1.一种个体脑健康预测方法，其特征在于，包括：获取待评估对象的脑健康数据；通过样本重加权去相关算子确定所述待评估对象的脑健康数据对应的特征独立分布的联合概率和特征联合分布的真实概率；基于所述特征独立分布的联合概率和特征联合分布的真实概率确定样本权重；基于所述样本权重确定初始权重矩阵；基于优化权重矩阵的目标函数对所述初始权重矩阵进行更新，得到优化后的权重矩阵；基于所述优化后的权重矩阵，对所述待评估对象的脑健康数据进行加权，得到加权后的待评估对象的脑健康数据；通过稳定性比例风险回归模型基于所述加权后的待评估对象的脑健康数据确定协变量系数向量和稳定特征集合；基于所述协变量系数向量和所述稳定特征集合确定待评估对象的脑健康预测结果；所述优化权重矩阵的目标函数为： ；其中， 表示权重矩阵， 表示在当前权重矩阵下，第i个特征和第j个特征之间的加权皮尔逊相关系数； 表示正则化系数， 表示正则化函数； 表示特征总量； ；其中， 是权重矩阵 中第i个样本在第j个特征上的权重。
2.根据权利要求1所述的方法，其特征在于，所述通过稳定性比例风险回归模型基于所述加权后的待评估对象的脑健康数据确定协变量系数向量和稳定特征集合，包括：获取稳定性比例风险回归模型的加权部分对数似然函数；基于所述稳定性比例风险回归模型的加权部分对数似然函数，估计得到协变量系数向量；基于所述协变量系数向量，对所述加权后的待评估对象的脑健康数据进行筛选，得到稳定特征集合。
3.根据权利要求2所述的方法，其特征在于，所述稳定性比例风险回归模型的加权部分对数似然函数为： ；其中， 表示需要优化的协变量系数向量， 表示事件指示符， =1表示事件发生， =0表示未发生； 表示第i个样本， 表示 的样本权重； 表示第i个样本的事件发生时间, 表示 的基准风险函数； 表示危险度，用于衡量 对事件发生风险的相对影响强度； 表示风险集，包含所有在 时未发生的样本j。
4.根据权利要求2所述的方法，其特征在于，基于所述协变量系数向量，对所述加权后的待评估对象的脑健康数据进行筛选，得到稳定特征集合的公式为： ；其中， 表示稳定特征集合， 表示脑健康数据的样本中第 个特征， 表示第j个特征的协变量系数向量的绝对值； 表示特征重要性阈值； 表示特征总量。
5.一种个体脑健康预测装置，其特征在于，包括：脑健康数据获取模块，用于获取待评估对象的脑健康数据；独立性驱动样本加权模块，用于通过样本重加权去相关算子确定所述待评估对象的脑健康数据对应的特征独立分布的联合概率和特征联合分布的真实概率；基于所述特征独立分布的联合概率和特征联合分布的真实概率确定样本权重；基于所述样本权重确定初始权重矩阵；基于优化权重矩阵的目标函数对所述初始权重矩阵进行更新，得到优化后的权重矩阵；基于所述优化后的权重矩阵，对所述待评估对象的脑健康数据进行加权，得到加权后的待评估对象的脑健康数据；协变量系数向量和稳定特征集合确定模块，用于通过稳定性比例风险回归模型基于所述加权后的待评估对象的脑健康数据确定协变量系数向量和稳定特征集合；脑健康预测结果确定模块，用于基于所述协变量系数向量和所述稳定特征集合确定待评估对象的脑健康预测结果；所述优化权重矩阵的目标函数为： ；其中， 表示权重矩阵， 表示在当前权重矩阵下，第i个特征和第j个特征之间的加权皮尔逊相关系数； 表示正则化系数， 表示正则化函数； 表示特征总量； ；其中， 是权重矩阵 中第i个样本在第j个特征上的权重。
6.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，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权利要求1-4中任一项所述的个体脑健康预测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的个体脑健康预测方法。
8.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-4中任一项所述的个体脑健康预测方法。
