1.基于护理信息的慢性阻塞性肺病风险评估系统，其特征在于：系统包括数据采集模块、特征提取模块、风险预测模块和慢性阻塞性肺病风险评估模块；

所述数据采集模块采集历史护理数据；

所述特征提取模块通过动态调整感受野大小和感受野注意机制，自适应提取护理信息时间序列中关键时段的局部特征，捕捉短期波动和长期趋势；

所述风险预测模块结合静态特征和多尺度动态特征，利用注意力机制和全局特征拼接，全面整合局部细节与全局趋势信息，建立风险预测模型；

所述慢性阻塞性肺病风险评估模块基于建立完成的风险预测模型对实时护理数据实现慢性阻塞性肺病风险评估；

所述特征提取模块包括内容：局部特征提取；提取护理信息时间序列X中的局部依赖性；使用组卷积提取局部特征 ，根据护理信息时间序列的特征分布，动态调整感受野的大小k，实现自适应组卷积；并基于感受野注意机制生成注意力权重，表示为：；

；最后校准局部特征，表示为：

；其中，Softmax(·)是Softmax函数；ReLU(·)是ReLU激活函数；Norm(·)是归一化操作；AvgPool(·)是平均池化操作； 是组卷积操作； 和 分别是最小感受野和最大感受野； 是血氧饱和度的平均变化率； 是血氧饱和度的最大变化率；

所述特征提取模块包括内容：多层次特征融合；对特征 逐层提取多尺度特征，表示：；基于SE模块生成注意力权重 ，表示： ；

；根据权重调整多尺度特征，表示为： ；其中， 是逐层提取的多尺度特征；S是尺度数量，i是尺度索引；Conv(·)是卷积操作； 是卷积核大小；是注意力得分； 是注意力调整后的多尺度特征； 是静态特征 的权重矩阵；是通过多层感知机MLP生成的偏置项。

2.根据权利要求1所述的基于护理信息的慢性阻塞性肺病风险评估系统，其特征在于：特征提取模块具体包括以下内容：

局部特征提取；

多层次特征融合；

全局特征融合；拼接所有尺度的特征，表示为： ；将静态特征与时间序列提取的动态特征拼接为最终的特征向量 ，表示为：；其中， 、 和 是加权调整后的不同尺度的特征；

Concat(·)是拼接操作；Attention(·)是注意力机制；Y是拼接后的特征。

3.根据权利要求2所述的基于护理信息的慢性阻塞性肺病风险评估系统，其特征在于：所述风险预测模块是将特征提取模块生成的融合特征向量Z作为输入数据，基于多分类SVM进行风险分类，对于每个类别，训练一个二分类SVM区分当前类别和其他类别，得到风险预测模型；具体包括以下内容：定义目标函数，表示为： ；

；根据样本分布动态调整惩罚参数对高度风险样本设置更高权重，表示为： ；其中， 是分类超平面的法向量；是分类误差， 表示第o个样本与超平面分类结果的偏离程度；C是惩罚参数；a是控制参数； 是样本真实标签；

是样本特征向量； 是L2范数的平方；l是样本总数； 和 分别是类别k1和类别y1的分类超平面的法向量；

损失处理；对高度风险患者分类错误施加高惩罚，表示为： ；对低度风险患者的分类错误施加小惩罚，并引入梯度平滑机制，防止由于噪声样本导致的损失值过大；表示为： ；其中，L(·)是损失函数；Smooth(·)是对数平滑函数；

目标函数优化；

分类判定；预先设有最大迭代次数和分类阈值，对数据集划分为训练集和测试集，基于训练集训练风险预测模型，当损失收敛或达到最大迭代次数时，风险预测模型训练完成；当训练完成的风险预测模型对测试集的预测正确率高于分类阈值时，风险预测模型建立完成，否则重新划分数据集并调整初始法向量参数训练风险预测模型。

4.根据权利要求3所述的基于护理信息的慢性阻塞性肺病风险评估系统，其特征在于：所述目标函数优化具体为：基于目标函数梯度使用梯度下降算法对权重进行更新，梯度表示为： ；进而预测患者的慢性阻塞性肺病风险等级，表示为： ；其中， 是目标函数梯度； 是预测的风险等级；T是矩阵转置；sign(·)是符号函数；Z是样本集； 是类别的样本比例。

5.根据权利要求4所述的基于护理信息的慢性阻塞性肺病风险评估系统，其特征在于：在数据采集模块中，所述历史护理数据包括患者静态特征数据、患者动态护理数据、患者生理状况数据、时间和风险评估等级；所述风险评估等级包括正常、低度风险、中度风险和高度风险；将风险评估等级作为数据标签；并将采集的数据进行数据清洗、数据转换和标准化处理，得到护理信息时间序列数据。

6.根据权利要求5所述的基于护理信息的慢性阻塞性肺病风险评估系统，其特征在于：所述慢性阻塞性肺病风险评估模块是基于建立完成的风险预测模型，实时采集患者护理数据，经特征提取模块处理后输入至风险预测模型中，将风险预测模型输出的风险评估等级作为评估结果，当评估结果为中度风险和高度风险，对患者进行预警。