CN112836873B - 一种矫治器配戴舒适度的预测方法及预测模型的构建方法 - Google Patents

一种矫治器配戴舒适度的预测方法及预测模型的构建方法 Download PDF

Info

Publication number
CN112836873B
CN112836873B CN202110140281.0A CN202110140281A CN112836873B CN 112836873 B CN112836873 B CN 112836873B CN 202110140281 A CN202110140281 A CN 202110140281A CN 112836873 B CN112836873 B CN 112836873B
Authority
CN
China
Prior art keywords
patient
information
value
prediction
comfort
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.)
Active
Application number
CN202110140281.0A
Other languages
English (en)
Other versions
CN112836873A (zh
Inventor
许琳
李宇
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202110140281.0A priority Critical patent/CN112836873B/zh
Publication of CN112836873A publication Critical patent/CN112836873A/zh
Application granted granted Critical
Publication of CN112836873B publication Critical patent/CN112836873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Epidemiology (AREA)
  • Development Economics (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本申请提供一种矫治器配戴舒适度的预测方法及预测模型的构建方法。该矫治器配戴舒适度的预测方法包括：获取患者的目标信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；将所述目标信息输入至预先训练好的预测模型中，得到所述患者的配戴舒适度的预测数值。在本申请实施例中，预先构建好能够预测患者配戴舒适度的预测模型，进而使得在获取到患者经归一化处理或二值化处理后的与配戴矫治器相关的基本信息后，能够通过该模型，得到患者配戴舒适度的预测数值。通过该方式，能够便于正畸医生根据患者的配戴舒适度对矫治器进行调整，进而提高后续患者配戴矫治器时的配戴舒适度。

Description

一种矫治器配戴舒适度的预测方法及预测模型的构建方法
技术领域
本申请涉及数据处理领域，具体而言，涉及一种矫治器配戴舒适度的预测方法及预测模型的构建方法。
背景技术
无托槽隐形矫治是口腔临床医学中发展最快的计算机技术之一，它将正畸治疗计划转化为一系列清晰的矫治器来排齐牙齿。
正畸患者矫治器配戴舒适度具有重要的临床意义，积极的患者配戴舒适度与较好的治疗效果有关，而糟糕的配戴舒适度会强烈影响患者的依从性，降低治疗结果和效率。在制定治疗计划时，除了考虑患者的诊断和治疗结果。在此基础上，还应考虑患者的舒适度，体现关爱患者的理念。然而，目前尚未有对正畸患者透明矫治器配戴舒适度的预测系统。
发明内容
本申请实施例的目的在于提供一种矫治器配戴舒适度的预测方法及预测模型的构建方法，以改善“目前尚未有对正畸患者透明矫治器配戴舒适度的预测系统”的问题。
本发明是这样实现的：
第一方面，本申请实施例提供一种矫治器配戴舒适度的预测方法，包括：获取患者的目标信息；其中，所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；将所述目标信息输入至预先训练好的预测模型中，得到所述患者的配戴舒适度的预测数值。
在本申请实施例中，预先构建好能够预测患者配戴舒适度的预测模型，进而使得在获取到患者经归一化处理或二值化处理后的与配戴矫治器相关的基本信息后，能够通过该模型，得到患者配戴舒适度的预测数值。通过该方式，能够便于正畸医生根据患者的配戴舒适度对矫治器进行调整，进而提高后续患者配戴矫治器时的配戴舒适度。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述预测模型包括第一预测模型，第二预测模型以及第三预测模型；所述第一预测模型用于对所述患者的疼痛舒适度的预测，所述第二预测模型用于对所述患者的焦虑舒适度的预测，所述第三预测模型用于对所述患者的口腔生活质量舒适度的预测；相应的，所述将所述目标信息输入至预先训练好的预测模型中，得到所述患者的配戴舒适度的预测数值，包括：将所述目标信息分别输入至预先训练好的所述第一预测模型、所述第二预测模型以及所述第三预测模型中，得到所述患者的焦虑舒适度的预测数值，所述患者的焦虑舒适度的预测数值以及所述患者的口腔生活质量舒适度的预测数值。
在本申请实施例中，预先构建三类预测模型，也即通过三类预测模型分别对患者的疼痛舒适度、焦虑舒适度以及口腔生活质量舒适度进行预测。通过该方式实现了患者配戴舒适度的多维度的预测，提高了预测结果的全面性，也即通过该方式，能够对患者的舒适度进行全面综合的判断。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，当所述患者的基本信息包括多项信息时，所述将所述目标信息输入至预先训练好的预测模型之后，所述方法还包括：输出所述患者的基本信息中的每项信息对所述患者的配戴舒适度的预测数值的贡献度。
在本申请实施例中，在将目标信息输入至预先训练好的预测模型之后，还会输出患者的基本信息中的每项信息对患者的配戴舒适度的预测数值的贡献度，通过输出的各项信息的贡献度，能够便于正畸医生根据各项信息的贡献度有针对性的对矫治器进行调整，进一步的提高了后续患者配戴矫治器时的配戴舒适度。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述基本信息还包括所述患者的个人信息；其中，所述个人信息包括所述患者的性别、年龄以及精神状态信息。
在本申请实施例中，基本信息中还包括患者的个人信息，如患者的性别、年龄以及精神状态信息。通过该方式，结合了患者自身的信息来对配戴舒适度进行预测，提高了预测结果的准确性。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，在所述得到所述患者的配戴舒适度的预测数值之后，所述方法还包括：将所述预测数值与预设阈值进行比较，得到所述患者的配戴舒适度的预测结果。
在本申请实施例中，在得到患者的配戴舒适度的预测数值后，将其与预设阈值比较，进而根据比较结果得到患者的配戴舒适度的预测结果，通过该方式，以便于正畸医生直观的得到预测结果。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述获取患者的目标信息，包括：获取所述患者的模拟矫治设计图；将所述模拟矫治设计图输入至预先训练好的识别模型中，得到所述患者的矫治器的设计信息；将所述患者的矫治器的设计信息进行归一化处理或二值化处理后的信息，得到所述患者的目标信息。
第二方面，本申请实施例提供一种预测模型的构建方法，包括：获取训练样本数据；其中，所述训练样本数据包括多个患者的目标信息以及所述多个患者在预设时间段的舒适度分值；所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；所述舒适度分值为通过对所述多个患者在预设时间段的舒适度得分进行归一化处理后的数值；将所述目标信息输入至初始模型中，得到预测数值；基于所述预测数值以及所述舒适度分值计算损失值，并基于所述损失值对所述初始模型的模型参数进行优化，得到预测模型。
结合上述第二方面提供的技术方案，在一些可能的实现方式中，所述损失值的计算公式为：BCE(x)＝-[(1-y)log(1-x)+ylog(x)]；其中，BCE(x)表示损失值，y表示所述舒适度分值，x表示所述预测数值。
结合上述第二方面提供的技术方案，在一些可能的实现方式中，所述基本信息还包括所述多个患者的个人信息；其中，所述个人信息包括每个患者的性别、年龄以及精神状态信息。
结合上述第二方面提供的技术方案，在一些可能的实现方式中，所述预测模型包括两层隐藏层，当每个患者的基本信息包括多项信息时，在得到所述预测模型之后，所述方法还包括：基于所述预测模型，确定出所述多项信息中的每项信息的对于预测数值的贡献度；其中，通过如下公式计算贡献度：
Figure BDA0002927467980000041
其中，SSDi表示第i项信息的贡献度，N表示患者的总数；dji表示第j个患者的预测数值对于第i项信息的偏导数；
Figure BDA0002927467980000042
其中，Sj表示输出第j个患者的预测数值对最后一个节点输出的导数；Sj＝yj(1-yj)，yj表示输出第j个患者的预测数值；nh表示每层隐藏层的节点总数；Ikj表示第二个隐藏层对第k个节点的输出结果；wko为输出节点与第二层隐藏层第k个节点之间的权值；whk表示两个隐藏层之间的权值；1(Ihj>0)wih为一个二进制函数，当满足Ihj>0时，输出结果为1，否则为0；wih为第i项信息对应的输入节点与第一隐含层的第h个节点之间的权值。
第三方面，本申请实施例提供一种矫治器配戴舒适度的预测装置，包括：获取模块，用于获取患者的目标信息；其中，所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；预测模块，用于将所述目标信息输入至预先训练好的预测模型中，得到所述患者的配戴舒适度的预测数值。
第四方面，本申请实施例提供一种预测模型的构建装置，包括：获取模块，用于获取训练样本数据；其中，所述训练样本数据包括多个患者的目标信息以及所述多个患者在预设时间段的舒适度分值；所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；所述舒适度分值为通过对所述多个患者在预设时间段的舒适度得分进行归一化处理后的数值；预测模块，用于将所述目标信息输入至初始模型中，得到预测数值；优化模块，用于基于所述预测数值以及所述舒适度分值计算损失值，并基于所述损失值对所述初始模型的模型参数进行优化，得到预测模型。
第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于调用存储在所述存储器中的程序，执行如上述第一方面实施例提供的方法，和/或执行如第二方面实施例所提供的方法。
第六方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例提供的方法，和/或执行如第二方面实施例所提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种预测模型的构建方法的步骤流程图。
图3为本申请实施例提供的预测模型曲线以及ROC(receiver operatingcharacteristic curve，受试者操作特征曲线)曲线的示意图。
图4为本申请实施例提供的一种矫治器配戴舒适度的预测方法的步骤流程图。
图5为本申请实施例提供的一种矫治器配戴舒适度的预测装置的模块框图。
图6为本申请实施例提供的一种预测模型的构建装置的模块框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
鉴于目前尚未有对正畸患者透明矫治器配戴舒适度的全面预测系统，本申请发明人经过研究探索，提出以下实施例以解决上述问题。
请参阅图1，本申请实施例提供的一种应用矫治器配戴舒适度的预测方法和/或预测模型的构建方法的电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是，但不限于个人计算机(Personal Computer，PC)、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)、移动上网设备(Mobile Internet Device，MID)等。在结构上，电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。矫治器配戴舒适度的预测装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System，OS)中的软件模块，和/或预测模型的构建装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System，OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，矫治器配戴舒适度的预测装置所包括的软件功能模块及计算机程序等，以实现矫治器配戴舒适度的预测方法。处理器110可以在接收到执行指令后，执行计算机程序。
其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是中央处理器(Central Processing Unit，CPU)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory，EPROM)，以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
需要说明的是，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
为了便于说明本方案，首先对本申请实施例所提供的预测模型的构建方法进行说明，也即首先对预测模型的训练过程进行说明。
请参阅图2，图2为本申请实施例提供的预测模型的构建方法的步骤流程图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的预测模型的构建方法不以图2及以下所示的顺序为限制，该方法包括：步骤S101-步骤S103。
步骤S101：获取训练样本数据；其中，训练样本数据包括多个患者的目标信息以及所述多个患者在预设时间段的舒适度分值；目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；基本信息包括与患者配戴的矫治器相关的信息；舒适度分值为通过对多个患者在预设时间段的舒适度得分进行归一化处理后的数值。
作为第一种实施方式，获取训练样本数据可以是直接获取通过对多个患者的基本信息进行归一化处理或二值化处理后的信息以及对多个患者在预设时间段的舒适度得分进行归一化处理后的数值。
作为第二种实施方式，获取训练样本数据还可以是获取多个患者的基本信息以及多个患者在预设时间段的舒适度得分；然后对多个患者的基本信息进行归一化处理或二值化处理，得到多个患者的目标信息，以及对多个患者在预设时间段的舒适度得分进行归一化处理，得到多个患者在预设时间段的舒适度分值。
下面对患者的基本信息的种类进行说明。基本信息为与患者配戴的矫治器相关的信息，如基本信息可以是，但不限于患者的诊断信息、患者的治疗信息以及矫治器的设计信息。
于本申请实施例中，矫治器为透明矫治器(Clear aligner)。
其中，患者的诊断信息包括错
Figure BDA0002927467980000081
形分类、是否存在骨性畸形、拥挤度分类，高角患者或低角患者。
患者的治疗信息包括是否拔牙、是否推磨牙向后、是否需要辅助支抗钉。
患者的矫治器的设计信息包括附件的种类和数量、摘戴难易程度、是否邻面减径(interproximal reduction，IPR)以及邻面减径的量、是否挂皮筋以及挂皮筋的位置和数目、是否设计了转矩嵴，是否设计有精密切割等等。
需要说明的是，上述的患者的基本信息的种类仅为示例，在具体实施方式，患者的基本信息可以是上述的一种或者多种信息，也可以是上述并未示出的与患者配戴的矫治器相关的信息，对此，本申请不作限定。
为了便于后续模型的学习，在得到上述的基本信息后，需要对基本信息进行预处理，预处理的方式包括归一化处理以及二值化处理。其中，当上述基本信息的种类表征的是数值信息时，则对该类基本信息进行归一化处理。当上述基本信息仅有两个结果时，则对该类基本信息进行二值化处理。示例性的，比如基本信息为挂皮筋的繁琐程度，繁琐程度表征数值信息，则对挂皮筋的繁琐程度进行归一化处理，又比如基本信息为是否拔牙，该类基本信息仅有“是”和“否”两种结果，则对该基本信息进行二值化处理。
于本申请实施例中，归一化处理可以具体选择最大值最小值归一化处理方法(Maximum Minimum Normalization，MMN)。也即，通过该类基本信息中最大数值和最小数值作为1和0来进行归一化。
可选地，为了提高后续预测模型预测结果的准确性，上述的基本信息还包括患者的个人信息。其中，个人信息包括患者的性别、年龄以及精神状态信息。
需要解释的，精神状态信息包括但不限于患者是否有焦虑症、是否有抑郁症。
同样的，上述基本信息也需要进行预处理。其中，预处理的方式可以参考前述实施例中的说明，如性别进行二值化处理，对年龄进行归一化处理，为了避免累赘，此处不作重复赘述。
下面对患者在预设时间段的舒适度得分进行说明。对于患者在预设时间段的舒适度得分可以通过问卷调查的方式获得。患者的舒适度可以是，但不限于患者的疼痛舒适度、焦虑舒适度以及口腔生活质量舒适度。其中，口腔生活质量为口腔健康相关生活质量(oralhealth-related quality of life)。需要说明的是，本申请实施例针对不同的舒适度构建对应的预测模型。而首先需要根据构建的不同的预测模型，制定不同的调查问卷，比如针对患者的疼痛舒适度，制定疼痛舒适度调查问卷；针对患者的焦虑舒适度，制定焦虑舒适度调查问卷；针对患者的口腔生活质量舒适度，制定口腔生活质量舒适度调查问卷。问卷的具体内容，形式可以根据实际情况而定，比如问卷中的问题可以设置为10题，每题对应的选项设置一个分值，最后根据患者所选择的选项来确定此次调查的最终得分。可以理解的是，在制定疼痛舒适度调查问卷时，可以根据具体的选项来设置分值，比如在疼痛调查时，可以将表征疼痛选项的分值设置较低，表征不痛选项的分值设置较高，进而使得当最终得分较高时，则表征患者疼痛指数较低，当最终得分较低时，则表征患者的疼痛指数较高。
上述的预设时间段可以是，但不限于五天、七天、十天。
作为第一种实施方式，患者在预设时间段的舒适度得分，可以是患者在预设时间段的第一天至最后一天所填写的调查问卷的舒适度得分的差值，比如预设时间段为七天，患者在第一天填写调查问卷的舒适度得分为80分，在第七天填写调查问卷的舒适度得分为20分，则将第一天填写调查问卷的舒适度得分为80分减去第七天填写调查问卷的舒适度得分为20分，得到差值为60分。需要说明的是，差值越大，则说明患者的舒适度波动越大，将患者在预设时间段的舒适度得分设定为患者在预设时间段的第一天至最后一天所填写的调查问卷的舒适度得分的差值，有助于对患者的配戴舒适度的变化过程进行研究。
作为第二种实施方式，患者在预设时间段的舒适度得分，可以是患者在预设时间段的最后一天填写调查问卷的舒适度得分，比如预设时间段为七天，在第七天获取患者填写的调查问卷的舒适度得分为40分，则将该分值作为患者在这七天的舒适度得分。
同样的，上述患者在预设时间段的舒适度得分也需要进行预处理，进而得到舒适度分值。其中，预处理的方式为归一化处理，其过程也可以参考前述实施例中的说明，为了避免累赘，此处不作重复赘述。
步骤S102：将目标信息输入至初始模型中，得到预测数值。
在获取到训练样本数据后，将目标信息输入至初始模型中，得到预测数值。
其中，初始模型可以是人工神经网络模型(Artificial Neural Networks，ANN)。当然，在其他实施例中，初始模型还可以随机森林模型等，本申请不作限定。
步骤S103：基于预测数值以及舒适度分值计算损失值，并基于损失值对初始模型的模型参数进行优化，得到预测模型。
最后，基于预测数值以及舒适度分值计算损失值，通过损失值对初始模型的模型参数进行优化，得到预测模型。
于本申请实施例中，初始模型包括四层，分别是输入层、两层隐藏层以及输出层。输入层用于输入目标信息，输出层用于输出预测数值。两层隐藏层各有九个节点。当然，其他实施例中，模型的结构也可以是其他的结构，本申请对于隐藏层的层数，以及各层的节点数不作限定。
选取线性整流函数(Rectified Linear Unit,ReLU)作为非线性的激活函数，具体的函数表达式为：
Figure BDA0002927467980000111
需要说明的是，公式(1)中，x是指上一层神经元的输出经过线性运算得到的数值，由于线性运算的参数是有正有负的，所以x也有正负之分，此时relu函数节点上的一个激活函数，当x是正的时候，我们认为该节点被“激活”了，输出它自身的数值，当x是负的时候，认为该节点没有被“激活”，直接设置为0。relu函数的输出为本节点的输出，传递到下一层。
输出层输出非线性sigmoid函数得到正概率，具体的表达式为：
Figure BDA0002927467980000112
需要说明的是，公式(2)中，x表示输出层的输出结果。x的取值范围为负无穷大到正无穷大，相应的，sigmoid(x)的取值范围为(0，1)。
于本申请实施例中，利用二值交叉熵损失(Binary Cross-Entropy)计算损失值，具体的表达式为：
BCE(x)＝-[(1-y)log(1-x)+ylog(x)] (3)
公式(3)中，BCE(x)表示损失值，y表示舒适度分值，x表示预测数值。
在计算得到损失值后，通过反向传播算法对初始模型的模型参数进行优化，其模型的学习率设定为0.1。然后采用自适应矩估计优化器(Adaptive moment estimationoptimizer)对神经网络参数进行更新。需要说明的是，反向传播算法会得到模型中的每个权值的优化“方向”，学习率+自适应矩估计优化器决定在这个“方向”上走多远。由于上述的反向传播算法、自适应矩估计优化器为本领域所熟知的内容，本申请不作详细说明。
可选地，在训练时，隐藏层采用随机脱落(random dropout)方式，也即，将一定数量的隐藏层的节点的激活值随机设置为0，比如百分之五十的节点的激活值设置为0。其目的是使网络模型能够在随机缺失一定信息的情况下，仍能较为准确地进行预测，使网络模型不会依赖某个特定的节点进行预测，从而使节点的“激活”状态是均匀的，通过该方式提高了训练的稳定性。
通过上述方式即可完成对于预测模型的构建。需要说明的是，本申请实施例可以针对不同的舒适度构建对应的预测模型。比如，当舒适度分值为患者的疼痛舒适度的分值时，则构建的预测模型用于对患者的疼痛舒适度进行预测，当舒适度分值为患者的焦虑舒适度的分值时，则构建的预测模型用于对患者的焦虑舒适度进行预测，当舒适度分值为患者的口腔生活质量舒适度的分值时，则构建的预测模型用于对患者的口腔生活质量舒适度进行预测。当然，也可以同时构建上述三类预测模型，以便于实现了患者配戴舒适度的多维度的预测，提高了预测结果的全面性。
可选地，于本申请实施例中，在获取训练样本数据时，还可以将训练样本数据进行划分。将准备好的训练样本数据分成学习集和测试集，比例约为4:1。然后再将学习集以3:1的比例进一步分解为训练集和验证集，通过验证集来优化模型的超参数(机器学习开始之前所设置在参数，如学习进度和隐藏大小)。测试集主要用于评估最终获取的预测模型的准确率。在每个训练集、验证集和测试集上，正样本和负样本的比例相似。需要说明的是，利用预先定义的阈值来区分正样本以及负样本，比如经过归一化处理后的患者的预设时间段的舒适度得分的范围为0～1。1表征舒适度好，0表征舒适度差，则可以预先定一个阈值来区分舒适度的好坏，也即区分正样本和负样本，具体的数值可以根据实际情况而定，比如阈值为0.4、0.5、0.6，本申请不作限定。随着分割的进一步减少了训练样本的数量，为了避免过拟合，采用四次交叉验证(cross validation)方式进行验证。通过验证确定所有参数后，使用整个学习集来训练最终的模型。
在构建好上述预测模型后，其输出的数值为0～1之间的一个数值，而为了便于正畸医生直观的得到预测结果，在构建完预测模型后，再基于构建的预测模型确定出预设阈值。比如，可以通过预测模型来构建ROC(receiver operating characteristic curve，受试者操作特征曲线)曲线，进而通过ROC曲线来确定出预设阈值。
为了便于理解，请参阅图3，图3中，a坐标图表示预测模型对于疼痛舒适度的学习曲线，a坐标图上方的曲线表示验证集的损失曲线，a坐标图下方的曲线表示训练集的损失曲线。验证集的损失曲线上的箭头为验证损失曲线的最低点，即训练停止的地方。而d坐标图表示预测模型对疼痛的ROC曲线。ROC曲线上的最佳截断值即为预设阈值，如d坐标图上的箭头所示，预设阈值为0.374(即最佳截止点Optimum cutoff：0.374)。根据预设阈值与模型的预测数值的比较，即可输出患者配戴舒适度的预测结果，示例性的，以疼痛舒适度的预测模型为例，若模型的预测数值为0.334。0.334小于0.374，则输出为0，表征疼痛舒适度为不痛；若模型的预测数值为0.441。0.441大于0.374，则输出为1，表征疼痛舒适度为痛。
可以理解的是，在其他实施例中，预设阈值也可以和与利用预先定义的阈值来区分正样本以及负样本中的阈值相同，对此，本申请不作限定。
可选地，当预测模型包括两层隐藏层，当每个患者的基本信息包括多项信息时，在得到所述预测模型之后，该方法还包括：基于预测模型，确定出多项信息中的每项信息对于预测数值的贡献度。
其中，通过如下公式计算贡献度：
Figure BDA0002927467980000141
公式(4)中，SSDi表示第i项信息的贡献度，N表示患者的总数；dji表示第j个患者的预测数值对于第i项信息的偏导数；
其中，dji的具体表达式为：
Figure BDA0002927467980000142
公式(5)中，Sj表示输出第j个患者的预测数值对最后一个节点输出的导数；Sj＝yj(1-yj)，yj表示输出第j个患者的预测数值；nh表示每层隐藏层的节点总数；Ikj表示第二个隐藏层对第k个节点的输出结果；wko为输出节点与第二层隐藏层第k个节点之间的权值；whk表示两个隐藏层之间的权值；1(Ihj>0)wih为一个二进制函数，当满足Ihj>0时，输出结果为1，否则为0；wih为第i项信息对应的输入节点与第一隐含层的第h个节点之间的权值。
需要说明的是，本申请实施例中，在构建后预测模型后，还会计算患者的基本信息中的每项信息对患者的配戴舒适度的预测数值的贡献度，通过各项信息的贡献度，能够便于后续正畸医生直接根据各项信息的贡献度有针对性的对矫治器进行调整，进一步的提高后续患者配戴矫治器时的配戴舒适度。
下面对上述预测模型的应用进行说明，请参阅图4，本申请实施例提供一种矫治器配戴舒适度的预测方法，该方法应用于图1所示的电子设备100中。需要说明的是，本申请实施例所提供的矫治器配戴舒适度的预测方法不以图4及以下所示的顺序为限制，该方法包括：步骤S201-步骤S202。
步骤S201：获取患者的目标信息；其中，目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；基本信息包括与患者配戴的矫治器相关的信息。
作为一种可选地实施方式，获取患者的目标信息，包括：获取患者的模拟矫治设计图；将模拟矫治设计图输入至预先训练好的识别模型中，得到患者的矫治器的设计信息；将患者的矫治器的设计信息进行归一化处理或二值化处理后的信息，得到患者的目标信息。
也即，本申请实施例提供一种获取患者的矫治器的设计信息便捷的方式，再获取到患者的模拟矫治设计图后，直接将该图输入至预先训练好的识别模型中，通过AI(Artificial Intelligence，人工智能)自动识别即可获取患者的矫治器的附件的种类和数量、是否邻面减径以及邻面减径的量、是否挂皮筋以及挂皮筋的位置和数目、是否设计了转矩嵴，是否设计有精密切割。
需要说明的是，获取到患者的模拟矫治设计图需要包含模拟矫治器的全部结构，通过情况下，可以结合患者的多张模拟矫治设计图，也即可以同时输入患者的模拟矫治设计图的正面以及侧面图。上述的识别模型可以是常规的神经网络模型，其具体识别及训练过程为本领域所熟知，此处不作详细阐述。此外，对于目标信息的其他说明可以参考前述训练预测模型的实施例中的说明，为了避免累赘，不作重复赘述。
步骤S202：将目标信息输入至预先训练好的预测模型中，得到患者的配戴舒适度的预测数值。
在本申请实施例中，预先构建好能够预测患者配戴舒适度的预测模型，进而使得在获取到患者经归一化处理或二值化处理后的与配戴矫治器相关的基本信息后，能够通过该模型，得到患者配戴舒适度的预测数值。通过该方式，能够便于正畸医生根据患者的配戴舒适度对矫治器进行调整，进而提高后续患者配戴矫治器时的配戴舒适度。
可选地，为了实现患者配戴舒适度的多维度的预测，提高预测结果的全面性，上述的预测模型包括第一预测模型，第二预测模型以及第三预测模型。
其中，第一预测模型用于对患者的疼痛舒适度的预测，第二预测模型用于对患者的焦虑舒适度的预测，第三预测模型用于对所述患者的口腔生活质量舒适度的预测。相应的，步骤S202具体包括：将目标信息分别输入至预先训练好的第一预测模型、第二预测模型以及第三预测模型中，得到患者的焦虑舒适度的预测数值，所述患者的焦虑舒适度的预测数值以及所述患者的口腔生活质量舒适度的预测数值。
需要说明的是，上述的第一预测模型、第二预测模型以及第三预测模型均可前述实施例中的预测模型的构建方法进行构建。本申请实施例中，通过预先构建三类预测模型，也即通过三类预测模型分别对患者的疼痛舒适度、焦虑舒适度以及口腔生活质量舒适度进行预测。通过该方式实现了患者配戴舒适度的多维度的预测，提高了预测结果的全面性。
在其他实施例中，还可以仅采用上述的任两种预测模型进行预测，对此，本申请不作限定。
可选地，当预测模型在构建时，还基于患者的个人信息进行模型训练时，相应的，患者的基本信息也包括患者的个人信息。通过该方式，能够结合患者自身的信息来对配戴舒适度进行预测，提高了预测结果的准确性。
可选地，在预测模型的构建过中，若是还确定出患者的基本信息中的每项信息的对于预测数值的贡献度时，则在当将目标信息输入至预先训练好的预测模型之后，该方法还包括：输出患者的基本信息中的每项信息对所述患者的配戴舒适度的预测数值的贡献度。需要说明的是，此处输出的贡献度即为在模型构建过程中计算得到的各项信息的贡献度。通过输出的各项信息的贡献度，能够便于正畸医生根据各项信息的贡献度有针对性的对矫治器进行调整，进一步的提高后续患者配戴矫治器时的配戴舒适度。
可选地，在预测模型的构建过中，若是还确定出预设阈值，则在得到患者的配戴舒适度的预测数值之后，该方法还包括：将预测数值与预设阈值进行比较，得到患者的配戴舒适度的预测结果。
需要说明的是，在模型应用过程中的具体实施过程由于在前述模型构建的过程中已有说明，因此，为了避免累赘，此处不作重复赘述，相同部分互相参考即可。
请参阅图5，基于同一发明构思，本申请实施例还提供一种矫治器配戴舒适度的预测装置300，该装置300包括：获取模块301以及预测模块302。
获取模块301，用于获取患者的目标信息；其中，所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息。
预测模块302，用于将所述目标信息输入至预先训练好的预测模型中，得到所述患者的配戴舒适度的预测数值。
可选地，所述预测模型包括第一预测模型，第二预测模型以及第三预测模型；所述第一预测模型用于对所述患者的疼痛舒适度的预测，所述第二预测模型用于对所述患者的焦虑舒适度的预测，所述第三预测模型用于对所述患者的口腔生活质量舒适度的预测；相应的，所述预测模块302还用于将所述目标信息分别输入至预先训练好的所述第一预测模型、所述第二预测模型以及所述第三预测模型中，得到所述患者的焦虑舒适度的预测数值，所述患者的焦虑舒适度的预测数值以及所述患者的口腔生活质量舒适度的预测数值。
可选地，当所述患者的基本信息包括多项信息时，所述预测模块302还用于在将所述目标信息输入至预先训练好的预测模型之后，输出所述患者的基本信息中的每项信息对所述患者的配戴舒适度的预测数值的贡献度。
可选地，该装置300还包括得到模块303。得到模块303用于在所述得到所述患者的配戴舒适度的预测数值之后，将所述预测数值与预设阈值进行比较，得到所述患者的配戴舒适度的预测结果。
请参阅图6，基于同一发明构思，本申请实施例还提供一种预测模型的构建装置400，该装置400包括：获取模块401、预测模块402以及优化模块403。
获取模块401，用于获取训练样本数据；其中，所述训练样本数据包括多个患者的目标信息以及所述多个患者在预设时间段的舒适度分值；所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；所述舒适度分值为通过对所述多个患者在预设时间段的舒适度得分进行归一化处理后的数值。
预测模块402，用于将所述目标信息输入至初始模型中，得到预测数值。
优化模块403，用于基于所述预测数值以及所述舒适度分值计算损失值，并基于所述损失值对所述初始模型的模型参数进行优化，得到预测模型。
可选地，该装置400还包括确定模块404。确定模块404用于所述预测模型包括两层隐藏层，当每个患者的基本信息包括多项信息时，在得到所述预测模型之后，基于所述预测模型，确定出所述多项信息中的每项信息对于预测数值的贡献度；其中，通过如下公式计算贡献度：
Figure BDA0002927467980000181
其中，SSDi表示第i项信息的贡献度，N表示患者的总数；dji表示第j个患者的预测数值对于第i项信息的偏导数；
Figure BDA0002927467980000191
其中，Sj表示输出第j个患者的预测数值对最后一个节点输出的导数；Sj＝yj(1-yj)，yj表示输出第j个患者的预测数值；nh表示每层隐藏层的节点总数；Ikj表示第二个隐藏层对第k个节点的输出结果；wko为输出节点与第二层隐藏层第k个节点之间的权值；whk表示两个隐藏层之间的权值；1(Ihj>0)wih为一个二进制函数，当满足Ihj>0时，输出结果为1，否则为0；wih为第i项信息对应的输入节点与第一隐含层的第h个节点之间的权值。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
基于同一发明构思，本申请实施例还提供一种存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，多个单元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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (12)

1.一种矫治器配戴舒适度的预测方法，其特征在于，包括：
获取患者的目标信息；其中，所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；
将所述目标信息输入至预先训练好的预测模型中，得到所述患者的配戴舒适度的预测数值；
其中，当所述患者的基本信息包括多项信息时，所述将所述目标信息输入至预先训练好的预测模型之后，所述方法还包括：输出所述患者的基本信息中的每项信息对所述患者的配戴舒适度的预测数值的贡献度；
预先通过如下公式计算贡献度：
Figure FDA0003238707540000011
其中，SSDi表示第i项信息的贡献度，N表示患者的总数；dji表示第j个患者的预测数值对于第i项信息的偏导数；
Figure FDA0003238707540000012
其中，Sj表示输出第j个患者的预测数值对最后一个节点输出的导数；Sj＝yj(1-yj)，yj表示输出第j个患者的预测数值；nh表示每层隐藏层的节点总数；Ikj表示第二个隐藏层对第k个节点的输出结果；wko为输出节点与第二层隐藏层第k个节点之间的权值；whk表示两个隐藏层之间的权值；1(Ihj＞0)wih为一个二进制函数，当满足Ihj＞0时，输出结果为1，否则为0；wih为第i项信息对应的输入节点与第一隐含层的第h个节点之间的权值。
2.根据权利要求1所述的矫治器配戴舒适度的预测方法，其特征在于，所述预测模型包括第一预测模型，第二预测模型以及第三预测模型；
所述第一预测模型用于对所述患者的疼痛舒适度的预测，所述第二预测模型用于对所述患者的焦虑舒适度的预测，所述第三预测模型用于对所述患者的口腔生活质量舒适度的预测；
相应的，所述将所述目标信息输入至预先训练好的预测模型中，得到所述患者的配戴舒适度的预测数值，包括：
将所述目标信息分别输入至预先训练好的所述第一预测模型、所述第二预测模型以及所述第三预测模型中，得到所述患者的焦虑舒适度的预测数值，所述患者的焦虑舒适度的预测数值以及所述患者的口腔生活质量舒适度的预测数值。
3.根据权利要求1所述的矫治器配戴舒适度的预测方法，其特征在于，所述基本信息还包括所述患者的个人信息；其中，所述个人信息包括所述患者的性别、年龄以及精神状态信息。
4.根据权利要求1所述的矫治器配戴舒适度的预测方法，其特征在于，在所述得到所述患者的配戴舒适度的预测数值之后，所述方法还包括：
将所述预测数值与预设阈值进行比较，得到所述患者的配戴舒适度的预测结果。
5.根据权利要求1所述的矫治器配戴舒适度的预测方法，其特征在于，所述获取患者的目标信息，包括：
获取所述患者的模拟矫治设计图；
将所述模拟矫治设计图输入至预先训练好的识别模型中，得到所述患者的矫治器的设计信息；
将所述患者的矫治器的设计信息进行归一化处理或二值化处理后的信息，得到所述患者的目标信息。
6.一种预测模型的构建方法，其特征在于，包括：
获取训练样本数据；其中，所述训练样本数据包括多个患者的目标信息以及所述多个患者在预设时间段的舒适度分值；所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；所述舒适度分值为通过对所述多个患者在预设时间段的舒适度得分进行归一化处理后的数值；
将所述目标信息输入至初始模型中，得到预测数值；
基于所述预测数值以及所述舒适度分值计算损失值，并基于所述损失值对所述初始模型的模型参数进行优化，得到预测模型；
其中，所述预测模型包括两层隐藏层，当每个患者的基本信息包括多项信息时，在得到所述预测模型之后，所述方法还包括：基于所述预测模型，确定出所述多项信息中的每项信息对于预测数值的贡献度；其中，通过如下公式计算贡献度：
Figure FDA0003238707540000031
其中，SSDi表示第i项信息的贡献度，N表示患者的总数；dji表示第j个患者的预测数值对于第i项信息的偏导数；
Figure FDA0003238707540000032
其中，Sj表示输出第j个患者的预测数值对最后一个节点输出的导数；Sj＝yj(1-yj)，yj表示输出第j个患者的预测数值；nh表示每层隐藏层的节点总数；Ikj表示第二个隐藏层对第k个节点的输出结果；wko为输出节点与第二层隐藏层第k个节点之间的权值；whk表示两个隐藏层之间的权值；1(Ihj＞0)wih为一个二进制函数，当满足Ihj＞0时，输出结果为1，否则为0；wih为第i项信息对应的输入节点与第一隐含层的第h个节点之间的权值。
7.根据权利要求6所述的预测模型的构建方法，其特征在于，所述损失值的计算公式为：
BCE(x)＝-[(1-y)log(1-x)+ylog(x)]；
其中，BCE(x)表示损失值，y表示所述舒适度分值，x表示所述预测数值。
8.根据权利要求6所述的预测模型的构建方法，其特征在于，所述基本信息还包括所述多个患者的个人信息；其中，所述个人信息包括每个患者的性别、年龄以及精神状态信息。
9.一种矫治器配戴舒适度的预测装置，其特征在于，包括：
获取模块，用于获取患者的目标信息；其中，所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；
预测模块，用于将所述目标信息输入至预先训练好的预测模型中，得到所述患者的配戴舒适度的预测数值；
其中，当所述患者的基本信息包括多项信息时，所述预测模块还用于在将所述目标信息输入至预先训练好的预测模型之后，输出所述患者的基本信息中的每项信息对所述患者的配戴舒适度的预测数值的贡献度；预先通过如下公式计算贡献度：
Figure FDA0003238707540000041
其中，SSDi表示第i项信息的贡献度，N表示患者的总数；dji表示第j个患者的预测数值对于第i项信息的偏导数；
Figure FDA0003238707540000042
其中，Sj表示输出第j个患者的预测数值对最后一个节点输出的导数；Sj＝yj(1-yj)，yj表示输出第j个患者的预测数值；nh表示每层隐藏层的节点总数；Ikj表示第二个隐藏层对第k个节点的输出结果；wko为输出节点与第二层隐藏层第k个节点之间的权值；whk表示两个隐藏层之间的权值；1(Ihj＞0)wih为一个二进制函数，当满足Ihj＞0时，输出结果为1，否则为0；wih为第i项信息对应的输入节点与第一隐含层的第h个节点之间的权值。
10.一种预测模型的构建装置，其特征在于，包括：
获取模块，用于获取训练样本数据；其中，所述训练样本数据包括多个患者的目标信息以及所述多个患者在预设时间段的舒适度分值；所述目标信息为通过对基本信息进行归一化处理或二值化处理后的信息；所述基本信息包括与所述患者配戴的矫治器相关的信息；所述舒适度分值为通过对所述多个患者在预设时间段的舒适度得分进行归一化处理后的数值；
预测模块，用于将所述目标信息输入至初始模型中，得到预测数值；
优化模块，用于基于所述预测数值以及所述舒适度分值计算损失值，并基于所述损失值对所述初始模型的模型参数进行优化，得到预测模型；
其中，所述预测模型的构建装置还包括确定模块；所述预测模型包括两层隐藏层；所述确定模块用于当每个患者的基本信息包括多项信息时，在得到所述预测模型之后，基于所述预测模型，确定出所述多项信息中的每项信息对于预测数值的贡献度；其中，通过如下公式计算贡献度：
Figure FDA0003238707540000051
其中，SSDi表示第i项信息的贡献度，N表示患者的总数；dji表示第j个患者的预测数值对于第i项信息的偏导数；
Figure FDA0003238707540000052
其中，Sj表示输出第j个患者的预测数值对最后一个节点输出的导数；Sj＝yj(1-yj)，yj表示输出第j个患者的预测数值；nh表示每层隐藏层的节点总数；Ikj表示第二个隐藏层对第k个节点的输出结果；wko为输出节点与第二层隐藏层第k个节点之间的权值；whk表示两个隐藏层之间的权值；1(Ihj＞0)wih为一个二进制函数，当满足Ihj＞0时，输出结果为1，否则为0；wih为第i项信息对应的输入节点与第一隐含层的第h个节点之间的权值。
11.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；
所述存储器用于存储程序；
所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-5中任一项所述的方法，和/或执行如权利要求6-8中任一项所述的方法。
12.一种存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被计算机运行时执行如权利要求1-5中任一项所述的方法，和/或执行如权利要求6-8中任一项所述的方法。
CN202110140281.0A 2021-02-01 2021-02-01 一种矫治器配戴舒适度的预测方法及预测模型的构建方法 Active CN112836873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110140281.0A CN112836873B (zh) 2021-02-01 2021-02-01 一种矫治器配戴舒适度的预测方法及预测模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110140281.0A CN112836873B (zh) 2021-02-01 2021-02-01 一种矫治器配戴舒适度的预测方法及预测模型的构建方法

Publications (2)

Publication Number Publication Date
CN112836873A CN112836873A (zh) 2021-05-25
CN112836873B true CN112836873B (zh) 2021-11-23

Family

ID=75931480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110140281.0A Active CN112836873B (zh) 2021-02-01 2021-02-01 一种矫治器配戴舒适度的预测方法及预测模型的构建方法

Country Status (1)

Country Link
CN (1) CN112836873B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049350B (zh) * 2021-12-15 2023-04-07 四川大学 一种牙槽骨轮廓预测模型的生成方法、预测方法及装置
CN115192228A (zh) * 2022-08-09 2022-10-18 天津正丽科技有限公司 隐形矫治周期的控制系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180028281A1 (en) * 2016-07-29 2018-02-01 Shanghai EA Medical Instrument Company Limited Complex orthodontic system and method for manufacturing the same
CN108268673B (zh) * 2016-12-30 2022-08-16 无锡时代天使医疗器械科技有限公司 用于对牙齿矫治器的矫治效果进行数字化仿真的方法
CN108711454A (zh) * 2018-06-29 2018-10-26 北京大学口腔医学院 可摘局部义齿设计方案生成方法、设备及介质
CN110279476B (zh) * 2019-07-02 2021-01-22 中国人民解放军国防科技大学 基于支持向量机的虚拟牙龈变形处理制作矫治器的方法
CN110176307A (zh) * 2019-07-05 2019-08-27 北京缔佳医疗器械有限公司 一种用于牙科隐形矫治的力学表达效果预测装置及方法
CN110623760B (zh) * 2019-09-20 2022-02-15 正雅齿科科技(上海)有限公司 基于预体验的牙齿矫正方案生成方法及电子商务系统
CN110840588B (zh) * 2019-11-28 2023-01-31 正雅齿科科技(上海)有限公司 一种壳状牙齿矫治器佩戴方案的生成系统及生成方法

Also Published As

Publication number Publication date
CN112836873A (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
US11610152B2 (en) Machine learning model development and optimization process that ensures performance validation and data sufficiency for regulatory approval
US7487134B2 (en) Medical risk stratifying method and system
US7801839B2 (en) Method for training a learning-capable system
Akter et al. Comprehensive performance assessment of deep learning models in early prediction and risk identification of chronic kidney disease
CN112836873B (zh) 一种矫治器配戴舒适度的预测方法及预测模型的构建方法
US20220328197A1 (en) Physiologic severity of illness score for acute care patients
US20220115144A1 (en) Monitoring predictive models
US9561006B2 (en) Bayesian modeling of pre-transplant variables accurately predicts kidney graft survival
US20210319387A1 (en) Artificial intelligence based approach for dynamic prediction of injured patient health-state
CN111445978B (zh) 运动方案反应性预测模型及建模方法、电子设备
US20230042882A1 (en) Method of mapping and machine learning for patient-healthcare encounters to predict patient health and determine treatment options
CN112542242A (zh) 数据转换/症状评分
US20230037183A1 (en) Storage medium, adjustment method, and information processing apparatus
CN113066531B (zh) 风险预测方法、装置、计算机设备及存储介质
CN111243697A (zh) 一种基于神经网络对目标对象数据进行判断的方法及系统
Jahantigh et al. The use of artificial intelligence techniques for the Diagnosis of periodontal disease by clinical indices
US20230090138A1 (en) Predicting subjective recovery from acute events using consumer wearables
US20240079107A1 (en) Assessing responsiveness to therapy
US11081217B2 (en) Systems and methods for optimal health assessment and optimal preventive program development in population health management
Fitzgerald et al. Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit
Maheshwari et al. Smart Medical Diagnosis
Booba Predict Diabetes Healthcare Analytics Using Hybrid Gradient Boosting Machine Learning Model
CN114864038A (zh) 基于大数据的单病种健康管理方案生成方法和装置
Reddy An Efficient Healthcare Monitoring System for Cardiovascular Diseases using Deep Modified Neural Networks
Nitch-Griffin et al. Reproducibility and Robustness of Localized Mortality Prediction

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