买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中南大学

摘要：本发明公开了一种基于卷积神经网络的ICU住院时长和死亡风险预测方法，包括获取基础数据处理和分类得到训练数据集、验证数据集和测试数据集；基于具有不同感受野的时序空洞可分卷积和上下文感知特征融合模块构建基础预测模型；设定损失函数并采用数据集对基础预测模型进行训练、验证和测试得到最优的预测模型；采用最优的预测模型进行实际人员的ICU住院时长和死亡风险预测。本发明使用时序空洞可分卷积网络对每个特征单独编码并提出了上下文感知特征融合方法；结合多视图和多尺度的特征融合模块生成最后的住院人员表示用于预测；因此本发明方法的可靠性高、精度较高且效果较好。

主权项：1.一种基于卷积神经网络的ICU住院时长和死亡风险预测方法，包括如下步骤：S1.从已有的电子病历数据库中获取基础数据，并进行处理和分类，得到训练数据集、验证数据集和测试数据集；S2.基于具有不同感受野的时序空洞可分卷积和上下文感知特征融合模块，构建基础预测模型；具体包括如下步骤：采用N层连续的、具有不同感受野的时序空洞可分卷积和上下文感知特征融合模块所构成的基础预测模型，进行时序特征的学习；对于基础预测模型的第一层：时序空洞可分卷积网络的输入h0为原始的临床时序序列x'和衰减指标x”的拼接；上下文感知特征融合网络的输入为原始的临床时序序列x'、衰减指标x”和重复T次的静态人口学数据特征s'；跳跃连接的输入x1为原始的临床时序序列x'；对于基础预测模型的第n层，1＜n≤N：时序空洞可分卷积网络对第n-1层输出的变量hn-1分别学习单独的时序趋势gn；时序空洞可分卷积网络采用堆叠的时序卷积网络从数据中提取时序趋势；所述的时序卷积网络层采用深度可分卷积，且权重仅在时间步之间共享；时序卷积网络的运算定义为： 其中hn,i为基础预测模型的第n层中第i个特征构成的直到第t个时刻的时序输入特征，每个输入特征包含Cn个通道，且为每个特征的卷积滤波器，表示大小为Cout×Cin×k的张量；对于每k个时间步，卷积滤波器将输入通道Cin映射到输出通道Cout；输出卷积滤波器的感受野dK-1+1由卷积核大小K和空洞因子d决定；对于每个时序卷积网络层，在dK-1+1的左侧添加填充以保证输出大小与输入大小一致；t-dj-1项用于确保在卷积的过程中只回顾过去的时间步；通过堆叠的时序卷积网络层，增加时序感受野的大小；最后，将每个输入特征的时序卷积的输出拼接在一起，得到时序趋势gn为： 其中||为拼接操作；时序卷积网络层的输出维度为Rn×C，Rn为第n层的时序特征的数量；每个堆叠的时序卷积网络层后都使用了批归一化层和Dropout层，用于加快模型收敛和防止过拟合；上下文感知特征融合网络将第n-1层时序空洞可分卷积网络学习到的时序特征gn-1、第n-1层上下文感知特征融合网络学习到的时序特征zn-1、原始的临床时序序列x'和重复T次的静态人口学数据特征s'进行融合，得到更加全面的住院人员健康状况的特征间上下文表示zn；并将上下文感知特征融合网络每一层的输出通过拼接操作进行叠加，得到第n层上下文感知特征融合网络的多尺度特征为其中为空；基础预测模型的第n层，将原始的临床时序序列x'和第n-1层的多尺度特征的最后一个通道通过跳跃连接得到xn；然后采用拼接操作将xn、时序卷积网络层输出的时序趋势gn和上下文感知特征融合网络输出的特征间上下文表示zn融合，得到时序特征vn为vn＝[xn,gn,zn]；基础预测模型的第n层，还采用基于逐点卷积神经网络的特征注意力块，将时序特征vn进行处理，得到更有效的时序特征hn；hn为最终的基础预测模型的第n层的输出；取基础预测模型的第N层所输出的时序特征hN作为最终的时序特征；通过全连接层处理诊断数据，将处理后的诊断数据重复T次后得到编码后的诊断特征d'；然后将重复T次的静态人口学数据特征s'、编码后的诊断特征d'、最终的时序特征hN和多尺度特征进行拼接，将拼接后的表征通过全连接层进行处理，得到多视图多尺度融合特征hfinal；最后，将多视图多尺度融合特征hfinal送入全连接层，并通过激活函数得到预测结果；S3.设定损失函数，并采用步骤S1获取的数据集对步骤S2构建的基础预测模型进行训练、验证和测试，从而得到最优的预测模型；所述的设定损失函数，具体包括如下步骤：对于ICU住院时长预测任务，设定损失函数Lt为均分对数误差函数： 式中T为临床时序序列的长度；为预测的ICU住院时长；yt为实际的ICU住院时长；对于死亡风险预测任务，设定损失函数L为交叉熵损失函数： 式中N为样本数量；为预测的死亡风险；yi为样本真实的死亡标签；S4.采用步骤S3得到的最优的预测模型，进行实际人员的ICU住院时长和死亡风险预测。

全文数据：

权利要求：

百度查询： 中南大学 基于卷积神经网络的ICU住院时长和死亡风险预测方法