[發明專利]一種基于改進降噪自動編碼器的小于胎齡兒預測方法

有效

• 申請號: 201810245169.1
• 申請日: 2018-03-23
• 公開（公告）號: CN108447565B
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 梁思遠;李建強;李娟
• 申請（專利權）人: 北京工業大學
• 主分類號: G16H50/50
• 分類號: G16H50/50;G16H10/60;G06F16/35;G06F40/289;G06K9/62
• 代理公司: 北京匯信合知識產權代理有限公司 11335
• 代理人: 夏靜潔

本發明公開了一種基于改進降噪自動編碼器的小于胎齡兒預測方法，包括：預處理小于胎齡兒數據中的文本特征和非文本特征；基于改進的降噪自動編碼器進行無監督學習，得到多個特征集；利用深度神經網絡進行有監督學習微調模型參數；將訓練好的模型對測試集進行預測，從而得到最終的分類結果。其中改進的降噪自動編碼器在輸入層進行0到2倍之間的按照正態隨機數隨機變化，采用改進的降噪自動編碼器可以很好的將小于胎齡兒數據中的高維特征進行降維以及非線性抽象，同時改進的“降噪”方法提高了自動編碼器學習到的特征多樣性和魯棒性；本發明提高了對小于胎齡兒數據預測的準確率，具有較高的實用意義。

技術領域

本發明涉及計算機技術領域，尤其涉及一種基于改進降噪自動編碼器的小于胎齡兒預測方法。

背景技術

隨著現代圍產醫學發展和新生兒復蘇的廣泛開展，小于胎齡兒（SGA）的存活率逐漸增加，SGA吸引了越來越多研究者的關注。 SGA可以通過許多標準來定義，但最常見的定義是出生體重低于相同胎齡的第10個百分點的新生兒。此外，International Small forGestational Age咨詢委員會發展會議聲明提供了另一個定義，即新生兒的2個標準偏差低于相同胎齡的平均體重。自Battaglia等人在1967年定義了SGA，許多學者進行了相關研究，發現SGA比正常胎齡兒（AGA）的圍產期存在的危險要高。相當一部分嬰兒出生后不能進入正常生長軌道，而身體發育明顯落后于健康足月新生兒。成年后，他們更容易患肥胖，營養不良和成年后的社會壓力。因此，早期發現SGA和干預措施是非常重要的因素，可以改善圍產期和兒童時期的健康狀況。

Hastie利用多普勒超聲測量進行了453項研究以預測SGA 。但他們的結論是，由于實驗結果不理想，多普勒超聲研究臍動脈血流速度對雙胎妊娠SGA嬰兒的預測價值不大。Figueras等人應用決策樹分析算法來預測SGA妊娠的不良結果，研究結果表明，他們的模型可以作為一種診斷工具來識別SGA妊娠不良妊娠結局的風險。 Sanzcortes等人利用MR圖像中的紋理分析（TA）來識別與SGA中異常神經行為相關的模式。此外，他們在遺傳算法的第37周通過91個SGA胎兒證明了這種方法的可靠性。大多數上述方法預測SGA的風險，但沒有更多的考慮SGA的可能性。此外，許多方法被用于罕見的醫療器械，這在一般體檢中不能很好地利用，特別是在貧窮國家和許多發展中國家。

隨著機器學習的發展，它已被許多傳統研究領域采用。機器學習應用的方法不斷發展，特別是基于機器學習的數據分析方法已成為解決復雜問題的關鍵技術之一。 2016年，Li等人應用機器學習方法預測出生前的SGA 。實驗結果具有很高的準確性，并且達到了非常高的AUC（AUC值相當于隨機選擇的正例高于隨機選擇的負例的概率），為0.8547。但是在特征工程中，其應用了手動選擇特征的方法，這花費了很多時間，沒有充分利用文本變量和分類變量。因此，尋找解決高維問題和提取文本特征模型是解決問題的關鍵。

深度學習能夠自動提取特征，學習多層次的抽象特征表示，并學習異構或跨域內容信息。采用深度學習中自動編碼器的方法來預測出生前的SGA。可以達到很高準確率的同時，又比傳統機器學習方法節省了大量人力和時間。

發明內容

針對上述問題中存在的不足之處，本發明提供一種基于改進降噪自動編碼器的小于胎齡兒預測方法。

為實現上述目的，本發明提供一種基于改進降噪自動編碼器的小于胎齡兒預測方法，包括：

步驟1、獲取小于胎齡兒數據：

所述小于胎齡兒數據包括文本特征和非文本特征，所述非文本特征包括連續型特征和離散型特征，所述連續型特征包括身高、體重和年齡，所述離散型特征包括職業、血型和是否吸煙；

步驟2、預處理數據：

對負樣本中缺失值超過20%比例的樣本進行刪除，利用-1固定值對缺失值進行填補；

步驟3、處理小于胎齡兒文本特征：