[發明專利]基于遷移學習的慢性阻塞性肺疾病預測系統、設備及介質

有效

• 申請號: 202010071272.6
• 申請日: 2020-01-21
• 公開（公告）號: CN111248913B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 王紅;虞鳳萍;趙麗麗;王倩;王彩雨;韓書;李威;莊魯賀;張慧
• 申請（專利權）人: 山東師范大學
• 主分類號: A61B5/08
• 分類號: A61B5/08;A61B5/00;G06F18/211;G06F18/22;G16H50/20;G06N20/00
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

1.基于遷移學習的慢性阻塞性肺疾病預測系統，其特征是，包括：

獲取模塊，其被配置為：獲取慢性阻塞性肺疾病數據和待預測的A疾病數據，對慢性阻塞性肺疾病和待預測A疾病數據均進行預處理；

所述對慢性阻塞性肺疾病和待預測A疾病數據均進行預處理；具體包括：

數據轉換單元，用于將文字數據轉換為數字數據；

數據篩選單元，用于將噪聲數據剔除；

數據填充單元，用于對缺失數據進行填充；

數據歸一化單元，用于對數據進行歸一化處理；

提取模塊，其被配置為：從預處理后的待預測疾病數據中提取待預測A疾病的若干個特征；從預處理后的慢性阻塞性肺疾病數據中提取慢性阻塞性肺疾病數據的若干個特征；

相似度計算模塊，其被配置為：計算待預測A疾病的所有特征與慢性阻塞性肺疾病數據的所有特征之間的相似度，對相似度高的待預測A疾病的特征賦予高權重，對相似度低的待預測A疾病的特征賦予低權重；

預測模塊，其被配置為：將賦予權重后的待預測A疾病的特征進行加權融合，得到融合后的待預測A疾病的特征；將融合后的待預測A疾病的特征輸入到預訓練的基于遷移學習的彈性網絡中，輸出待預測A疾病是否會發展為慢性阻塞性肺疾病；

所述預訓練的基于遷移學習的彈性網絡的訓練過程，包括：

模型構建單元，其被配置為：構建自適應彈性網絡；

訓練集構建單元，其被配置為：構建訓練集，所述訓練集包括：已確認發展為慢性阻塞性肺疾病的若干患者的A疾病數據M、已確認未發展為慢性阻塞性肺疾病的若干患者的A疾病數據N、和已確認為慢性阻塞性肺疾病的若干患者的疾病數據P；

訓練單元，其被配置為：

從已確認發展為慢性阻塞性肺疾病的若干患者的A疾病數據M中提取出特征集合m；

從已確認未發展為慢性阻塞性肺疾病的若干患者的A疾病數據N中提取出特征集合n；

從已確認為慢性阻塞性肺疾病的若干患者的所有疾病數據P中提取出特征集合p；

計算特征集合m與特征集合p的相似度，將相似度高的疾病數據M特征賦予高權重，將相似度低的疾病數據M特征賦予低權重；對疾病數據M的特征進行加權求和，得到融合特征m'；將融合特征m'和會發展為慢性阻塞性肺疾病標簽“-1”，作為負樣本；

計算特征集合n與特征集合p的相似度，將相似度高的疾病數據N特征賦予高權重，將相似度低的疾病數據N特征賦予低權重；對疾病數據N的特征進行加權求和，得到融合特征n'；將融合特征n'和未發展為慢性阻塞性肺疾病標簽“+1”，作為正樣本；

將正樣本和負樣本，輸入到自適應彈性網絡中，對自適應彈性網絡進行訓練，當損失函數達到最小值時，停止訓練，得到訓練好的自適應彈性網絡，訓練好的自適應彈性網絡即為預訓練的基于遷移學習的彈性網絡。

2.如權利要求1所述的系統，其特征是，所述待預測A疾病數據，包括：支氣管炎、肺氣腫或哮喘疾病數據中的一種或多種。

3.如權利要求1所述的系統，其特征是，所述從預處理后的待預測A疾病數據中提取待預測疾病的若干個特征；采用過濾式特征選擇算法來進行特征提取。

4.如權利要求3所述的系統，其特征是，采用過濾式特征選擇算法來進行特征提取，包括：

對特征進行相關性分析，對相似度高的任意兩個特征隨機選擇一種保留，刪除另外一種；

對特征進行冗余性分析，提取出與A疾病相關性高于設定閾值的特征，以馬爾科夫毯算法刪除冗余特征。

5.如權利要求1所述的系統，其特征是，所述計算待預測A疾病的所有特征與慢性阻塞性肺疾病數據的所有特征之間的相似度，其中相似度是指歐式距離或余弦距離。

6.如權利要求1所述的系統，其特征是，所述將正樣本和負樣本，輸入到自適應彈性網絡中，對自適應彈性網絡進行訓練，是基于坐標下降法對自適應彈性網絡進行訓練和優化；

所述坐標下降法在迭代循環中使用不同的坐標方向，在當前點處沿一個方向優化來獲取最小值。