申请/专利权人：江苏省人民医院(南京医科大学第一附属医院)

申请日：2020-12-31

公开（公告）日：2022-09-23

公开（公告）号：CN115099158A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/04;G06N3/08;G16H20/40

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.11.01#实质审查的生效;2022.09.23#公开

摘要：本发明公开一种参数预测模型的构建方法，包括如下步骤：步骤1：选定模型训练阶段的输入值和期望输出值，步骤2：构建BP神经网络模型；步骤3：训练模型，得到适用于SMILE手术切削厚度预测的BP神经网络模型。优点：基于BP神经网络对现有的大量数据进行深度学习，并可独立于SMILE手术机器实现预测功能。因此，本发明能够在保证预测精度的基础之上，从根本上实现全飞秒手术适应症的科学、快速筛查，并可节约临床时间。

主权项：1.一种参数预测模型的构建方法，其特征在于，包括如下步骤:步骤1：根据厂家提供的官方数据以及历史患者数据，选定患者球镜度数SPH、柱镜度数CYL、角膜曲率半径K和基质透镜直径Diameter4项指标作为模型训练阶段的输入值，选定输入量所一一对应的切削厚度值Y作为模型训练阶段的期望输出值；步骤2：根据步骤1中的输入量和期望输出量，构建BP神经网络模型，BP神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，输入层的输入指标是步骤1选择的输入量，输出层的输出指标为期望输出量；根据实际预测精度要求，设定期望误差W；其中，隐含层和输出层激励函数均选取为tansig,网络训练函数为trainglm,网络性能函数为mse；BP神经网络模型选用S型传递函数logsig，其表达式为通过反传误差函数不断调节网络权值和阈值使误差函数E达到小于期望误差W的程度；其中，Ti为期望输出，Qi为网络计算输出；BP神经网络模型的神经元数目，隐含层的神经元数目L通过参照以下公式确定： c为输入层的节点数，b为输出层的节点数，a为[1，10]之间的常数；步骤3：训练步骤2中的BP神经网络模型；具体的训练步骤如下：步骤31、以步骤1中选定的4项指标的数据生成输入向量P1；以步骤1中选定的期望输出值的数据生成输出向量T1，此输出向量T1作为期望输出向量；P1＝[S1，S2，S3，...，Sn；C1，C2，C3，...，Cn；K1，K2，K3，...，Kn；D1，D2，D3，...，Dn]；T1＝[Y1，Y2，Y3，...，Yn]；其中，n为历史样本数据个数，输入向量P由患者球镜度数SPH、柱镜度数CYL、角膜曲率半径K和基质透镜直径Diameter组成，患者球镜度数SPH、柱镜度数CYL、角膜曲率半径K和基质透镜直径Diameter分别简称为S、C、K和D；步骤32、将输入向量P1输入BP神经网络模型得到实际输出向量，此实际输出向量为切削厚度值Y的预测值；步骤33、将输出向量T1输入BP神经网络模型，计算出切削厚度值Y的预测值与期望值的均方根误差；步骤34、以此均方根误差作为BP神经网络误差反向传播算法的输入数据，对BP神经网络模型进行循环往复训练，直至输出的切削厚度值Y的预测值与期望值之间的误差小于设定的期望误差W，模型训练完成，并保存该BP神经网络模型；步骤35、得到适用于SMILE手术切削厚度预测的BP神经网络模型。

全文数据：

权利要求：

百度查询： 江苏省人民医院(南京医科大学第一附属医院) 一种参数预测模型的构建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD