[發明專利]一種基于多元時序關系的老年慢病共病預警模型的構建方法

在審

• 申請號: 202310581840.0
• 申請日: 2023-05-23
• 公開（公告）號: CN116597998A
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 龔仁春;張志忠;謝源
• 申請（專利權）人: 華東師范大學
• 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所(普通合伙) 31215
• 代理人: 徐筱梅;張翔

本發明公開了一種基于多元時序關系的老年慢病共病預警模型的構建方法，其特點是采用融合時序關系進行樣本轉換的生成式模型，將樣本豐富的非慢病類轉換為樣本稀疏的慢病類，結合時序Transformer構建統一的時序預警模型對老年慢病進行預警，具體包括：數據的預處理、利用可變掩碼轉換為統一時序數據、分類器和生成器的協同訓練和構建基于多元時序關系的生成式預警模型等步驟。本發明與現有技術相比具有充分利用樣本豐富類的信息，緩解樣本不平衡問題，提升了模型性能，提高了預警模型的準確性，方法簡便，使用效果好，具有良好應用前景。

技術領域

本發明涉及老年慢病共病預測技術領域，具體的說是一種基于多元時序關系的老年慢病共病預警模型的構建方法。

背景技術

老年慢病數據中主要包括靜態數據以及動態數據，靜態數據主要是病人基本信息，醫院檢查結果，以及住院時用藥等，而動態數據主要是出院后周期性隨訪所得到的病人情況包括用藥，不良習慣，癥狀變化等，體現了一種多元時序關系。同時因為慢病發作周期長的特點，每個時間點發病的人群屬于極少的一部分，這就造成了數據類別上的極度不平衡，這對預警模型的構建帶來了極大的挑戰，也出現了許多的方法來解決這兩個問題。

神經網絡出現以后，通常都是使用RNN(recurrent?NN)，以及LSTM(Long?ShortTerm?Memory)來處理時序數據，但二者都是對時序數據進行順序遞歸處理，這引入了極大的計算量，同時由于二者都存在長期依賴性的問題，容易造成性能的下降。針對數據存在的不平衡問題，主要包括重采樣，Cost-sensitive?Learning，Logit?Adjustment以及生成模型等，都能在一定程度上緩解不平衡問題，但在類別極度不平衡的情況下，比如樣本豐富類與樣本稀疏類的比例在1000:1以上，許多方法的效果都顯著下降，尤其是基于樣本稀疏類的方法，因為此時很難在稀疏類上獲取有效信息。

針對類別不平衡的時序數據，通常是上述兩種方法的結合。其中引入生成式模型取得了較大的提升，不過大多數生成式方法都是基于樣本稀疏類中的信息去生成稀疏樣本，比如T-SMOTE，IB-GAN等，這極大地浪費了樣本豐富類中所包含的信息，同時在極度不平衡的情況下，性能也會顯著下降。

發明內容

本發明的目的是針對現有技術的不足而提供的一種基于多元時序關系的老年慢病共病預警模型的構建方法，采用將樣本豐富類轉換為樣本稀疏類的生成式模型與時序Transformer結合的方法，利用生成式模型充分提取樣本豐富類的信息，結合時序Transformer提取的多元時序信息，構建一個統一的時序預警模型對老年慢病進行預警，該方法在時間維度上將數據集中的靜態數據以及多元時序數據進行融合，同時將其中樣本豐富類輸入到生成器中轉換為樣本稀疏類，最終通過分類器對老年慢病共病進行預警，大大提高了預警模型的準確性，該方法對提升模型性能有極大的幫助，具有良好應用前景。

本發明的目的是這樣實現的：一種基于多元時序關系的老年慢病共病預警模型的構建方法，其特點是該方法包括以下步驟：

步驟1：獲取老年慢病共病數據，對數據進行預處理。

步驟2：對預處理后的數據集在時間維度上，將其中的靜態數據以及多元時序數據進行融合。

步驟3：在步驟2處理完后的不平衡的數據集上預訓練分類器。

步驟4：凍結預訓練好的分類器，將數據集中樣本豐富類作為生成器的輸入，隨后將生成器產生的偽樣本輸入到分類器中進行分類，構造損失函數使得生成器產生的樣本遠離樣本豐富類，接近樣本稀疏類。

步驟5，按步驟4訓練生成器固定epoch后，不再凍結分類器，在整個數據集上對生成器和分類器進行協同訓練，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練，得到基于多元時序關系的生成式預警模型，即基于多元時序關系的老年慢病共病預警模型。

步驟6，預測結果