CN111276248A - 状态确定系统和电子设备 - Google Patents

状态确定系统和电子设备 Download PDF

Info

Publication number
CN111276248A
CN111276248A CN202010065025.5A CN202010065025A CN111276248A CN 111276248 A CN111276248 A CN 111276248A CN 202010065025 A CN202010065025 A CN 202010065025A CN 111276248 A CN111276248 A CN 111276248A
Authority
CN
China
Prior art keywords
value
state
parameter
fingerprint data
processing module
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.)
Granted
Application number
CN202010065025.5A
Other languages
English (en)
Other versions
CN111276248B (zh
Inventor
谢桂纲
甘俊蔼
任彦菲
任建洪
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.)
Suzhou Bionovogene Biomedical Technology Co ltd
Original Assignee
Suzhou Bionovogene Biomedical Technology 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 Suzhou Bionovogene Biomedical Technology Co ltd filed Critical Suzhou Bionovogene Biomedical Technology Co ltd
Priority to CN202010065025.5A priority Critical patent/CN111276248B/zh
Publication of CN111276248A publication Critical patent/CN111276248A/zh
Application granted granted Critical
Publication of CN111276248B publication Critical patent/CN111276248B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding

Landscapes

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Bioethics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本公开涉及一种状态确定系统和电子设备，所述系统包括：指纹图谱数据获取模块，用于获取待确定对象的指纹图谱数据；数据处理模块，用于对所述指纹图谱数据进行处理，得到状态值，所述状态值用于表征所述对象的健康状态，所述健康状态包括两个边界状态，以及所述边界状态之间的任意一个或多个中间状态。利用本公开各实施例，可以提高状态确定结果的可解释性，提高状态确定结果的精确度和可靠性。

Description

状态确定系统和电子设备
技术领域
本公开涉及生物检测技术领域，尤其涉及一种状态确定系统和电子设备。
背景技术
传统的身体状态判断，通常是以一种或多种标志物的浓度变化状态为判断依据。但是这种判断方式依赖于为数不多的若干指标(比如依赖于5个标志物的指标)，导致诊断鲁棒性较低，一个标志物的浓度出现误差就会导致诊断结果出现较大的偏差，误诊率较高。而随着高通量检测手段的不断发展和进步，人们在身体状态判断中，开始利用具有机器学习功能的人工智能设备或者装置对高通量指纹图谱进行处理，确定出所述待确定对象的身体健康状态，由于指纹图谱对应的指标数目显著增加，可以有效提高诊断的鲁棒性。
但是目前现有的基于高通量指纹图谱数据的人工智能诊断设备，输出的都是二元分类的结果，比如患病或者不患病两种结果。但是这种结果在生物学意义上的可解释性较低，进而也导致根据设备输出结果进行的疾病诊断的精确度和可靠性较低。
发明内容
本公开提出了一种状态确定系统和电子设备，以提高状态确定结果的可解释性，提高状态确定结果的精确度和可靠性。
根据本公开的一方面，提供了一种状态确定系统，所述系统包括：
指纹图谱数据获取模块，用于获取待确定对象的指纹图谱数据；
数据处理模块，用于对所述指纹图谱数据进行处理，得到状态值，所述状态值用于表征所述对象的健康状态，所述健康状态包括两个边界状态，以及所述边界状态之间的任意一个或多个中间状态。
在一种可能的实现方式中，所述系统还包括：
状态确定模块，用于根据所述状态值和编码值，确定所述待确定对象的健康状态，其中，每个编码值和每种健康状态唯一对应。
在一种可能的实现方式中，所述数据处理模块基于以下表达式对所述指纹图谱数据进行分析处理：
f(x)＝A+∑BXe(C+EX)
式中，A为常数；
X为指纹图谱数据，是维度为N的向量；
B向量为指纹图谱数据的方向因子，长度为N；
C向量为指纹图谱数据中的未知变量指标对系统状态的本底影响因子，长度为N；
E矩阵为指纹图谱数据中的未知变量指标之间的相关性网络参数，是N*N的方块矩阵；
f(x)为所述状态值。
在一种可能的实现方式中，所述数据处理模块的参数包括预先采用遗传算法拟合得到。
在一种可能的实现方式中，所述数据处理模块的参数包括采用下述方式拟合得到：
利用特定编码方式对初始的所述数据处理模块中的参数进行编码，得到编码参数；
对所述编码参数随机组合得到多组参数种群；
确定所述多组参数种群中每组参数种群的适应度值；
若所述每组参数种群的适应度值均不满足预设条件，则对所述多组参数种群进行选择、交叉和/或变异遗传处理，直至得到适应度值满足所述预设条件的最优参数种群；
以所述最优参数种群中的各参数，作为所述数据处理模块的参数。
在一种可能的实现方式中，所述每组参数种群的适应度值的确定方式包括：
将指纹图谱数据样本输入采用该组参数种群的数据处理模块，输出状态值；
计算所述状态值和所述指纹图谱数据样本对应的编码值的均方根误差值；
以所述均方根误差值作为该组参数种群的适应度值。
在一种可能的实现方式中，所述适应度值满足所述预设条件包括：所述适应度值小于预设的适应度阈值。
在一种可能的实现方式中，所述数据处理模块的参数包括所述表达式中的所述常数、所述方向因子、所述本底影响因子、所述网络参数。
在一种可能的实现方式中，所述指纹图谱数据包括指纹图谱、疾病信息、关联信息中的一项或多项。
在一种可能的实现方式中，所述指纹图谱包括代谢物表达谱、转录组表达谱、蛋白组表达谱、微生物组表达谱中的任意一种或多种。
在一种可能的实现方式中，所述代谢物表达谱包括通过液质联用或气相色谱质谱联用的非靶向实验获取到的代谢物表达谱。
在一种可能的实现方式中，所述代谢物表达谱对应的代谢物包括血液、尿液、分泌液、脑脊液、粪便中的任意一种或多种。
在一种可能的实现方式中，所述关联信息包括所述待确定对象对应的生物体的身份信息和/或身体特征信息。
根据本公开的另一方面，提供了一种电子设备，所述电子设备包括上述电子设备。
根据本公开的各方面提供的实施方式，利用所述数据处理模块对所述指纹图谱数据进行分析处理，所述装置可以自动输出表征所述待确定对象(比如患者)的状态值，而不是简单的分类结果(类别数确定且较少)。根据所述状态值可以更精确地反映所述待确定对象的身体状态，所述状态值不仅可以表征两种边界状态(健康状态、不健康状态)，还可以表征两种边界状态之间的中间状态(比如患病初期状态、患病中期状态)，以及其他任意多种状态。即，根据所述状态值，不仅可以判断所述对象是否健康，还可以判断健康的程度，所述状态值的可解释性更高，对应的，根据所述确定结果做出的身体状态的判定的准确性和可靠性也更高。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出本公开一种实施例提供的一种状态确定系统的模块结构示意图。
图2示出本公开另一种实施例提供的一种状态确定系统的模块结构示意图。
图3示出根据本公开实施例的板卡的结构框图。
图4示出本公开一种实施例提供的一种受试者工作特征曲线示意图。
图5示出本公开一种实施例提供的一种所输入的指纹图谱数据中的未知变量X中与疾病的相关度的可视化结果示意图。
图6是根据一示例性实施例示出的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
应当理解，本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本公开实施例中出现的“多个”是指两个或两个以上。本公开实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本公开实施例中对设备个数的特别限定，不能构成对本公开实施例的任何限制。
根据本公开实施例的状态确定装置可应用于处理器中，该处理器可以是通用处理器，例如CPU(Central Processing Unit，中央处理器)，也可以是用于执行人工智能运算的人工智能处理器(IPU)。人工智能运算可包括机器学习运算，类脑运算等。其中，机器学习运算包括神经网络运算、k-means运算、支持向量机运算等。该人工智能处理器可例如包括GPU(Graphics Processing Unit，图形处理单元)、NPU(Neural-Network Processing Unit，神经网络处理单元)、DSP(Digital Signal Process，数字信号处理单元)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)芯片中的一种或组合。本公开对处理器的具体类型不作限制。
在一种可能的实现方式中，本公开中所提及的处理器可包括多个处理单元，每个处理单元可以独立运行所分配到的各种任务，如：卷积运算任务、池化任务或全连接任务等。本公开对处理单元及处理单元所运行的任务不作限制。
图1示出本公开一种实施例提供的一种状态确定系统的模块结构示意图。如图1所示的系统可以应用于机器学习芯片中，也可以应用于通用芯片或包含芯片的电子设备，该通用芯片可以是中央处理器CPU、图像处理器GPU等。具体的，如图1所示，本公开提供的一种状态确定系统的一种实施例可以包括：
指纹图谱数据获取模块101，可以用于获取待确定对象的指纹图谱数据。
数据处理模块102，可以用于对所述指纹图谱数据进行处理，得到状态值，所述状态值用于表征所述对象的健康状态，所述健康状态包括两个边界状态，以及所述边界状态之间的任意一个或多个中间状态。
其中，所述指纹图谱数据可以包括指纹图谱和与指纹图谱相关的数据。
本公开一种实施例中，所述指纹图谱数据可以包括指纹图谱(比如可以是非靶向质液联用实验得到的指纹图谱)、疾病信息、关联信息中的一项或多项。本公开一些实施例中，对于所述指纹图谱数据可以进行相应的预处理，包括缺失值预测、归一化处理、降噪处理等，使所述指纹图谱数据可以适用于非线性网格动力学模型等。
其中，所述指纹图谱可以包括代谢物表达谱、转录组表达谱、蛋白组表达谱、微生物组表达谱中的任意一种或多种。所述代谢物表达谱可以是通过代谢组学中的LCMS(质液联用)或者GCMS(气相色谱质谱联用)非靶向实验所获取的代谢物表达谱，对应的代谢物可以是血液、尿液、分泌液、脑脊液、粪便等中的一种或多种。当然，本公开一些实施例中，所述指纹图谱也可以包括代谢组学领域外的表达谱，比如转录组表达谱、蛋白组表达谱、微生物表达谱。
上述指纹图谱数据中还可以包含与所述指纹图谱相关的数据，比如可以包括疾病信息，即所述待确定对象是否患有疾病以及患有何种疾病之类的信息，还可以包括关联信息，具体可以是所述待确定对象对应的生物体的身份信息、身体特征信息等，比如待确定对象的年龄、性别、身体质量指数BMI等。
根据上述各实施例所述的指纹图谱数据，可以得到所述待确定对象的状态值。所述状态值可以用于表征所述待确定对象的健康状态，比如不同的状态值可以表示所述对象患某种特定的状态(比如未患病、患病初期、患病中期、患病晚期)，也可以表示所述对象的健康状态(比如健康、亚健康、轻度不健康、重度不健康等)。
具体的，可以利用所述数据处理模块，采用特定的算法处理所述指纹图谱数据，得到所述状态值。
本公开一种实施例中，所述数据处理模块可以基于以下表达式对所述指纹图谱数据进行分析处理：
f(x)＝A+∑BXe(C+EX)
式中，A为常数，可以通过机器学习拟合得到；
X为所述指纹图谱数据，具体是维度为N的向量，N≥2，即所述待确定对象的指纹图谱与其疾病信息、关联信息等组成的输入数据，也即所述表达式的输入变量，长度为N；
B向量为指纹图谱数据的方向因子，长度为N，可以通过机器学习拟合得到，具体的，当Bi(i＝1,2，……N，Bi表示B向量中的第i个元素)大于零的时候，对应的代谢物指标变量对系统的影响为正相关，反之Bi小于零的时候，对应的代谢物指标变量对系统的影响为负相关；
C向量为指纹图谱数据中的未知变量指标对系统状态的本底影响因子，长度为N，可以通过机器学习拟合得到；
E矩阵为指纹图谱数据中的未知变量指标之间的相关性网络参数，是N*N的方块矩阵，可以通过机器学习拟合得到，具体的，当Eij(i＝1,2，……N，j＝1,2，……N，Eij表示矩阵E中第i行第j列的元素)为零的时候，表示i和j对应的两个样本输入中的未知指标变量间无关联，Eij大于零则表示正相关，小于零的时候表示负相关；
f(x)为所述状态值，即所述表达式的输出变量。
其中，所述本底影响因子指的是，当E矩阵之中所有的数值都是零的时候，这个时候常数e的指数项只和C相关，因为E等于零，所以此时与系统变量无关，整个系统从非线性系统转变为一个线性系统。对于系统变量X向量而言，E矩阵中的每一列为系统变量X对每一个元素Xi的相关性影响程度，这样，就可以将E矩阵描述为Xi与Xj之间的相关度，两两元素之间的相关度eij构成了网络的边，Xi与Xj为网络的节点。
本公开一种实施例中，上述的常数A、方向因子B、本底影响因子C、矩阵E等参数，可以使用遗传算法拟合得到。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。当然，所述参数拟合的方法可以不局限于遗传算法，比如也可以使用最小二乘法做参数拟合。
具体的，本公开一种实施例中，采用遗传算法，拟合得到所述数据处理模块的参数，可以通过以下方式实现：
利用特定编码方式对初始的所述数据处理模块中的参数进行编码，得到编码参数，其中，所述特定编码方式可以包括浮点数编码法，其中，所述浮点编码指的是使用常见的十进制数进行编码，例如常量A，参数B、C、矩阵E的各元素的值可以为负无穷到正无穷的范围内的任意一个实数，比如，其在计算模型的染色体中的编码的值可能为实数1.5，在遗传算法变异的过程中，可以在举例的1.5这个数值的基础上进行随机的增加0.01或者减去0.01将原先的1.5变化为1.51或者1.49来模拟进化论中的遗传突变；
对所述编码参数随机组合得到多组参数种群；
确定所述多组参数种群中每组参数种群的适应度值；
若所述每组参数种群的适应度值均不满足预设条件，则对所述多组参数种群进行选择、交叉和/或变异遗传处理，直至得到适应度值满足所述预设条件的最优参数种群；
以所述最优参数种群中的各参数，作为所述数据处理模块的参数。
其中，所述数据处理模块的参数可以是所述数据处理模块基于的计算表达式的参数，比如基于上述表达式的数据处理模块，其参数可以是上述表达式中的A、B、C、E等参数。当然，对于采用其他算法(表达式)进行指纹图谱数据的分析处理的数据处理模块，所述参数也可以是所述其他算法(表达式)中的参数。
其中，所述适应度值可以是表征所述数据处理模块的误差的各类型的特征值，比如可以是所述数据处理模块输出的状态值与输入数据对应的编码值的方差、标准差、均方根误差值RMSE等特征值。
具体的，本公开一种实施例中，以所述数据处理模块输出的状态值，与输入所述数据处理模块的指纹图谱数据样本对应的编码值的均方根误差值，作为所述适应度值。
本例中，所述每组参数种群的适应度值的确定方式可以包括：
将指纹图谱数据样本输入采用该组参数种群的数据处理模块，输出状态值；
计算所述状态值和所述指纹图谱数据样本对应的编码值的均方根误差值；
以所述均方根误差值作为该组参数种群的适应度值。
进一步的，本公开一种实施例中，所述适应度值满足所述预设条件包括：所述适应度值小于预设的适应度阈值。其中，对于以均方根误差值作为所述适应度值的情况，则所述适应度阈值可以是均方根误差值阈值。所述适应度阈值，可以根据实际需要的精确度来确定。
图3是本公开一个实例中拟合训练得到的数据处理模块的非线性系统的关系网络示意图。图3中，网络中的节点(圆形)是所述数据处理模块的非线性系统(机器学习模型)中表示所输入的指纹图谱的未知变量X向量中的代谢物分子元素以及相关联的受检者对象的生理特征信息。节点的大小以及灰度与B向量相关，节点灰度越深表示该因素与目标疾病的评分负相关，节点的灰度越浅表示该因素与目标疾病的评分正相关。节点的半径越大表示该因素与目标疾病的严重程度的相关性越大。节点与节点之间的连接线，是模型之中的E矩阵中的用于表示输入的所述X中的元素Xi与Xj之间的关系的元素Eij。当Eij等于零的时候，表示Xi与Xj之间无关联，则在所述网络图之中无连接线，反之当Eij不等于零的时候，在所述网络图之中的对应的元素节点之间存在一条边连接线。通过上述图3以及上述关于图3的说明可见，本公开所采用的机器学习模型比传统的机器学习模型对预测结果的可解释性更高。
图2是本公开另一种实施例提供的一种状态确定系统的模块结构示意图。具体的，如图2所示，本例中，所述系统可以包括：
指纹图谱数据获取模块201，可以用于获取待确定对象的指纹图谱数据。
数据处理模块202，可以用于对所述指纹图谱数据进行处理，得到状态值，所述状态值用于表征所述对象的健康状态，所述健康状态包括两个边界状态，以及所述边界状态之间的任意一个或多个中间状态。
状态确定模块203，可以用于根据所述状态值和编码值，确定所述待确定对象的健康状态，其中，每个编码值和每种健康状态唯一对应。
具体的，可以以状态值与编码值的差值来确定所述健康状态，比如状态值为99，即更为接近编码值100，而编码值100对应的状态可以是严重不健康状态，也可以是患某种特定疾病的患病晚期状态，则可以确定所述状态值99对应的待确定对象(比如患者)的状态时严重不健康状态或者患病晚期状态。
利用上述各实施例提供的实施方式，利用所述数据处理模块对所述指纹图谱数据进行分析处理，所述装置可以自动输出表征所述待确定对象(比如患者)的状态值，而不是简单的分类结果(类别数确定且较少)。根据所述状态值可以更精确地反映所述待确定对象的身体状态，所述状态值不仅可以表征两种边界状态(健康状态、不健康状态)，还可以表征两种边界状态之间的中间状态(比如患病初期状态、患病中期状态)，以及其他任意多种状态。即，根据所述状态值，不仅可以判断所述对象是否健康，还可以判断健康的程度，所述状态值的可解释性更高，对应的，根据所述确定结果做出的身体状态的判定的准确性和可靠性也更高。
图4是本公开一种实施例提供的一种受试者工作特征曲线示意图。如图4所示，横坐标为对疾病阳性检测的特异性的描述，纵坐标为对疾病阳性检测的敏感度的描述。利用一组测试用的样本进行模型测试，统计本公开所述数据处理模块所采用的机器学习模型(非线性系统)的预测结果之中的假阳性以及假阴性的出现分布，即可绘制出所述ROC曲线图。在所述ROC曲线图之中，分布线条与X轴横坐标构成的多边形的积分面积为AUC值，AUC值越高，即面积越大，则表示模型越好。通过随机抽样得到的测试数据集进行模型测试发现，本公开提供的数据处理模块所采用的机器学习模型可以更准确地对样本进行疾病有无以及发展严重程度状态进行评估。
图5示出本公开一种实施例提供的一种所输入的指纹图谱数据中的未知变量X中与疾病的相关度的可视化结果示意图。通过利用训练数据集对所述机器学习模型的训练得到所述模型参数数据之后，将模型之中的B向量之中的值按照绝对值大小降序进行条形图可视化，可以得到所述图5，在所述条形图之中，大于零的部分表示所输入的指纹图谱之中与疾病正相关的因素，小于零的部分表示所输入的指纹图谱之中与疾病负相关的因素。条形图的高度越高表示相关性越大。通过所述条形图的描述以及可视化，本公开中所述数据处理模块所采用的机器学习模型(非线性系统)比传统的机器学习模型对预测结果的可解释性更高。
应该理解，上述的系统实施例仅是示意性的，本公开的系统还可通过其它的方式实现。例如，上述实施例中所述单元/模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如，多个单元、模块或组件可以结合，或者可以集成到另一个系统，或一些特征可以忽略或不执行。
另外，若无特别说明，在本公开各个实施例中的各功能单元/模块可以集成在一个单元/模块中，也可以是各个单元/模块单独物理存在，也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元/模块如果以硬件的形式实现时，该硬件可以是数字电路，模拟电路等等。硬件结构的物理实现包括但不局限于晶体管，忆阻器等等。若无特别说明，所述人工智能处理器可以是任何适当的硬件处理器，比如CPU、GPU、FPGA、DSP和ASIC等等。若无特别说明，所述存储单元可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(Dynamic RandomAccess Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等。
所述集成的单元/模块如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，装置1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (14)

1.一种状态确定系统，其特征在于，所述系统包括：
指纹图谱数据获取模块，用于获取待确定对象的指纹图谱数据；
数据处理模块，用于对所述指纹图谱数据进行处理，得到状态值，所述状态值用于表征所述对象的健康状态，所述健康状态包括两个边界状态，以及所述边界状态之间的任意一个或多个中间状态。
2.如权利要求1所述的系统，其特征在于，所述系统还包括：
状态确定模块，用于根据所述状态值和编码值，确定所述待确定对象的健康状态，其中，每个编码值和每种健康状态唯一对应。
3.如权利要求1所述的系统，其特征在于，所述数据处理模块基于以下表达式对所述指纹图谱数据进行处理：
f(x)＝A+∑BXe(C+EX)
式中，A为常数；
X为指纹图谱数据，是维度为N的向量；
B向量为指纹图谱数据的方向因子，长度为N；
C向量为指纹图谱数据中的未知变量指标对系统状态的本底影响因子，长度为N；
E矩阵为指纹图谱数据中的未知变量指标之间的相关性网络参数，是N*N的方块矩阵；
f(x)为所述状态值。
4.如权利要求1至3中任意一项所述的系统，其特征在于，所述数据处理模块的参数预先采用遗传算法拟合得到。
5.如权利要求4所述的系统，其特征在于，所述数据处理模块的参数采用下述方式拟合得到：
利用特定编码方式对初始的所述数据处理模块中的参数进行编码，得到编码参数；
对所述编码参数随机组合得到多组参数种群；
确定所述多组参数种群中每组参数种群的适应度值；
若所述每组参数种群的适应度值均不满足预设条件，则对所述多组参数种群进行选择、交叉和/或变异遗传处理，直至得到适应度值满足所述预设条件的最优参数种群；
以所述最优参数种群中的各参数，作为所述数据处理模块的参数。
6.如权利要求5所述的系统，其特征在于，所述每组参数种群的适应度值的确定方式包括：
将指纹图谱数据样本输入采用该组参数种群的数据处理模块，输出状态值；
计算所述状态值和所述指纹图谱数据样本对应的编码值的均方根误差值；
以所述均方根误差值作为该组参数种群的适应度值。
7.如权利要求5或6所述的系统，其特征在于，所述适应度值满足所述预设条件包括：所述适应度值小于预设的适应度阈值。
8.如权利要求5或6所述的系统，其特征在于，所述数据处理模块的参数包括所述表达式中的所述常数、所述方向因子、所述本底影响因子、所述网络参数。
9.如权利要求1至3任一项所述的系统，其特征在于，所述指纹图谱数据包括指纹图谱、疾病信息、对象的关联信息中的一项或多项。
10.如权利要求9所述的系统，其特征在于，所述指纹图谱包括代谢物表达谱、转录组表达谱、蛋白组表达谱、微生物组表达谱中的任意一种或多种。
11.如权利要求10所述的系统，其特征在于，所述代谢物表达谱包括通过液质联用或气相色谱质谱联用的非靶向实验获取到的代谢物表达谱。
12.如权利要求10所述的系统，其特征在于，所述代谢物表达谱对应的代谢物包括血液、尿液、分泌液、脑脊液、粪便中的任意一种或多种。
13.如权利要求9所述的系统，其特征在于，所述关联信息包括所述待确定对象对应的生物体的身份信息和/或身体特征信息。
14.一种电子设备，其特征在于，所述电子设备包括如权利要求1至13任一项所述的系统。
CN202010065025.5A 2020-01-20 2020-01-20 状态确定系统和电子设备 Active CN111276248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010065025.5A CN111276248B (zh) 2020-01-20 2020-01-20 状态确定系统和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010065025.5A CN111276248B (zh) 2020-01-20 2020-01-20 状态确定系统和电子设备

Publications (2)

Publication Number Publication Date
CN111276248A true CN111276248A (zh) 2020-06-12
CN111276248B CN111276248B (zh) 2023-09-12

Family

ID=71001124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010065025.5A Active CN111276248B (zh) 2020-01-20 2020-01-20 状态确定系统和电子设备

Country Status (1)

Country Link
CN (1) CN111276248B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113054881A (zh) * 2021-02-22 2021-06-29 江苏大学 外转子定子无铁心无轴承永磁同步电动机控制器构造方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001016857A2 (en) * 1999-08-27 2001-03-08 Pluvita Corporation System and method for genomic and proteomic agricultural disease assessment via expression profile comparison
US20040143403A1 (en) * 2002-11-14 2004-07-22 Brandon Richard Bruce Status determination
CN105981026A (zh) * 2014-02-06 2016-09-28 因姆内克斯普雷斯私人有限公司 生物标志标识方法及用于其的装置和试剂盒
CN108597606A (zh) * 2018-03-21 2018-09-28 北京理工大学 基于血清学指标的躯体健康状态量化计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2001016857A2 (en) * 1999-08-27 2001-03-08 Pluvita Corporation System and method for genomic and proteomic agricultural disease assessment via expression profile comparison
US20040143403A1 (en) * 2002-11-14 2004-07-22 Brandon Richard Bruce Status determination
CN105981026A (zh) * 2014-02-06 2016-09-28 因姆内克斯普雷斯私人有限公司 生物标志标识方法及用于其的装置和试剂盒
CN108597606A (zh) * 2018-03-21 2018-09-28 北京理工大学 基于血清学指标的躯体健康状态量化计算方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113054881A (zh) * 2021-02-22 2021-06-29 江苏大学 外转子定子无铁心无轴承永磁同步电动机控制器构造方法

Also Published As

Publication number Publication date
CN111276248B (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN111860588B (zh) 一种用于图神经网络的训练方法以及相关设备
US11651860B2 (en) Drug efficacy prediction for treatment of genetic disease
CN111523640B (zh) 神经网络模型的训练方法和装置
JP2023542837A (ja) グラフニューラルネットワークに基づく臨床オミックスデータ処理方法、装置、電子機器、及びコンピュータプログラム
CN111091175A (zh) 神经网络模型训练方法、分类方法、装置和电子设备
CN112632351B (zh) 分类模型的训练方法、分类方法、装置及设备
Abd Elaziz et al. An efficient artificial rabbits optimization based on mutation strategy for skin cancer prediction
CN112420125A (zh) 分子属性预测方法、装置、智能设备和终端
Wheeler Bayesian additive adaptive basis tensor product models for modeling high dimensional surfaces: an application to high-throughput toxicity testing
Nguyen et al. rmRNAseq: differential expression analysis for repeated-measures RNA-seq data
CN111611796A (zh) 下位词的上位词确定方法、装置、电子设备及存储介质
KR102415220B1 (ko) 시계열 데이터 처리 장치 및 이의 동작 방법
EP3985574A1 (en) Method and apparatus with neural network pruning
CN114093435A (zh) 一种基于深度学习的化学分子相关水溶性预测方法
CN111276248B (zh) 状态确定系统和电子设备
CN114298299A (zh) 基于课程学习的模型训练方法、装置、设备及存储介质
Browne et al. A knowledge-driven probabilistic framework for the prediction of protein–protein interaction networks
Yousif Classification of mental disorders figures based on soft computing methods
Momo et al. Speech recognition using feed forward neural network and principle component analysis
CN116109449A (zh) 一种数据处理方法及相关设备
CN115662510A (zh) 因果参数的确定方法、装置、设备以及存储介质
CN114678083A (zh) 一种化学品遗传毒性预测模型的训练方法及预测方法
CN111582404A (zh) 内容分类方法、装置及可读存储介质
D’hondt et al. A binning approach for predicting long-term prognosis in multiple sclerosis
Nilashi et al. Accuracy Analysis of Type-2 Fuzzy System in Predicting Parkinson’s Disease Using Biomedical Voice Measures

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
GR01 Patent grant
GR01 Patent grant