CN113539517A - 时序干预效果的预测方法 - Google Patents
时序干预效果的预测方法 Download PDFInfo
- Publication number
- CN113539517A CN113539517A CN202110898099.1A CN202110898099A CN113539517A CN 113539517 A CN113539517 A CN 113539517A CN 202110898099 A CN202110898099 A CN 202110898099A CN 113539517 A CN113539517 A CN 113539517A
- Authority
- CN
- China
- Prior art keywords
- intervention
- effect
- loss function
- neural network
- predicting
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006870 function Effects 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 230000000306 recurrent effect Effects 0.000 claims abstract description 25
- 238000013136 deep learning model Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000012512 characterization method Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims 9
- 238000001356 surgical procedure Methods 0.000 description 3
- 238000013488 ordinary least square regression Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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"
Abstract
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。
Description
技术领域
本发明属于数据处理领域，具体涉及时序干预效果的预测方法。
背景技术
临床决策者经常面临为患者选择干预措施的问题，而干预效果是决策的依据。因此可靠地估计其效果至关重要。虽然临床随机对照实验代表了因果推断的黄金标准，但它们成本高、患者少且纳入标准高。相比之下以电子病历数据为代表的真实世界临床数据具有获取成本低，数据量大，覆盖面广的特点，利用这些数据开展干预效果评估受到越来越广泛的关注。然而利用真实世界临床数据开展干预效果评估将面临两大挑战：反事实结果缺失和选择偏误。由于在同一时间一位患者只能接受一种干预方案，所以我们无从得知未采取的方案(即反事实)的结果。为此解决这一问题，一些传统方法通过回归模型来拟合患者特征与潜在干预结果之间的关联，从而估计反事实结果，比如普通最小二乘法(Ordinaryleast squares，OLS)回归；还有研究采用基于最近邻匹配的方法，在采取相反干预措施的样本中搜索特征最为相似的训练样本，以此估计反事实结果，比如倾向性评分匹配(Propensity score matching，PSM)。然而，由于既往数据中干预措施的选择并不受控，其可能受到患者特征的影响，从而导致选择偏误。例如，在是否进行手术的决策上，老年人更倾向于选择保守治疗而拒绝手术，年轻人则更倾向于手术。在这种情况下，不同干预方案的组别之间本身就存在分布上的差异，在通过上述方法估计干预效果时会将这种差异引入，从而造成估计的不准确。
针对静态数据，已经很多解决上述两大挑战的相关工作，并取得了优异的性能，但只有极少数方法考虑了动态时序的情况。时序的干预效果预测有着重要的临床应用意义，例如了解疾病在不同治疗计划下如何演变，个体患者如何随着时间的推移对药物反应，以及分配治疗的最佳时机，从而提供新的工具来改善临床决策支持系统。然而时序上的反事实结果情况与选择偏倚形成机理也更加复杂。
发明内容
本发明提供了一种时序干预效果的预测方法，采用如下的技术方案：
一种时序干预效果的预测方法，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，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，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训练集上训练，并在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深度学习模型，得到预测的干预效果。
进一步地，时序回顾性数据集
每个样本
其中，
分别代表第i个样本在第t个时间步的特征项、干预措施和干预效果，V(i)代表伴随时间变化的静态特征项，L(i)表示总序列长度；
样本的历史序列
其中
为特征项序列，
为干预措施序列，T为历史序列长度。
进一步地，历史特征序列
包含相互独立的只影响干预结果的隐变量zy、只影响治理措施选择的隐变量za和同时影响干预结果和干预措施选择的隐变量zc。
进一步地，通过多任务学习的方法，利用两个循环神经网络，分别进行干预措施分类和干预效果预测任务，将za和zc编码到执行干预措施分类任务的循环神经网络的输出表征
中，将zy和zc编码到执行干预效果预测任务的循环神经网络的输出表征
中。
进一步地，循环神经网络单元采用长短程记忆网络，两个循环神经网络单元按照下述公式进行计算：
ft＝σ(Wf·[ht-1，It]+bf)
it＝σ(Wi·[ht-1，It]+bi)
ot＝σ(Wo·[ht-1，It]+bo)
ht＝ot⊙tnnh(st)
其中，it表示输入门控，ft表示遗忘门控，ot表示输入门控，st表示状态，ht表示输出的表征，
为sigmoid激活函数，Wf，Wi，Ws，bf，bi，bs为神经网络可训练参数，It＝[Xt,At,V]是第t时间步的输入，干预措施分类和干预效果预测任务共用输入，其输出表征分别记作
和
进一步地，深度学习模型还包括连接至用于干预措施分类的循环神经网络单元的干预措施分类器，干预措施分类器以
为输入，构建全连接网络，并输出下一时间步各干预措施的预测概率：
其中，Wclf和bclf分别是干预措施分类器的权重矩阵及偏置；
干预措施分类任务损失函数定义为交叉熵：
其中，τ代表预测序列长度。
进一步地，深度学习模型还包括连接至用于干预效果预测的循环神经网络单元的干预效果预测器，干预效果预测器以
和下一时间步的干预措施At+1为输入，构建全连接网络，并输出下一时间步的预测干预效果，
其中，Wpre和bpre分别是干预效果预测器的权重矩阵及偏置；
干预效果预测任务损失函数定义为均方误差：
其中，τ代表预测序列长度。
进一步地，对每一对
施加正交化约束，使其趋于线性无关，从而消除共有的zc信息，使
进行干预效果预测时不受其干扰，正交化约束的损失函数定义为：
其中
代表表征向量之间的夹角。
进一步地，深度学习模型的总损失函数定义为：
L＝LY+αLA+βLorth
其中，α和β代表干预措施分类任务损失函数和正交化约束损失函数的系数。
进一步地，深度学习模型通过Adam优化器最小化总损失函数进行训练，超参数通过网格搜索方法确定。
本发明的有益之处在于所提供的时序干预效果的预测方法，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。
附图说明
图1是本发明的深度学习模型的示意图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
本发明揭示了一种时序干预效果的预测方法，包含以下步骤：
S101：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。
时序回顾性数据集
D为样本数量，每个样本
其中，
分别代表第i个样本在第t个时间步的特征项、干预措施和干预效果，V(i)代表伴随时间变化的静态特征项，L(i)表示总序列长度。后续说明中，除非必要，将省略编号上标(i)。将样本的历史序列记作
其中
为特征项序列，
为干预措施序列，T为历史序列长度。
进一步地，特征项序列
包含相互独立的三部分隐变量：1)只影响干预结果的隐变量zy；2)只影响治理措施选择的隐变量za；3)同时影响干预结果和干预措施选择的隐变量zc。
S102：构建以循环神经网络为基本框架的深度学习模型，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。
具体地，通过多任务学习的方法，利用两个循环神经网络，分别进行干预措施分类和干预效果预测任务，将za和zc编码到执行干预措施分类任务的循环神经网络的输出表征
中，将zy和zc编码到执行干预效果预测任务的循环神经网络的输出表征
中。
在本发明中，循环神经网络单元采用长短程记忆网络，两个循环神经网络单元按照下述公式进行计算：
ft＝σ(Wf·[ht-1，It]+bf)
it＝σ(Wi·[ht-1，It]+bi)
or＝σ(Wo·[ht-1，It]+bo)
ht＝ot⊙tanh(st)
其中，it表示输入门控，ft表示遗忘门控，ot表示输入门控，st表示状态，ht表示输出的表征，
为sigmoid激活函数，Wf，Wi，Ws，bf，bi，bs为神经网络可训练参数，It＝[Xt，At，V]是第t时间步的输入，干预措施分类和干预效果预测任务共用输入，其输出表征分别记作
和
深度学习模型还包括连接至用于干预措施分类的循环神经网络单元的干预措施分类器，干预措施分类器以
为输入，构建全连接网络，并输出下一时间步各干预措施的预测概率：
其中，Wclf和bclf是干预措施分类器的可训练参数，分别是权重矩阵及偏置。
干预措施分类任务损失函数定义为交叉熵：
其中，τ代表预测序列长度。
深度学习模型还包括连接至用于干预效果预测的循环神经网络单元的干预效果预测器，干预效果预测器以
和下一时间步的干预措施At+1为输入，构建全连接网络，并输出下一时间步的预测干预效果，
其中，Wpre和bpre是干预效果预测器的可训练参数，分别是权重矩阵及偏置。
干预效果预测任务损失函数定义为均方误差：
其中，τ代表预测序列长度。
S103：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。
具体地，正交化约束定义为每对对表征向量之间的夹角余弦值平方的均值。对一对
施加正交化约束，使其趋于线性无关，从而消除共有的zc信息，使
进行干预效果预测时不受其干扰，正交化约束的损失函数定义为：
其中，
代表表征向量之间的夹角。
S104：定义总损失函数，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，对总损失函数进行最小化以实现模型的训练优化。
深度学习模型的总损失函数定义为：
L＝LY+αLA+βLorth
其中，α和β代表干预措施分类任务损失函数和正交化约束损失函数的系数。深度学习模型通过Adam优化器最小化总损失函数进行训练，超参数通过网格搜索方法确定。
S105：使用超参数搜索，采用不同的超参数组合在训练集上训练，并在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深度学习模型，得到预测的干预效果。
将数据集按照一定比例划分为训练集、测试集和验证集。以不同的超参数组合构建模型，并输入训练集样本，通过Adam优化器最小化损失函数进行训练，将训练得到的模型分别在验证集上验证性能。在验证集上筛选出最优超参数组合后，将对应的模型在测试集上检验性能，最终得到该方法的性能。
具体而言，以使用仿真数据集进行模型性能验证，分别生成10000份训练样本、1000份验证样本和1000份测试样本。样本最大序列长度为60，预测序列最大长度设为5。训练样本中仅仿真一组干预措施序列对应的干预效果，以对应真实情况。验证样本和测试样本中，均仿真所有可能的干预措施序列对应的干预效果。模型性能以预测干预效果与真实值的均方根误差衡量，该值越低则性能越好。通过表1可知，本发明的预测方法的性能更好。
表1仿真数据集上本发明的预测方法与对比方法的表现
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (10)
1.一种时序干预效果的预测方法，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。
2.根据权利要求1所述的时序干预效果的预测方法，其特征在于，
所述时序回顾性数据集
每个样本
其中，
分别代表第i个样本在第t个时间步的特征项、干预措施和干预效果，V(i)代表伴随时间变化的静态特征项，L(i)表示总序列长度；
样本的历史序列
其中
为特征项序列，
为干预措施序列，T为历史序列长度。
3.根据权利要求2所述的时序干预效果的预测方法，其特征在于，
所述历史特征序列
包含相互独立的只影响干预结果的隐变量zy、只影响治理措施选择的隐变量za和同时影响干预结果和干预措施选择的隐变量zc。
4.根据权利要求3所述的时序干预效果的预测方法，其特征在于，
通过多任务学习的方法，利用两个所述循环神经网络，分别进行干预措施分类和干预效果预测任务，将za和zc编码到执行干预措施分类任务的循环神经网络的输出表征
中，将zy和zc编码到执行干预效果预测任务的循环神经网络的输出表征
中。
5.根据权利要求4所述的时序干预效果的预测方法，其特征在于，
所述循环神经网络单元采用长短程记忆网络，两个所述循环神经网络单元按照下述公式进行计算：
ft＝σ(Wf·[ht-1，It]+bf)
it＝σ(Wi·[ht-1，It]+bi)
ot＝σ(Wo·[ht-1，It]+bo)
ht＝ot⊙tanh(st)
其中，it表示输入门控，ft表示遗忘门控，ot表示输入门控，st表示状态，ht表示输出的表征，
为sigmoid激活函数，Wf，Wi，Ws，bf，bi，bs为神经网络可训练参数，It＝[Xt，At，V]是第t时间步的输入，干预措施分类和干预效果预测任务共用输入，其输出表征分别记作
和
6.根据权利要求5所述的时序干预效果的预测方法，其特征在于，
所述深度学习模型还包括连接至用于干预措施分类的循环神经网络单元的干预措施分类器，所述干预措施分类器以
为输入，构建全连接网络，并输出下一时间步各干预措施的预测概率：
其中，Wclf和bclf分别是所述干预措施分类器的权重矩阵及偏置；
所述干预措施分类任务损失函数定义为交叉熵：
其中，τ代表预测序列长度。
7.根据权利要求6所述的时序干预效果的预测方法，其特征在于，
所述深度学习模型还包括连接至用于干预效果预测的循环神经网络单元的干预效果预测器，所述干预效果预测器以
和下一时间步的干预措施At+1为输入，构建全连接网络，并输出下一时间步的预测干预效果，
其中，Wpre和bpre分别是所述干预效果预测器的权重矩阵及偏置；
所述干预效果预测任务损失函数定义为均方误差：
其中，τ代表预测序列长度。
8.根据权利要求7所述的时序干预效果的预测方法，其特征在于，
对每一对
施加正交化约束，使其趋于线性无关，从而消除共有的zc信息，使
进行干预效果预测时不受其干扰，正交化约束的损失函数定义为：
其中
代表表征向量之间的夹角。
9.根据权利要求8所述的时序干预效果的预测方法，其特征在于，
所述深度学习模型的总损失函数定义为：
L＝LY+αLA+βLorth
其中，α和β代表所述干预措施分类任务损失函数和所述正交化约束损失函数的系数。
10.根据权利要求9所述的时序干预效果的预测方法，其特征在于，
所述深度学习模型通过Adam优化器最小化所述总损失函数进行训练，超参数通过网格搜索方法确定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898099.1A CN113539517B (zh) | 2021-08-05 | 2021-08-05 | 时序干预效果的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898099.1A CN113539517B (zh) | 2021-08-05 | 2021-08-05 | 时序干预效果的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113539517A true CN113539517A (zh) | 2021-10-22 |
| CN113539517B CN113539517B (zh) | 2024-04-16 |
Family
ID=78090612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110898099.1A Active CN113539517B (zh) | 2021-08-05 | 2021-08-05 | 时序干预效果的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113539517B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114883004A (zh) * | 2022-05-06 | 2022-08-09 | 西安市人民医院(西安市第四医院) | 一种围产期随访有效性评估方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
| CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
| CN109903557A (zh) * | 2019-03-04 | 2019-06-18 | 南京邮电大学 | 基于改进独立循环神经网络的高速公路交通流预测方法 |
| CN111882066A (zh) * | 2020-07-23 | 2020-11-03 | 浙江大学 | 基于深度表征学习的反事实推理设备 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN112329921A (zh) * | 2020-11-11 | 2021-02-05 | 浙江大学 | 基于深度表征学习和强化学习的利尿剂剂量推理设备 |
| CN112435751A (zh) * | 2020-11-10 | 2021-03-02 | 中国船舶重工集团公司第七一六研究所 | 基于变分推断和深度学习的腹膜透析模式辅助推荐系统 |
| CN113113155A (zh) * | 2021-06-15 | 2021-07-13 | 四川大学 | 一种基于神经网络与seir模型的传染病趋势预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11102351A (ja) * | 1997-06-05 | 1999-04-13 | Northern Telecom Ltd | データ時系列値予測方法、データ時系列入力値決定方法およびコンピュータ・システム |
-
2021
- 2021-08-05 CN CN202110898099.1A patent/CN113539517B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106777874A (zh) * | 2016-11-18 | 2017-05-31 | 中国科学院自动化研究所 | 基于循环神经网络构建预测模型的方法 |
| CN109685252A (zh) * | 2018-11-30 | 2019-04-26 | 西安工程大学 | 基于循环神经网络和多任务学习模型的建筑能耗预测方法 |
| CN109659033A (zh) * | 2018-12-18 | 2019-04-19 | 浙江大学 | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 |
| CN109903557A (zh) * | 2019-03-04 | 2019-06-18 | 南京邮电大学 | 基于改进独立循环神经网络的高速公路交通流预测方法 |
| WO2021007812A1 (zh) * | 2019-07-17 | 2021-01-21 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
| CN111882066A (zh) * | 2020-07-23 | 2020-11-03 | 浙江大学 | 基于深度表征学习的反事实推理设备 |
| CN112435751A (zh) * | 2020-11-10 | 2021-03-02 | 中国船舶重工集团公司第七一六研究所 | 基于变分推断和深度学习的腹膜透析模式辅助推荐系统 |
| CN112329921A (zh) * | 2020-11-11 | 2021-02-05 | 浙江大学 | 基于深度表征学习和强化学习的利尿剂剂量推理设备 |
| CN113113155A (zh) * | 2021-06-15 | 2021-07-13 | 四川大学 | 一种基于神经网络与seir模型的传染病趋势预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| 唐雯;高峻逸;马辛宇;张超贺;马连韬;王亚沙;: "循环神经网络模型在腹膜透析临床预后预测中的初步应用", 北京大学学报(医学版), no. 03, 22 May 2019 (2019-05-22) * |
| 曾安;黄殷;潘丹;SONG XIAOWEI;: "基于卷积循环神经网络的阿尔茨海默症早期诊断", 生物医学工程研究, no. 03, 25 September 2020 (2020-09-25) * |
| 杜圣东;李天瑞;杨燕;王浩;谢鹏;洪西进;: "一种基于序列到序列时空注意力学习的交通流预测模型", 计算机研究与发展, no. 08, 6 August 2020 (2020-08-06) * |
| 殷良英;董蔚;黄正行;季磊;吕旭东;段会龙;: "面向临床路径的医疗行为变化趋势检测与分析", 中国生物医学工程学报, no. 03, 20 June 2015 (2015-06-20) * |
| 陆易;黄正行;俞思伟;段会龙;: "临床医疗大数据研究现状与展望", 医疗卫生装备, no. 03, 15 March 2017 (2017-03-15) * |
| 鞠春雷;聂方超;刘文岗;郭金山;张江石;: "基于长短期记忆网络的矿工不安全行为研究", 煤矿安全, no. 09, 20 September 2020 (2020-09-20) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114883004A (zh) * | 2022-05-06 | 2022-08-09 | 西安市人民医院(西安市第四医院) | 一种围产期随访有效性评估方法及系统 |
| CN114883004B (zh) * | 2022-05-06 | 2022-12-02 | 西安市人民医院(西安市第四医院) | 一种围产期随访有效性评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113539517B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sanborn et al. | Rational approximations to rational models: alternative algorithms for category learning. | |
| US20030033127A1 (en) | Automated hypothesis testing | |
| Paliwal et al. | Assessing the contribution of variables in feed forward neural network | |
| Berkhof et al. | A Bayesian approach to the selection and testing of mixture models | |
| Spektor et al. | The relative merit of empirical priors in non-identifiable and sloppy models: Applications to models of learning and decision-making: Empirical priors | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN1477581A (zh) | 一种适用于计算机辅助医疗诊断的预测建模方法 | |
| CN106570516A (zh) | 一种利用卷积神经网络cnn的障碍物识别方法 | |
| CN108732931A (zh) | 一种基于jit-rvm的多模态间歇过程建模方法 | |
| CN110212528A (zh) | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 | |
| Bodyanskiy | Computational intelligence techniques for data analysis | |
| CN112116957A (zh) | 基于小样本的疾病亚型预测方法、系统、装置及介质 | |
| Patra et al. | Hierarchical class incremental learning of anatomical structures in fetal echocardiography videos | |
| CN113241122A (zh) | 自适应弹性网与深度神经网络融合的基因数据变量选择及分类方法 | |
| Birndorf et al. | An expert system to diagnose anemia and report results directly on hematology forms | |
| Buragohain | Adaptive network based fuzzy inference system (ANFIS) as a tool for system identification with special emphasis on training data minimization | |
| CN113539517A (zh) | 时序干预效果的预测方法 | |
| Sun et al. | A fuzzy brain emotional learning classifier design and application in medical diagnosis | |
| CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
| Lamba et al. | Role of mathematics in machine learning | |
| Xu et al. | Meta-learning via weighted gradient update | |
| Last et al. | Predicting memory compiler performance outputs using feed-forward neural networks | |
| Cao et al. | Temporal graph representation learning for autism spectrum disorder brain networks | |
| Bellot Pujalte | Study of gene regulatory networks inference methods from gene expression data | |
| CN115668215A (zh) | 用于训练参数化策略的装置和方法 |
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 |