本技术涉及数据处理，具体而言，涉及基于疾病诊断数据的智慧医疗监测预警方法及系统。
背景技术：
1、大数据可视化在智慧医疗中扮演着至关重要的角色，它通过图形和图像等直观方式呈现复杂数据，帮助医疗专业人员、研究人员、决策者和患者更好地理解和分析医疗信息。大数据可视化在智慧医疗领域的应用包括电子健康记录（ehr）的可视化、流行病监控与预警系统、设备和资产管理等。
2、首先，电子健康记录系统收集并存储了大量患者的健康信息。通过可视化工具，医生可以快速查看患者的历史病例、实验室检测结果、影像学检查图片等。其次，利用大数据可视化技术，可以将疾病传播模型和实时监控数据结合起来，以生成疫情地图和趋势图表，从而为公共卫生决策提供支持（现有技术cn111524611b、cn111524612b、cn113658713b等涉及疾病传播模型和实时监控数据的处理）。例如，通过地图上的热点显示，可以迅速识别疫情爆发区域，及时调配资源和采取干预措施。然后，大数据可视化可以帮助医院管理层分析医疗服务成本，识别费用高的区域，优化资源配置。例如，通过对不同手术类型、药品使用和治疗方案的成本进行可视化，医院可以制定出更经济有效的治疗路径。可见，大数据可视化使得智慧医疗不仅限于自动化处理和分析医疗数据，而且还包括提供深入洞见和辅助决策的能力。
3、随着智慧医疗的快速发展，监测预警系统在流行病学领域中的作用愈加重要。传统的疾病监控方法依赖于人工收集和分析数据，这不仅效率低下，而且容易因信息延迟或失误导致错误的预警。为了克服这些局限性，智慧医疗监测预警系统被提出来实现对疾病传播的自动化监测与及时预警。在此类系统中，流调趋势热力图像流的生成尤为关键，它能够将复杂的流行病数据转化为直观的可视化图像，帮助决策者迅速识别和响应疫情变化，该过程涉及到大量的数据处理和图像生成，其准确性和时效性对于监测预警系统的有效性至关重要。
技术实现思路
1、本技术至少提供基于疾病诊断数据的智慧医疗监测预警方法及系统。
2、本技术提供了一种基于疾病诊断数据的智慧医疗监测预警方法，应用于智慧医疗监测预警系统，所述方法包括：
3、结合初始病例流调图像记录和流调趋势热力图像流中前x-1个病例流调事件的流调趋势热力图像块，为所述流调趋势热力图像流中的第x个病例流调事件确定趋势热力匹配向量；第x个所述病例流调事件为正在需要进行流调热力图映射的病例流调事件，x为正整数；
4、针对第x个所述病例流调事件的趋势热力匹配向量，从目标知识向量集中筛选出p个趋势热力嵌入向量；其中，p大于等于2，所述目标知识向量集通过对初始知识向量集进行优化得到；
5、依据p个所述趋势热力嵌入向量分别与第x个所述病例流调事件的趋势热力匹配向量之间的特征差异，确定第x个所述病例流调事件的流调趋势热力图像块；
6、当针对所述流调趋势热力图像流中的末尾的所述病例流调事件得到流调趋势热力图像块时，完成关于所述初始病例流调图像记录的流调热力图生成；所述流调趋势热力图像流用于进行流行病学监测预警处理。
7、在一些方案中，所述结合初始病例流调图像记录和流调趋势热力图像流中前x-1个病例流调事件的流调趋势热力图像块，为所述流调趋势热力图像流中的第x个病例流调事件确定趋势热力匹配向量之前，所述方法还包括：
8、利用初始病例流调图像记录样本和流调趋势热力图像流样本中的每个病例流调轨迹的时序特征，针对所述流调趋势热力图像流样本中的每个所述病例流调轨迹生成流调轨迹关系网；所述初始病例流调图像记录样本与所述流调趋势热力图像流样本为具有不同输出方式但具有相同病例标签的图像样本二元组；
9、针对所述流调轨迹关系网所对应的流调轨迹描述向量和每个所述病例流调轨迹，生成特征迁移矩阵，并基于每个所述病例流调轨迹的特征迁移矩阵创建所述初始知识向量集；
10、针对所述初始知识向量集进行优化处理，得到所述目标知识向量集。
11、在一些方案中，所述针对所述初始知识向量集进行优化处理，得到所述目标知识向量集，包括：
12、基于第y轮循环的传入知识向量集中知识向量之间的特征差异，针对第y轮循环的传入知识向量集中的知识向量进行集成，并基于所得到的特征集成结果，生成第y轮循环的输出知识向量集；其中，第1轮循环的传入知识向量集为所述初始知识向量集；y为正整数；
13、将第y轮循环的输出知识向量集确定为第y+1轮循环的传入知识向量集，启动第y+1次的循环；
14、当达到循环终止要求时，将最后一轮循环的输出知识向量集作为所述目标知识向量集，完成关于所述初始知识向量集的优化处理；其中，所述循环终止要求包括以下条件中的至少一个：所述输出知识向量集与所述初始知识向量集之间的下采样系数达到下采样门限、y达到最大循环轮次。
15、在一些方案中，所述基于第y轮循环的传入知识向量集中知识向量之间的特征差异，针对第y轮循环的传入知识向量集中的知识向量进行集成，并基于所得到的特征集成结果，生成第y轮循环的输出知识向量集，包括：
16、基于第y轮循环的传入知识向量集中的每个所述知识向量与每个所述知识向量的第y个关联知识向量之间的特征差异，确定第y轮循环的传入知识向量集中的每个所述知识向量的集成优先级；
17、依据所述集成优先级，针对每个所述知识向量对应的病例流调轨迹与第y个所述关联知识向量对应的病例流调轨迹进行一致性分析，得到一致性分析结果；
18、当所述一致性分析结果表征每个所述知识向量对应的病例流调轨迹与第y个所述关联知识向量对应的病例流调轨迹相同时，将每个所述知识向量与第y个所述关联知识向量进行集成，得到第y轮循环的所述特征集成结果；
19、利用第y轮循环的所述特征集成结果，以及每个所述知识向量所对应的病例流调轨迹，生成第y轮循环的输出知识向量集。
20、在一些方案中，所述将每个所述知识向量与第y个所述关联知识向量进行集成，得到第y轮循环的所述特征集成结果，包括：
21、基于每个所述知识向量的第一查询频繁度，以及第y个所述关联知识向量的第二查询频繁度，针对每个所述知识向量和第y个所述关联知识向量分别确定集成指数；其中，第一查询频繁度表征每个所述知识向量被查询到的次数，第二查询频繁度表征第y个所述关联知识向量被查询到的次数；
22、依据每个所述知识向量的集成指数以及第y个所述关联知识向量的集成指数，对每个所述知识向量与第y个所述关联知识向量进行知识强化，得到第y轮循环的所述特征集成结果。
23、在一些方案中，所述基于每个所述知识向量的第一查询频繁度，以及第y个所述关联知识向量的第二查询频繁度，针对每个所述知识向量和第y个所述关联知识向量分别确定集成指数，包括：
24、当所述第一查询频繁度与所述第二查询频繁度都为0时，将第一设定指数变量确定为每个所述知识向量的集成指数，将第二设定指数变量确定为第y个所述关联知识向量的集成指数；
25、当所述第一查询频繁度与所述第二查询频繁度中的至少一个大于0时，将所述第一查询频繁度占所述第一查询频繁度与所述第二查询频繁度和值的比例，确定为每个所述知识向量的集成指数，将1与每个所述知识向量的集成指数的差值，确定为第y个所述关联知识向量的集成指数。
26、在一些方案中，所述第y个所述关联知识向量是针对每个所述知识向量所对应的p个所述关联知识向量中的第y个；p个所述关联知识向量是在第1轮循环启动之前挖掘所得，且p个所述关联知识向量依据与每个所述知识向量的特征差异的升序进行整理；其中，p为所述最大循环轮次。
27、在一些方案中，所述基于第y轮循环的传入知识向量集中知识向量之间的特征差异，针对第y轮循环的传入知识向量集中的知识向量进行集成，并基于所得到的特征集成结果，生成第y轮循环的输出知识向量集，包括：
28、基于第y轮循环的传入知识向量集中的每个所述知识向量与每个所述知识向量的核心关联知识向量之间的特征差异，确定第y轮循环的传入知识向量集中的每个所述知识向量的集成优先级；
29、依据所述集成优先级，针对每个所述知识向量对应的病例流调轨迹与所述核心关联知识向量对应的病例流调轨迹进行一致性分析，得到一致性分析结果；
30、当所述一致性分析结果表征每个所述知识向量对应的病例流调轨迹与所述核心关联知识向量对应的病例流调轨迹相同时，将每个所述知识向量与所述核心关联知识向量进行集成，得到第y轮循环的所述特征集成结果；
31、利用第y轮循环的特征集成结果，以及每个所述知识向量所对应的病例流调轨迹，生成第y轮循环的所述输出知识向量集。
32、在一些方案中，所述结合初始病例流调图像记录和流调趋势热力图像流中前x-1个病例流调事件的流调趋势热力图像块，为所述流调趋势热力图像流中的第x个病例流调事件确定趋势热力匹配向量，包括：
33、利用所述初始病例流调图像记录，以及所述流调趋势热力图像流中的前x-1个病例流调事件的流调趋势热力图像块，生成第x个所述病例流调事件的流调轨迹关系网；
34、将所述流调轨迹关系网所对应的流调轨迹描述向量，确定为所述流调趋势热力图像流中的第x个所述病例流调事件的所述趋势热力匹配向量。
35、在一些方案中，所述依据p个所述趋势热力嵌入向量分别与第x个所述病例流调事件的趋势热力匹配向量之间的特征差异，确定第x个所述病例流调事件的流调趋势热力图像块，包括：
36、依据p个所述趋势热力嵌入向量分别与第x个所述病例流调事件的趋势热力匹配向量之间的特征差异，以及预配可视化模拟网络针对第x个所述病例流调事件的趋势热力匹配向量所生成的流调趋势热力判别结果，确定第x个所述病例流调事件的趋势热力匹配向量在流调地区中的目标流调趋势热力判别结果；
37、依据所述目标流调趋势热力判别结果，从所述流调地区所包含的流调区域中，确定第x个所述病例流调事件的所述流调趋势热力图像块。
38、在一些方案中，所述依据p个所述趋势热力嵌入向量分别与第x个所述病例流调事件的趋势热力匹配向量之间的特征差异，以及预配可视化模拟网络针对第x个所述病例流调事件的趋势热力匹配向量所生成的流调趋势热力判别结果，确定第x个所述病例流调事件的趋势热力匹配向量在流调地区中的目标流调趋势热力判别结果，包括：
39、依据p个所述趋势热力嵌入向量分别与第x个所述病例流调事件的趋势热力匹配向量之间的特征差异，确定出p个所述趋势热力嵌入向量分别对应的位置特征；
40、利用所述目标知识向量集的集成算力，针对所述位置特征进行更新，得到更新后的位置特征；
41、利用p个所述趋势热力嵌入向量各自的更新后的位置特征，生成第x个所述病例流调事件的趋势热力匹配向量在流调地区中的流调趋势热力判别结果；
42、利用第x个所述病例流调事件的趋势热力匹配向量在流调地区中的流调趋势热力判别结果，以及所述预配可视化模拟网络针对第x个所述病例流调事件的趋势热力匹配向量所生成的流调趋势热力判别结果的聚合信息，确定为第x个所述病例流调事件的趋势热力匹配向量在流调地区中的目标流调趋势热力判别结果。
43、本技术还提供了一种智慧医疗监测预警系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述方法。
44、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，所述计算机程序在运行时实现上述的方法。
45、本技术的实施例提供的技术方案可以包括以下有益效果：智慧医疗监测预警系统针对流调趋势热力图像流中的每个病例流调事件的趋势热力匹配向量，从目标知识向量集中查询对应的趋势热力嵌入向量，考虑到目标知识向量集是对初始知识向量集进行优化得到，其存储空间的占用小于初始知识向量集且对应的流调趋势热力图像块与初始知识向量集相同，这样能够提高针对知识向量集的遍历时效性，以精准快速确定出相应的趋势热力嵌入向量，从而通过趋势热力嵌入向量精准及时地针对每个病例流调事件确定对应的流调趋势热力图像块，如此，可以准确、高效地实现流调热力图生成，从而及时、准确且合理地为流行病学监测预警处理提供分析依据。
46、关于上述智慧医疗监测预警系统、计算机可读存储介质的效果描述参见上述方法的说明。
47、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
1.一种基于疾病诊断数据的智慧医疗监测预警方法，其特征在于，应用于智慧医疗监测预警系统，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述结合初始病例流调图像记录和流调趋势热力图像流中前x-1个病例流调事件的流调趋势热力图像块，为所述流调趋势热力图像流中的第x个病例流调事件确定趋势热力匹配向量之前，所述方法还包括：
3.如权利要求2所述的方法，其特征在于，所述针对所述初始知识向量集进行优化处理，得到所述目标知识向量集，包括：
4.如权利要求3所述的方法，其特征在于，所述基于第y轮循环的传入知识向量集中知识向量之间的特征差异，针对第y轮循环的传入知识向量集中的知识向量进行集成，并基于所得到的特征集成结果，生成第y轮循环的输出知识向量集，包括：
5.如权利要求4所述的方法，其特征在于，所述将每个所述知识向量与第y个所述关联知识向量进行集成，得到第y轮循环的所述特征集成结果，包括：
6.如权利要求3所述的方法，其特征在于，所述基于第y轮循环的传入知识向量集中知识向量之间的特征差异，针对第y轮循环的传入知识向量集中的知识向量进行集成，并基于所得到的特征集成结果，生成第y轮循环的输出知识向量集，包括：
7.如权利要求1所述的方法，其特征在于，所述结合初始病例流调图像记录和流调趋势热力图像流中前x-1个病例流调事件的流调趋势热力图像块，为所述流调趋势热力图像流中的第x个病例流调事件确定趋势热力匹配向量，包括：
8.如权利要求1所述的方法，其特征在于，所述依据p个所述趋势热力嵌入向量分别与第x个所述病例流调事件的趋势热力匹配向量之间的特征差异，确定第x个所述病例流调事件的流调趋势热力图像块，包括：
9.一种智慧医疗监测预警系统，其特征在于，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在运行时实现上述权利要求1-8任一项所述的方法。
