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：重庆邮电大学

摘要：本发明属于人工智能技术领域，具体涉及一种基于医学因果知识嵌入的危险因素因果关系提取方法，包括：获取临床数据和医学因果知识；根据临床数据和医学因果知识获取疾病危险因素之间的因果结构；对因果结构进行修正；将修正后的因果结构输入到前馈神经网络中，得到识别结果；根据识别结果计算模型的损失函数；根据损失函数对权重Θt进行更新，得到ΘT；根据更新后的权重ΘT构建疾病危险因素之间的因果结构；本发明将深度学习引入到因果发现中，将数据驱动与知识驱动相结合，提高了危险因素因果关系提取的准确度。

主权项：1.一种基于医学因果知识嵌入的危险因素因果关系提取方法，其特征在于，包括：获取临床数据和医学因果知识；根据临床数据和医学因果知识获取疾病危险因素之间的因果结构；对因果结构进行修正，将修正后的因果结构输入到训练后的前馈神经网络中，得到疾病危险因素之间的因果结构；对前馈神经网络进行训练包括：S1、获取临床数据和医学因果知识，对临床数据进行预处理；S2、根据预处理后的临床数据构建前馈神经网络的初始权重Θt；S3、将医学因果知识构建有向无环图，并将有向无环图注入到前馈神经网络中，得到识别结果；S4、根据识别结果计算模型的损失函数；模型的损失函数为： 其中，RDAG为因果发现损失；表示包含DAG中所有变量的矩阵；fΘ被表示为LN为重建损失，LN为只允许模型从其他变量中重建每个输入特征和目标特征；为无环约束损失，当其最小化时，所学习到变量之间的关系为因果关系；Tr为矩阵的迹；M为d+1×d+1维的矩阵，⊙为哈达马积Hadamardproduct，d为输入特征的个数；为Θ1中权重矩阵的l1范式；S5、根据损失函数对权重Θt进行更新，得到ΘT；S6、根据更新后的权重ΘT构建疾病危险因素之间的因果结构G；具体包括：根据权重ΘT得到疾病危险因素之间的因果结构，利用权重ΘT获取邻接矩阵WG＝wik，其中wik是来自整个隐藏层神经元的输入层权重平方之和的平方根，其表达式为： 将WG进行转换获取疾病危险因素之间的因果结构G，其转换表示为：GτWG＝V,EτWGEτWG＝{i,k|wik＞wki^wik＞τ}其中，τ为一个阈值，用于去掉存在于WG中无意义的关系；S7、调整模型的损失函数，当损失函数收敛时，完成模型的训练。

全文数据：

权利要求：

百度查询： 重庆邮电大学 一种基于医学因果知识嵌入的危险因素因果关系提取方法