[發(fā)明專利]生理狀態(tài)預(yù)測(cè)方法和裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110284772.2
• 申請(qǐng)日: 2021-03-17
• 公開(kāi)（公告）號(hào): CN113066579A
• 公開(kāi)（公告）日: 2021-07-02
• 發(fā)明（設(shè)計(jì)）人: 薛佩姣;賴志明;林志哲;蔣勁峰;薛佳佳
• 申請(qǐng)（專利權(quán)）人: 上海電氣集團(tuán)股份有限公司
• 主分類號(hào): G16H50/30
• 分類號(hào): G16H50/30;G06N20/00
• 代理公司: 上海弼興律師事務(wù)所 31283
• 代理人: 楊東明;張冉

1.一種生理狀態(tài)預(yù)測(cè)方法，其特征在于，包括：

將待測(cè)個(gè)體的生理參數(shù)序列輸入生理狀態(tài)預(yù)測(cè)模型，得到所述生理狀態(tài)預(yù)測(cè)模型的輸出結(jié)果；

其中，所述生理參數(shù)序列包括所述待測(cè)個(gè)體在預(yù)測(cè)起始時(shí)刻前p個(gè)時(shí)間周期內(nèi)的生理特征值；

所述輸出結(jié)果包括所述待測(cè)個(gè)體在所述預(yù)測(cè)起始時(shí)刻后q個(gè)時(shí)間周期內(nèi)處于第一生理狀態(tài)的概率；

所述生理狀態(tài)預(yù)測(cè)模型根據(jù)參考個(gè)體在結(jié)束時(shí)刻前多個(gè)時(shí)間周期內(nèi)的生理特征值和在所述結(jié)束時(shí)刻是否處于第一生理狀態(tài)的分類標(biāo)簽，在基于機(jī)器學(xué)習(xí)的分類模型的基礎(chǔ)上訓(xùn)練而得；

p和q均為正整數(shù)。

2.如權(quán)利要求1所述的生理狀態(tài)預(yù)測(cè)方法，其特征在于，所述生理狀態(tài)預(yù)測(cè)模型通過(guò)以下步驟訓(xùn)練而得：

建立原始數(shù)據(jù)集，所述原始數(shù)據(jù)集包括m個(gè)所述參考個(gè)體的歷史時(shí)序數(shù)據(jù)，所述歷史時(shí)序數(shù)據(jù)包括所述參考個(gè)體的生理參數(shù)序列，所述生理參數(shù)序列包括所述參考個(gè)體按時(shí)間先后順序排序的在結(jié)束時(shí)刻前的多個(gè)時(shí)間周期內(nèi)的n項(xiàng)生理特征值，所述歷史時(shí)序數(shù)據(jù)還包括標(biāo)注的所述參考個(gè)體在所述結(jié)束時(shí)刻是否處于第一生理狀態(tài)的分類標(biāo)簽，m和n均為正整數(shù)；

根據(jù)p和q的取值，基于所述原始數(shù)據(jù)集構(gòu)建樣本集；

利用所述樣本集訓(xùn)練基于機(jī)器學(xué)習(xí)算法的分類模型。

3.如權(quán)利要求2所述生理狀態(tài)預(yù)測(cè)方法，其特征在于，根據(jù)p和q的取值，基于所述原始數(shù)據(jù)集構(gòu)建樣本集，包括：

以一個(gè)所述參考個(gè)體同一個(gè)時(shí)刻的所述n項(xiàng)生理特征值為一個(gè)樣本，在每個(gè)所述參考個(gè)體的生理參數(shù)序列上以p*T為滑動(dòng)窗口寬度、T為滑動(dòng)步長(zhǎng)、滑動(dòng)q次提取相應(yīng)的值作為輸入樣本，提取每個(gè)所述參考個(gè)體在所述結(jié)束時(shí)刻的分類標(biāo)簽作為輸出樣本，建立輸入樣本和輸出樣本一一對(duì)應(yīng)的映射關(guān)系，形成所述樣本集；

其中，T表示時(shí)間周期。

4.如權(quán)利要求2所述的生理狀態(tài)預(yù)測(cè)方法，其特征在于，不同參考個(gè)體的所述生理參數(shù)序列的結(jié)束時(shí)刻相同或不同，不同參考個(gè)體的所述生理參數(shù)序列在所述結(jié)束時(shí)刻前所包括的時(shí)間周期個(gè)數(shù)相同或不同。

5.如權(quán)利要求3所述的生理狀態(tài)預(yù)測(cè)方法，其特征在于，以在所述結(jié)束時(shí)刻處于所述第一生理狀態(tài)的參考個(gè)體為正樣本，對(duì)于所述正樣本，從所述結(jié)束時(shí)刻為起始點(diǎn)向前滑動(dòng)q次提取相應(yīng)的值作為所述輸入樣本；

以在所述結(jié)束時(shí)刻不處于所述第一生理狀態(tài)的參考個(gè)體為負(fù)樣本，對(duì)于所述負(fù)樣本，從所述結(jié)束時(shí)刻或所述結(jié)束時(shí)刻前的一個(gè)時(shí)刻為起始點(diǎn)向前滑動(dòng)q次提取相應(yīng)的值作為所述輸入樣本。

6.如權(quán)利要求5所述的生理狀態(tài)預(yù)測(cè)方法，其特征在于，利用所述樣本集訓(xùn)練基于機(jī)器學(xué)習(xí)算法的分類模型，具體包括：

從所述樣本集中提取相對(duì)應(yīng)的輸入樣本和輸出樣本分別構(gòu)建訓(xùn)練集、驗(yàn)證集和測(cè)試集；

根據(jù)所述驗(yàn)證集選擇所述機(jī)器學(xué)習(xí)算法的最優(yōu)的基本參數(shù)，根據(jù)所述訓(xùn)練集訓(xùn)練基于所述機(jī)器學(xué)習(xí)算法的初始分類模型，得到生理狀態(tài)分類模型，根據(jù)所述測(cè)試集測(cè)試所述生理狀態(tài)分類模型的準(zhǔn)確度。

7.如權(quán)利要求1至6中任一項(xiàng)所述的生理狀態(tài)預(yù)測(cè)方法，其特征在于，所述第一生理狀態(tài)為發(fā)生器官衰竭感染；

和/或，p＝{1,2,3,4,5}，q＝{1,2,3,4,5}；

和/或，所述機(jī)器學(xué)習(xí)算法采用LightGBM算法，其最優(yōu)的基本參數(shù)包括：

最大葉節(jié)點(diǎn)數(shù)為5，最大樹(shù)深度為3，每片葉子上的最小數(shù)據(jù)個(gè)數(shù)為5，學(xué)習(xí)率為0.1，L2正則化系數(shù)為0.1，基礎(chǔ)分類器為gbdt。