[發(fā)明專利]一種基于多元時序關(guān)系的老年慢病共病預(yù)警模型的構(gòu)建方法在審
| 申請?zhí)枺?/td> | 202310581840.0 | 申請日： | 2023-05-23 |
| 公開（公告）號： | CN116597998A | 公開（公告）日： | 2023-08-15 |
| 發(fā)明（設(shè)計）人： | 龔仁春;張志忠;謝源 | 申請（專利權(quán)）人： | 華東師范大學(xué) |
| 主分類號： | G16H50/30 | 分類號： | G16H50/30;G16H50/70;G16H10/60;G06F18/241;G06F18/2136;G06F18/25;G06N3/045 |
| 代理公司： | 上海藍迪專利商標事務(wù)所(普通合伙) 31215 | 代理人： | 徐筱梅;張翔 |
| 地址： | 200241 *** | 國省代碼： | 上海;31 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 基于 多元 時序 關(guān)系 老年 慢病共病 預(yù)警 模型 構(gòu)建 方法 | ||
1.一種基于多元時序關(guān)系的老年慢病共病預(yù)警模型的構(gòu)建方法，其特征在于，采用融合時序關(guān)系進行樣本轉(zhuǎn)換的生成式模型，將樣本豐富的非慢病類轉(zhuǎn)換為樣本稀疏的慢病類，結(jié)合時序Transformer構(gòu)建統(tǒng)一的時序預(yù)警模型對老年慢病共病進行預(yù)警，具體包括以下步驟：
步驟1：原始數(shù)據(jù)的預(yù)處理
獲取老年慢病數(shù)據(jù)，通過刪除有效信息較少的無關(guān)特征以及冗余特征，選出不同類型的老年慢病數(shù)據(jù)中的重要特征，并對包含多個類別的特征進行one-hot編碼，得到老年慢病數(shù)據(jù)集；
步驟2：利用可變掩碼轉(zhuǎn)換為統(tǒng)一時序數(shù)據(jù)
將老年慢病數(shù)據(jù)集在時間維度上，將其中的靜態(tài)數(shù)據(jù)以及多元時序數(shù)據(jù)進行融合，利用可變掩碼將不同跨度的時序序列轉(zhuǎn)換為統(tǒng)一時序數(shù)據(jù)，得到不平衡的老年慢病數(shù)據(jù)集；
步驟3：分類器的預(yù)訓(xùn)練
在不平衡的老年慢病數(shù)據(jù)集上預(yù)訓(xùn)練由時序Transformer構(gòu)建的分類器；
步驟4：生成器的訓(xùn)練
凍結(jié)預(yù)訓(xùn)練好的分類器，將不平衡的老年慢病數(shù)據(jù)集中的樣本豐富類作為生成器的輸入，訓(xùn)練生成器，生成器產(chǎn)生的偽樣本輸入到分類器中進行分類，構(gòu)造損失函數(shù)使得生成器產(chǎn)生的樣本遠離樣本豐富類，接近樣本稀疏類；
步驟5：預(yù)警模型的構(gòu)建
訓(xùn)練生成器固定epoch后，不再凍結(jié)分類器，在不平衡的老年慢病數(shù)據(jù)集上對生成器和分類器進行協(xié)同訓(xùn)練，樣本豐富類輸入到生成器后與生成的偽樣本一起輸入到分類器中進行分類，而樣本稀疏類直接輸入到分類器中進行訓(xùn)練，構(gòu)建基于多元時序關(guān)系的生成式預(yù)警模型，即基于多元時序關(guān)系的老年慢病共病預(yù)警模型；
步驟6：預(yù)測結(jié)果
將指定維度的老年慢病數(shù)據(jù)輸入上述構(gòu)建的生成式預(yù)警模型，即可完成對指定時間段內(nèi)的疾病預(yù)警。
2.根據(jù)權(quán)利要求1所述基于多元時序關(guān)系的老年慢病共病預(yù)警模型的構(gòu)建方法，其特征在于，所述步驟2利用可變掩碼轉(zhuǎn)換為統(tǒng)一時序數(shù)據(jù)具體包括：
步驟2-1：融合不同類型的數(shù)據(jù)，每一份時序數(shù)據(jù)都與對應(yīng)的靜態(tài)數(shù)據(jù)進行拼接，隨后對所有數(shù)據(jù)進行imputation；
步驟2-2：將預(yù)處理后的數(shù)據(jù)以時序為軸reshape，將獲得的不平衡老年慢病數(shù)據(jù)集shape為[樣本id，時序，特征]。
3.根據(jù)權(quán)利要求1所述基于多元時序關(guān)系的老年慢病共病預(yù)警模型的構(gòu)建方法，其特征在于，所述步驟3分類器的預(yù)訓(xùn)練操作具體包括：
步驟3-1：從某個固定的時間點開始，若在該時間點或之后的時間點發(fā)生了某種疾病，則保留發(fā)病時間點之前的時序數(shù)據(jù)和mask掉之后的時序數(shù)據(jù)，從而使得類別之間的樣本數(shù)更均衡；
步驟3-2：選用時序Transformer作為分類器，F(xiàn)ocal_Loss作為下述(a)式表示的損失函數(shù)FL，對分類器進行預(yù)訓(xùn)練：
FL(pt)＝-(1-pt)γlog(pt)????(a)；
其中，pt為分類器輸出的概率，γ為可調(diào)節(jié)因子。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于華東師范大學(xué)，未經(jīng)華東師范大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202310581840.0/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
