CN114496227B - 基于量子神经网络的病情发展预测系统及平台 - Google Patents
基于量子神经网络的病情发展预测系统及平台 Download PDFInfo
- Publication number
- CN114496227B CN114496227B CN202210095886.7A CN202210095886A CN114496227B CN 114496227 B CN114496227 B CN 114496227B CN 202210095886 A CN202210095886 A CN 202210095886A CN 114496227 B CN114496227 B CN 114496227B
- Authority
- CN
- China
- Prior art keywords
- data
- disease
- neural network
- quantum
- quantum neural
- 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
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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
-
- 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
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Databases & Information Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Pathology (AREA)
- Mathematical Optimization (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了基于量子神经网络的病情发展预测系统及平台,属于量子计算技术领域,包括预处理单元和量子神经网络;预处理单元用于提取离散化数据的特征数据;量子神经网络,基于特征数据进行分类得到病情走势预测结果。本申请通过预处理单元将连续性数据离散化处理,进而使连续性数据输入至量子神经网络,为不同行业中连续或离散数据的处理、数据的预测提供了一种全新的方法和思路。同时本申请将量子计算应用至病情发展进行预测,大大提升了数据计算效率,同时提升病情走势的预测结果,实现生物医疗资源的有效、合理地分配。
Description
技术领域
本发明涉及量子计算技术领域,尤其涉及基于量子神经网络的病情发展预测系统及平台。
背景技术
近年来,随着人工智能技术的不断发展,各类人工智能算法开始逐渐应用于各行各业中,为不同的行业带来了新的发展机遇,其中神经网络算法是人工智能技术中一种非常重要的算法。经典的神经网络模型可以通过观察事物发展的特征从而推导出事物内在的联系和变化,以此来预测未来事物发展的走向,例如带权重的量子神经网络为量子计算与各行各业的融合提供了新的方法,以及将电力电子电路故障与量子神经网络结合,提出了更加高效可靠的故障检测方法,其结果证明该算法已经大量用于生物、金融、智能识别等领域,并已经取得一定成效。
另一方面,许多潜在的问题也被挖掘出来;例如医药资源不足,数据量激增之后计算机资源不足等问题。与此同时,生物医药行业同样也迎来了一波大爆发,这使得越来越多的现有技术开始投入到生物医药行业中去,例如使用人工智能技术在新一代人工智能测序,癌症基因组等方面的研究,为当前及以后人工智能和生物医药的结合提供了深厚的参考价值。有学者在2020年回顾和预测了医疗保健中的人工智案例的研究,总结了人工智能算法在生物医学中应用的最新进展,包括生活辅助、生物医学信息处理和生物医学研究,可以得出结论应用人工智能算法在生物医药领域中还处在初期阶段,未来有巨大的发展潜力。
生物医药中需要越来越多的数据、资源等等,导致传统计算机的计算能力在面对如此巨大的数据量时显得力不从心。传统的人工智能技术的发展也处于转向当前及以后的关键时期,此时量子计算机的提出为未来科学技术发展提出了新的方向。由于量子计算机具有并行计算的特点,使得其运算速度大大增加,数据吞吐量也大大增加,为各行各业提供了新的解决方案,因此我们将量子计算算法带入了生物医药领域。
量子计算最早于80年代初期提出,经过几十年的发展,量子信息与量子科技创新研究院科研团队在量子计算方向取得重大研究成果,为量子计算在各行业的应用带来了新的发展。人类与病毒抗争的过程中,总是展现出确诊病人激增,病人数据总是在短时间之内激增,此时通过传统的计算机从录入数据到进行数据处理需要巨大的计算资源,传统计算机在此时就显得捉襟见肘,无法及时输出数据处理结果,进而无法为对应病患提供对应的医疗资源,由此量子计算的方法就急需用于该行业,为生物医药行业提供新的解决思路。
然而病毒感染人体以后总是反反复复,不同的个体也表现出不同的症状。而在此过程中,有一部老人小孩由于自身身体素质较差,在检测到抗体以后既有可能转为重症病人,此时急需为这样的病人分配大量医药资源,与此同时也会有部分体质较强的人在早期会检测出一定的病毒抗体,但由于自身身体素质较好,不久之后便会自愈,所以对于这一类人群应该分配较为少量的医药资源来缓解物资紧缺的境况。
在现有的技术中,各项医学数据均是不同时间间隔测量得到的数据,在基于离散的数据用于传统的机器学习,这样势必会因为测量间隔的不同导致测量精度和预测结果的不同,对于真正的病情变化往往会变现出一定程度的失真。而连续的数据就可以完整的体现病人病情变化的情况,但是如何将连续数据输入到神经网络甚至量子神经网络模型中,是亟待解决的问题。
发明内容
本发明的目的在于解决人体感染病毒之后病情预测的问题,及生物医药领域中不可预测性的数据激增和数据处理过程中传统计算机资源不足的问题,提供了基于量子神经网络的病情发展预测系统及平台。
本发明的目的是通过以下技术方案来实现的:基于量子神经网络的病情发展预测系统,系统具体包括包括预处理单元和量子神经网络;预处理单元用于将反映病情变化的连续性数据进行离散得到离散化数据,并提取离散化数据的特征数据;量子神经网络基于特征数据进行分类得到病情走势预测结果。
在一示例中,所述提取离散化数据的特征数据具体包括:
将反映病情变化的连续性数据输入高斯混合模型,获取高斯分布,得到每个高斯分布的均值及方差信息;
基于高斯分布定义病情走势的第一特征数据;
将第一特征数据转换为特征向量作为量子神经网络的输入。
在一示例中,所述预处理单元还包括病情影响参数获取模块,用于获取影响病情变化的数据信息,并将所述数据信息作为病情走势的第二特征数据,第一特征数据、第二特征数据进行合并并转换为特征向量作为量子神经网络的输入。
在一示例中,所述影响病情变化的数据信息包括年龄、性别和体质信息。
在一示例中,所述系统还包括数据拟合单元,基于采集的反映病情变化的离散数据进行数据拟合,得到反映病情变化的连续性数据。
在一示例中,所述系统还包括数据采集单元,用于采集反映病情变化的离散数据。
在一示例中,所述系统还包括编码单元,用于将离散化数据编码为量子态数据。
在一示例中,所述量子神经网络包括若干参数化量子门。
在一示例中,所述系统还包括预分类单元,用于比较相邻时刻的第一特征数据变化,将病情发展趋势进行分类,以获取训练集、测试集和验证集,进而对量子神经网络模型进行训练;
令α1为第二时刻与第一时刻的第一特征数据差值,令α2为第三时刻与第二时刻的第一特征数据差值,病情预分类结果为:
当α1≥0,α2≥0,得到病情走势趋于严重的预分类结果;
当α1≤0,α2≤0,得到病情走势是趋于好转的预分类结果;
当α1≥0,α2≤0,得到病情开始好转的预分类结果;
当α1≤0,α2≥0,得到病情走势反复且趋于严重的预分类结果。
需要进一步说明的是,上述各示例对应的技术特征可以相互组合或替换构成新的技术方案。
本申请还包括一种基于量子神经网络的病情发展预测平台,其包括上述任一示例或多个示例组合形成的所述基于量子神经网络的病情发展预测系统,还包括远端监测单元,所述远端监测单元用于接收量子神经网络输出的病情走势预测结果。
与现有技术相比,本发明有益效果是:
1.在一示例中,本申请通过预处理单元将连续性数据离散化处理,进而使连续性数据输入至量子神经网络,为不同行业中连续或离散数据的处理、数据的预测提供了一种全新的方法和思路。同时本申请将量子计算应用至病情发展进行预测,实现了求解时间复杂度的指数级加速,大大提升了数据计算效率;同时,量子申请网络相较于经典神经网络模型能够处理更加庞大的数据量,一方面解决传统数据处理计算资源不足的问题,另一方面能够减小样本中异常数据对预测结果的影响,以此提升病情走势的预测结果,实现生物医疗资源的有效、合理地分配,解决了生物医药资源不足的问题。
2.在一示例中,本申请利用高斯混合模型从反映病情变化的连续性数据中提取并制作所需要的特征,保证抗体随时间的连续变化尽可能全的捕捉到病人抗体变化情况,提高量子神经网络的利用效率,更加精确的得到预测结果。
3.在一示例中,本申请将年龄、性别和体质信息等影响病情变化的参数也作为量子神经网络的输入,能够更加准确判断单个个体在上述参数影响下的病情变化走势,进一步提升了病情走势预测结果的精准度。
4.在一示例中,本申请通过数据拟合单元,将离散数据转换为连续数据,以此更加完整、准确获取病人当前病情发展情况。
5.在一示例中,本申请提出一种基于病情发展预测的新的数据分类构思,通过多组第一特征数据差值判断病情发展情况,为生物医疗资源的分配提供了准确的、可追溯的参考依据。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明,此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,在这些附图中使用相同的参考标号来表示相同或相似的部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明一示例中的经典神经网络模型结构示意图;
图2为本发明一示例中的量子神经网络模型结构示意图;
图3为本发明一示例中病情走势趋于严重示意图;
图4为本发明一示例中病情走势趋于好转示意图;
图5为本发明一示例中病情开始好转示意图;
图6为本发明一示例中病情走势反复且趋于严重示意图;
图7为本发明一示例中方法流程图。
具体实施方式
下面结合附图对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,属于“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方向或位置关系为基于附图所述的方向或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,属于“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,属于“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
在一示例中,基于量子神经网络的病情发展预测系统,该系统具体包括预处理单元和量子神经网络;具体地,预处理单元为电子设备,如PC、移动终端等,即实质上本申请实质为基于量子神经网络的病情发展预测装置。电子设备内设有处理器,用于将反映病情变化的连续性数据进行离散得到离散化数据,并提取离散化数据的特征数据;反应病情变化的数据类型具体根据对应疾病类型进行选取,因此,本申请反应病情变化的数据为抗体。量子神经网络用于实现高效的数据处理,即基于特征数据进行分类得到病情走势预测结果。
本申请通过预处理单元将连续性数据离散化处理,进而使连续性数据输入至量子神经网络,为不同行业中连续或离散数据的处理、数据的预测提供了一种全新的方法和思路。同时本申请将量子计算应用至病情发展进行预测,实现了求解时间复杂度的指数级加速,大大提升了数据计算效率,给出了量子计算与不同领域尤其是生物医药领域的结合提出了一种的新的思路;同时,量子申请网络相较于经典神经网络模型能够处理更加庞大的数据量,一方面解决传统数据处理计算资源不足的问题,另一方面能够减小样本中异常数据对预测结果的影响,以此提升病情走势的预测结果,实现生物医疗资源的有效、合理地分配,解决了生物医药资源不足的问题。
在一示例中,预处理单元提取离散化数据的特征数据具体包括:
S11:将反映病情变化的连续性数据输入高斯混合模型,获取高斯分布,得到每个高斯分布的均值及方差信息;
S12:基于高斯分布定义病情走势的第一特征数据;
S13:将第一特征数据转换为特征向量作为量子神经网络的输入。具体地,预处理单元内设有高斯混合模型及对应算法,将反映病情变化的连续性抗体数据输入高斯混合模型后,能够得到对应的均值μ1,μ2……μn以及方差 得到对应的均值μ1,μ2……μn以及方差取每个高斯分布最高点的值为定义特征α1=K2-K1,α2=K3-K2为量子神经网络中两个重要的输入节点,整理该病患的输入特征向量 S1=[α1,α2]。本示例利用高斯混合模型从反映病情变化的连续性数据中提取并制作所需要的特征,保证抗体随时间的连续变化尽可能全的捕捉到病人抗体变化情况,提高量子神经网络的利用效率,更加精确的得到预测结果。
在一示例中,预处理单元还包括病情影响参数获取模块,用于获取影响病情变化的数据信息,并将数据信息作为病情走势的第二特征数据,第一特征数据、第二特征数据进行合并并转换为特征向量作为量子神经网络的输入。本示例中,影响病情变化的数据信息为年龄、性别和体质信息,其中,体质信息包括但不限于身高体重体脂含量等数据综合得到的体质好坏的一个参数信息。此时将病人年龄、性别、体质信息分别为特征α3、α4、α5同样作为输入神经网络的特征,此时量子神经网络模型的输入特征向量为S1=[α1,α2,α3,α3,α5],在量子神经网络的训练,大量检测感染该病毒的病人的输入特征向量S1,S2.....Sn作为量子神经网络的输入层数据,以此将病人的五个特征与病情走势结合起来,然后收集大量数据,最后按60%20%20%的比例制作成训练集,测试集,验证集,对模型进行训练,保证模型的预测性能。在模型训练完成的基础上,输入任何一个人的上述五个特征,能够得出该病人病情走势情况并实施相应措施。本申请将年龄、性别和体质信息等影响病情变化的参数也作为量子神经网络的输入,能够更加准确判断单个个体在上述参数影响下的病情变化走势,进一步提升了病情走势预测结果的精准度。
在一示例中,系统还包括数据拟合单元,基于采集的反映病情变化的离散数据进行数据拟合,如基于插值法对数据进行拟合,得到反映病情变化的连续性数据,即人体内抗体含量随时间的连续走势图。本申请通过数据拟合单元,将离散数据转换为连续数据,以此更加完整、准确获取病人当前病情发展情况。
在一示例中,系统还包括数据采集单元,用于采集反映病情变化的离散数据,具体通过定期检测某一位病人人体内抗体含量获取人体内抗体含量并制作对应图表。
在一示例中,系统还包括编码单元,用于将离散化数据编码为量子态数据,具体通过数据映射实现,以使量子神经网络进行识别与处理。
在一示例中,传统神经网络模型结构如图1所示,包括顺次连接的输入层 LA、隐含层LB和输出层LC,设输入层LA有m个节点,输出层LC有n个节点,隐含层LB的节点数目为u,隐含层节点的输出函数为:
br=f(WTX-θ)
式中,f可采用S型函数,即f(x)=(1+e-x)-x;X为隐含层节点的输入向量;θ为隐含层的阈值;W为输入层神经元到隐含层神经元的连接权。
输出层中节点的输出函数为:
式中,B为隐含层节点的输出层节点的输入向量;为输出层的阈值;V为隐含层神经元到输出层神经元的连接权。本申请量子神经网络包括若干交互连接的参数化量子门,参数化量子门具体数据处理过程具体参见文献《Classification with Quantum NeuralNetworkson Near Term Processors》。首先制备|ψ,1>作为量子神经网络模型的输入,然后通过参数化量子门Ui(θi),其中θi为参数,该参数在持续的学习过程中不断更新,最后通过Yn+1测量得到学习的结果。其中,交互连接的含义为各参数化量子门共享参数学习结果。需要进一步说明的是,参数化量子门的数量能够根据运算量进行调整,以适应不同数据处理情况。
在一示例中,系统还包括预分类单元,用于比较相邻时刻的第一特征数据变化,将病情发展趋势进行分类,以获取训练集(60%)、测试集(20%)、验证集(20%),进而对量子神经网络模型进行训练。本示例中,基于病人性别α3、年龄α4、体质α5,体内抗体变化数据α1、α2制定不同的病情分类结果,输入到机器学习中进行神经网络算法分类,预分类单元给出对应的病情预分类结果为:
当α1≥0,α2≥0时,如图3所示,每一波病毒来袭更严重,得到病情走势趋于严重的预分类结果;
当α1≤0,α2≤0时,如图4所示,每一波病毒来袭更轻微,得到病情走势是趋于好转的预分类结果;
当α1≥0,α2≤0时,如图5所示,病毒来袭是先严重后轻微,所以病情走势是已经经过最严重的时期,已经开始好转,得到病情开始好转的预分类结果;
当α1≤0,α2≥0时,如图6所示,病毒来袭比较反复而且趋于严重,得到病情走势反复且趋于严重的预分类结果。
本申请提出一种基于病情发展预测的新的数据分类构思,通过多组第一特征数据差值判断病情发展情况,为生物医疗资源的分配提供了准确的、可追溯的参考依据。
本申请还包括基于量子神经网络的病情发展预测平台,平台包括基于量子神经网络的病情发展预测系统,还包括远端监测单元,远端监测单元用于接收量子神经网络输出的病情走势预测结果。在本示例中,神经网络模型可作为一单独物理组件,如将神经网络模型作为量子神经网络模型模块,包括独立的电子设备如PC,电子设备内存储有量子神经网络模型,且该电子设备能够运行该量子神经网络模型,此时该PC与远端监测单元如移动终端、PC等建立双向通信连接,以实现数据的远程交互。当然,作为一选项,预处理单元对应的电子设备能够与量子神经网络模型模块对应的电子设备可以为同一电子设备,以节约系统成本开销。
本申请还包括一种基于量子神经网络的病情发展预测方法,与上述基于量子神经网络的病情发展预测系统具有相同的发明构思,方法包括以下步骤:
S1:将反映病情变化的连续性数据进行离散得到离散化数据,并提取离散化数据的特征数据;
S2:基于特征数据进行分类得到病情走势预测结果。
作为一优选示例,如图7所示,本申请病情发展预测方法具体包括以下步骤:
S1’:采集反映病情变化的离散数据,即采集病人离散的体内抗体含量和年龄、性别和体质信息;
S2’:将反映病情变化的离散数据进行数据拟合,得到反映病情变化的连续性数据,即将收集到的数据用数据拟合的方法制作成为连续的抗体走势图。
S3’:提取离散化数据的特征数据得到离散化数据,并进行预分类处理;具体地,将得到的抗体走势图利用高斯混合模型将其分解为多个高斯分布,并得到每个分布的均值方差,利用均值方差制作得到α1-α5的特征,基于α1-α2 将病人分为逐渐严重和逐渐好转两类,并采集大量病人的抗体情况并重复上述步骤S1’-S3’得到每一位病人的特征和预分类结果。
S4’:将上述特征信息以及预分类结果整合合成训练集(60%)、测试集(20%)、验证集(20%);训练集、测试集、验证集中包括特征α1-α5以及五个特征对应的实际病情走势结果。
S5’:将数据集(训练集、测试集、验证集)中经典数据制备成量子神经网络可以识别的量子态数据;
S6’:提取量子态的离散化数据的特征信息并输入至量子神经网络;
S7’:将训练集中的数据样本进行分类得到病情走势预测结果,并基于测试集测试模型的性能;
S8’:将新感染的病人特征数据S1=[α1,α2,α3,α3,α5]输入训练完成的量子神经网络模型进行分类预测,得到病情走势预测结果,进而使病情严重的病人分配较多的医药资源,病情好转的病人分配较少的资源以应对大规模感染。
以上具体实施方式是对本发明的详细说明,不能认定本发明的具体实施方式只局限于这些说明,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演和替代,都应当视为属于本发明的保护范围。
Claims (7)
1.基于量子神经网络的病情发展预测系统,其特征在于:其包括预处理单元和量子神经网络;
预处理单元用于将反映病情变化的连续性数据进行离散得到离散化数据,并提取离散化数据的特征数据;反应病情变化的数据为抗体;
量子神经网络基于特征数据进行分类得到病情走势预测结果;
所述提取离散化数据的特征数据具体包括:
将反映病情变化的连续性数据输入高斯混合模型,获取高斯分布,得到每个高斯分布的均值及方差信息;
基于高斯分布定义病情走势的第一特征数据;
所述预处理单元还包括病情影响参数获取模块,用于获取影响病情变化的数据信息,并将所述数据信息作为病情走势的第二特征数据,第一特征数据、第二特征数据进行合并并转换为特征向量作为量子神经网络的输入;
所述系统还包括预分类单元,用于比较相邻时刻的第一特征数据变化,将病情发展趋势进行分类,以获取训练集、测试集和验证集,进而对量子神经网络模型进行训练;
令α1为第二时刻与第一时刻的第一特征数据差值,令α2为第三时刻与第二时刻的第一特征数据差值,病情预分类结果为:
当α1≥0,α2≥0,得到病情走势趋于严重的预分类结果;
当α1≤0,α2≤0,得到病情走势是趋于好转的预分类结果;
当α1≥0,α2≤0,得到病情开始好转的预分类结果;
当α1≤0,α2≥0,得到病情走势反复且趋于严重的预分类结果。
2.根据权利要求1所述的基于量子神经网络的病情发展预测系统,其特征在于:所述影响病情变化的数据信息包括年龄、性别和体质信息。
3.根据权利要求1所述的基于量子神经网络的病情发展预测系统,其特征在于:所述系统还包括数据拟合单元,基于采集的反映病情变化的离散数据进行数据拟合,得到反映病情变化的连续性数据。
4.根据权利要求1所述的基于量子神经网络的病情发展预测系统,其特征在于:所述系统还包括数据采集单元,用于采集反映病情变化的离散数据。
5.根据权利要求1所述的基于量子神经网络的病情发展预测系统,其特征在于:所述系统还包括编码单元,用于将离散化数据编码为量子态数据。
6.根据权利要求1所述的基于量子神经网络的病情发展预测系统,其特征在于:所述量子神经网络包括若干参数化量子门。
7.基于量子神经网络的病情发展预测平台,其特征在于:其包括权利要求1-6任一项所述基于量子神经网络的病情发展预测系统,还包括远端监测单元,所述远端监测单元用于接收量子神经网络输出的病情走势预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210095886.7A CN114496227B (zh) | 2022-01-26 | 2022-01-26 | 基于量子神经网络的病情发展预测系统及平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210095886.7A CN114496227B (zh) | 2022-01-26 | 2022-01-26 | 基于量子神经网络的病情发展预测系统及平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114496227A CN114496227A (zh) | 2022-05-13 |
CN114496227B true CN114496227B (zh) | 2023-04-28 |
Family
ID=81475747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210095886.7A Active CN114496227B (zh) | 2022-01-26 | 2022-01-26 | 基于量子神经网络的病情发展预测系统及平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114496227B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201236A (zh) * | 2011-04-06 | 2011-09-28 | 中国人民解放军理工大学 | 一种高斯混合模型和量子神经网络联合的说话人识别方法 |
CN109033632A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于深度量子神经网络的趋势预测方法 |
CN109606730A (zh) * | 2018-10-25 | 2019-04-12 | 深圳慈航无人智能系统技术有限公司 | 一种基于量子神经网络的无人机故障识别系统及识别方法 |
CN110263991A (zh) * | 2019-06-11 | 2019-09-20 | 北京科技大学 | 一种量子神经网络的股票指数价格预测方法 |
CN112801281A (zh) * | 2021-03-22 | 2021-05-14 | 东南大学 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110692067A (zh) * | 2017-06-02 | 2020-01-14 | 谷歌有限责任公司 | 量子神经网络 |
-
2022
- 2022-01-26 CN CN202210095886.7A patent/CN114496227B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102201236A (zh) * | 2011-04-06 | 2011-09-28 | 中国人民解放军理工大学 | 一种高斯混合模型和量子神经网络联合的说话人识别方法 |
CN109033632A (zh) * | 2018-07-26 | 2018-12-18 | 北京航空航天大学 | 一种基于深度量子神经网络的趋势预测方法 |
CN109606730A (zh) * | 2018-10-25 | 2019-04-12 | 深圳慈航无人智能系统技术有限公司 | 一种基于量子神经网络的无人机故障识别系统及识别方法 |
CN110263991A (zh) * | 2019-06-11 | 2019-09-20 | 北京科技大学 | 一种量子神经网络的股票指数价格预测方法 |
CN112801281A (zh) * | 2021-03-22 | 2021-05-14 | 东南大学 | 基于量子化生成模型和神经网络的对抗生成网络构建方法 |
Non-Patent Citations (3)
Title |
---|
Pranav Kairon 等.COVID-19 outbreak prediction using quantum neural networks.Intelligence Enabled Research.2020,113-123. * |
徐小力 等.量子神经网络在旋转机组状态趋势预测中的应用.机械强度.2010,第32卷(第04期),526-530. * |
贾花萍.用量子优化算法预测小麦赤霉病.江苏农业学报.2013,第29卷(第3期),523-526. * |
Also Published As
Publication number | Publication date |
---|---|
CN114496227A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A study on arrhythmia via ECG signal classification using the convolutional neural network | |
Khafaga et al. | Optimization of Electrocardiogram Classification Using Dipper Throated Algorithm and Differential Evolution. | |
Chaudhary et al. | FBSED based automatic diagnosis of COVID-19 using X-ray and CT images | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
Lu et al. | A method for optimal detection of lung cancer based on deep learning optimized by marine predators algorithm | |
Dar et al. | Spectral features and optimal hierarchical attention networks for pulmonary abnormality detection from the respiratory sound signals | |
Pranav et al. | Detection and identification of COVID-19 based on chest medical image by using convolutional neural networks | |
Yao et al. | Interpretation of electrocardiogram heartbeat by CNN and GRU | |
Skitsan et al. | Evaluation of the Informative Features of Cardiac Studies Diagnostic Data using the Kullback Method. | |
Kim et al. | Chest X-ray outlier detection model using dimension reduction and edge detection | |
Murugan et al. | Impact of Internet of Health Things (IoHT) on COVID-19 disease detection and its treatment using single hidden layer feed forward neural networks (SIFN) | |
Bhaskar et al. | An approach for analysis and prediction of CKD using deep learning architecture | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
CN114496227B (zh) | 基于量子神经网络的病情发展预测系统及平台 | |
Liu et al. | Ensemble learning-based atrial fibrillation detection from single lead ECG wave for wireless body sensor network | |
WO2023124911A1 (zh) | 一种人体体成分和内脏脂肪含量预测方法 | |
CN110853764A (zh) | 一种糖尿病证候预测系统 | |
Martins et al. | Be-sys: Big data e-health system for analysis and detection of risk of septic shock in adult patients | |
Sonawane et al. | Prediction of heart disease by optimized distance and density-based clustering | |
Patil et al. | Detection of Cardiac Abnormalities and Heart Disease Using Machine Learning Techniques | |
Zhang et al. | Research on lung sound classification model based on dual-channel CNN-LSTM algorithm | |
Anupama et al. | Intelligent Classification Model for Biomedical Pap Smear Images on IoT Environment. | |
Jaganathan et al. | Modelling an effectual feature selection approach for predicting down syndrome using machine learning approaches | |
Lima | Multiple sclerosis recognition via wavelet entropy and PSO-based neural network | |
Rajput et al. | Identification of Pneumonia in Chest X-Ray Images using Bio-Inspired Optimization Based LSTM |
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 |