[發(fā)明專利]建立自閉癥兒童康復(fù)效果預(yù)測(cè)模型的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110111675.3
• 申請(qǐng)日: 2021-01-27
• 公開(kāi)（公告）號(hào): CN112668809B
• 公開(kāi)（公告）日: 2021-09-21
• 發(fā)明（設(shè)計(jì)）人: 陳東帆;洪云;王恒民;邊鑫;周琪峰;姚安勇;陳圣棣;沈林國(guó);韓立文
• 申請(qǐng)（專利權(quán)）人: 華東師范大學(xué);上海驪驍康復(fù)科技發(fā)展有限公司;上海徐匯區(qū)博愛(ài)兒童康健園
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06K9/62;G06N20/00;G16H50/30
• 代理公司: 上海德禾翰通律師事務(wù)所 31319
• 代理人: 夏思秋

1.一種建立自閉癥兒童康復(fù)效果預(yù)測(cè)模型的方法，其特征在于，所述方法包含以下步驟：

步驟a：獲取自閉癥兒童的基本信息；

步驟b：獲取自閉癥兒童中殘聯(lián)47項(xiàng)指標(biāo)的評(píng)估結(jié)果信息；

步驟c：將所述基本信息和評(píng)估結(jié)果信息矢量化為特征值；

步驟d：依據(jù)所述特征值進(jìn)行機(jī)器學(xué)習(xí)，建立用于自閉癥兒童康復(fù)效果預(yù)測(cè)的模型，并得到上述基本信息和47項(xiàng)指標(biāo)的評(píng)估結(jié)果信息矢量化特征值對(duì)于自閉癥兒童康復(fù)效果的權(quán)重值；

所述模型為F模型，用以預(yù)測(cè)通過(guò)XGBoost算法，最小化L_MSE，即以獲得最貼近實(shí)際結(jié)果的模型；其中，i是數(shù)據(jù)集中的第i組數(shù)據(jù)，n為數(shù)據(jù)集的總樣本量，為模型F(x)對(duì)第i組數(shù)據(jù)的預(yù)測(cè)結(jié)果，y_i為第i組數(shù)據(jù)的實(shí)際輸出結(jié)果；所述數(shù)據(jù)集為所有兒童的30項(xiàng)兒童基本信息及47項(xiàng)指標(biāo)的評(píng)估結(jié)果信息矢量化特征值；

所述模型建立分為M個(gè)階段，在每個(gè)階段m中，1≤m≤M，對(duì)F_m進(jìn)行預(yù)測(cè)，F(xiàn)_m為第m個(gè)階段的F(x)對(duì)y的預(yù)測(cè)函數(shù)，而預(yù)測(cè)結(jié)果與實(shí)際結(jié)果之間的運(yùn)算差值采用預(yù)測(cè)器h_m(x)來(lái)彌補(bǔ)，則預(yù)測(cè)結(jié)果為F_m+1(x)＝F_m(x)+h_m(x)＝y(tǒng)，亦可表示為h_m(x)＝y(tǒng)-F_m(x)；其中，y為實(shí)際輸出結(jié)果，F(xiàn)_m(x)為模型的預(yù)測(cè)結(jié)果；

已知實(shí)際的差值為L(zhǎng)_MSE，即結(jié)合前面求得的結(jié)果，即h_m(x)＝y(tǒng)-F_m(x)，使本輪預(yù)測(cè)的預(yù)測(cè)器h_m(x)接近于下式：

為了最小化模型誤差每個(gè)預(yù)測(cè)器均作為弱預(yù)測(cè)器，而最終的預(yù)測(cè)器是每個(gè)弱預(yù)測(cè)器的預(yù)測(cè)結(jié)果之和，每個(gè)弱預(yù)測(cè)器的模型如下：其中，γ_ih_i(x)為本輪預(yù)測(cè)的預(yù)測(cè)模型，const為運(yùn)算過(guò)程中得到的常數(shù)；

為了考慮到更多的場(chǎng)景，使用貪婪算法進(jìn)行預(yù)測(cè)，貪婪算法的模型如下：

其中，為預(yù)測(cè)器；

在預(yù)測(cè)中采用CART回歸樹(shù)的思想，運(yùn)用了如下函數(shù)將預(yù)測(cè)函數(shù)F_m拆分：F_m(x)＝F_m-1(x)+γ_mh_m(x)，用以將弱預(yù)測(cè)器歸類為不同的決策樹(shù)，并獲得不同的權(quán)重；

在模型中，通過(guò)算法防止過(guò)擬合，其原理為在計(jì)算原函數(shù)的MSE時(shí)，在原函數(shù)上增加人為的誤差以增加模型的普適性，具體算法如下：

將實(shí)際模型簡(jiǎn)化為：y＝f(x)+ε；

其中，f(x)為預(yù)測(cè)函數(shù)，ε為人為增加的誤差，誤差的平均值為0，方差為σ²；

為了找到盡量貼合原函數(shù)f(x)的新函數(shù)則在數(shù)據(jù)集D中，盡量減小其中，D＝{(x₁，y₁)…，(x_n，y_n)}；

的誤差集為E_D，通過(guò)以下步驟展開(kāi)E_D：

最終可得如下函數(shù)：假定模型的預(yù)測(cè)結(jié)果為準(zhǔn)確的；其中，

經(jīng)過(guò)上述運(yùn)算，修正后的MSE如下：

所述基本信息、評(píng)估結(jié)果信息及矢量化數(shù)據(jù)如下表：

2.如權(quán)利要求1所述的建立自閉癥兒童康復(fù)效果預(yù)測(cè)模型的方法，其特征在于，運(yùn)用交叉驗(yàn)證技術(shù)，反復(fù)將數(shù)據(jù)集拆分為運(yùn)算集和測(cè)試集，對(duì)樣本進(jìn)行多次模型建立，并篩選出其中結(jié)果最優(yōu)的模型；所述最優(yōu)的模型為根據(jù)運(yùn)算集得到的模型，用測(cè)試集中的輸入信息預(yù)測(cè)輸出信息，其結(jié)果與測(cè)試集中的輸出信息進(jìn)行比對(duì)，保留正確率最高的模型；進(jìn)一步篩選最優(yōu)的參數(shù)。

3.如權(quán)利要求1或2所述的建立自閉癥兒童康復(fù)效果預(yù)測(cè)模型的方法，其特征在于，所述模型包括多棵代表不同特征分類的弱決策樹(shù)；

所述樣本根據(jù)其特征在每棵弱決策樹(shù)上對(duì)應(yīng)一個(gè)節(jié)點(diǎn)；所述節(jié)點(diǎn)對(duì)應(yīng)著該棵決策樹(shù)上的分?jǐn)?shù)；

所述樣本在所有決策樹(shù)上的分?jǐn)?shù)加和即為該樣本的特征值。

4.一種預(yù)測(cè)自閉癥兒童康復(fù)效果的系統(tǒng)，其特征在于，所述系統(tǒng)包含以下：

數(shù)據(jù)錄入模塊，負(fù)責(zé)錄入自閉癥兒童的基本信息和中殘聯(lián)47項(xiàng)指標(biāo)的評(píng)估結(jié)果信息；

數(shù)據(jù)庫(kù)模塊，負(fù)責(zé)儲(chǔ)存，篩選錄入的自閉癥兒童基本信息及中殘聯(lián)47項(xiàng)指標(biāo)的評(píng)估結(jié)果信息；所述篩選為根據(jù)所需要獲得的模型依照模型特征對(duì)數(shù)據(jù)進(jìn)行篩選；

機(jī)器學(xué)習(xí)模塊，負(fù)責(zé)通過(guò)XGBoost算法學(xué)習(xí)并采用如權(quán)利要求1或2所述方法建立自閉癥兒童康復(fù)效果預(yù)測(cè)模型，獲得各項(xiàng)自閉癥兒童特征對(duì)于自閉癥兒童康復(fù)效果的權(quán)重值；

預(yù)測(cè)模塊，負(fù)責(zé)將錄入的自閉癥兒童的基本信息及中殘聯(lián)47項(xiàng)指標(biāo)的評(píng)估結(jié)果信息代入模型中進(jìn)行預(yù)測(cè)；

輸出模塊，其用于輸出自閉癥兒童的康復(fù)概率。