一种AI数智健康平台的知识图谱驱动推理方法及系统与流程

摘要: 本发明涉及知识图谱,特别涉及一种ai数智健康平台的知识图谱驱动推理方法及系统。背景技术:1、随着人工智能与大数据技术在医疗健康领域的深入发展,ai数智健康平台已...
一种AI数智健康平台的知识图谱驱动推理方法及系统与流程

本发明涉及知识图谱,特别涉及一种ai数智健康平台的知识图谱驱动推理方法及系统。

背景技术:

1、随着人工智能与大数据技术在医疗健康领域的深入发展,ai数智健康平台已成为个人健康管理和慢病防控的重要工具。此类平台通常汇聚来自电子病历、可穿戴设备、基因检测、医学影像等多源异构健康数据,并依托知识图谱技术构建医学实体间的语义关联网络,试图通过数据驱动的分析与知识驱动的推理为用户提供个性化的健康状态评估与风险预警服务,形成多模态数据采集与结构化语义推理协同的健康管理闭环;

2、然而,在ai数智健康平台的健康状态推理场景中,现有技术在进行健康状态评估时,普遍将知识图谱的结构化语义推理与用户多模态健康数据的特征学习作为两个独立环节处理,缺乏以医学实体语义为引导的跨模态深度融合机制,且未对用户日常行为模式的时间间隔变异性、中断频次及持续时长偏移等行为节律特征进行结构化量化建模并将其纳入因果推理链条。这种数据驱动的特征表示与知识驱动的语义推理之间存在的语义鸿沟,以及行为节律信息在推理过程中的缺失,直接导致融合后的健康表征无法准确反映用户在特定行为节律扰动下的真实生理状态,使得基于该表征构建的因果推理链与实际健康风险之间存在显著偏差,进而造成健康预警结果既缺乏精准的指标归因支撑,又无法提供可追溯的因果解释路径,难以满足个性化健康管理对推理准确性与可解释性的双重需求的问题,为此,需要一种ai数智健康平台的知识图谱驱动推理方法以解决上述问题。

技术实现思路

1、本发明的主要目的为提供一种ai数智健康平台的知识图谱驱动推理方法及系统,旨在解决上述背景技术中提出的技术问题。

2、本发明提出获取ai数智健康平台中的用户健康知识图谱数据,其中,用户健康知识图谱数据包括多源异构健康数据和用户健康知识图谱;

3、根据所述用户健康知识图谱获取患者个体化知识图谱实例和多个行为模式化实例,并对所述患者个体化知识图谱实例的邻接结构执行图卷积聚合获取实体嵌入矩阵;

4、对所述多源异构健康数据进行编码映射,得到多模态特征编码集,并基于所述实体嵌入矩阵对所述多模态特征编码集执行注意力加权融合获取融合健康表征向量;

5、根据所述融合健康表征向量获取状态谓词编码数据,并根据所述状态谓词编码数据和所述患者个体化知识图谱实例获取状态谓词节点和状态触发关系边;

6、根据所述状态谓词节点和状态触发关系边获取动态推理图谱数据,并根据所述动态推理图谱数据和所述状态谓词编码数据获取谓词层-图谱层交替因果链数据;

7、根据多个所述行为模式化实例获取多个行为模式链段和多个行为中断节点,并根据多个所述行为模式链段和多个所述行为中断节点获取行为节律紊乱系数,根据所述融合健康表征向量和所述行为节律紊乱系数获取健康结构化数据,根据所述谓词层-图谱层交替因果链数据和健康结构化数据获取结构化推理数据,根据所述结构化推理数据对用户健康状态进行推理与预警。

8、作为优选,所述根据所述用户健康知识图谱获取患者个体化知识图谱实例和多个行为模式化实例,并对所述患者个体化知识图谱实例的邻接结构执行图卷积聚合获取实体嵌入矩阵的步骤,包括:

9、根据所述用户健康知识图谱获取诊断锚点节点和用药锚点节点,并根据所述诊断锚点节点和所述用药锚点节点获取三跳子图数据,根据所述三跳子图数据获取所述患者个体化知识图谱实例;

10、根据所述用户健康知识图谱获取多个日常行为事件数据,将每个所述日常行为事件数据的时间戳转化为相对位置编码向量,并根据所述相对位置编码向量计算相邻行为事件之间的连续性和事件类型的相似性,基于连续性和事件类型的相似性将多个所述日常行为事件数据聚类为多个行为模式链段;

11、获取每个所述行为模式链段的持续时长,并将偏离预设标准持续时长区间的行为模式链段结束时间点标记为行为中断节点,根据所述行为模式链段和所述行为中断节点获取行为模式化实例;

12、获取所述患者个体化知识图谱实例中各关系边的关系类型标识和各节点的特征表示数据,并根据预定义的关系类型-重要度映射表获取与所述关系类型标识对应的关系类型先验重要度,根据相邻节点对之间的特征表示数据计算节点语义相似度;

13、根据关系类型先验重要度和节点语义相似度获取聚合注意力系数,并按照所述聚合注意力系数对所述患者个体化知识图谱实例的邻接结构逐层执行邻居特征加权聚合,得到邻居聚合特征数据,并根据所述邻居聚合特征数据获取实体嵌入矩阵。

14、作为优选,所述对所述多源异构健康数据进行编码映射,得到多模态特征编码集,并基于所述实体嵌入矩阵对所述多模态特征编码集执行注意力加权融合获取融合健康表征向量的步骤,包括:

15、对所述多源异构健康数据按照预设数据类型进行划分,得到文本型健康数据、时序型健康数据和影像型健康数据;

16、对所述文本型健康数据执行语义编码映射得到文本特征编码,对所述时序型健康数据执行序列编码映射得到时序特征编码,对所述影像型健康数据执行卷积编码映射得到影像特征编码,根据所述文本特征编码、所述时序特征编码和所述影像特征编码获取所述多模态特征编码集;

17、将所述实体嵌入矩阵作为查询向量,将所述多模态特征编码集中的各模态特征编码分别作为键向量和值向量,计算所述查询向量与各所述键向量之间的跨模态关联度;

18、根据多个所述跨模态关联度获取各模态特征编码对应的注意力权重,并按照所述注意力权重对各所述值向量执行加权求和,得到模态融合特征数据;

19、根据所述模态融合特征数据和所述实体嵌入矩阵执行残差连接与层归一化处理,得到融合健康表征向量。

20、作为优选,所述根据所述融合健康表征向量获取状态谓词编码数据,并根据所述状态谓词编码数据和所述患者个体化知识图谱实例获取状态谓词节点和状态触发关系边的步骤,包括:

21、对所述融合健康表征向量执行线性投影映射,得到状态谓词候选编码集,其中,所述状态谓词候选编码集中的每个状态谓词候选编码对应一个预定义的健康状态谓词类型;

22、根据所述患者个体化知识图谱实例获取医学实体锚定节点集合,并计算所述状态谓词候选编码集中各状态谓词候选编码与所述医学实体锚定节点集合中各医学实体锚定节点的语义匹配度;

23、将所述语义匹配度超过预设匹配阈值的状态谓词候选编码确定为状态谓词编码数据,并将与所述状态谓词编码数据语义匹配度最高的医学实体锚定节点确定为状态谓词节点;

24、根据所述状态谓词节点在所述患者个体化知识图谱实例中的邻接关系边,筛选出与所述状态谓词编码数据所对应的健康状态谓词类型相适配的关系边作为候选触发关系边;

25、根据所述状态谓词编码数据对所述候选触发关系边执行因果方向校验,将通过所述因果方向校验的候选触发关系边确定为状态触发关系边。

26、作为优选,所述根据所述状态谓词节点和状态触发关系边获取动态推理图谱数据,并根据所述动态推理图谱数据和所述状态谓词编码数据获取谓词层-图谱层交替因果链数据的步骤,包括:

27、以所述状态谓词节点为起始节点,沿所述状态触发关系边在所述患者个体化知识图谱实例中执行有向遍历,获取可达节点集合和可达关系边集合;

28、根据所述起始节点、所述可达节点集合和所述可达关系边集合构建初始推理子图,并将所述状态谓词编码数据作为条件约束注入所述初始推理子图的各节点属性中,得到动态推理图谱数据;

29、对所述动态推理图谱数据中的各节点执行拓扑排序,得到节点推理序列,并根据所述节点推理序列中相邻节点之间的所述可达关系边提取图谱层因果边集合;

30、将所述状态谓词编码数据所对应的健康状态谓词类型作为逻辑前件,根据所述图谱层因果边集合推导各相邻节点之间的谓词层逻辑蕴含关系,得到谓词层因果边集合;

31、按照所述节点推理序列的时序顺序,将所述图谱层因果边集合和所述谓词层因果边集合逐层交替拼接,获取谓词层-图谱层交替因果链数据。

32、作为优选,所述根据多个所述行为模式化实例获取多个行为模式链段和多个行为中断节点,并根据多个所述行为模式链段和多个所述行为中断节点获取行为节律紊乱系数的步骤,包括:

33、从每个所述行为模式化实例中提取对应的行为模式链段和行为中断节点,得到多个行为模式链段和多个行为中断节点;

34、对多个所述行为模式链段按时间顺序排列,计算相邻两个行为模式链段之间的时间间隔序列,并根据所述时间间隔序列计算时间间隔变异系数;

35、获取多个所述行为中断节点在预设时间窗口内的分布密度,并根据所述分布密度计算中断频次偏离度;

36、获取每个所述行为模式链段的实际持续时长与对应预设标准持续时长区间的中位值之间的偏差绝对值,并对多个所述偏差绝对值求均值,得到持续时长偏移量;

37、根据所述时间间隔变异系数、所述中断频次偏离度和所述持续时长偏移量执行加权融合计算,获取行为节律紊乱系数。

38、作为优选,所述根据所述融合健康表征向量和所述行为节律紊乱系数获取健康结构化数据,根据所述谓词层-图谱层交替因果链数据和健康结构化数据获取结构化推理数据,根据所述结构化推理数据对用户健康状态进行推理与预警的步骤,包括:

39、对所述融合健康表征向量执行维度投影映射,得到多维健康指标分量集,并根据所述行为节律紊乱系数对所述多维健康指标分量集中的各分量执行节律调制加权,得到多个调制分量,将多个所述调制分量作为健康结构化数据;

40、将所述谓词层-图谱层交替因果链数据中的图谱层因果边与健康结构化数据中对应的多个所述调制分量执行因果归因匹配,获取各因果边对应的指标贡献度;

41、将所述谓词层-图谱层交替因果链数据中的谓词层因果边与所述指标贡献度执行逻辑一致性校验,剔除逻辑矛盾的因果边,得到剩余的因果边,并根据剩余的因果边和所述指标贡献度获取结构化推理数据;

42、根据所述结构化推理数据获取各健康维度对应的风险概率值,根据各所述风险概率值进行加权综合得到综合风险值,并根据所述综合风险值确定用户健康状态的综合风险等级;

43、根据所述综合风险等级和所述结构化推理数据中的关键因果路径生成综合结构化推理数据,并根据所述综合结构化推理数据对用户健康状态执行分级预警输出。

44、本技术还提供一种ai数智健康平台的知识图谱驱动推理系统,包括:

45、数据获取模块,用于获取ai数智健康平台中的用户健康知识图谱数据,其中,用户健康知识图谱数据包括多源异构健康数据和用户健康知识图谱;

46、图谱构建模块,用于根据所述用户健康知识图谱获取患者个体化知识图谱实例和多个行为模式化实例,并对所述患者个体化知识图谱实例的邻接结构执行图卷积聚合获取实体嵌入矩阵;

47、特征融合模块,用于对所述多源异构健康数据进行编码映射,得到多模态特征编码集,并基于所述实体嵌入矩阵对所述多模态特征编码集执行注意力加权融合获取融合健康表征向量;

48、谓词获取模块,用于根据所述融合健康表征向量获取状态谓词编码数据,并根据所述状态谓词编码数据和所述患者个体化知识图谱实例获取状态谓词节点和状态触发关系边;

49、因果链构建模块,用于根据所述状态谓词节点和状态触发关系边获取动态推理图谱数据,并根据所述动态推理图谱数据和所述状态谓词编码数据获取谓词层-图谱层交替因果链数据;

50、推理预警模块,用于根据多个所述行为模式化实例获取多个行为模式链段和多个行为中断节点,并根据多个所述行为模式链段和多个所述行为中断节点获取行为节律紊乱系数,根据所述融合健康表征向量和所述行为节律紊乱系数获取健康结构化数据,根据所述谓词层-图谱层交替因果链数据和健康结构化数据获取结构化推理数据,根据所述结构化推理数据对用户健康状态进行推理与预警。

51、本技术还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。

52、本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。

53、本技术的有益效果为:本发明通过以诊断锚点节点和用药锚点节点为核心构建三跳子图,实现了从全局知识图谱到患者个体化知识图谱实例的精准抽取,有效聚焦于与当前用户最相关的医学知识子图;通过融合关系类型先验重要度与节点语义相似度计算聚合注意力系数,实现了差异化的图卷积聚合,克服了传统方法中关系边权重均等化导致的实体嵌入质量不足问题;通过以实体嵌入矩阵为查询向量的跨模态注意力机制,实现了以医学实体语义为引导的多模态特征自适应融合,弥合了数据驱动特征与知识驱动推理之间的语义鸿沟;通过状态谓词编码映射与因果方向校验的双重约束机制,确保了从数据特征到语义推理的转换具有逻辑正确性;通过构建谓词层-图谱层交替因果链数据,实现了结构层面与逻辑层面的双重因果推理,显著增强了推理深度和可解释性;通过对行为模式链段的时间间隔变异性、中断节点分布密度及持续时长偏移量进行多维度联合量化建模获取行为节律紊乱系数,并通过节律调制加权将其纳入健康结构化数据的生成过程,有效弥补了行为节律信息在推理链条中的缺失;最终通过因果归因匹配与逻辑一致性校验生成结构化推理数据,为用户提供了兼具风险等级判定和完整因果路径解释的分级预警输出,显著提高了健康预警的准确性、及时性和可解释性。