu)化模塊，用于利用差分進(jìn)化算法優(yōu)化訓(xùn)練后的學(xué)生網(wǎng)絡(luò)，得到學(xué)生網(wǎng)絡(luò)優(yōu)化后模型。

64、康復(fù)訓(xùn)練參數(shù)調(diào)整模塊，用于利用學(xué)生網(wǎng)絡(luò)優(yōu)化后模型生成的數(shù)據(jù)訓(xùn)練強(qiáng)化學(xué)習(xí)代理，并通過(guò)強(qiáng)化學(xué)習(xí)代理自動(dòng)調(diào)整呼吸康復(fù)人員的康復(fù)訓(xùn)練參數(shù)。

65、本發(fā)明的有益效果為：

66、（1）本發(fā)明提供的一種基于人工智能的呼吸康復(fù)訓(xùn)練數(shù)據(jù)管理方法及系統(tǒng)，通過(guò)整合來(lái)自不同來(lái)源的康復(fù)訓(xùn)練數(shù)據(jù)，提供更全面的信息?；谥R(shí)蒸餾技術(shù)，訓(xùn)練教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)，并將復(fù)雜且高性能的教師網(wǎng)絡(luò)的知識(shí)轉(zhuǎn)移到較小的學(xué)生網(wǎng)絡(luò)中，從而實(shí)現(xiàn)模型壓縮。較小的模型在實(shí)際應(yīng)用中更易于部署，計(jì)算資源和存儲(chǔ)需求也更低。

67、（2）本發(fā)明利用差分進(jìn)化算法調(diào)整學(xué)生網(wǎng)絡(luò)的超參數(shù)，減少人工調(diào)參的工作量和時(shí)間成本。優(yōu)化學(xué)生網(wǎng)絡(luò)的權(quán)重，提高學(xué)生網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確性和泛化能力。

68、（3）本發(fā)明利用學(xué)生網(wǎng)絡(luò)優(yōu)化后模型生成的數(shù)據(jù)訓(xùn)練強(qiáng)化學(xué)習(xí)代理，可以實(shí)現(xiàn)數(shù)據(jù)驅(qū)動(dòng)的決策，提供個(gè)性化的康復(fù)訓(xùn)練方案。強(qiáng)化學(xué)習(xí)代理可以根據(jù)康復(fù)人員的實(shí)時(shí)狀態(tài)動(dòng)態(tài)調(diào)整訓(xùn)練參數(shù)，提高康復(fù)效果。通過(guò)強(qiáng)化學(xué)習(xí)代理自動(dòng)調(diào)整康復(fù)訓(xùn)練參數(shù)，可以減少人工干預(yù)，提高康復(fù)訓(xùn)練的效率和效果。