疾病预警方法、装置、设备及存储介质与流程

1.本发明涉及智能决策技术领域，尤其涉及一种疾病预警方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着科技的进步，人们生活质量越来越高，然而不规律生活，却使得人们患有心血管疾病的概率大大增加，因此，对心血管类疾病的监控与预警尤为重要。
3.目前，在体检时，主要是通过采血化验，得到血液中的特殊因子的含量，从而判断被检查者患有心血管疾病以及心血管疾病的类别以及概率。其中，采血的方式不仅存在创伤，还会对被检查者带来心里压力，此外，心血管疾病诱因多种多样，只有一张血液化验单，缺乏影像及形态学量化指标的支撑，使得疾病监控与预警的准确性不高。


技术实现要素：

4.本发明提供一种疾病预警方法、装置及计算机可读存储介质，其主要目的在于提高疾病预警的准确率。
5.获取被检查者的眼底图像，并根据预设的清洗策略对所述眼底图像进行图像清洗，得到干净图像；
6.根据预构建的掩膜集合对所述干净图像进行矩阵计算，得到图像矩阵集合；
7.获取所述被检查者的体检数据，并对所述体检数据进行向量化，得到第一特征向量集合；
8.将所述第一特征向量集合及所述图像矩阵集合导入预先训练完成的疾病特征识别模型中，利用所述疾病特征识别模型中的特征识别网络对所述图像矩阵集合进行特征提取，得到第二特征向量集合；
9.利用所述疾病特征识别模型中的决策树森林对所述第一特征向量集合及所述第二特征向量集合进行分类判断，得到所述被检查者属于各种预设心血管疾病的概率分数；
10.根据所述各种预设心血管疾病的概率分数，利用预设的输出策略，输出的预警结果。
11.可选的，所述对所述体检数据进行向量化，得到第一特征向量集合，包括：
12.利用主成分提取方法对所述体检数据进行主成分提取，得到体检结果序列；
13.利用one-hot编码器对所述体检结果序列进行向量化编码，得到第一特征向量集合。
14.可选的，所述根据预构建的掩膜集合对所述干净图像进行矩阵计算，得到图像矩阵集合，包括：
15.对所述干净图像进行向量化，得到量化矩阵；
16.利用预构建的掩膜集合中的各个掩膜对应的掩膜矩阵，分别对所述量化矩阵进行矩阵运算，得到包含各个区域对应图像的图像矩阵集合。
17.可选的，所述利用所述疾病特征识别模型中的特征识别网络对所述图像矩阵集合进行特征提取，得到第二特征向量集合，包括：
18.从所述图像矩阵集合中提取图像矩阵，并利用预构建的卷积核集合对所述图像矩阵进行卷积计算，得到所述图像矩阵对应的卷积矩阵集合；
19.对所述卷积矩阵集合进行最大池化操作，得到池化矩阵集合；
20.根据预设的拆拼规则，将所述池化矩阵集合中各个池化矩阵进行拆分及拼接操作，得到所述图像矩阵的各个池化矩阵对应的特征序列；
21.获取所述图像矩阵集合中各个所述图像矩阵对应的特征序列，得到第二特征向量集合。
22.可选的，所述根据预设的清洗策略对所述眼底图像进行图像清洗，得到干净图像，包括：
23.利用高斯模糊算法对所述眼底图像进行降噪处理，得到降噪图片；
24.利用灰度化算法对所述降噪图片进行灰度化，得到灰度化图片；
25.利用预设的sobel算子对所述灰度化图片进行边缘凸显，得到干净图像。
26.可选的，所述将所述第一特征向量集合及所述图像矩阵集合导入预先训练完成的疾病特征识别模型中之前，所述方法还包括：
27.根据交叉验证法，利用所述患者样本数据集对所述疾病特征识别模型进行训练，得到k组损失值；
28.将所述k组损失值进行加和平均操作，得到交叉验证误差；
29.根据所述交叉验证误差，利用所述疾病特征识别模型中预设的激活函数，对所述疾病特征识别模型进行参数更新，得到训练完成的疾病特征识别模型。
30.可选的，所述利用所述疾病特征识别模型中预设的激活函数，对所述疾病特征识别模型进行参数更新，得到训练完成的疾病特征识别模型之后，所述方法还包括：
31.获取所述训练完成的疾病特征识别模型的模型梯度，并根据预设的公钥对所述模型提取进行加密，得到加密数据；
32.将所述加密数据传输至云端，利用所述加密数据更新所述疾病特征识别模型。
33.为了解决上述问题，本发明还提供一种疾病预警装置，所述装置包括：
34.图像获取模块，用于获取被检查者的眼底图像，并根据预设的清洗策略对所述眼底图像进行图像清洗，得到干净图像；
35.图像处理模块，用于根据预构建的掩膜集合对所述干净图像进行矩阵计算，得到图像矩阵集合；
36.体检数据获取模块，用于获取所述被检查者的体检数据，并对所述体检数据进行向量化，得到第一特征向量集合；
37.疾病特征评分模块，用于将所述第一特征向量集合及所述图像矩阵集合导入预先训练完成的疾病特征识别模型中，利用所述疾病特征识别模型中的特征识别网络对所述图像矩阵集合进行特征提取，得到第二特征向量集合，及利用所述疾病特征识别模型中的决策树森林对所述第一特征向量集合及所述第二特征向量集合进行分类判断，得到所述被检查者属于各种预设心血管疾病的概率分数；
38.结果输出模块，用于根据所述各种预设心血管疾病的概率分数，利用预设的输出
策略，输出的预警结果。
39.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
40.至少一个处理器；以及，
41.与所述至少一个处理器通信连接的存储器；其中，
42.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的疾病预警方法。
43.为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的疾病预警方法。
44.本发明实施例将被检查者的体检数据进行向量化，作为第一特征向量集合，此外，利用特征识别网络，将被检查者的眼底图像进行预设掩膜区域的图像识别，得到第二特征向量集合，最后，通过决策树森林对所述第一特征向量集合及所述第二特征向量集合进行分类判断，得到预设心血管疾病的概率分数。其中，本发明采用文本数据与图像数据相混合的方式对疾病进行识别，丰富了数据输入类型，增加了疾病监控的准确率，此外，本方案所用的数据均不需要对被检查者的身体造成创伤，能够减缓被检查者的心理负担。因此本发明提出的疾病预警方法、装置、电子设备及计算机可读存储介质，可以解决疾病监控与预警的准确性不高的问题。
附图说明
45.图1为本发明一实施例提供的疾病预警方法的流程示意图；
46.图2为本发明一实施例提供的疾病预警方法中一个步骤的详细流程示意图；
47.图3为本发明一实施例提供的疾病预警方法中一个步骤的详细流程示意图；
48.图4为本发明一实施例提供的疾病预警装置的功能模块图；
49.图5为本发明一实施例提供的实现所述疾病预警方法的电子设备的结构示意图。
50.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
51.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
52.本技术实施例提供一种疾病预警方法。其中，所述的疾病预警方法适用于特殊活动日，商家提供的固定数量，如前几百件具有折扣的产品等的销售限购方式。本技术实施例中，所述疾病预警方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述疾病预警方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
53.参照图1所示，为本发明一实施例提供的疾病预警方法的流程示意图。在本实施例
中，所述疾病预警方法包括：
54.s1、获取被检查者的眼底图像，并根据预设的清洗策略对所述眼底图像进行图像清洗，得到干净图像。
55.本发明实施例通过眼底照相等拍摄方式获取眼底图像，但受制于拍摄技术的限制，得到的眼底图像中往往存在大量的噪声，因此，本发明实施例对所述眼底图像进行清洗。其中，所述清洗策略包括但不限于：高斯模糊处理、灰度化处理及sobel算子处理等。
56.详细的，本发明实施例中，所述根据预设的清洗策略对所述眼底图像进行图像清洗，得到干净图像，包括：
57.利用高斯模糊算法对所述眼底图像进行降噪处理，得到降噪图片；
58.利用灰度化算法对所述降噪图片进行灰度化，得到灰度化图片；
59.利用预设的sobel算子对所述灰度化图片进行边缘凸显，得到干净图像。
60.所述高斯模糊算法是将正太分布引入图像处理的算法，本发明实施例根据一维高斯分布公式将一个目标像素点与所述目标像素点周围的像素点进行权重计算，得到所述目标像素点中数值的方法，其中，所述高斯公式如下：
[0061][0062]
其中，所述f(x)为目标像素点x对应的权重值，所述x-μ为目标像素点x与周围像素点μ的距离，其中，σ默认为1.5。
[0063]
本发明实施例通过所述高斯公式，得到所述眼底图像中各个像素点与周围像素点间的权重值关系，并根据所述权重值关系将所述眼底图像中各个像素点的像素值大小进行权重计算，得到降噪图像。
[0064]
进一步地，本发明实施例通过灰度算法将彩色的降噪图片变化为灰度图像，其中，所述灰度算法如下：
[0065]
gray＝(red green blue)/3
[0066]
其中，所述gray为目标像素点的灰度值，所述red为所述目标像素点的红色通道值，所述green为所述目标像素点的绿色通道值，所述blue为所述目标像素点的蓝色通道值。
[0067]
进一步地，本发明实施例利用sobel算子对所述灰度图像中线条进行凸显，得到干净图像。其中，所述sobel算子为一个预构建的矩阵，能够将图像中各个内容物品的边缘进行增强。
[0068]
s2、根据预构建的掩膜集合对所述干净图像进行矩阵计算，得到图像矩阵集合。
[0069]
所述掩膜(mask)是一种用于提取图像中特殊区域的方法，其中，所述掩膜为一个矩阵，并且所述矩阵中各个目标位置的值为“1”，而被忽略的位置的值为“0”，因此，通过所述掩膜与所述干净图像进行矩阵运算，能够得到所述掩膜对应的目标区域中的图像。其中，所述掩膜集合中各个掩膜都是根据医学理论选择的区域制定的，如视盘区域、动静脉区域等。
[0070]
详细的，本发明实施例中，所述根据预构建的掩膜集合对所述干净图像进行矩阵计算，得到图像矩阵集合，包括：
[0071]
对所述干净图像进行向量化，得到量化矩阵；
[0072]
利用预构建的掩膜集合中的各个掩膜对应的掩膜矩阵，分别对所述量化矩阵进行矩阵运算，得到包含各个目标区域的图像矩阵集合。
[0073]
本发明实施例中根据所述干净图像中各个像素值进行等比例换算，得到各个像素值对应的特征值，通过各个所述特征值组合得到量化矩阵。
[0074]
进一步地，本发明实施例将所述掩膜集合中各个掩膜单独对所述量化矩阵进行矩阵运算，从而得到眼底图像中各个目标区域的图像矩阵集合。
[0075]
s3、获取所述被检查者的体检数据，并对所述体检数据进行向量化，得到第一特征向量集合。
[0076]
本发明实施例中，所述体检数据包含无伤体检的数据(如身高、体重、血压等)，以及统计数据(如性别、年龄等)，其中，所述体检数据可以根据历史病例及实时检测获取，并主要是通过文本数据方式记录的。
[0077]
详细的，参考图2所示，本发明实施例中，所述对所述体检数据进行向量化，得到第一特征向量集合，包括：
[0078]
s31、利用主成分提取方法对所述体检数据进行主成分提取，得到体检结果序列；
[0079]
s32、利用one-hot编码器对所述体检结果序列进行向量化编码，得到第一特征向量集合。
[0080]
应当知道，所述体检数据的内容繁多，在进行模型处理之前，需要对疾病相关数据进行筛查，本发明实施例通过主成分提取方法(pca)对所述体检数据进行选择，得到体检结果序列。其中，所述pca是通过数据统计的方式，查看疾病结果与各类数据的相关性，并将相关性最高的各类数据作为所述体检数据主成分的方法。
[0081]
所述one-hot编码器是将各个类别的变量转换为机器学习算法中易于使用的向量化形式的工具，而所述one-hot编码器的具体使用方法此处不加以赘述。
[0082]
s4、将所述第一特征向量集合及所述图像矩阵集合导入预先训练完成的疾病特征识别模型中，利用所述疾病特征识别模型中的特征识别网络对所述图像矩阵集合进行特征提取，得到第二特征向量集合。
[0083]
本发明实施例中可以从云端获取预构建的疾病特征识别模型，并利用预构建的患者样本数据集对所述疾病特征识别模型进行训练，得到训练完成的疾病特征识别模型。
[0084]
本发明实施例中，所述疾病特征识别模型由特征识别网络层、决策树森林层及softmax层组成，通常存放于预构建的云端之中，可以通过联邦学习的方法，下载使用及更新。
[0085]
本发明实施例获取所述疾病特征识别模型后，可以利用预构建的患者样本数据集对所述疾病特征识别模型进行本地微调训练。其中，本发明实施例中的所述患者样本数据集共有w份，w可以为1000。
[0086]
详细的，本发明实施例中，所述将所述第一特征向量集合及所述图像矩阵集合导入预先训练完成的疾病特征识别模型中之前，所述方法还包括：
[0087]
根据交叉验证法，利用所述患者样本数据集对所述疾病特征识别模型进行训练，得到k组损失值；
[0088]
将所述k组损失值进行加和平均操作，得到交叉验证误差；
[0089]
根据所述交叉验证误差，利用所述疾病特征识别模型中预设的激活函数，对所述
疾病特征识别模型进行参数更新，得到训练完成的疾病特征识别模型。
[0090]
本发明实施例利用k折交叉验证的方式，将所述患者样本数据集打乱顺序地分组k次，其中，每组均定义3w/4份的训练集及w/4份的测试集。
[0091]
以其中一组为例，本发明实施例将所述训练集对所述疾病特征识别模型进行微调后，利用所述测试集对微调后的疾病特征识别模型进行检测，得到预测值。通过分析所述预测值的准确程度，得到所述疾病特征识别模型的损失值，重复k组，得到k组损失值，再将所述k组损失值进行加和平均操作，得到交叉验证误差，最后根据疾病特征识别模型中softmax层中的激活函数将所述疾病特征识别模型的模型阐述进行适应性更新，最终得到训练完成的疾病特征识别模型。
[0092]
此外，本发明另一实施例中，所述利用所述疾病特征识别模型中预设的激活函数，对所述疾病特征识别模型进行参数更新，得到训练完成的疾病特征识别模型之后，所述方法还可以包括：
[0093]
获取所述训练完成的疾病特征识别模型的模型梯度，并根据预设的公钥对所述模型提取进行加密，得到加密数据；
[0094]
将所述加密数据传输至云端，利用所述加密数据更新所述疾病特征识别模型。
[0095]
本发明另一实施例可以通过上传所述疾病特征识别模型的模型梯度，从而对云端的疾病特征识别模型进行更新，使得所述疾病特征识别模型更加准确，其中，所述公钥是所述云端中预配置的，所述云端中含有所述公钥对应的密钥，可以对所述公钥加密的数据进行解密，从而保证数据安全性。
[0096]
进一步地，本发明实施例将所述第一特征向量集合及所述图像矩阵集合同时导入所述疾病特征识别模型中，并将所述第一特征向量集合上标记一个标签“0”，在所述图像矩阵集合上标记一个标签“1”。
[0097]
本发明实施例中，所述疾病特征识别模型的特征识别网络会先识别所述标签，当遇到所述标签为“1”的特征向量时，利用所述特征识别网络对所述标签为“1”的特征向量进行特征提取，得到第二特征向量集合；当遇到所述标签为“0”的特征向量时，则不处理“0”标签下的特征向量，并将所述“0”标签下的特征向量转移到所述特征识别网络的输出位置，等待同所述第二特征向量集合一起输出。
[0098]
详细的，参考图2所示，本发明实施例中，所述利用所述疾病特征识别模型中的特征识别网络对所述图像矩阵集合进行特征提取，得到第二特征向量集合，包括：
[0099]
s41、从所述图像矩阵集合中提取图像矩阵，并利用预构建的卷积核集合对所述图像矩阵进行卷积计算，得到所述图像矩阵对应的卷积矩阵集合；
[0100]
s42、对所述卷积矩阵集合进行最大池化操作，得到池化矩阵集合；
[0101]
s43、根据预设的拆拼规则，将所述池化矩阵集合中各个池化矩阵进行拆分及拼接操作，得到所述图像矩阵的各个池化矩阵对应的特征序列；
[0102]
s44、获取所述图像矩阵集合中各个所述图像矩阵对应的特征序列，得到第二特征向量集合。
[0103]
所述卷积核为预设大小的矩阵，如3*3或5*5，每个卷积核用于提取所述图像矩阵中的一种特征，本发明实施例利用n个卷积核对所述图像矩阵进行卷积计算，得到包含n个卷积矩阵的卷积矩阵集合。
[0104]
然后，本发明实施例通过最大池化操作将所述n个卷积矩阵进行一次降维，得到包含n个池化矩阵的池化矩阵集合。其中，所述最大池化操作是指将卷积矩阵分割为一个个的预设范围，如2*2；再从各个预设范围的矩阵内提取最大特征值，利用所述最大特征值替换所述2*2的预设范围的方法，可以使得保留卷积矩阵特征的情况下进行数据降维，有利于减少计算量，增加处理效率。
[0105]
最后，本发明实施例通过预设的拆拼规则，将一个池化矩阵的每一行进行分割，然后将分割结果进行首尾连接，得到所述池化矩阵对应的特征序列，最终进行统一输出得到包含各个所述图像矩阵对应的特征序列的第二特征向量集合。
[0106]
s5、利用所述疾病特征识别模型中的决策树森林对所述第一特征向量集合及所述第二特征向量集合进行分类判断，得到所述被检查者属于各种预设心血管疾病的概率分数。
[0107]
本发明实施例将所述第一特征向量集合及所述第二特征向量集合导入预构建的决策树森林中，可以根据所述第一特征向量集合中内容，利用决策树进行性别判断、年龄区间判断、bmi(身体健康指数，与身高、体重相关)区间判断，得到图像数据合理区间，再利用决策树查看所述第二特征向量集合是否在所述图像数据合理区间内，根据各个类型决策树的权重地位，计算出各个方面(如出血、动静脉比、血管迂曲等)的偏移量，并根据所述各个方面偏移量计算属于各个预配置的心血管疾病的概率分数。
[0108]
s6、根据所述各种预设心血管疾病的概率分数，利用预设的输出策略，输出的预警结果。
[0109]
本发明实施例对概率分数进行排序，并配置分数阈值；再获取概率分数最大的前预设数量，如3个的疾病类型，查看所述3个的疾病类型是否大于80％的分数阈值，将概率分数大于80％的疾病类型进行输出，作为疾病的预警结果。
[0110]
本发明实施例将被检查者的体检数据进行向量化，作为第一特征向量集合，此外，利用特征识别网络，将被检查者的眼底图像进行预设掩膜区域的图像识别，得到第二特征向量集合，最后，通过决策树森林对所述第一特征向量集合及所述第二特征向量集合进行分类判断，得到预设心血管疾病的概率分数。其中，本发明采用文本数据与图像数据相混合的方式对疾病进行识别，丰富了数据输入类型，增加了疾病识别准确率，此外，本方案所用的数据均不需要对被检查者的身体造成创伤，能够减缓被检查者的心理负担。因此本发明提出的疾病预警方法，可以解决疾病预警时，识别准确率不高的问题。
[0111]
如图4所示，是本发明一实施例提供的疾病预警装置的功能模块图。
[0112]
本发明所述疾病预警装置100可以安装于电子设备中。根据实现的功能，所述疾病预警装置100可以包括图像获取模块101、图像处理模块102、体检数据获取模块103、疾病特征评分模块104及结果输出模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
[0113]
在本实施例中，关于各模块/单元的功能如下：
[0114]
所述图像获取模块101，用于获取被检查者的眼底图像，并根据预设的清洗策略对所述眼底图像进行图像清洗，得到干净图像；
[0115]
所述图像处理模块102，用于根据预构建的掩膜集合对所述干净图像进行矩阵计
算，得到图像矩阵集合；
[0116]
所述体检数据获取模块103，用于获取所述被检查者的体检数据，并对所述体检数据进行向量化，得到第一特征向量集合；
[0117]
所述疾病特征评分模块104，用于将所述第一特征向量集合及所述图像矩阵集合导入预先训练完成的疾病特征识别模型中，利用所述疾病特征识别模型中的特征识别网络对所述图像矩阵集合进行特征提取，得到第二特征向量集合，及利用所述疾病特征识别模型中的决策树森林对所述第一特征向量集合及所述第二特征向量集合进行分类判断，得到所述被检查者属于各种预设心血管疾病的概率分数；
[0118]
所述结果输出模块105，用于根据所述各种预设心血管疾病的概率分数，利用预设的输出策略，输出的预警结果。
[0119]
详细地，本技术实施例中所述疾病预警装置100中所述的各模块在使用时采用与上述图1至图3中所述的疾病预警方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
[0120]
如图5所示，是本发明一实施例提供的实现疾病预警方法的电子设备的结构示意图。
[0121]
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如疾病预警程序。
[0122]
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行疾病预警程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
[0123]
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如疾病预警程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
[0124]
所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
[0125]
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户
接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
[0126]
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
[0127]
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
[0128]
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
[0129]
所述电子设备1中的所述存储器11存储的疾病预警程序是多个指令的组合，在所述处理器10中运行时，可以实现：
[0130]
获取被检查者的眼底图像，并根据预设的清洗策略对所述眼底图像进行图像清洗，得到干净图像；
[0131]
根据预构建的掩膜集合对所述干净图像进行矩阵计算，得到图像矩阵集合；
[0132]
获取所述被检查者的体检数据，并对所述体检数据进行向量化，得到第一特征向量集合；
[0133]
将所述第一特征向量集合及所述图像矩阵集合导入预先训练完成的疾病特征识别模型中，利用所述疾病特征识别模型中的特征识别网络对所述图像矩阵集合进行特征提取，得到第二特征向量集合；
[0134]
利用所述疾病特征识别模型中的决策树森林对所述第一特征向量集合及所述第二特征向量集合进行分类判断，得到所述被检查者属于各种预设心血管疾病的概率分数；
[0135]
根据所述各种预设心血管疾病的概率分数，利用预设的输出策略，输出的预警结果。
[0136]
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
[0137]
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
[0138]
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，
所述计算机程序在被电子设备的处理器所执行时，可以实现：
[0139]
获取被检查者的眼底图像，并根据预设的清洗策略对所述眼底图像进行图像清洗，得到干净图像；
[0140]
根据预构建的掩膜集合对所述干净图像进行矩阵计算，得到图像矩阵集合；
[0141]
获取所述被检查者的体检数据，并对所述体检数据进行向量化，得到第一特征向量集合；
[0142]
将所述第一特征向量集合及所述图像矩阵集合导入预先训练完成的疾病特征识别模型中，利用所述疾病特征识别模型中的特征识别网络对所述图像矩阵集合进行特征提取，得到第二特征向量集合；
[0143]
利用所述疾病特征识别模型中的决策树森林对所述第一特征向量集合及所述第二特征向量集合进行分类判断，得到所述被检查者属于各种预设心血管疾病的概率分数；
[0144]
根据所述各种预设心血管疾病的概率分数，利用预设的输出策略，输出的预警结果。
[0145]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0146]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0147]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
[0148]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
[0149]
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
[0150]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0151]
本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
[0152]
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中
陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
[0153]
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。