CN120280136A 基于动态知识图谱实时健康风险预测方法及系统 （武汉科技大学附属老年病医院）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120280136A(43)申请公布日2025.07.08

(21)申请号202510254929.5

(22)申请日2025.03.05

(71)申请人武汉科技大学附属老年病医院

地址430000湖北省武汉市黄家湖三街6号

(72)发明人吴妍谭伟易文龙吴钒陈玉娟方冬香杨璐

(74)专利代理机构武汉知产时代知识产权代理

有限公司42238专利代理师孔灿

(51)Int.CI.

GO6NGO6N

GO6NGO6F

3/045(2023.01)

3/096(2023.01)

3/082(2023.01)

18/25(2023.01)

G16H50/30(2018.01)

GO6N5/022(2023.01)

GO6N5/04(2023.01)

GO6N3/042(2023.01)

GO6N3/0464(2023.01)

权利要求书3页说明书15页附图4页

(54)发明名称

基于动态知识图谱实时健康风险预测方法及系统

(57)摘要

CN120280136A本发明公开了一种基于动态知识图谱实时健康风险预测方法及系统，涉及医疗信息技术领域。方法包括：对医养异构数据进行多模态融合与隐私保护预处理，基于跨模态图神经网络的实体对齐方法实现跨机构数据的语义一致性；基于分层联邦学习框架，通过安全多方计算协议分层加密聚合本地模型参数生成初始全局模型，并结合差分隐私约束的知识蒸馏优化全局模型的预测分布；设计噪声鲁棒的梯度差异动态更新触发机制，通过滑动窗口均值平滑噪声干扰，联动模型性能验证实现自适应阈值校准；基于置信度的冗余边剪枝与8位对称量化实现轻量化部署\实时推理。本发明在保护数据隐私的前提下显著提

CN120280136A

对医养异构数据进行预处理，得到预处理后的数据

根据所述预处理后的数据，利用分层联邦学习框架，得到全局动态知识图谱

基于噪声鲁棒的梯度差异动态更新机制，更新各机构本地知识图谱嵌入模型和全局模型

S4

根据所述全局动态知识图谱、各机构本地知识图谱嵌入模型和全局模型，进行轻量化部署，得到轻量化图谱模型，利用所述轻量化图谱模型进行健康风险预测

CN120280136A权利要求书1/3页

2

1.一种基于动态知识图谱实时健康风险预测方法，其特征在于，包括以下步骤：

S1:对医养异构数据进行预处理，得到预处理后的数据；

S2:根据所述预处理后的数据，利用分层联邦学习框架，得到全局动态知识图谱；

S3:基于噪声鲁棒的梯度差异动态更新机制，更新各机构本地知识图谱嵌入模型和全局模型；

S4:根据所述全局动态知识图谱、各机构本地知识图谱嵌入模型和全局模型，进行轻量化部署，得到轻量化图谱模型，利用所述轻量化图谱模型进行健康风险预测。

2.根据权利要求1所述的基于动态知识图谱实时健康风险预测方法，其特征在于，步骤S2具体包括：

S21:根据所述预处理后的数据，对各机构本地知识图谱嵌入模型进行训练，梯度添加满足差分隐私的拉普拉斯噪声，利用SMPC协议在分层联邦学习框架中加密聚合各机构本地知识图谱嵌入模型的参数，得到初始全局模型参数；

S22:根据所述初始全局模型参数，以各机构本地知识图谱嵌入模型的输出分布为教师信号，利用损失函数，最小化KL散度损失优化全局模型的预测分布，得到全局动态知识图

谱。

3.根据权利要求2所述的基于动态知识图谱实时健康风险预测方法，其特征在于，步骤S21具体包括：根据所述预处理后的数据，对各机构本地知识图谱嵌入模型进行训练，梯度添加满足差分隐私的拉普拉斯噪声，利用SMPC协议在分层联邦学习框架中加密聚合各机构本地知识图谱嵌入模型的参数，得到初始全局模型参数，如公式：

,△f=maxllgilli,

其中，为添加拉普拉斯噪声后的梯度；g;为原始梯度；Lap(·)表示拉普拉斯分布采样，对梯度添加拉普拉斯噪声进行差分隐私噪声注入以满足差分隐私约束；△f表示模型梯度的敏感度，敏感度为各本地模型梯度的最大L1范数，∈为隐私预算。

4.根据权利要求2所述的基于动态知识图谱实时健康风险预测方法，其特征在于，所述损失函数，如公式：

其中，Lk.为损失函数，(h,r,t)表示知识图谱中的头实体-关系-尾实体三元组，Pg?oba?和Pocali