CN116646078A - 一种基于人工智能的心血管急危重症临床决策支持系统及设备 - Google Patents
一种基于人工智能的心血管急危重症临床决策支持系统及设备 Download PDFInfo
- Publication number
- CN116646078A CN116646078A CN202310884751.3A CN202310884751A CN116646078A CN 116646078 A CN116646078 A CN 116646078A CN 202310884751 A CN202310884751 A CN 202310884751A CN 116646078 A CN116646078 A CN 116646078A
- Authority
- CN
- China
- Prior art keywords
- data
- extreme learning
- learning machine
- hidden layer
- machine classifier
- 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
- 230000002526 effect on cardiovascular system Effects 0.000 title claims abstract description 88
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 210000002569 neuron Anatomy 0.000 claims abstract description 74
- 239000013610 patient sample Substances 0.000 claims abstract description 35
- 238000013145 classification model Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 9
- 201000010099 disease Diseases 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 87
- 238000000034 method Methods 0.000 claims description 60
- 230000009467 reduction Effects 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 32
- 208000028399 Critical Illness Diseases 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000007781 pre-processing Methods 0.000 claims description 23
- 241000283153 Cetacea Species 0.000 claims description 21
- 238000012847 principal component analysis method Methods 0.000 claims description 17
- 239000003016 pheromone Substances 0.000 claims description 16
- 238000007637 random forest analysis Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000000137 annealing Methods 0.000 claims description 10
- 239000000523 sample Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 235000019580 granularity Nutrition 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 abstract description 10
- 239000010410 layer Substances 0.000 description 172
- 238000004364 calculation method Methods 0.000 description 11
- 238000003066 decision tree Methods 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 208000032382 Ischaemic stroke Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 208000024172 Cardiovascular disease Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 206010003658 Atrial Fibrillation Diseases 0.000 description 1
- 206010003662 Atrial flutter Diseases 0.000 description 1
- 206010008111 Cerebral haemorrhage Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000032851 Subarachnoid Hemorrhage Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000015210 hypertensive heart disease Diseases 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002075 main ingredient Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 208000031225 myocardial ischemia Diseases 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 208000004124 rheumatic heart disease Diseases 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/09—Supervised learning
-
- 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
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及智能医疗技术领域,更具体地,涉及一种基于人工智能的心血管急危重症临床决策支持系统及设备。包括:获取心血管患者样本的临床数据;将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持,所述分类模型为优化后的极限学习机分类器,采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重。本申请针分类器性能优化等多个方面进行优化,对心血管急危重症的临床医生具有很好的辅助决策作用。
Description
技术领域
本发明涉及智能医疗技术领域,更具体地,涉及一种基于人工智能的心血管急危重症临床决策支持方法、系统、设备及可读存储介质。
背景技术
心血管急危重症患者发病急、进展快、诊断或处理不及时常危及生命,特别是继发于危重病基础上的心血管疾病患者,病情复杂,临床表现容易重叠,极易导致漏诊或误诊,造成医生临床决策困难,如不及时进行正确的临床决策,甚至会加速患者的死亡。
对于临床医生而言,心血管急危重症临床决策是一项极具挑战的任务,需要考虑多维临床数据,例如文本、影像等。另外,医疗知识的迅速增长和新的医疗技术的出现也给医生带来了决策上的压力,处理和分析这些数据以做出精确决策往往超出了人类的能力。因此,人工智能(AI)被广泛视为可以提供有效帮助的工具,尤其是在辅助临床医学决策方面。传统的机器学习方法通常需要人工选择和提取特征,这不仅需要大量时间和专业知识,而且可能无法全面捕捉到数据的复杂性和微妙的关联性,另一方面,现有常见的深度学习方法能够一定程度进行自动学习和提取特征,但是它们通常对多维数据特征抽提不够全面,算法本身性能有一定局限性。
发明内容
为解决上述问题,提出一种基于人工智能的心血管急危重症临床决策支持方法、系统、设备及可读存储介质,针对医学数据的多维度特征提取、高维特征降维、分类器性能优化等多个方面进行优化,以适应临床实际需求。
本申请公开了一种基于人工智能的心血管急危重症临床决策支持方法,所述方法步骤包括:
S101:获取心血管患者样本的临床数据;
S102:将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持;
所述训练好的分类模型的构建方法包括:
获取训练集心血管患者样本的临床数据及样本对应的分类标签;
对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示;
将所述特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型;所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重。
进一步,采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出,具体包括:
将输入极限学习机分类器的特征向量进行矩阵表示,得到特征矩阵X;
基于特征矩阵、隐藏层的权重矩阵、偏置向量和激活函数计算所述极限学习机分类器的隐藏层输出;
基于注意力分数得到注意力权重,所述注意力分数是基于初始注意力权重、偏置向量和激活函数计算得到;
基于所述注意力权重和哈达玛积调整隐藏层输出,更新隐藏层输出。
进一步,所述步骤还包括:对隐藏层输出进行批归一化得到归一化后的隐藏层输出,基于于所述注意力权重和哈达玛积调整归一化后的隐藏层输出,更新隐藏层输出。
进一步对所述极限学习机分类器的隐藏层神经元数量自适应调整,具体为:设置所述极限学习机分类器的隐藏层神经元数量的初始值和更新步长,在模型构建过程中根据验证组的性能决定增加还是减少神经元的数量。
进一步,所述极限学习机分类器包括输入层、隐藏层和输出层,初始极限学习机优化时依次采用采用蚁群优化算法选择所述极限学习机分类器的隐藏层神经元数量、采用余弦退火算法自适应调整极限学习机分类器的学习率、采用小生境算法优化极限学习机分类器的输出层权重、隐藏层神经元数量自适应调整、采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出,重复运行上述步骤直至满足预设的最大迭代次数或极限学习机分类器的分类性能超过预设的数值,则停止迭代,得到训练好的分类模型。
进一步,所述采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量具体包括:蚁群优化算法中,蚁群在解空间中搜索,每只蚂蚁的路径对应一个隐藏层神经元数量,蚁群中每个蚂蚁根据信息素强度和启发信息在解空间中选择路径,信息素强度将根据极限学习机分类器的分类性能的反馈进行更新,更新的信息素强度引导蚁群搜索,优化所述极限学习机分类器的隐藏层神经元数量。
进一步,所述采用小生境算法优化极限学习机分类器的输出层权重具体包括:小生境算法中,种群中每个个体对应一组输出层权重,每个个体根据其适应度在解空间中搜索,所述适应度为所述极限学习分类器的分类性能,每次迭代,适应度根据所述极限学习分类器的分类性能的反馈进行更新,每个个体根据其更新的适应度在解空间中搜索,优化所述极限学习机分类器的输出层权重。
进一步,所述临床数据包括文本数据、数值型数据、图像数据,对所述临床数据进行预处理得到临床数据的特征向量表示,所述预处理包括:使用词向量的技术对所述文本数据进行向量化转换得到向量化表示的文本数据;将数值型数据归一化到[0,1]的范围区间内得到归一化后的数值型数据;和/或采用多粒度扫描对所述图像数据进行向量化处理得到向量化表示的图像数据。
进一步,所述使用词向量的技术对所述文本数据进行向量化转换具体包括:临床数据中的文本数据中任一个句子aS包含了单词,对每个单词进行向量表示,得到a,通过取平均值的方式,得到整个句子的向量表示,具体的公式如下:
其中,为句子aS的向量表示,为句子aS中单词的数量,为单词的向量表示。
进一步,所述采用多粒度扫描对所述图像数据进行向量化处理具体包括:采用扫描窗口对所述图像数据中的图像进行滑动扫描,得到不同粒度的特征,将所述特征分别输入随机森林和完全随机森林中,得到所述图像数据的各个类别的类概率向量,将所述类概率向量连接,得到图像数据的向量化表示。
进一步,将所述向量化表示的文本数据、归一化后的数值型数据、向量化表示的图像数据进行连接得到临床数据的特征向量表示。
进一步,对所述临床数据的特征向量进行数据降维,所述数据降维为基于主成分分析法的数据降维。
进一步,所述数据降维为基于鲸鱼优化算法改进主成分分析法的数据降维,具体包括:将所述临床数据的特征向量数据集进行主成分分析法变换,使用鲸鱼优化算法选择主成分数量,对所述临床数据进行降维。
本申请的目的在于提供一种基于人工智能的心血管急危重症临床决策支持系统,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的基于人工智能的心血管急危重症临床决策支持方法步骤。
本申请的目的在于提供一种基于人工智能的心血管急危重症临床决策支持系统,包括:
获取单元,用于获取心血管患者样本的临床数据;
决策单元,用于将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持;
所述训练好的分类模型的构建方法包括:
获取训练集心血管患者样本的临床数据及样本对应的分类标签;
对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示;
将所述特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型;所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重。
本申请的目的在于提供一种基于人工智能的心血管急危重症临床决策支持设备,包括:存储器和处理器;所述存储器用于存储程序指令;所述处理器用于调用程序指令,当程序指令被执行时实现上述的基于人工智能的心血管急危重症临床决策支持方法步骤。
本申请的目的在于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的基于人工智能的心血管急危重症临床决策支持方法步骤。
本申请的优点:
1.针对临床数据中存在的不同类型数据的问题,本申请对不同医学数据给予不同的处理,对数值型数据进行归一化处理,对文本数据采用词向量技术进行向量化表示,对于图像数据采用多粒度扫描进行向量化表示;优选的,将归一化后的数值型数据、向量化表示的文本数据、向量化表示的图像数据进行连接,组成新的特征向量表示;
2.为了提升分类器的性能,本申请改进了现有的极限学习机分类器,包括使用蚁群优化算法选择隐藏层神经元数量、小生境算法优化极限学习机的输出层权重;进一步,本申请还在极限学习机分类器中采用余弦退火算法自适应调整极限学习机分类器的学习率、隐藏层神经元数量自适应调整、引入注意力机制使极限学习机分类器能够在训练中重点关注重要特征;
3.针对临床数据中存在高维数据的情况,本发明提出一种基于鲸鱼优化算法改进主成分分析法的数据降维方法,进一步约束数据的维度,以便更好地执行后续分类任务。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他的附图。
图1是本发明实施例提供的一种基于人工智能的心血管急危重症临床决策支持方法示意流程图;
图2是本发明实施例提供的一种基于人工智能的心血管急危重症临床决策支持系统示意图;
图3是本发明实施例提供的一种基于人工智能的心血管急危重症临床决策支持设备示意图;
图4是本发明实施例提供的一种采用多粒度扫描对所述图像数据进行向量化处理的流程图;
图5是本发明实施例提供的一种极限学习机的模型示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,本领域技术人员在没有作出创造性劳动前提下所获取的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种基于人工智能的心血管急危重症临床决策支持方法示意流程图,所述方法步骤包括:
S101:获取心血管患者样本的临床数据;
S102:将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持;所述训练好的分类模型的构建方法包括:
获取训练集心血管患者样本的临床数据及样本对应的分类标签;
对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示;
将所述特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型;所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重。
在一个实施例中,获取心血管患者样本的临床数据包括文本数据、数值型数据、图像数据。优选的,训练集心血管患者样本的临床数据数据采集可通过以下途径:1、医疗影像数据:患者的医疗影像数据(如CT、MRI、X射线等)可以从医院的放射科或影像科收集。2、实验室数据:患者的血液、尿液、组织等样本在实验室进行检测后,得到的各项指标数据。3、电子病历:通过医院的电子病历系统,收集患者的病史、手术记录、门诊就诊记录、住院病程记录等信息。4、医生和护士的记录:收集医生和护士在治疗过程中的观察记录、症状记录、评估结果等。5、药物治疗信息:包括患者的用药情况、药物剂量、用药时间、疗程等信息。6、患者自我报告数据:通过问卷调查、日记等方式收集患者自我评估的健康状况、生活质量、药物副作用等信息。7、设备监测数据:如心电图、血压监测、血氧饱和度监测等设备生成的数据。进一步的,这些数据以以下格式存储:1、数值型数据:例如血压、心率、血氧饱和度、体温等连续性数值数据。2、图像数据:例如X射线、CT、MRI等医疗影像数据。3、文本数据:例如医生和护士的记录、电子病历、患者自我报告等自由文本数据。
在一个实施例中,获取心血管患者样本的临床数据包括文本数据、数值型数据、图像数据,对所述临床数据进行预处理得到临床数据的特征向量表示,所述预处理包括:使用词向量的技术对所述文本数据进行向量化转换得到向量化表示的文本数据;将数值型数据归一化到[0,1]的范围区间内得到归一化后的数值型数据;和/或采用多粒度扫描对所述图像数据进行向量化处理得到向量化表示的图像数据。
在一个实施例中,对文本数据、数值型数据、图像数据分别进行预处理:
将数值型数据归一化到[0,1]的范围区间内得到归一化后的数值型数据。以一个具体实例进行介绍,设一个数值,通过以下的公式进行归一化:
其中,为归一化的数值,和分别是数据集中数值型数据的最小值和最大值,为归一化后的数值。
使用词向量(Word Embeddings)的技术对所述文本数据进行向量化转换得到向量化表示的文本数据。以一个具体实例进行介绍:临床数据中的文本数据中任一个句子aS包含了单词,对每个单词进行向量表示,得到a,通过取平均值的方式,得到整个句子的向量表示,具体的公式如下:
其中,为句子aS的向量表示,为句子aS中单词的数量,为单词的向量表示。
用多粒度扫描对所述图像数据进行向量化处理得到向量化表示的图像数据。以一个具体实例进行介绍:采用扫描窗口对所述图像数据中的图像进行滑动扫描,得到不同粒度的特征,将所述特征分别输入随机森林和完全随机森林中,得到所述图像数据的各个类别的类概率向量,将所述类概率向量连接,得到图像数据的向量化表示。具体流程如图4所示。在多粒度扫描的原理和流程中,将原始图像数据视为矩阵,设定扫描窗口,窗口尺寸可以相同,也可以不同,每个窗口大小对应一种粒度,本发明中以窗口尺寸以4×4尺寸为例,进行滑动扫描,每扫描一次,就提取一次特征;将扫描得到的特征分别输入到随机森林和完全随机森林中,两种森林中的决策树分别会得到该图像数据的各个类别,本发明中以类别数量为3为例,得到若干个3维的类概率向量,类概率向量的数量与随机森林和完全随机森林中决策树总数量相等;将所有的类概率向量连接,得到表征向量,该表征向量即图像数据的向量化表示。
其中,随机森林是一种集成学习方法,由多个决策树组成,每棵决策树都在一部分随机选择的特征上进行训练,对新的输入样本,每棵决策树都会输出一个预测结果,然后通过投票的方式,选择出现次数最多的结果作为最终预测结果。完全随机森林也是一种集成学习方法,它的工作原理和随机森林类似,但在构建决策树时,完全随机森林使用了更加随机的方法,在随机森林中,每次分裂节点时,会从一部分随机选择的特征中选择最优的特征进行分裂;而在完全随机森林中,不仅特征的选择是随机的,而且特征的分裂点也是完全随机的,而不是选择最优的分裂点。
在一个实施例中,将所述向量化表示的文本数据、归一化后的数值型数据、向量化表示的图像数据进行连接得到临床数据的特征向量表示。以一个具体实例进行介绍,设第类分类标签所对应的临床数据的特征向量矩阵为,公式如下:
其中,为第类分类标签所对应的临床数据的特征向量矩阵,为第类分类标签所对应的临床数据的特征向量矩阵中第个样本的第个特征,为特征参数矢量的总数目,为特征向量的总维数。用来表示第1类分类标签所对应的临床数据的第维特征向量集合,则向量;用来表示第2类分类标签所对应的数据的第维特征向量的集合,则向量;以此类推。
在一个实施例中,所述心血管患者可以是下列心血管病患者:缺血性心脏病、缺血性脑卒中、脑出血、高血压心脏病、风湿性心脏病、心房颤动和心房扑动、蛛网膜下腔出血。以缺血性脑卒中为例,训练集心血管患者样本的临床数据对应的分类标签包括患者患缺血性脑卒中疾病风险级别为低风险、中风险、高风险的三分类标签,或者患者是否患缺血性脑卒中疾病的二分类标签。上述描述仅为一个具体实例,本专利技术不限制该分类的类别与类别数量。
在一个实施例中,对所述临床数据的特征向量进行数据降维,所述数据降维为基于主成分分析法的数据降维。优选的,所述数据降维为基于鲸鱼优化算法改进主成分分析法的数据降维,具体包括:将所述临床数据的特征向量数据集进行主成分分析法变换,使用鲸鱼优化算法选择主成分数量,对所述临床数据进行降维。发明人考虑到临床数据是高维的,具有一定冗余特性的。因此,本发明提出一种基于鲸鱼优化算法改进主成分分析法的数据降维方法,进一步约束数据的维度。
鲸鱼优化算法是一种模拟鲸鱼觅食行为的元启发式优化算法,优点是可以避免陷入局部最优解。主成分分析法是一种广泛应用的线性降维方法,能够最大化保留原数据的方差。基于鲸鱼优化算法改进主成分分析法将鲸鱼优化算法用于优化主成分分析法中需要选择的主成分数量,以实现更优的降维效果。
在一个具体实施例中,基于鲸鱼优化算法改进主成分分析法的详细步骤包括:
1、输入高维向量数据集,其中为特征参数矢量的总数目,即样本的数量,每个样本是一个维的向量。
2、对数据集进行主成分分析法变换。设的协方差矩阵为。协方差矩阵的特征值和对应的特征向量可以通过解特征方程求得。
3、使用鲸鱼优化算法选择主成分数量。设解空间为,每个鲸鱼对应一个主成分数量。每次迭代,每个鲸鱼根据搜索策略选择新的,并计算对应的优化目标,其中,是正则化系数。优化目标越大,表示降维后的数据保留的原数据信息越多,同时主成分的数量越少。
其中,正则化系数是一个超参数,它决定了主成分数量的重要性。在实际应用中,超参数通常通过经验或者通过交叉验证的方式来选取。具体的,将训练集心血管患者样本的临床数据分为训练组和验证组,通过训练组来训练模型(即计算主成分),然后在验证组上计算模型的预测性能。通过改变超参数的值,选取使得预测性能最好的超参数值。例如,假设预测性能指标是均方误差,则可以通过以下步骤进行交叉验证:
1)设定一组待选的值,例如。
2)对每个,使基于鲸鱼优化算法改进主成分分析法对训练组进行降维,并使用降维后的数据训练预测模型,然后在验证组上计算预测性能(即均方根误差)。
3)选择使得均方根误差最小的作为最终的正则化系数。
引入正则化因子后的基于鲸鱼优化算法改进主成分分析法在降维时既要保留尽可能多的原数据信息,又要尽可能减少主成分的数量。这种权衡可以通过调整正则化系数来实现,从而可以更灵活地控制降维效果。
4、选取优化目标最大的鲸鱼对应的作为主成分数量,对数据进行降维。设是由前个特征向量组成的投影矩阵,对数据矩阵进行投影,得到降维后的数据。
上述基于鲸鱼优化算法改进主成分分析法结合了鲸鱼优化算法和主成分分析法的优点,既能自动选择合适的主成分数量,又能最大化保留原数据的方差,从而实现更优的降维效果。
在本申请中极限学习机分类器又称为极限学习机。所述学习机分类器包括输入层、隐藏层和输出层,模型示意图如图5所示。
在一个实施例中,将所述特征向量或进行数据降维后的特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型;所述极限学习机分类器包括输入层、隐藏层和输出层。具体的,极限学习机是一种单层前馈神经网络,包括输入层、隐藏层、输出层,极限学习机的最大特点在于只需对输入层到隐藏层的权重和偏置进行随机初始化,然后直接求解隐藏层到输出层的权重,而无需进行反向传播和梯度下降等迭代优化。极限学习机的一般步骤包括:
1)随机初始化输入层到隐藏层的权重和偏置;
2)计算隐藏层的输出矩阵,举例如:对于激活函数、输入样本、权重和偏置,隐藏层的输出;
3)计算隐藏层到输出层的权重,它是通过求解最小二乘问题获得的,即,其中是的伪逆,是目标值。
在一个实施例中,将所述特征向量或进行数据降维后的特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型;所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重。
蚁群优化算法是模拟自然界中蚁群觅食行为的元启发式优化算法。定义极限学习机隐藏层神经元数量为问题的解空间,每个蚂蚁根据信息素强度和启发信息在解空间中选择路径,每个路径对应一个隐藏层神经元数量,蚁群在解空间中搜索,信息素强度将根据分类性能的反馈进行更新,以引导搜索。蚁群优化算法中,蚁群在解空间中搜索,每只蚂蚁的路径对应一个隐藏层神经元数量,蚁群中每个蚂蚁根据信息素强度和启发信息在解空间中选择路径,信息素强度将根据极限学习机分类器的分类性能的反馈进行更新,更新的信息素强度引导蚁群搜索,优化所述极限学习机分类器的隐藏层神经元数量。
小生境算法是一种模拟生物个体在生存环境中寻找最适生存空间的元启发式算法。将极限学习机的输出层权重定义为问题的解空间,每个个体对应一组输出层权重,每个个体根据其适应度在解空间中搜索,适应度为极限学习机的分类性能,最适生存空间对应最优的输出层权重。小生境算法中,种群中每个个体对应一组输出层权重,每个个体根据其适应度在解空间中搜索,所述适应度为所述极限学习分类器的分类性能,每次迭代,适应度根据所述极限学习分类器的分类性能的反馈进行更新,每个个体根据其更新的适应度在解空间中搜索,优化所述极限学习机分类器的输出层权重。
在一个具体实施例中, 所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法优化所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重,具体的优化方法包括:
1.初始化极限学习机隐藏层权重和偏置。
训练集心血管患者样本的临床数据经过特征抽取后得到的特征矩阵为,其中是样本数量,是特征数量,隐藏层神经元数量为,则隐藏层权重矩阵和偏置向量可以随机初始化:
2.使用蚁群优化算法选择隐藏层神经元数量。
蚁群的大小表示为,则每只蚂蚁对应一个隐藏层神经元数量,初始化为随机值,每次迭代,每只蚂蚁根据信息素强度和启发信息选择新的隐藏层神经元数量,并计算极限学习机的分类性能,信息素强度根据更新,计算方式可以表示为:
假设当前迭代为第轮迭代,其中,是上一轮迭代的信息素浓度,是当前迭代的信息素浓度,是当前迭代的学习率,是信息素的挥发系数,是克罗内克函数,当是当前最优解时,,否则为。
3.利用小生境算法优化极限学习机的输出层权重。
假设种群的大小为,则每个个体对应一组输出层权重,初始化为随机值,每次迭代,每个个体根据其适应度在解空间中搜索新的输出层权重,并计算极限学习机的分类性能,个体的适应度根据更新,计算方式可以表示为:
其中,是人为设置的超参数。最后,选择适应度最高的输出层权重作为极限学习机的输出层权重。
4.基于余弦退火自适应学习率调整。
通过模拟退火的过程,采用余弦退火自适应调整极限学习机的学习率能够自动地在初期使用较高的学习率进行快速学习,并在后期逐渐减小学习率以获得更精细的优化效果。
在训练开始前,设定学习率的下限,上限和最大迭代次数。
在每次迭代开始时,使用下式计算当前的学习率。余弦退火的学习率调整策略公式如下:
其中,是第轮迭代的学习率,和分别是学习率的下限和上限,是当前迭代次数,是设定的最大迭代次数。
进一步地,计算损失函数关于权重的裁剪梯度:
其中,是梯度的阈值,是梯度的二范数。
进一步地,使用当前学习率代替固定的学习率。对于极限学习机的权重更新公式,使用替换原来的学习率:
其中,是第次迭代的权重,是损失函数关于的梯度。
5.隐藏层神经元数量自适应调整。
一般来说,隐藏层神经元的数量对模型的性能和计算需求有很大影响。太少的神经元可能导致模型复杂性不足,不能很好地捕捉到数据的特性;而太多的神经元可能会导致过拟合,并增加计算负担。因此,找到合适数量的神经元是很重要的。
本发明设置一个神经元数量的初始值和一个更新步长,然后在训练过程中动态调整神经元的数量。具体的调整策略可以是每进行一定数量的迭代后,根据验证集的性能来决定是增加还是减少神经元的数量。
给定初始的隐藏层神经元数量和更新步长,神经元数量的更新公式为:
其中,表示第轮迭代的神经元数量,表示第轮迭代的验证集性能,表示符号函数,如果括号内的数大于0返回1,小于0返回-1。
6.使用优化后的极限学习机进行分类。
本发明引入注意力机制,定义注意力权重矩阵,且注意力权重矩阵由组成,是第个隐藏层神经元的注意力权重,隐藏层神经元的数量是。
对于输入的特征矩阵,计算隐藏层输出,计算方式可以表示为:
其中,是Sigmoid激活函数,是输入特征矩阵,和分别是当前迭代中极限学习机的隐藏层的权重矩阵和偏置向量,且和通过上述1-4得到。
进一步地,对隐藏层输出进行批归一化,计算方式可以表示为:
其中,是归一化后的隐藏层输出,是的均值,是的方差,是一个很小的数防止除以零。
进一步地,计算隐藏层第i个神经元的注意力分数,计算方式可以表示为:
其中,是上一轮迭代的注意力权重矩阵,是上一轮迭代的偏置向量,是的第列。是Tanh激活函数。
进一步地,计算第个隐藏层神经元的注意力权重,计算方式可以表示为:
进一步地,通过计算得到的隐藏层神经元的注意力权重聚合得到注意力权重矩阵,所述聚合的方式为对中的各个元素进行计算,且计算方式同获得的计算方式。
进一步地,使用注意力权重调整归一化后的隐藏层输出,得到新的隐藏层输出,计算方式可以表示为:
其中,是哈达玛积。
进一步地,在极限学习机中引入dropout,以使模型更鲁棒,增强其对噪声和异常值的抵抗能力,从而提高其泛化能力。
设神经元的dropout概率为,对应的dropout掩码为,则更新的隐藏层输出的计算方式可以表示为:
其中表示哈达玛积。
进一步地,将代入极限学习机的输出层计算公式,即可得到应用dropout后的输出层输出:
其中是输出层权重,即为极限学习机的分类结果。
进一步地,根据分类结果,计算极限学习机的分类性能,计算方式可以表示为:
其中:
其中,为极限学习机的理论输出,即为极限学习机的分类结果,表示L1范数,为稀疏约束的权重,由人为设置。
其中,是一个调节因子,可以通过实验来设定。表示极限学习机在当前迭代的损失函数值,为模型参数的L1范数。可以表示为:
其中,是极限学习机的隐藏层的权重矩阵,是隐藏层的权重矩阵中的第i个值。
7.重复上述2-6步骤步骤,直至满足预设的最大迭代次数或极限学习机的分类性能超过预设的数值,则停止迭代,得到训练好的分类模型。
在一个实施例中,所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法优化所述限学习机分类器的隐藏层神经元数量;采用小生境算法优化极限学习机分类器的输出层权重;采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出。
在一个实施例中,所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法优化所述限学习机分类器的隐藏层神经元数量;采用小生境算法优化极限学习机分类器的输出层权重;采用余弦退火自适应调整极限学习机分类器的学习率;采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出。
在一个具体实施例中,所述训练好的分类模型的构建方法包括:
获取训练集心血管患者样本的临床数据及样本对应的分类标签;
对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示,所述预处理包括:使用词向量的技术对所述文本数据进行向量化转换得到向量化表示的文本数据;将数值型数据归一化到[0,1]的范围区间内得到归一化后的数值型数据;和/或采用多粒度扫描对所述图像数据进行向量化处理得到向量化表示的图像数据;
将所述特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型;所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重,采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出。
在一个具体实施例中,所述基于人工智能的心血管急危重症临床决策支持方法包括:
获取心血管患者样本的临床数据,所述临床数据包括文本数据、数值型数据、图像数据;
对所述临床数据进行预处理得到临床数据的特征向量表示,所述预处理包括:使用词向量的技术对所述文本数据进行向量化转换得到向量化表示的文本数据;将数值型数据归一化到[0,1]的范围区间内得到归一化后的数值型数据;和/或采用多粒度扫描对所述图像数据进行向量化处理得到向量化表示的图像数据;
将所述特征向量输入上述训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持。
图2是本发明实施例提供的一种基于人工智能的心血管急危重症临床决策支持系统,包括:
获取单元201,用于获取心血管患者样本的临床数据;
模型构建单元204,用于构建训练好的分类模型,所述训练好的分类模型的构建方法包括:获取训练集心血管患者样本的临床数据及样本对应的分类标签;对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示;将所述特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型;所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重;
决策单元205,用于将所述临床数据输入模型构建单元中训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持。
在一个实施例中,所述系统还包括预处理单元202,用于对所述临床数据进行预处理得到临床数据的特征向量表示。优选的,所述预处理包括:使用词向量的技术对所述文本数据进行向量化转换得到向量化表示的文本数据;将数值型数据归一化到[0,1]的范围区间内得到归一化后的数值型数据;和/或采用多粒度扫描对所述图像数据进行向量化处理得到向量化表示的图像数据。
在一个实施例中,所述系统还包括预处理单元202和数据降维单元203,预处理单元用于对所述临床数据进行预处理得到临床数据的特征向量表示,数据降维单元用于对所述临床数据的特征向量进行数据降维;优选的,所述数据降维为基于主成分分析法的数据降维,更优选的,所述数据降维为基于鲸鱼优化算法改进主成分分析法的数据降维。
在一个实施例中,所述系统的模型构建单元204包括数据采集模块、数据预处理模块、模型构建模块和模型优化模块,所述数据采集模块用于获取训练集心血管患者样本的临床数据及样本对应的分类标签;所述数据预处理模块用于对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示;所述模型构建模块用于将所述特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型,所述极限学习机分类器包括输入层、隐藏层和输出层;所述模型优化模块用于采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重。
在一个实施例中,所述系统的模型构建单元还包括数据降维模块,所述数据降维模块用于对所述训练集心血管患者样本的临床数据的特征向量进行数据降维;优选的,所述数据降维为基于主成分分析法的数据降维,更优选的,所述数据降维为基于鲸鱼优化算法改进主成分分析法的数据降维。
在一个实施例中,所述系统的模型优化模块还包括隐藏层神经元注意力权重优化模块,用于采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出。所述系统的模型优化模块还可以包括模型学习率优化模块,用于采用余弦退火算法自适应调整极限学习机分类器的学习率。所述系统的模型优化模块还可以包括隐藏层神经元数量调整优化模块,用于隐藏层神经元数量自适应调整。优选的,所述系统的模型优化模块包括隐藏层神经元数量优化模块、输出层权重优化模块、模型学习率优化模块、隐藏层神经元数量调整优化模块、隐藏层神经元注意力权重优化模块,所述隐藏层神经元数量优化模块用于采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量;所述模型学习率优化模块用于采用余弦退火算法自适应调整极限学习机分类器的学习率;所述输出层权重优化模块用于采用小生境算法优化极限学习机分类器的输出层权重;所述隐藏层神经元数量调整优化模块用于隐藏层神经元数量自适应调整;所述隐藏层神经元注意力权重优化模块用于采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出。
在一个实施例中,所述系统的模型构建单元包括数据采集模块、数据预处理模块、数据降维模块、模型构建模块和模型优化模块,所述系统的模型优化模块包括隐藏层神经元数量优化模块、隐藏层神经元注意力权重优化模块、输出层权重优化模块。
在一个实施例中,所述系统的模型构建单元包括数据采集模块、数据预处理模块、数据降维模块、模型构建模块和模型优化模块,所述系统的模型优化模块包括隐藏层神经元数量优化模块、输出层权重优化模块、模型学习率优化模块、隐藏层神经元数量调整优化模块、隐藏层神经元注意力权重优化模块,初始极限学习机优化时依次经过上述藏层神经元数量优化模块、输出层权重优化模块、模型学习率优化模块、隐藏层神经元数量调整优化模块、隐藏层神经元注意力权重优化模块,并重复运行上述优化模块的步骤直至满足预设的最大迭代次数或模型的分类性能超过预设的数值,则停止迭代,得到训练好的模型。
本发明实施例提供的一种基于人工智能的心血管急危重症临床决策支持系统,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的基于人工智能的心血管急危重症临床决策支持方法步骤。
图3是本发明实施例提供的一种基于人工智能的心血管急危重症临床决策支持预测设备,包括:存储器和处理器;所述存储器用于存储程序指令;所述处理器用于调用程序指令,当程序指令被执行时实现上述的基于人工智能的心血管急危重症临床决策支持方法步骤。
本发明的一个目的在于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的基于人工智能的心血管急危重症临床决策支持方法步骤。
本验证实施例的验证结果表明,为适应症分配固有权重相对于默认设置来说可以适度改善本方法的性能。
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。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,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,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。
所述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。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上对本发明所提供的一种计算机设备进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (15)
1.一种基于人工智能的心血管急危重症临床决策支持方法,其特征在于,所述方法步骤包括:
S101:获取心血管患者样本的临床数据;
S102:将所述临床数据输入训练好的分类模型中得到预测分类用于心血管急危重症临床决策支持;
所述训练好的分类模型的构建方法包括:
获取训练集心血管患者样本的临床数据及样本对应的分类标签;
对所述训练集心血管患者样本的临床数据进行预处理得到训练集心血管患者样本的临床数据的特征向量表示;
将所述特征向量输入极限学习机分类器得到预测分类结果,将所述预测分类结果与分类标签进行比对,优化极限学习机分类器,得到训练好的分类模型;所述极限学习机分类器包括输入层、隐藏层和输出层,采用蚁群优化算法选择所述限学习机分类器的隐藏层神经元数量,采用小生境算法优化极限学习机分类器的输出层权重。
2.根据权利要求1所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,所述采用蚁群优化算法选择所述极限学习机分类器的隐藏层神经元数量具体包括:蚁群优化算法中,蚁群在解空间中搜索,每只蚂蚁的路径对应一个隐藏层神经元数量,蚁群中每个蚂蚁根据信息素浓度和启发信息在解空间中选择路径,信息素浓度将根据极限学习机分类器的分类性能的反馈进行更新,更新的信息素的浓度引导蚁群搜索,优化所述极限学习机分类器的隐藏层神经元数量;
所述采用小生境算法优化极限学习机分类器的输出层权重具体包括:小生境算法中,种群中每个个体对应一组输出层权重,每个个体根据其适应度在解空间中搜索,所述适应度为所述极限学习分类器的分类性能,每次迭代,适应度根据所述极限学习分类器的分类性能的反馈进行更新,每个个体根据其更新的适应度在解空间中搜索,优化所述极限学习机分类器的输出层权重。
3.根据权利要求1-2任意一项所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出,具体包括:
将输入极限学习机分类器的特征向量进行矩阵表示,得到特征矩阵;
基于特征矩阵、隐藏层的权重矩阵、偏置向量和激活函数计算所述极限学习机分类器的隐藏层输出;
基于注意力分数得到注意力权重,所述注意力分数是基于初始注意力权重、偏置向量和激活函数计算得到;
基于所述注意力权重和哈达玛积调整隐藏层输出,更新隐藏层输出。
4.根据权利要求3所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,对所述极限学习机分类器的隐藏层神经元数量自适应调整,具体为:设置所述极限学习机分类器的隐藏层神经元数量的初始值和更新步长,在模型构建过程中根据验证组的性能决定增加还是减少神经元的数量。
5.根据权利要求3所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,采用余弦退火算法自适应调整所述极限学习机分类器的学习率。
6.根据权利要求1所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,所述极限学习机分类器包括输入层、隐藏层和输出层,初始极限学习机优化时依次采用采用蚁群优化算法选择所述极限学习机分类器的隐藏层神经元数量、采用余弦退火算法自适应调整极限学习机分类器的学习率、采用小生境算法优化极限学习机分类器的输出层权重、隐藏层神经元数量自适应调整、采用注意力机制调整所述极限学习机分类器的隐藏层的注意力权重更新隐藏层输出,重复运行上述步骤直至满足预设的最大迭代次数或极限学习机分类器的分类性能超过预设的数值,则停止迭代,得到训练好的分类模型。
7. 根据权利要求1所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,所述临床数据包括文本数据、数值型数据、图像数据,对所述临床数据进行预处理得到临床数据的特征向量表示,所述预处理包括:使用词向量的技术对所述文本数据进行向量化转换得到向量化表示的文本数据;将数值型数据归一化到[0,1]的范围区间内得到归一化后的数值型数据;和/或采用多粒度扫描对所述图像数据进行向量化处理得到向量化表示的图像数据。
8.根据权利要求7所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,所述使用词向量的技术对所述文本数据进行向量化转换具体包括:临床数据中的文本数据中任一个句子aS包含了单词,对每个单词进行向量表示,得到a,通过取平均值的方式,得到整个句子的向量表示,具体的公式如下:
其中,为句子aS的向量表示,为句子aS中单词的数量,为单词的向量表示。
9.根据权利要求7所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,所述采用多粒度扫描对所述图像数据进行向量化处理具体包括:采用扫描窗口对所述图像数据中的图像进行滑动扫描,得到不同粒度的特征,将所述特征分别输入随机森林和完全随机森林中,得到所述图像数据的各个类别的类概率向量,将所述类概率向量连接,得到图像数据的向量化表示。
10.根据权利要求7所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,将所述向量化表示的文本数据、归一化后的数值型数据、向量化表示的图像数据进行连接得到临床数据的特征向量表示。
11.根据权利要求7-10任意一项所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,对所述临床数据的特征向量进行数据降维,所述数据降维为基于主成分分析法的数据降维。
12.根据权利要求11所述的基于人工智能的心血管急危重症临床决策支持方法,其特征在于,所述数据降维为基于鲸鱼优化算法改进主成分分析法的数据降维,具体包括:将所述临床数据的特征向量数据集进行主成分分析法变换,使用鲸鱼优化算法选择主成分数量,对所述临床数据进行降维。
13.一种基于人工智能的心血管急危重症临床决策支持系统,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1-12任意一项所述的基于人工智能的心血管急危重症临床决策支持方法步骤。
14.一种基于人工智能的心血管急危重症临床决策支持设备,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序指令;
所述处理器用于调用程序指令,当程序指令被执行时实现权利要求1-12任意一项所述的基于人工智能的心血管急危重症临床决策支持方法步骤。
15.一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1-12任意一项所述的基于人工智能的心血管急危重症临床决策支持方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310884751.3A CN116646078B (zh) | 2023-07-19 | 2023-07-19 | 一种基于人工智能的心血管急危重症临床决策支持系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310884751.3A CN116646078B (zh) | 2023-07-19 | 2023-07-19 | 一种基于人工智能的心血管急危重症临床决策支持系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116646078A true CN116646078A (zh) | 2023-08-25 |
CN116646078B CN116646078B (zh) | 2023-11-24 |
Family
ID=87640336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310884751.3A Active CN116646078B (zh) | 2023-07-19 | 2023-07-19 | 一种基于人工智能的心血管急危重症临床决策支持系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116646078B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117174298A (zh) * | 2023-11-01 | 2023-12-05 | 中国人民解放军总医院 | 基于多模态预训练大模型的急危重症临床决策系统 |
CN117637154A (zh) * | 2024-01-27 | 2024-03-01 | 南通大学附属医院 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
CN117766155A (zh) * | 2024-02-22 | 2024-03-26 | 中国人民解放军海军青岛特勤疗养中心 | 基于人工智能的动态血压医疗数据处理系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110750640A (zh) * | 2019-09-17 | 2020-02-04 | 平安科技(深圳)有限公司 | 基于神经网络模型的文本数据分类方法、装置及存储介质 |
CN111144443A (zh) * | 2019-12-04 | 2020-05-12 | 沈阳航空航天大学 | 一种基于智能优化算法改进超限学习机解决分类问题的方法 |
CN113626605A (zh) * | 2021-08-31 | 2021-11-09 | 中国平安财产保险股份有限公司 | 信息分类方法、装置、电子设备及可读存储介质 |
CN113658688A (zh) * | 2021-08-23 | 2021-11-16 | 上海赴源科技服务有限公司 | 基于无分词深度学习的临床决策支持方法 |
CN114880465A (zh) * | 2022-03-28 | 2022-08-09 | 西安邮电大学 | 基于粒子群算法优化正则化极限学习机的文本情感分析方法 |
CN115545021A (zh) * | 2022-07-08 | 2022-12-30 | 浙江华巽科技有限公司 | 一种基于深度学习的临床术语识别方法与装置 |
CN116304853A (zh) * | 2022-12-14 | 2023-06-23 | 北京航空航天大学 | 一种极限学习机与特征提取相结合的数据分类方法及系统 |
CN116415177A (zh) * | 2023-03-02 | 2023-07-11 | 广东工业大学 | 一种基于极限学习机的分类器参数辨识方法 |
-
2023
- 2023-07-19 CN CN202310884751.3A patent/CN116646078B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110750640A (zh) * | 2019-09-17 | 2020-02-04 | 平安科技(深圳)有限公司 | 基于神经网络模型的文本数据分类方法、装置及存储介质 |
CN111144443A (zh) * | 2019-12-04 | 2020-05-12 | 沈阳航空航天大学 | 一种基于智能优化算法改进超限学习机解决分类问题的方法 |
CN113658688A (zh) * | 2021-08-23 | 2021-11-16 | 上海赴源科技服务有限公司 | 基于无分词深度学习的临床决策支持方法 |
CN113626605A (zh) * | 2021-08-31 | 2021-11-09 | 中国平安财产保险股份有限公司 | 信息分类方法、装置、电子设备及可读存储介质 |
CN114880465A (zh) * | 2022-03-28 | 2022-08-09 | 西安邮电大学 | 基于粒子群算法优化正则化极限学习机的文本情感分析方法 |
CN115545021A (zh) * | 2022-07-08 | 2022-12-30 | 浙江华巽科技有限公司 | 一种基于深度学习的临床术语识别方法与装置 |
CN116304853A (zh) * | 2022-12-14 | 2023-06-23 | 北京航空航天大学 | 一种极限学习机与特征提取相结合的数据分类方法及系统 |
CN116415177A (zh) * | 2023-03-02 | 2023-07-11 | 广东工业大学 | 一种基于极限学习机的分类器参数辨识方法 |
Non-Patent Citations (3)
Title |
---|
位盼盼: "基于多模态多目标进化的集成学习器的选择及优化研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2, pages 1 - 76 * |
杨娟 等: "基于蚁群算法的二进神经网络学习算法", 《电路域系统学报》, vol. 17, no. 6, pages 48 - 55 * |
王铂: "基于多模态多目标差分进化的集成极限学习机算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117174298A (zh) * | 2023-11-01 | 2023-12-05 | 中国人民解放军总医院 | 基于多模态预训练大模型的急危重症临床决策系统 |
CN117637154A (zh) * | 2024-01-27 | 2024-03-01 | 南通大学附属医院 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
CN117637154B (zh) * | 2024-01-27 | 2024-03-29 | 南通大学附属医院 | 一种基于优化算法的神经内科重症指标预测方法及系统 |
CN117766155A (zh) * | 2024-02-22 | 2024-03-26 | 中国人民解放军海军青岛特勤疗养中心 | 基于人工智能的动态血压医疗数据处理系统 |
CN117766155B (zh) * | 2024-02-22 | 2024-05-10 | 中国人民解放军海军青岛特勤疗养中心 | 基于人工智能的动态血压医疗数据处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116646078B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116646078B (zh) | 一种基于人工智能的心血管急危重症临床决策支持系统及设备 | |
CN113421652A (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
CN112086195B (zh) | 一种基于自适应集成学习模型的再入院风险预测方法 | |
CN110459328A (zh) | 一种评估心脏骤停的临床决策支持系统 | |
CN111387938B (zh) | 一种基于特征重排一维卷积神经网络的病人心衰死亡风险预测系统 | |
KR20210068713A (ko) | 딥러닝 기반 다중의료데이터를 통한 질병의 진행 예측 분석 시스템 | |
MunishKhanna et al. | A novel approach for human diseases prediction using nature inspired computing & machine learning approach | |
CN111047590A (zh) | 基于眼底图像的高血压分类方法及设备 | |
Alshawi et al. | Skin cancer image detection and classification by cnn based ensemble learning | |
Kaur et al. | Analysis of brain tumor using pre-trained CNN models and machine learning techniques | |
Hidayat et al. | Comparison of K-Nearest Neighbor and Decision Tree Methods using Principal Component Analysis Technique in Heart Disease Classification | |
Pujari | Classification of Pima Indian diabetes dataset using support vector machine with polynomial kernel | |
Schultz et al. | Best practices for supervised machine learning when examining biomarkers in clinical populations | |
Swathi et al. | A Methodology For Early Prediction and Classification of Heart Diseases in Diabetic Patients With Machine Learning Techniques | |
Alsalamah et al. | Detection of obstructive sleep apnea using deep neural network | |
Ngong et al. | Feature Extraction Methods for Predicting the Prevalence of Heart Disease | |
Zhang et al. | Pneumonia Detection Method based on Convolutional Neural Network | |
Rao et al. | Application of Machine Learning in Disease Prediction | |
Dutt | Classification of Diabetes and Cardiac Arrhythmia using Deep Learning | |
Shaik et al. | Enhancing Prediction of Cardiovascular Disease using Bagging Technique | |
Iraji et al. | Research Article COVID-19 Detection Using Deep Convolutional Neural Networks and Binary Differential Algorithm-Based Feature Selection from X-Ray Images | |
Galozy | Towards Understanding ICU Procedures using Similarities in Patient Trajectories: An exploratory study on the MIMIC-III intensive care database | |
Chan et al. | An excellent mortality prediction model based on support vector machine (SVM)-a pilot study | |
Goel et al. | CardioVascular Disease Detection uing Power Transforamtion and GradientBoosting Classifier | |
Pareek et al. | Classification for Jaundice Symptoms Using Improved Dragonfly with XGBoost Model |
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 |