申请/专利权人：中国科学院重庆绿色智能技术研究院

申请日：2024-04-11

公开（公告）日：2024-07-05

公开（公告）号：CN118299040A

主分类号：G16H50/20

分类号：G16H50/20;G16H50/30;G06N3/0464;G06N3/0895;G06N3/092

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明为一种脓毒症的特征自监督辨识与风险预警方法，属于医疗大数据领域。由基于脓毒症的特征自监督辨识模型实现；所述的基于脓毒症的特征自监督辨识模型是由基于多项式树突神经网络的一个Actor‑Critic框架的强化学习网络并联一个基准模型构成。该方法步骤为：S1：输入数据预处理；S2：建立历史数据集；S3：建立基于脓毒症的特征自监督辨识模型，利用KL散度建立联合损失函数；S4：模型训练；S5：利用Actor‑Critic框架的强化学习网络预测出患者脓毒症的风险；S6：对预警进行可解释性分析。本发明方法能够高效的协助医务工作者实现对患者脓毒症的及时、准确的预警，具有直观准确的可解释性，减少手术风险发生。

主权项：1.一种脓毒症的特征自监督辨识与风险预警方法，其特征在于，基于脓毒症的特征自监督辨识模型实现；所述的基于脓毒症的特征自监督辨识模型由一个Actor-Critic框架的强化学习网络并联一个基准模型构成；所述的Actor-Critic框架的强化学习网络由一个Actor网络和一个Critic网络串联构成；所述的Actor网络为因果特征辨识的网络，由一个多项式树突神经网络1串联一个随机采样器构成，所述的多项式树突神经网络1用于生成采样概率，所述的随机采样器按照生成采样概率对特征进行提取；所述的Critic网络为一个卷积神经网络CNN，用于利用提取的特征预测脓毒症的结果；所述的基准模型为一个多项式树突神经网络2；所述的Actor网络、Critic网络和基准模型的输入端相连为数据；所述的Critic网络的输出端与基准模型的输出端相连于联合损失函数，实现对多项式树突神经网络1进行参数的调整；任意所述的多项式树突神经网络，由多个具有树突功能的神经元逐层构成，其特征在于，所述的多项式树突神经元由多个突触信号接收处理模块、树突功能模块、非线性激活模块构成；所述的多个突触信号接收处理模块接收维度为的输入信号然后使用d维的信号权重向量和信号偏置处理，得到突触结果；所述的树突功能模块根据维接收信息使用树突权重和树突偏置得到树突功能参数；所述的非线性激活模块为使用树突功能参数作用于突触结果的激活函数；所述的突触信号接收处理模块将输入X＝[x1，x2，…，xd]T与所述的突触权重向量W＝[w1，w2，…，wd]一一对应相乘然后对乘积结果求和，加上突触偏置b后，得到该所述的树突功能模块将输入与所述的树突权重向量A＝[a1，a2，…，an]一一对应相乘然后对乘积结果求和，加上树突偏置t后，得到所述的非线性激活模块经过使用关于和的多项式函数作为激活函数f处理输入，得到多项式结果任意所述的多项式树突神经网络可以为APND结构，该结构中，第j层多项式树突神经元中，与突触权重矩阵W＝[w1，w2，…，wd]一一相连的输入X＝[x1，x2，…，xd]T为多项式树突神经网络的初始输入第j层多项式树突神经元中，与树突权重矩阵A＝[a1，a2，…，an]一一相连的输入为多项式树突神经网络的上一层的n维输出结合非线性激活模块的表达式为其中，为Hadamard乘子；任意所述的多项式树突神经网络也可以为EPDN结构，该结构中，第j层多项式树突神经元中，突触权重矩阵W＝[w1，w2，…，wn]以及多项式树突神经元的树突权重矩阵A＝[a1，a2，…，an]一一相连的输入，都为多项式树突神经网络的上一层的输出结合非线性激活模块的表达式为其中，为Hadamard乘子；该方法包含以下步骤：S1：将患者的静态特征和监测装置监测的该患者获取生命体征的时间序列数据利用concat连接后作为输入数据；S2：人工对输入数据进行逐时刻的脓毒症情况的标注，建立历史数据集；S3：建立基于脓毒症的特征自监督辨识模型，利用Kullback-LeiblerKL散度建立联合损失函数；S4：利用历史数据集对基于脓毒症的特征自监督辨识模型进行训练；S5：利用步骤S4训练后的Actor-Critic框架的强化学习网络对患者输入数据进行处理，预测出未来时间段T内患者脓毒症的概率，并进行预警；S6：利用多项式树突神经网络1的多项式系数计算出输入数据各个特征对患者脓毒症状态的影响，并进行可解释性分析；其中，输入数据为所述的静态特征为患者不随时间变化的特征；所述的时间序列数据为患者随时间变化的特征；所述的步骤S3具体为：S301：建立基于脓毒症的特征自监督辨识模型；其中，多项式树突神经网络1为d维输入，d维输出；多项式神经网络2为d维输入，1维输出；S302：多项式树突神经网络1根据输入数据xt计算出一个d维概率向量；S303：随机采样器按照概率向量从输入数据中随机选择部分数据作为CNN的输入，输出患者脓毒症的预测概率p1∈[0，1]；S304：结合脓毒症标签label0或1与患者脓毒症的概率p1，利用交叉熵建立Critic网络的损失函数Lcriticp1，label；S305：基准模型根据输入数据xt计算出一个患者脓毒症的概率p2；S306：结合脓毒症标签label0或1与患者脓毒症的概率p2，利用交叉熵建立多项式树突神经网络2的损失函数Lpoly2p2，label；S307：利用Kullback-Leibler散度建立患者脓毒症的概率p1和患者脓毒症的概率p2之间的联合损失函数Lpoly1p1，p2。所述的步骤S4具体为：S401：根据Lcriticp1，label；结合人工标记的时间序列数据对Critic网络的参数进行优化；S402：根据Lpoly2p2，label，结合人工标记的时间序列数据对多项式树突神经网络2的参数进行优化；S403：根据Lpoly1p1，p2，结合历史数据集对应的Critic网络和多项式树突神经网络2的输出患者脓毒症的概率，对多项式树突神经网络1的参数进行优化。步骤S5中所述的预警为当预测出未来时间段T内患者脓毒症的概率大于阈值时进行报警告知医务人员；步骤S6所述的对患者脓毒症状态影响的可解释性分析为：影响程度与多项式系数呈正相关。

全文数据：

权利要求：

百度查询： 中国科学院重庆绿色智能技术研究院 一种脓毒症的特征自监督辨识与风险预警方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD