申请/专利权人：南京邮电大学

申请日：2021-07-19

公开（公告）日：2024-03-19

公开（公告）号：CN113658721B

主分类号：G16H70/60

分类号：G16H70/60;G16H50/70;G06N3/0442;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.12.03#实质审查的生效;2021.11.16#公开

摘要：本发明公开了一种阿尔兹海默疾病进程预测方法，患者在固定时间间隔内测量得到多视图数据，阿尔兹海默疾病进程预测方法包括对多视图数据进行预处理；使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵；在隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；并使用多视图数据对多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。本发明通过多视图融合神经网络为每个时间点的多视图数据习得各视图间共享的隐表示矩阵，同时，最小门控单元预测得到的下一个时间点的数据用于填补缺失的数据，利用最小门控单元进行未来任意时间点的评分数据预测。

主权项：1.一种阿尔兹海默疾病进程预测方法，其特征在于：患者在固定时间间隔内测量得到多视图数据，所述阿尔兹海默疾病进程预测方法包括以下步骤：S1、对所述多视图数据进行预处理，得到的多视图数据S2、使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵所述隐表示矩阵能够描述患者的综合特征，通过各视图间的互补关系来学习所述隐表示矩阵并通过网络映射重建出各视图的数据其中，表示第v种视图的特征表示；使用重建损失函数对所述多视图数据进行学习得到各个时间点的隐表示矩阵Ht，所述重建损失函数的表达式为： 其中，V为所述多视图数据的总个数，T表示各视图数据中已知时间点的个数，隐表示矩阵nt表示在第t个时间点有视图的样本个数，dh表示学习得到的隐表示h的特征维度；fv·；Θv是针对第v个视图且以Θv为参数的退化网络，表示在第t个时间点下第v个视图的可用样本数，dv表示第v个视图的特征个数，则表示为第t个时间点的个样本的第v个视图的特征向量集合，每条特征向量包含dv个特征，和分别表示核磁共振成像、正电子发射断层显像和人口统计学特征在第t个时间点的特征矩阵；是一个对角指示矩阵，用于忽略缺失数据的损失，||·||F表示Frobenius范数，表达式为：S3、在所述隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；最小门控单元的原理为：隐藏状态ct表示为融合了样本直到当前时间点的过去所有时间点的历史信息，用于预测下一个时间点的输入数据st+1，在每一时间点t，同时将输入数据st和上一时间点的隐藏状态ct-1输入到最小门控单元中，得到当前时间点的隐藏状态ct，具体公式如下：zt＝σct-1Uz+stWz； 其中，st和ct分别表示第t个时间点的输入数据和隐藏状态；Uz、Wz、Uc、Wc为网络参数；zt和为中间计算结果；⊙表示点积操作，tanh·表示双曲正切函数；σ·表示Sigmoid激活函数；S4、使用多视图数据对所述多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。

全文数据：

权利要求：

百度查询： 南京邮电大学 阿尔兹海默疾病进程预测方法

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