申请/专利权人：湖南大学

申请日：2024-01-08

公开（公告）日：2024-04-05

公开（公告）号：CN117831784A

主分类号：G16H50/70

分类号：G16H50/70;G16H50/20;G16H50/30;G06N3/0442;G06N3/045;G06N3/084;G06N3/096;G06F18/15;G06F18/214;G06F18/21;G06F18/25;G06F18/2415;G06N3/048;G06F123/02

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.23#实质审查的生效;2024.04.05#公开

摘要：本发明公开了一种脓毒症多器官功能障碍预测模型结构，将时序数据和非时序数据进行有效整合，使得模型能够充分挖掘患者的病情信息，实现对脓毒症多器官功能障碍的准确预测；然后，本发明提供了脓毒症多器官功能障碍预测模型的训练方法，为了提高模型的性能和泛化能力，本发明还引入了迁移学习方法，利用源域数据集进行预训练，然后在医院数据集上进行微调和验证，以得到最终训练好的脓毒症多器官功能障碍预测模型。本发明能够解决现有脓毒症多器官功能障碍预测模型由于样本量不足以支持复杂模型的训练，导致训练得到的脓毒症多器官功能障碍预测模型在源域数据上表现良好、但在目标域上泛化能力较差的技术问题。

主权项：1.一种脓毒症多器官功能障碍预测模型，其包括依次连接的双向长短时记忆网络Bi-LSTM、矩阵拼接模块、两个多层感知器MLP以及Softmax函数层，其特征在于，对于Bi-LSTM而言，其用于处理时序数据，其输入为当前时刻t时的输入xt，输出为当前时刻t时的前向隐藏状态和后向隐藏状态合并后的输出Bi-LSTM包括前向LSTM单元和后向LSTM单元；前向LSTM单元根据当前时刻t时的输入xt和上一时刻t-1时隐藏层的隐藏状态来获取其t时刻的前向隐藏状态，该过程通过以下公式表示： 其中，LSTMfw是前向LSTM的函数。后向LSTM单元根据当前时刻t时的输入xt和下一时刻t+1时隐藏层的隐藏状态来获取其t时刻的反向隐藏状态，该过程通过以下公式表示： 其中，LSTMbw是后向LSTM的函数。当前时刻t时刻的前向隐藏状态和反向隐藏状态合并成为当前时刻t时Bi-LSTM的输出其中[；]表示将两个隐藏状态连接起来；第一MLP包括一个或多个隐藏层，第一MLP的输入为数据XMLP，输出为第一MLP中最后一个隐藏层输出HMLP，第一MLP的公式可以表示为：HMLP＝ActivationWMLP·XMLP+BMLP其中Activation为激活函数，WMLP为第一MLP的权重，BMLP为第一MLP的偏置；对于矩阵拼接模块而言，其输入为当前时刻t时的前向LSTM和后向LSTM合并后的输出以及第一个MLP中最后一个隐藏层的输出HMLP，输出为当前时刻t时合并后的特征向量对于第二MLP而言，其包括一个或多个隐藏层，第二MLP的输入为当前时刻t时合并后的特征向量输出为第二MLP中最后一个隐藏层输出HFinal。第二MLP的公式可以表示为： 其中Activation为激活函数，WFinal表示第二MLP的权重，BFinal表示第二MLP的偏置，二者的取值在模型训练过程中不断变化。对于Softmax层而言，其输入为第二MLP中的最后一个隐藏层的输出logits，输出为概率分布

全文数据：

权利要求：

百度查询： 湖南大学 一种脓毒症多器官功能障碍预测模型及其训练方法

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