申请/专利权人：浙江大学

申请日：2021-08-05

公开（公告）日：2024-04-16

公开（公告）号：CN113539517B

主分类号：G16H70/20

分类号：G16H70/20;G06F18/241;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：本发明公开了一种时序干预效果的预测方法，包含：获取数据集；构建深度学习模型；同一输入在两个循环神经网络单元形成的两个深度表征组成一对，在其上施加正交化约束；定义总损失函数，对其进行最小化以实现模型的训练优化；采用不同的超参数组合在所述训练集上训练，并在所述验证集上验证其性能，挑选出最佳超参数组合，在测试集上测试采取最佳超参数训练的所述深度学习模型，得到预测的干预效果。本发明的预测方法，通过多任务学习策略利用两个循环神经网络单元分别学习干预措施和干预效果相关表征，并通过正交化约束消除造成选择偏误的混杂因子，最终训练得到时序上的解耦表征，并用于时序干预效果预测。

主权项：1.一种时序干预效果的预测方法，用于对患者接受不同时序干预方案序列时的干预效果进行预测，其特征在于，包含以下步骤：获取时序回顾性实验数据集，将其按比例划分为训练集、验证集和测试集；构建以循环神经网络为基本框架的深度学习模型，所述深度学习模型包括两个分别用于干预措施分类和干预效果预测的循环神经网络单元，两个所述循环神经网络单元以多任务方式分别进行信息编码并形成深度表征；同一输入在两个所述循环神经网络单元形成的两个深度表征组成一对，在其上施加正交化约束；定义总损失函数，所述总损失函数包含干预措施分类任务损失函数、干预效果预测损失函数和正交化约束损失函数，调节各损失函数的系数，对所述总损失函数进行最小化以实现模型的训练优化；使用超参数搜索，采用不同的超参数组合在所述训练集上训练，并在所述验证集上验证其性能，挑选出最佳超参数组合，在测试集上测试采取最佳超参数训练的所述深度学习模型，得到预测的干预效果。

全文数据：

权利要求：

百度查询： 浙江大学 时序干预效果的预测方法

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