CN111191773A - 更新信息预测网络的网络参数的方法、装置、介质及设备 - Google Patents

更新信息预测网络的网络参数的方法、装置、介质及设备 Download PDF

Info

Publication number
CN111191773A
CN111191773A CN202010013072.5A CN202010013072A CN111191773A CN 111191773 A CN111191773 A CN 111191773A CN 202010013072 A CN202010013072 A CN 202010013072A CN 111191773 A CN111191773 A CN 111191773A
Authority
CN
China
Prior art keywords
network
function value
information
fitness function
server
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010013072.5A
Other languages
English (en)
Inventor
邢金栓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taikang Insurance Group Co Ltd
Original Assignee
Taikang Insurance Group Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Taikang Insurance Group Co Ltd filed Critical Taikang Insurance Group Co Ltd
Priority to CN202010013072.5A priority Critical patent/CN111191773A/zh
Publication of CN111191773A publication Critical patent/CN111191773A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供一种更新信息预测网络的网络参数的方法、更新信息预测网络的网络参数的装置、计算机可读存储介质及电子设备；涉及人工智能技术领域，包括：服务器采集符合训练要求的样本数据并标注样本数据所属的原始类别信息；服务器通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值；服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；服务器通过目标适应度函数值更新信息预测网络的网络参数。本公开能够提升网络参数更新效率。

Description

更新信息预测网络的网络参数的方法、装置、介质及设备
技术领域
本公开涉及人工智能技术领域，具体而言，涉及一种更新信息预测网络的网络参数的方法、更新信息预测网络的网络参数的装置、计算机可读存储介质及电子设备。
背景技术
BP(Back Propagation)神经网络是一种多层的前馈神经网络。其训练过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置，训练后的BP神经网络可以用于预测、识别等。
通过上述训练过程训练BP网络通常需要多次的前向传播和反向传播，进而通过对权重和偏置等网络参数的多次更新，提升BP神经网络的预测效果或识别准确率，但是，通过上述方式进行网络参数更新会存在效率较低的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种更新信息预测网络的网络参数的方法、更新信息预测网络的网络参数的装置、计算机可读存储介质及电子设备，在一定程度上克服网络参数更新效率较低的问题，通过对网络参数的适应度函数值的计算及筛选确定出用于更新网络参数的适应度函数值，进而更新网络参数，能够提升网络参数更新效率，改善网络训练效果。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的第一方面，提供一种更新信息预测网络的网络参数的方法，包括：
服务器从样本数据库中采集符合训练要求的样本数据并标注样本数据所属的原始类别信息；
服务器通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值；
服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；
服务器通过目标适应度函数值更新信息预测网络的网络参数。
在本公开的一种示例性实施例中，样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，服务器标注样本数据所属的原始类别信息，包括以下步骤：
服务器确定多个患者分别对应的病情结果并将病情结果分别标注为对应患者的原始类别信息；其中，病情结果包括结局事件和结局体征参数中至少一种，结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。
在本公开的一种示例性实施例中，服务器通过信息预测网络确定样本数据所属的类别信息之前，该方法还可以包括以下步骤：
服务器对信息预测网络的网络结构进行初始化，以确定网络结构中各层对应的神经元节点数量；其中，网络结构包括输入层、隐含层以及输出层。
在本公开的一种示例性实施例中，服务器通过信息预测网络确定样本数据所属的类别信息，包括以下步骤：
服务器对样本数据进行特征提取，得到与样本数据对应的特征向量；
服务器将特征向量输入信息预测网络，并确定输入层的各神经元节点与隐含层的各神经元节点之间的第一权重值；
服务器确定隐含层的各神经元节点与输出层的各神经元节点之间的第二权重值；其中，网络参数包括第一权重值和第二权重值；
服务器根据第一权重值与第一权重值对应的特征向量计算隐含层的各神经元节点分别对应的加权和；
服务器通过隐含层的神经元节点对加权和进行特征变换处理，并根据特征变换结果和第二权重值确定样本数据所属的类别信息。
在本公开的一种示例性实施例中，服务器计算类别信息与原始类别信息之间的损失函数值，包括以下步骤：
服务器确定原始类别信息对应的多个第一特征值和类别信息对应的多个第二特征值；其中，第一特征值与第二特征值一一对应；
服务器确定第一特征值与对应的第二特征值之间的损失函数值。
在本公开的一种示例性实施例中，服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，包括以下步骤：
服务器计算损失函数值的绝对值之和，作为信息预测网络中网络参数对应的适应度函数值。
在本公开的一种示例性实施例中，服务器对适应度函数值进行多次筛选处理，得到目标适应度函数值，包括以下步骤：
服务器根据预设阈值对适应度函数值进行筛选，并对筛选后的适应度函数值对应的网络参数进行交叉处理和/或变异处理，直到交叉处理和/或变异处理后的网络参数对应的适应度函数值收敛，将收敛的适应度函数值确定为目标适应度函数值。
在本公开的一种示例性实施例中，服务器通过目标适应度函数值更新信息预测网络的网络参数，包括以下步骤：
服务器将信息预测网络中的网络参数更新为目标适应度函数值对应的网络参数。
根据本公开的第二方面，提供一种更新信息预测网络的网络参数的装置，包括信息采集单元、信息预测单元、适应度函数值计算单元以及网络参数更新单元，其中：
信息采集单元，用于从样本数据库中采集符合训练要求的样本数据并标注样本数据所属的原始类别信息；
信息预测单元，用于通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值；
适应度函数值计算单元，用于根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；
网络参数更新单元，用于通过目标适应度函数值更新信息预测网络的网络参数。
在本公开的一种示例性实施例中，样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，信息采集单元标注样本数据所属的原始类别信息的方式具体可以为：
信息采集单元确定多个患者分别对应的病情结果并将病情结果分别标注为对应患者的原始类别信息；其中，病情结果包括结局事件和结局体征参数中至少一种，结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。
在本公开的一种示例性实施例中，该装置还可以包括初始化单元，其中：
初始化单元，用于在信息预测单元通过信息预测网络确定样本数据所属的类别信息之前，对信息预测网络的网络结构进行初始化，以确定网络结构中各层对应的神经元节点数量；其中，网络结构包括输入层、隐含层以及输出层。
在本公开的一种示例性实施例中，信息预测单元通过信息预测网络确定样本数据所属的类别信息的方式具体可以为：
信息预测单元对样本数据进行特征提取，得到与样本数据对应的特征向量；
信息预测单元将特征向量输入信息预测网络，并确定输入层的各神经元节点与隐含层的各神经元节点之间的第一权重值；
信息预测单元确定隐含层的各神经元节点与输出层的各神经元节点之间的第二权重值；其中，网络参数包括第一权重值和第二权重值；
信息预测单元根据第一权重值与第一权重值对应的特征向量计算隐含层的各神经元节点分别对应的加权和；
信息预测单元通过隐含层的神经元节点对加权和进行特征变换处理，并根据特征变换结果和第二权重值确定样本数据所属的类别信息。
在本公开的一种示例性实施例中，信息预测单元计算类别信息与原始类别信息之间的损失函数值的方式具体可以为：
信息预测单元确定原始类别信息对应的多个第一特征值和类别信息对应的多个第二特征值；其中，第一特征值与第二特征值一一对应；
信息预测单元确定第一特征值与对应的第二特征值之间的损失函数值。
在本公开的一种示例性实施例中，适应度函数值计算单元根据损失函数值计算信息预测网络的网络参数对应的适应度函数值的方式具体可以为：
适应度函数值计算单元计算损失函数值的绝对值之和，作为信息预测网络中网络参数对应的适应度函数值。
在本公开的一种示例性实施例中，适应度函数值计算单元对适应度函数值进行多次筛选处理，得到目标适应度函数值的方式具体可以为：
适应度函数值计算单元根据预设阈值对适应度函数值进行筛选，并对筛选后的适应度函数值对应的网络参数进行交叉处理和/或变异处理，直到交叉处理和/或变异处理后的网络参数对应的适应度函数值收敛，将收敛的适应度函数值确定为目标适应度函数值。
在本公开的一种示例性实施例中，网络参数更新单元通过目标适应度函数值更新信息预测网络的网络参数的方式具体可以为：
网络参数更新单元将信息预测网络中的网络参数更新为目标适应度函数值对应的网络参数。
根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的方法。
根据本公开的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的方法。
本公开示例性实施例可以具有以下部分或全部有益效果：
在本公开的一示例实施方式所提供的更新信息预测网络的网络参数的方法中，服务器可以从样本数据库中采集符合训练要求的样本数据(如，患者个人信息、早期病症)并标注样本数据所属的原始类别信息(如，患者最终的治疗结果)；以及，可以通过信息预测网络确定样本数据所属的类别信息，并计算类别信息(如，出院)与原始类别信息(如，死亡)之间的损失函数值，即，类别信息与原始类别信息之间的误差；以及，可以根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；以及，可以通过目标适应度函数值更新信息预测网络的网络参数，这样可以减少对于网络参数的更新频率，进而提升对于信息预测网络的训练效率。依据上述方案描述，本公开一方面能够在一定程度上克服网络参数更新效率较低的问题，通过对网络参数的适应度函数值的计算及筛选确定出用于更新网络参数的适应度函数值，进而更新网络参数，能够提升网络参数更新效率，改善网络训练效果；另一方面，当本申请应用于危急重症的预测时，可以根据患者的当前信息预测得到患者未来的治疗结果，以便医生根据治疗结果及时调整治疗方案，改善治疗效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示意性示出了根据本公开的一个实施例的更新信息预测网络的网络参数的方法的流程图；
图2示意性示出了根据本公开的一个实施例的信息预测网络的架构图；
图3示意性示出了根据本公开的一个实施例的基于信息预测网络的危重症患者确定方法的流程图；
图4示意性示出了根据本公开的另一个实施例的更新信息预测网络的网络参数的方法的流程图；
图5示意性示出了根据本公开的一个实施例中的更新信息预测网络的网络参数的装置的结构框图；
图6示出了可以应用本公开实施例的一种更新信息预测网络的网络参数的方法及更新信息预测网络的网络参数的装置的示例性系统架构的示意图；
图7示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
以下对本公开实施例的技术方案进行详细阐述：
在危急重症领域中，住院患者在发生病情变化转入重症监护室之前通常会有生命体征的改变，如，呼吸急促、心律失常、血压异常、血氧饱和度低等。如果能够根据患者早期的生命体征参数预测到该患者未来的治疗结果(如，转入重症监护室、死亡、出院等)，则会有助于医护人员及时进行干预，提高治愈成功率。
因此，发明人想到，可以设计一个用于进行危急重症预测的网络，以解决上述问题。通常情况下，危急重症预测网络为一种神经网络，通过多次的参数调整，优化神经网络的预测准确率，而一般的参数调整是基于样本数据所属类别与预测类别的误差进行的，这样会存在需要多次正反向传播才能将参数调整至适当的范围，降低了对于危急重症预测网络的训练效率。
基于上述问题，发明人进一步想到，可以结合遗传算法中对于适应度函数的计算在更短的时间内找到适合危急重症预测网络的参数，这样可以节省多次正反向传播的时间，在更短的时间内将参数调整至适当的范围，这样不仅可以提升网络训练效率，还可以基于遗传算法寻找最优个体的特性，使得确定出的参数为适用于危急重症预测网络的最优参数，进而提升危急重症预测网络的预测准确率；其中，危急重症预测网络即为下述的信息预测网络。
因此，本示例实施方式提供了一种更新信息预测网络的网络参数的方法。该更新信息预测网络的网络参数的方法可以应用于图6中的服务器605，本示例性实施例中对此不做特殊限定。参考图1所示，该更新信息预测网络的网络参数的方法可以包括以下步骤S110至步骤S140：
步骤S110：服务器从样本数据库中采集符合训练要求的样本数据并标注样本数据所属的原始类别信息。
步骤S120：服务器通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值。
步骤S130：服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值。
步骤S140：服务器通过目标适应度函数值更新信息预测网络的网络参数。
在本公开的一示例实施方式所提供的更新信息预测网络的网络参数的方法中，服务器可以从样本数据库中采集符合训练要求的样本数据(如，患者个人信息、早期病症)并标注样本数据所属的原始类别信息(如，患者最终的治疗结果)；以及，可以通过信息预测网络确定样本数据所属的类别信息，并计算类别信息(如，出院)与原始类别信息(如，死亡)之间的损失函数值，即，类别信息与原始类别信息之间的误差；以及，可以根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；以及，可以通过目标适应度函数值更新信息预测网络的网络参数，这样可以减少对于网络参数的更新频率，进而提升对于信息预测网络的训练效率。依据上述方案描述，本公开一方面能够在一定程度上克服网络参数更新效率较低的问题，通过对网络参数的适应度函数值的计算及筛选确定出用于更新网络参数的适应度函数值，进而更新网络参数，能够提升网络参数更新效率，改善网络训练效果；另一方面，当本申请应用于危急重症的预测时，可以根据患者的当前信息预测得到患者未来的治疗结果，以便医生根据治疗结果及时调整治疗方案，改善治疗效果。
下面，对于本示例实施方式的上述步骤进行更加详细的说明。
在步骤S110中，服务器从样本数据库中采集符合训练要求的样本数据并标注样本数据所属的原始类别信息。
其中，符合训练要求的样本数据用于训练信息预测网络，当本申请应用于危急重症领域时，如下述的样本数据可以包括多个患者分别对应的人口学资料以及疾病史资料中至少一种；当本申请应用于天气预测领域时，样本数据可以包括当前的风向、湿度、温度、季节等，通过训练后的信息预测网络可以预测未来天气，为人们的出行提供指导性意见，相较于当前的人工预测方法，预测效率更高，预测准确率也更高。
具体地，服务器从样本数据库中采集符合训练要求的样本数据的方式可以为：从患者信息数据库中采集符合训练要求的样本数据。
此外，由于样本数据存在量纲上的区别，因此，在步骤S110之后，还可以包括以下步骤：基于数学表达式
Figure BDA0002357846410000091
对样本数据进行归一化；其中，i和j为正整数且相等，xj为输入变量，xi为归一化后的输入变量，即为信息预测网络的输入变量，xjmax和xjmin分别为xj的最大值和最小值。通过该步骤能够对用于训练网络的样本数据进行表达形式上的统一，进而提升对信息预测网络的训练效率。
在本公开实施例中，可选的，样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，服务器标注样本数据所属的原始类别信息，包括以下步骤：
确定多个患者分别对应的病情结果并将病情结果分别标注为对应患者的原始类别信息；其中，病情结果包括结局事件和结局体征参数中至少一种，结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。
其中，样本数据除了包括多个患者分别对应的人口学资料以及疾病史资料中至少一种之外，样本数据还可以包括多个患者分别对应的家庭病史，本公开实施例不作限定；其中，家庭病史可以包括父母的历史患病信息，人口学资料可以包括患者的年龄、性别、学历、职业等，疾病史资料可以包括患者的历史患病信息，如，高血压、糖尿病、冠心病等。
举例来说，样本数据中可以包括患者A对应的人口学资料以及疾病史资料、患者B对应的人口学资料以及疾病史资料、患者C对应的人口学资料以及疾病史资料。患者A、患者B和患者C分别对应一原始类别结果。
其中，确定多个患者分别对应的病情结果的方式可以为：在患者信息数据库中确定与多个患者分别对应的病情结果，其中，病情结果用于表示患者自确诊时间开始经过预设时长(如，50天)后的疾病治疗结果(即，结局事件)，该疾病治疗结果可以为转入重症监护室、死亡或出院等，本公开实施例不作限定。另外，结局体征参数与结局事件相对应，若结局事件为死亡，那么，结局体征参数可以为死亡时的体温、心率、血压、呼吸和血氧饱和度；若结局事件为转入重症监护室，那么，结局体征参数可以为转入重症监护室时的体温、心率、血压、呼吸和血氧饱和度；若结局事件为出院，那么，结局体征参数可以为出院时的体温、心率、血压、呼吸和血氧饱和度。此外，结局体征参数还可以包括瞳孔状态、神志状态。
可见，实施该可选的实施例，能够通过采集样本数据和标注样本数据为信息预测网络提供输入和输出，以使得信息预测网络能够学习输入与输出之间的线性关系或非线性关系，进而提升对于危急重症的预测效率。
在步骤S120中，服务器通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值。
其中，信息预测网络可以理解为上述的危急重症预测网络，该信息预测网络是一种神经网络，具体地，是一种BP神经网络。另外，类别信息可以包括结局事件和结局体征参数中至少一种，结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。
举例来说，若样本数据中患者A对应的原始类别信息中结局事件为出院，结局体征参数为体温37度、心率75、血压120、呼吸20次/分、动脉血氧饱和度98％且静脉血氧饱和度75％，而信息预测网络预测样本数据中患者A所述的类别信息中结局事件为死亡，结局体征参数为体温0度、心率0、血压0、呼吸0、动脉血氧饱和度0且静脉血氧饱和度0。可见，类别信息与原始类别信息之间存在差异，因此，类别信息与原始类别信息之间存在损失函数值。
在本公开实施例中，可选的，服务器通过信息预测网络确定样本数据所属的类别信息之前，该方法还可以包括以下步骤：
服务器对信息预测网络的网络结构进行初始化，以确定网络结构中各层对应的神经元节点数量；其中，网络结构包括输入层、隐含层以及输出层。
进一步地，服务器通过信息预测网络确定样本数据所属的类别信息，包括以下步骤：
服务器对样本数据进行特征提取，得到与样本数据对应的特征向量；
服务器将特征向量输入信息预测网络，并确定输入层的各神经元节点与隐含层的各神经元节点之间的第一权重值；
服务器确定隐含层的各神经元节点与输出层的各神经元节点之间的第二权重值；其中，网络参数包括第一权重值和第二权重值；
服务器根据第一权重值与第一权重值对应的特征向量计算隐含层的各神经元节点分别对应的加权和；
服务器通过隐含层的神经元节点对加权和进行特征变换处理，并根据特征变换结果和第二权重值确定样本数据所属的类别信息。
其中，对信息预测网络的网络结构进行初始化，可以理解为，确定网格结构中输入层、隐含层以及输出层分别对应的神经元节点数量，其中，隐含层可以为一层或多层，本公开实施例不作限定，输入层、隐含层以及输出层分别对应的神经元节点数量可以为一个或多个，本公开实施例不作限定。另外，对信息预测网络的网络结构进行初始化除了包括确定网络结构中各层对应的神经元节点数量之外，还可以包括以下步骤：对各节点之间的权重值进行随机赋值，也可以理解为，对各节点之间的权重值进行初始化。举例来说，信息与预测网络的网络结构可以为m-n-2的结构，表示为：输入层包含m个神经元节点，隐含层包含n个神经元节点，输出层包含2个神经元节点；其中，m和n为正整数。
其中，对样本数据进行特征提取，得到与样本数据对应的特征向量可以理解为：对样本数据进行编码，并将编码后的样本数据转换为特征向量，这样可以将样本数据中的文本信息(如，学历、职业等)转换为计算机可以理解的语言。此外，第一权重值和第二权重值均可以为一个或多个，本公开实施例不作限定。
进一步地，服务器根据第一权重值与第一权重值对应的特征向量计算隐含层的各神经元节点分别对应的加权和的方式可以为：服务器将多个第一权重值分别与对应的特征向量相乘，并将对应于同一隐含层神经元节点的相乘结果进行相加，得到各个隐含层神经元节点对应的输入。
其中，通过隐含层的神经元节点对加权和进行特征变换处理的方式可以为：通过隐含层的神经元节点对加权和进行线性计算/非线性计算，其中，线性计算对应的表达式可以为y＝ax+d，网络参数包括a，d为偏置项，偏置项为常数；非线性计算对应的表达式可以为y＝ax3+bx2+cx+d，同理，网络参数包括a、b和c，d为偏置项，偏置项为常数；x为神经元节点的输入，y为神经元节点的输出。另外，通过隐含层的神经元节点对加权和进行特征变换处理之后，还可以包括以下步骤：通过激活函数将特征变换结果转换至预设范围内(如，0～1之间)；其中，激活函数可以为sigmoid函数、Relu函数或tanh函数等，本公开的实施例不作限定。
其中，根据特征变换结果和第二权重值确定样本数据所属的类别信息的方式可以为：将多个第二权重值分别与对应的隐含层神经元节点的输出变量相乘，并将对应于同一输出层神经元节点的相乘结果进行相加，得到各个输出层神经元节点对应的输入；对各个输出层神经元节点对应的输入进行线性计算/非线性计算以及激活函数处理，得到输出层输出的变量；通过分类器以及各输出层神经元节点输出的变量确定样本数据属于各个类别的概率；将概率最大的类别对应的类别信息确定为所述样本数据所属的类别信息。
举例来说，请参阅图2，图2示意性示出了根据本公开的一个实施例的信息预测网络的架构图。如图2所示，信息预测网络可以包括输入层、隐含层和输出层，输入层中包括神经元节点1、神经元节点2、……、神经元节点i，隐含层中包括神经元节点1、神经元节点2、……、神经元节点j，输出层中包括神经元节点1、神经元节点2、……、神经元节点n。其中，i、j和n均为正整数，i、j和n可以相等也可以部分相等也可以不相等，本公开实施例不作限定。
具体地，由于输入层的各神经元节点与隐含层的各神经元节点之间权重值为第一权重值，因此，w11、w12、w1j、w21、w22、w2j、wi1、wi2和wij均为第一权重值；其中，w11为输入层的神经元节点1与隐含层的神经元节点1之间的权重值，w12为输入层的神经元节点1与隐含层的神经元节点2之间的权重值，w1j为输入层的神经元节点1与隐含层的神经元节点j之间的权重值，w21为输入层的神经元节点2与隐含层的神经元节点1之间的权重值，w22为输入层的神经元节点2与隐含层的神经元节点2之间的权重值，w2j为输入层的神经元节点2与隐含层的神经元节点j之间的权重值，wi1为输入层的神经元节点i与隐含层的神经元节点1之间的权重值，wi2为输入层的神经元节点i与隐含层的神经元节点2之间的权重值，wij为输入层的神经元节点i与隐含层的神经元节点j之间的权重值。
由于隐含层的各神经元节点与输出层的各神经元节点之间权重值为第二权重值，因此，t11、t12、t1n、t21、t22、t2n、tj1、tj2和tjn均为第二权重值；其中，t11为隐含层的神经元节点1与输出层的神经元节点1之间的权重值，t12为隐含层的神经元节点1与输出层的神经元节点2之间的权重值，t1n为隐含层的神经元节点1与输出层的神经元节点n之间的权重值，t21为隐含层的神经元节点2与输出层的神经元节点1之间的权重值，t22为隐含层的神经元节点2与输出层的神经元节点2之间的权重值，t2n为隐含层的神经元节点2与输出层的神经元节点n之间的权重值，tj1为隐含层的神经元节点j与输出层的神经元节点1之间的权重值，tj2为隐含层的神经元节点j与输出层的神经元节点2之间的权重值，tjn为隐含层的神经元节点j与输出层的神经元节点n之间的权重值。
另外，样本数据通过xz进行表示，其中，z为正整数，对xz进行特征提取之后可以得到与xz对应的特征向量xz1、xz2、……、xzi，其中，i对应的是输入层的神经元节点数量。样本数据所属的类别信息通过yz进行表示，yz对应的特征向量(即，下述的多个第二特征值)为yz1、yz2、……、yzn，n对应的输出层的神经元节点数量。
如图2所示，输入层的神经元节点1、神经元节点2、……、神经元节点i的输入分别为xz1、xz2、……、xzi；其中，xz1。输出层的神经元节点1、神经元节点2、……、神经元节点n的输出分别为yz1、yz2、……、yzn。其中，隐含层的神经元节点1的输入为xz1*w11+xz2*w21+……+xzi*wi1，隐含层的神经元节点2的输入为xz1*w12+xz2*w22+……+xzi*wi2，隐含层的神经元节点j的输入为xz1*w1j+xz2*w2j+……+xzi*wij。通过隐含层的神经元节点1、神经元节点2、……、隐含层的神经元节点j进行线性计算/非线性计算以及激活函数处理可以得到的输出分别为yj1、yj2、……、yjn。进而可以得到的是，输出层的神经元节点1的输入yj1*t11+yj2*t21+……+yjn*tj1，输出层的神经元节点2的输入yj1*t12+yj2*t22+……+yjn*tj2，输出层的神经元节点n的输入yj1*t1n+yj2*t2n+……+yjn*tjn。进而，输出层的神经元节点1、神经元节点2、……、神经元节点n进行线性计算/非线性计算以及激活函数处理可以得到的输出分别为yz1、yz2、……、yzn。进而，使得yz1、yz2、……、yzn通过分类器可以确定出样本数据属于各个类别的概率，并将概率最大的类别对应的类别信息确定为所述样本数据所属的类别信息。
此外，需要说明的是，图2仅为示意性的示出，图2中示出了一个隐含层，但本领域技术人员应当了解的是隐含层也可以为多个。
可见，实施该可选的实施例，能够通过样本特征对信息预测网络进行预测训练，以使得信息预测网络学习样本特征与所属类别信息之间的关系，进而将其应用于对危急重症患者的识别/预测。
在本公开实施例中，另一可选的，服务器计算类别信息与原始类别信息之间的损失函数值，包括以下步骤：
服务器确定原始类别信息对应的多个第一特征值和类别信息对应的多个第二特征值；其中，第一特征值与第二特征值一一对应；
服务器确定第一特征值与对应的第二特征值之间的损失函数值。
其中，原始类别信息对应的多个第一特征值用于表征样本数据属于该原始类别信息的概率最大，类别信息对应的多个第二特征值用于表征预测的样本数据属于该类别信息的概率最大。
另外，如果通过Yzn表示第z个样本数据的原始类别信息对应的第一特征值，通过yzn表示第z个样本数据的类别信息对应的第二特征值，那么，确定第一特征值与对应的第二特征值之间的损失函数值的方式可以为：基于
Figure BDA0002357846410000151
确定z个样本数据的第一特征值与对应的第二特征值之间的损失函数值。
可见，实施该可选的实施例，能够通过对损失函数值的计算得到预测结果与原始结果之间的差异，以便于根据该差异更新信息预测网络的网络参数，以改善网络预测效果。
在步骤S130中，服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值。
其中，网络参数用于预测类别信息。
需要说明的是，适应度是指在某种环境条件下，某已知基因型的个体将其基因传递到其后代基因库中的相对能力，是衡量个体存活和生殖机会的尺度。适应度函数(Fitness Function)的选取直接影响到遗传算法的收敛速度以及能否找到最优解。由于遗传算法在进化搜索中基本不利用外部信息,仅以适应度函数为依据,利用种群每个个体的适应度来进行搜索。其中，遗传算法(Genetic Algorithm，GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
在本公开实施例中，可选的，服务器根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，包括以下步骤：
服务器计算损失函数值的绝对值之和，作为信息预测网络中网络参数对应的适应度函数值。
其中，由于类别信息对应的第二特征值为多个，因此，损失函数值也对应存在多个，且数量与第二特征值的数量相等。另外，计算损失函数值的绝对值之和F通过数学表达式可以表示为
Figure BDA0002357846410000161
k为常数。
可见，实施该可选的实施例，能够通过计算适应度函数值以便后续对于网络参数的快速优化，提升对于信息预测网络的预测效率。
在本公开实施例中，另一可选的，服务器对适应度函数值进行多次筛选处理，得到目标适应度函数值，包括以下步骤：
服务器根据预设阈值对适应度函数值进行筛选，并对筛选后的适应度函数值对应的网络参数进行交叉处理和/或变异处理，直到交叉处理和/或变异处理后的网络参数对应的适应度函数值收敛，将收敛的适应度函数值确定为目标适应度函数值。
其中，适应度函数值对应的网络参数为第一权重值、第二权重值、线性计算/非线性计算的系数的组合；其中，第一权重值和第二权重值均可以为多个。另外，若信息预测网络对应的网络结构为上文所述的m-n-2，那么，适应度函数值对应的网络参数的编码长度为m*n+n*2+n+2；其中，m-n-2中的2可以为其他任意正整数，本公开实施例不作限定。
可见，实施该可选的实施例，能够通过交叉处理、变异处理对网络参数进行优化，避免陷入局部最小值的问题，提升对于信息预测网络的训练效率。
在步骤S140中，服务器通过目标适应度函数值更新信息预测网络的网络参数。
在本公开实施例中，可选的，服务器通过目标适应度函数值更新信息预测网络的网络参数，包括以下步骤：
服务器将信息预测网络中的网络参数更新为目标适应度函数值对应的网络参数。
其中，由于适应度函数值为第一权重值、第二权重值、线性计算/非线性计算的系数的组合，故，目标适应度函数值也为第一权重值、第二权重值、线性计算/非线性计算的系数的组合。进而，将信息预测网络中的网络参数更新为目标适应度函数值对应的网络参数的方式可以为：将目标适应度函数值中的第一权重值、第二权重值、线性计算/非线性计算的系数分别作为信息预测网络的第一权重值、第二权重值、线性计算/非线性计算的系数。
可见，实施该可选的实施例，能够通过遗传算法中的适应度函数实现对于信息预测网络中的网络参数的更新，提升了对于信息预测网络的训练效率。
另外，在步骤S140之后，还可以包括以下步骤：服务器将当前患者的人口学资料以及疾病史资料输入网络参数更新后的信息预测网络，以通过网络参数更新后的信息预测网络预测当前患者对应的病情结果(即，类别信息)；
若病情结果包括的结局事件为死亡，则判定当前患者为危急重症患者；若病情结果包括的结局事件为转入重症监护室且结局体征参数中各参数均不属于预设的正常范围内，则判定当前患者为危急重症患者，若病情结果包括的结局事件为出院，则判定当前患者非危急重症患者。
请参阅图3，图3示意性示出了根据本公开的一个实施例的基于信息预测网络的危重症患者确定方法的流程图。如图3所示，基于信息预测网络的危重症患者确定方法包括步骤S310至步骤S330，其中：
步骤S310：输入体征参数。
步骤S320：通过信息预测网络预测与体征参数对应的病情结果。
步骤S330：根据病情结果确定危重症患者。
其中，体征参数可以为上述的人口学资料以及疾病史资料中至少一种，根据训练好的信息预测网络可以预测与体征参数对应的病情结果，其中，病情结果可以包括结局事件和结局体征参数中至少一种，结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。若病情结果包括的结局事件为死亡，则确定当前患者为危急重症患者；若病情结果包括的结局事件为转入重症监护室且结局体征参数中各参数均不属于预设的正常范围内，则确定当前患者为危急重症患者，若病情结果包括的结局事件为出院，则确定当前患者非危急重症患者。
可见，实施图3所示的基于信息预测网络的危重症患者确定方法，能够根据患者的当前信息预测到患者未来是否为危重症患者，以便医护人员及时调整治疗方案，改善治疗效果。
可见，实施图1所示的更新信息预测网络的网络参数的方法，能够通过对网络参数的适应度函数值的计算及筛选确定出用于更新网络参数的适应度函数值，进而更新网络参数，能够提升网络参数更新效率，改善网络训练效果；以及，当本申请应用于危急重症的预测时，可以根据患者的当前信息预测得到患者未来的治疗结果，以便医生根据治疗结果及时调整治疗方案，改善治疗效果。
请参阅图4，图4示意性示出了根据本公开的另一个实施例的更新信息预测网络的网络参数的方法的流程图。如图4所示，另一个实施例的更新信息预测网络的网络参数的方法可以包括步骤S410至步骤S480，其中：
步骤S410：确定信息预测网络的网络结构。
步骤S420：初始化网络参数长度。
步骤S430：确定网络参数编码。
步骤S440：根据信息预测网络对应的损失函数确定适应度函数值。
步骤S450：对适应度函数值进行选择、交叉以及变异处理。
步骤S460：确定选择、交叉以及变异处理后得到的适应度函数值是否为目标适应度函数值；如果是，则执行步骤S470；如果否，则执行步骤S450。
步骤S470：根据目标适应度函数值对应的网络参数更新信息预测网络的网络参数。
步骤S480：确定网络参数更新后的信息预测网络对应的损失函数值是否处于预设损失函数值范围内；如果是，则结束本次流程，如果否，则执行步骤S440。
其中，步骤S410、步骤S420、步骤S470以及步骤S480属于信息预测网络部分，步骤S430、步骤S440、步骤S450和步骤S460属于遗传算法部分。
具体地，可以确定信息预测网络的网络结构(如，m-n-2)，进而，初始化网络参数长度(如，m*n+n*2+n+2)，其中，网络参数长度可以根据网络结构进行确定；进而，可以确定网络参数编码，其中，网络参数编码可以为信息预测网络中第一权重值、第二权重值、线性计算/非线性计算的系数的组合；进而，可以根据信息预测网络对应的损失函数确定适应度函数值，并对适应度函数值进行选择(即，上述的筛选)、交叉以及变异处理，若选择、交叉以及变异处理后得到的适应度函数值是目标适应度函数值，即，最优的适应度函数值，则根据目标适应度函数值对应的网络参数更新信息预测网络的网络参数；若选择、交叉以及变异处理后得到的适应度函数值不是目标适应度函数值，即不是最优的适应度函数值，则再对适应度函数值进行选择、交叉以及变异处理，直到确定出最优的适应度函数值。进而，可以确定网络参数更新后的信息预测网络对应的损失函数值是否处于预设损失函数值范围内，如果是，则表示对于信息预测网络的训练完成，如果否，则再循环至步骤S440，直到信息预测网络对应的损失函数值处于预设损失函数值范围内为止。
可见，实施图4所示的另一个实施例的更新信息预测网络的网络参数的方法，能够通过对网络参数的适应度函数值的计算及筛选确定出用于更新网络参数的适应度函数值，进而更新网络参数，能够提升网络参数更新效率，改善网络训练效果；以及，当本申请应用于危急重症的预测时，可以根据患者的当前信息预测得到患者未来的治疗结果，以便医生根据治疗结果及时调整治疗方案，改善治疗效果。另外，当本申请应用于养老机构时，可以通过基于多个老年人当前的身体状况预测其中未来会成为危重症患者的老年人，以便医护人员对其进行提前干预治疗，提升治愈率，一定程度上保障老年人的身体健康。
进一步的，本示例实施方式中，还提供了一种更新信息预测网络的网络参数的装置。该更新信息预测网络的网络参数的装置可以应用于一服务器或终端设备。参考图5所示，该更新信息预测网络的网络参数的装置可以包括：信息采集单元501、信息预测单元502、适应度函数值计算单元503以及网络参数更新单元504，其中：
信息采集单元501，用于从样本数据库中采集符合训练要求的样本数据并标注样本数据所属的原始类别信息；
信息预测单元502，用于通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值；
适应度函数值计算单元503，用于根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；
网络参数更新单元504，用于通过目标适应度函数值更新信息预测网络的网络参数。
可见，实施图5所示的更新信息预测网络的网络参数的装置，能够通过对网络参数的适应度函数值的计算及筛选确定出用于更新网络参数的适应度函数值，进而更新网络参数，能够提升网络参数更新效率，改善网络训练效果；以及，当本申请应用于危急重症的预测时，可以根据患者的当前信息预测得到患者未来的治疗结果，以便医生根据治疗结果及时调整治疗方案，改善治疗效果。
在本公开的一种示例性实施例中，样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，信息采集单元501标注样本数据所属的原始类别信息的方式具体可以为：
信息采集单元501确定多个患者分别对应的病情结果并将病情结果分别标注为对应患者的原始类别信息；其中，病情结果包括结局事件和结局体征参数中至少一种，结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。
可见，实施该示例性实施例，能够通过采集样本数据和标注样本数据为信息预测网络提供输入和输出，以使得信息预测网络能够学习输入与输出之间的线性关系或非线性关系，进而提升对于危急重症的预测效率。
在本公开的一种示例性实施例中，该装置还可以包括初始化单元(未图示)，其中：
初始化单元，用于在信息预测单元502通过信息预测网络确定样本数据所属的类别信息之前，对信息预测网络的网络结构进行初始化，以确定网络结构中各层对应的神经元节点数量；其中，网络结构包括输入层、隐含层以及输出层。
进一步地，信息预测单元502通过信息预测网络确定样本数据所属的类别信息的方式具体可以为：
信息预测单元502对样本数据进行特征提取，得到与样本数据对应的特征向量；
信息预测单元502将特征向量输入信息预测网络，并确定输入层的各神经元节点与隐含层的各神经元节点之间的第一权重值；
信息预测单元502确定隐含层的各神经元节点与输出层的各神经元节点之间的第二权重值；其中，网络参数包括第一权重值和第二权重值；
信息预测单元502根据第一权重值与第一权重值对应的特征向量计算隐含层的各神经元节点分别对应的加权和；
信息预测单元502通过隐含层的神经元节点对加权和进行特征变换处理，并根据特征变换结果和第二权重值确定样本数据所属的类别信息。
可见，实施该示例性实施例，能够通过样本特征对信息预测网络进行预测训练，以使得信息预测网络学习样本特征与所属类别信息之间的关系，进而将其应用于对危急重症患者的识别/预测。
在本公开的一种示例性实施例中，信息预测单元502计算类别信息与原始类别信息之间的损失函数值的方式具体可以为：
信息预测单元502确定原始类别信息对应的多个第一特征值和类别信息对应的多个第二特征值；其中，第一特征值与第二特征值一一对应；
信息预测单元502确定第一特征值与对应的第二特征值之间的损失函数值。
可见，实施该示例性实施例，能够通过对损失函数值的计算得到预测结果与原始结果之间的差异，以便于根据该差异更新信息预测网络的网络参数，以改善网络预测效果。
在本公开的一种示例性实施例中，适应度函数值计算单元503根据损失函数值计算信息预测网络的网络参数对应的适应度函数值的方式具体可以为：
适应度函数值计算单元503计算损失函数值的绝对值之和，作为信息预测网络中网络参数对应的适应度函数值。
可见，实施该示例性实施例，能够通过计算适应度函数值以便后续对于网络参数的快速优化，提升对于信息预测网络的预测效率。
在本公开的一种示例性实施例中，适应度函数值计算单元503对适应度函数值进行多次筛选处理，得到目标适应度函数值的方式具体可以为：
适应度函数值计算单元503根据预设阈值对适应度函数值进行筛选，并对筛选后的适应度函数值对应的网络参数进行交叉处理和/或变异处理，直到交叉处理和/或变异处理后的网络参数对应的适应度函数值收敛，将收敛的适应度函数值确定为目标适应度函数值。
可见，实施该示例性实施例，能够通过交叉处理、变异处理对网络参数进行优化，避免陷入局部最小值的问题，提升对于信息预测网络的训练效率。
在本公开的一种示例性实施例中，网络参数更新单元504通过目标适应度函数值更新信息预测网络的网络参数的方式具体可以为：
网络参数更新单元504将信息预测网络中的网络参数更新为目标适应度函数值对应的网络参数。
可见，实施该示例性实施例，能够通过遗传算法中的适应度函数实现对于信息预测网络中的网络参数的更新，提升了对于信息预测网络的训练效率。
请参阅图6，图6示出了可以应用本公开实施例的一种更新信息预测网络的网络参数的方法及更新信息预测网络的网络参数的装置的示例性应用环境的系统架构的示意图。
如图6所示，系统架构600可以包括终端设备601、602、603中的一个或多个，网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备601、602、603可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器605可以是多个服务器组成的服务器集群等。
本公开实施例所提供的更新信息预测网络的网络参数的方法一般由服务器605执行，相应地，更新信息预测网络的网络参数的装置一般设置于服务器605中。举例而言，在一种示例性实施例中，服务器605可以采集符合训练要求的样本数据并标注样本数据所属的原始类别信息；以及，通过信息预测网络确定样本数据所属的类别信息，并计算类别信息与原始类别信息之间的损失函数值；以及，根据损失函数值计算信息预测网络的网络参数对应的适应度函数值，并对适应度函数值进行多次筛选处理，得到目标适应度函数值；以及，通过目标适应度函数值更新信息预测网络的网络参数。
图7示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图7示出的电子设备的计算机系统700仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有系统操作所需的各种程序和数据。CPU701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法和装置中限定的各种功能。在一些实施例中，计算机系统700还可以包括AI(ArtificialIntelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图1和图2所示的各个步骤等。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
由于本公开的示例实施例的更新信息预测网络的网络参数的装置的各个功能模块与上述更新信息预测网络的网络参数的方法的示例实施例的步骤对应，因此对于本公开装置实施例中未披露的细节，请参照本公开上述的更新信息预测网络的网络参数的方法的实施例。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.一种更新信息预测网络的网络参数的方法，其特征在于，所述方法包括：
服务器从样本数据库中采集符合训练要求的样本数据并标注所述样本数据所属的原始类别信息；
所述服务器通过信息预测网络确定所述样本数据所属的类别信息，并计算所述类别信息与所述原始类别信息之间的损失函数值；
所述服务器根据所述损失函数值计算所述信息预测网络的网络参数对应的适应度函数值，并对所述适应度函数值进行多次筛选处理，得到目标适应度函数值；
所述服务器通过所述目标适应度函数值更新所述信息预测网络的网络参数。
2.根据权利要求1所述的方法，其特征在于，所述样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，所述服务器标注所述样本数据所属的原始类别信息，包括：
所述服务器确定所述多个患者分别对应的病情结果并将所述病情结果分别标注为对应患者的原始类别信息；其中，所述病情结果包括结局事件和结局体征参数中至少一种，所述结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。
3.根据权利要求1所述的方法，其特征在于，所述服务器通过信息预测网络确定所述样本数据所属的类别信息之前，所述方法还包括：
所述服务器对所述信息预测网络的网络结构进行初始化，以确定所述网络结构中各层对应的神经元节点数量；其中，所述网络结构包括输入层、隐含层以及输出层。
4.根据权利要求3所述的方法，其特征在于，所述服务器通过信息预测网络确定所述样本数据所属的类别信息，包括：
所述服务器对所述样本数据进行特征提取，得到与所述样本数据对应的特征向量；
所述服务器将所述特征向量输入所述信息预测网络，并确定所述输入层的各神经元节点与所述隐含层的各神经元节点之间的第一权重值；
所述服务器确定所述隐含层的各神经元节点与所述输出层的各神经元节点之间的第二权重值；其中，所述网络参数包括所述第一权重值和所述第二权重值；
所述服务器根据所述第一权重值与所述第一权重值对应的特征向量计算所述隐含层的各神经元节点分别对应的加权和；
所述服务器通过所述隐含层的神经元节点对所述加权和进行特征变换处理，并根据特征变换结果和所述第二权重值确定所述样本数据所属的类别信息。
5.根据权利要求1所述的方法，其特征在于，所述服务器计算所述类别信息与所述原始类别信息之间的损失函数值，包括：
所述服务器确定所述原始类别信息对应的多个第一特征值和所述类别信息对应的多个第二特征值；其中，所述第一特征值与所述第二特征值一一对应；
所述服务器确定所述第一特征值与对应的所述第二特征值之间的损失函数值。
6.根据权利要求5所述的方法，其特征在于，所述服务器根据所述损失函数值计算所述信息预测网络中网络参数对应的适应度函数值，包括：
所述服务器计算所述损失函数值的绝对值之和，作为所述信息预测网络中网络参数对应的适应度函数值。
7.根据权利要求1所述的方法，其特征在于，所述服务器对所述适应度函数值进行多次筛选处理，得到目标适应度函数值，包括：
所述服务器根据预设阈值对所述适应度函数值进行筛选，并对筛选后的适应度函数值对应的网络参数进行交叉处理和/或变异处理，直到交叉处理和/或变异处理后的网络参数对应的适应度函数值收敛，将收敛的适应度函数值确定为目标适应度函数值。
8.一种更新信息预测网络的网络参数的装置，其特征在于，所述装置包括：
信息采集单元，用于从样本数据库中采集符合训练要求的样本数据并标注所述样本数据所属的原始类别信息；
信息预测单元，用于通过信息预测网络确定所述样本数据所属的类别信息，并计算所述类别信息与所述原始类别信息之间的损失函数值；
适应度函数值计算单元，用于根据所述损失函数值计算所述信息预测网络中网络参数对应的适应度函数值，并对所述适应度函数值进行多次筛选处理，得到目标适应度函数值；
网络参数更新单元，用于通过所述目标适应度函数值更新所述信息预测网络的网络参数。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。
CN202010013072.5A 2020-01-07 2020-01-07 更新信息预测网络的网络参数的方法、装置、介质及设备 Pending CN111191773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010013072.5A CN111191773A (zh) 2020-01-07 2020-01-07 更新信息预测网络的网络参数的方法、装置、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010013072.5A CN111191773A (zh) 2020-01-07 2020-01-07 更新信息预测网络的网络参数的方法、装置、介质及设备

Publications (1)

Publication Number Publication Date
CN111191773A true CN111191773A (zh) 2020-05-22

Family

ID=70708826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010013072.5A Pending CN111191773A (zh) 2020-01-07 2020-01-07 更新信息预测网络的网络参数的方法、装置、介质及设备

Country Status (1)

Country Link
CN (1) CN111191773A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986804A (zh) * 2020-08-31 2020-11-24 平安医疗健康管理股份有限公司 基于体温数据进行模型训练的方法、装置和计算机设备
CN113517077A (zh) * 2021-06-18 2021-10-19 东莞市人民医院 用于预测臀位外倒转术疗效的控制方法、系统和存储介质
CN113903466A (zh) * 2021-09-26 2022-01-07 新乡医学院第一附属医院 辅助评估人群心血管疾病危险程度的数据处理装置、系统及其应用
CN115056824A (zh) * 2022-05-06 2022-09-16 北京和利时系统集成有限公司 一种确定控车参数的方法、装置、计算机存储介质及终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109009222A (zh) * 2018-06-19 2018-12-18 杨成伟 面向心脏病类型和严重程度的智能评估诊断方法及系统
CN109816150A (zh) * 2018-12-29 2019-05-28 中国农业大学 一种采后鲜食葡萄货架期预测方法及装置
CN109858714A (zh) * 2019-04-03 2019-06-07 杭州安脉盛智能技术有限公司 基于改进神经网络的烟丝质检指标预测方法、装置及系统
CN110059887A (zh) * 2019-04-25 2019-07-26 湖南大学 基于自适应遗传算法的bp神经网络风险识别方法及系统
CN110222830A (zh) * 2019-06-13 2019-09-10 中国人民解放军空军工程大学 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109009222A (zh) * 2018-06-19 2018-12-18 杨成伟 面向心脏病类型和严重程度的智能评估诊断方法及系统
CN109816150A (zh) * 2018-12-29 2019-05-28 中国农业大学 一种采后鲜食葡萄货架期预测方法及装置
CN109858714A (zh) * 2019-04-03 2019-06-07 杭州安脉盛智能技术有限公司 基于改进神经网络的烟丝质检指标预测方法、装置及系统
CN110059887A (zh) * 2019-04-25 2019-07-26 湖南大学 基于自适应遗传算法的bp神经网络风险识别方法及系统
CN110222830A (zh) * 2019-06-13 2019-09-10 中国人民解放军空军工程大学 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
段大高，韩忠明, 北京邮电大学出版社 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986804A (zh) * 2020-08-31 2020-11-24 平安医疗健康管理股份有限公司 基于体温数据进行模型训练的方法、装置和计算机设备
CN113517077A (zh) * 2021-06-18 2021-10-19 东莞市人民医院 用于预测臀位外倒转术疗效的控制方法、系统和存储介质
CN113903466A (zh) * 2021-09-26 2022-01-07 新乡医学院第一附属医院 辅助评估人群心血管疾病危险程度的数据处理装置、系统及其应用
CN115056824A (zh) * 2022-05-06 2022-09-16 北京和利时系统集成有限公司 一种确定控车参数的方法、装置、计算机存储介质及终端
CN115056824B (zh) * 2022-05-06 2023-11-28 北京和利时系统集成有限公司 一种确定控车参数的方法、装置、计算机存储介质及终端

Similar Documents

Publication Publication Date Title
Wang et al. A review on extreme learning machine
Ronoud et al. An evolutionary deep belief network extreme learning-based for breast cancer diagnosis
CN111191773A (zh) 更新信息预测网络的网络参数的方法、装置、介质及设备
Whittington et al. An approximation of the error backpropagation algorithm in a predictive coding network with local hebbian synaptic plasticity
Che et al. Interpretable deep models for ICU outcome prediction
Fan et al. A new type of neurons for machine learning
Nilashi et al. Predicting parkinson’s disease progression: Evaluation of ensemble methods in machine learning
US20200392178A1 (en) Protein-targeted drug compound identification
JP2020071883A (ja) モデル訓練方法、データ認識方法及びデータ認識装置
Zhang et al. A novel deep neural network model for multi-label chronic disease prediction
Sharma et al. Prediction of diabetes disease using machine learning model
Kibria et al. The severity prediction of the binary and multi-class cardiovascular disease− A machine learning-based fusion approach
Baseri Saadi et al. Investigation of Effectiveness of Shuffled Frog‐Leaping Optimizer in Training a Convolution Neural Network
Mahendran et al. Realizing a stacking generalization model to improve the prediction accuracy of major depressive disorder in adults
CN115644823A (zh) 康复效果动态预测及个体化干预方法和系统
JP2020135858A (ja) モデル最適化方法、データ認識方法及びデータ認識装置
Verma et al. Introduction to supervised learning
Feng et al. An intelligent system for heart disease prediction using adaptive neuro-fuzzy inference systems and genetic algorithm
Stach Learning and aggregation of fuzzy cognitive maps-An evolutionary approach
Alaa et al. Personalized risk scoring for critical care patients using mixtures of gaussian process experts
Lutimath et al. Prediction of heart disease using genetic algorithm
Serghiou et al. Deep Learning for Epidemiologists: An introduction to neural networks
Hoyos et al. PRV-FCM: An extension of fuzzy cognitive maps for prescriptive modeling
Debata et al. Identification of significant bio-markers from high-dimensional cancerous data employing a modified multi-objective meta-heuristic algorithm
Yenurkar et al. Future forecasting prediction of Covid-19 using hybrid deep learning algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200522

RJ01 Rejection of invention patent application after publication