CN117877749B - 基于大数据的房颤患者抗凝治疗效果评估与优化方法 - Google Patents
基于大数据的房颤患者抗凝治疗效果评估与优化方法 Download PDFInfo
- Publication number
- CN117877749B CN117877749B CN202410272216.7A CN202410272216A CN117877749B CN 117877749 B CN117877749 B CN 117877749B CN 202410272216 A CN202410272216 A CN 202410272216A CN 117877749 B CN117877749 B CN 117877749B
- Authority
- CN
- China
- Prior art keywords
- learning
- dynamic
- data
- patient
- network model
- 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
- 238000011282 treatment Methods 0.000 title claims abstract description 76
- 230000000694 effects Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 44
- 206010003658 Atrial Fibrillation Diseases 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 title claims abstract description 23
- 230000010100 anticoagulation Effects 0.000 title claims abstract description 20
- 238000005457 optimization Methods 0.000 title abstract description 7
- 230000003044 adaptive effect Effects 0.000 claims abstract description 48
- 230000002787 reinforcement Effects 0.000 claims abstract description 27
- 230000002068 genetic effect Effects 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000011269 treatment regimen Methods 0.000 claims abstract description 6
- 230000006978 adaptation Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 13
- 238000002560 therapeutic procedure Methods 0.000 claims description 12
- 229940127219 anticoagulant drug Drugs 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 239000003146 anticoagulant agent Substances 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000003334 potential effect Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000007407 health benefit Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000002429 anti-coagulating effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及电数字数据处理领域,尤其涉及基于大数据的房颤患者抗凝治疗效果评估与优化方法。包括:设计动态适应学习网络模型,通过融合改进的遗传算法和深度强化学习,评估房颤患者抗凝治疗效果;引入增量学习适应网络算法,对新的治疗数据和患者反馈进行调整和优化,并定义参数更新规则和可忘记机制更新动态适应学习网络模型参数。解决了现有技术缺乏处理大规模、多变量医疗数据的能力,导致治疗效果评估不够精确或全面;无法动态适应新的治疗数据和患者反馈,限制了模型的实时更新和优化能力,使得治疗效果评估结果无法反映最新的治疗情况;以及缺乏提供个性化治疗建议的能力,无法根据患者的具体情况优化治疗方案的技术问题。
Description
技术领域
本发明涉及电数字数据处理领域,尤其涉及基于大数据的房颤患者抗凝治疗效果评估与优化方法。
背景技术
在医学领域,尤其是心血管疾病的治疗管理中,房颤(心房颤动)患者的抗凝治疗效果评估是一项关键任务。抗凝治疗旨在防止因心房颤动引起的血栓形成和随后可能发生的卒中事件,但治疗的效果需要根据患者的具体情况进行个性化调整。随着医疗数据量的急剧增加,包括患者的个人信息、病历和治疗反应等在内的多变量数据为精确评估治疗效果提供了可能,但同时也带来了巨大的数据处理挑战。
随着人工智能技术,尤其是机器学习和深度学习技术的发展,提供了一种可能的解决方案。通过利用这些技术构建的模型,可以更有效地处理和分析大规模多变量数据,提高治疗效果评估的准确性和效率。然而,如何设计一个既能精准处理复杂数据、又能动态适应新信息的模型,仍然是一个挑战。
我国专利申请号:CN202311632339.9,公开日:2024.01.02,公开了一种评估治疗效果方法、装置、设备及存储介质,该方法包括:对临床试验数据和外部真实世界数据进行预处理,获得研究数据集;将研究数据集输入至预设自编码神经网络模型,获得研究数据集中每一个患者的潜在特征;根据临床试验患者的潜在特征对应的特征评分从研究数据集中选取目标外部真实世界患者数据,并将临床试验数据和目标外部真实世界患者数据进行分层,获得分层结果;利用复合似然方法对分层结果进行数据分析,获得当前临床研究药物的治疗效果值。解决了现有技术中由于协变量的增加而产生的复杂性,进而提高了治疗效果评估的准确性。
但上述技术至少存在如下技术问题:现有技术缺乏处理大规模、多变量医疗数据的能力,导致治疗效果评估可能不够精确或全面;无法动态适应新的治疗数据和患者反馈,限制了模型的实时更新和优化能力,使得治疗效果评估结果可能无法反映最新的治疗情况;缺乏提供个性化治疗建议的能力,无法根据患者的具体情况优化治疗方案;现有技术的模型训练和更新过程通常需要大量的计算资源和时间,效率较低,不适合需要快速响应的医疗场景。
发明内容
本发明提供基于大数据的房颤患者抗凝治疗效果评估与优化方法,解决了现有技术缺乏处理大规模、多变量医疗数据的能力,导致治疗效果评估可能不够精确或全面;无法动态适应新的治疗数据和患者反馈,限制了模型的实时更新和优化能力,使得治疗效果评估结果可能无法反映最新的治疗情况;缺乏提供个性化治疗建议的能力,无法根据患者的具体情况优化治疗方案的技术问题;以及现有技术的模型训练和更新过程通常需要大量的计算资源和时间,效率较低,不适合需要快速响应的医疗场景。实现了一种动态适应学习网络模型,通过结合改进的遗传算法和深度强化学习技术,能够自我适应并精准处理大量多变量医疗数据,为房颤患者抗凝治疗提供实时、精确的评估和个性化治疗建议。
本发明的基于大数据的房颤患者抗凝治疗效果评估与优化方法,具体包括以下技术方案:
基于大数据的房颤患者抗凝治疗效果评估与优化方法,包括以下步骤:
S1. 设计动态适应学习网络模型,通过融合改进的遗传算法和深度强化学习模型,评估房颤患者抗凝治疗效果;
S2. 引入增量学习适应网络算法,通过动态适应学习网络模型对新的治疗数据和患者反馈进行调整和优化,并定义参数更新规则和可忘记机制,更新动态适应学习网络模型参数。
优选的,所述S1,具体包括:
动态适应学习网络包括输入层、动态适应层和输出层。
优选的,所述S1,还包括:
动态适应层通过利用基于改进的遗传算法和深度强化学习的混合模型,动态调整学习策略。
优选的,所述S1,还包括:
改进的遗传算法从随机生成的个体开始,通过评估每个个体的性能,选择性能最优的个体进行交叉和变异,生成新一代种群;在种群初始化阶段,构建初始种群,每个个体代表一种动态适应学习网络模型参数配置,通过全局搜索确定动态适应学习网络模型的最佳参数配置;在改进的遗传算法中引入动态变异率,通过通过分析患者数据变化的趋势,动态调整变异率。
优选的,所述S1,还包括:
基于动态适应学习网络模型的最佳参数配置,通过深度强化学习模型优化决策策略;将动态适应学习网络模型的最佳参数配置表示为参数向量;深度强化学习模型的初始权重利用参数向量进行初始化,得到深度强化学习模型的初始参数配置;深度强化学习模型的学习过程基于Q学习算法进行优化。
优选的,所述S1,还包括:
动态适应学习网络的输出层采用深度神经网络将动态适应层处理的结果转化为治疗效果评估;深度神经网络包括输入层、隐藏层以及输出层;动态适应学习网络的输出层输出的是对不同治疗效果评估类别的预测概率;预测概率将用于医疗决策支持,帮助医疗团队评估治疗方案的效果以及根据患者对治疗的反应进行调整。
优选的,所述S2,具体包括:
在接收到新的治疗数据和患者反馈前,以动态适应学习网络模型参数的当前状态为基准;动态适应学习网络模型参数通过训练已调整至初步优化的状态;当新的治疗数据到达时,定义参数更新规则,调整动态适应学习网络模型参数。
优选的,所述S2,还包括:
引入可忘记机制,通过比较新数据和旧数据在当前动态适应学习网络模型参数下的损失,动态调整学习率。
优选的,所述S2,还包括:
使用定义好的参数更新规则和可忘记机制,更新动态适应学习网络模型参数。
本发明的技术方案的有益效果是:
1、通过深入融合改进的遗传算法和深度强化学习技术,动态适应学习网络模型能够自我适应并精准处理大量多变量医疗数据,包括患者的基本信息、房颤类型、合并症以及抗凝治疗的历史反应等,提供更为精确的治疗效果评估;动态适应层根据不断变化的数据特性自动调整内部参数,实时适应新的治疗数据和患者反馈,从而确保评估结果始终反映最新的治疗效果;
2、通过引入基于损失函数差异的可忘记机制,在吸收新知识的同时,尽可能地保留旧知识,减少因快速适应新数据而导致的灾难性遗忘问题,确保了模型长期的稳定性和可靠性;深度强化学习的加入,使得动态适应学习网络模型不仅能评估治疗效果,还能根据患者的具体情况提供个性化的治疗建议,如药物选择和剂量调整等,有助于最大化患者的健康收益;在线学习机制通过增量地调整参数来适应新数据,大大减少了所需的计算资源和时间,提高了动态适应学习网络模型的计算效率。
附图说明
图1为本发明一个实施例所提供的基于大数据的房颤患者抗凝治疗效果评估与优化方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于大数据的房颤患者抗凝治疗效果评估与优化方法的具体方案。
参照附图1,其示出了本发明一个实施例所提供的基于大数据的房颤患者抗凝治疗效果评估与优化方法流程图,该方法包括以下步骤:
S1. 设计动态适应学习网络模型,通过融合改进的遗传算法和深度强化学习模型,评估房颤患者抗凝治疗效果;
为了评估房颤患者抗凝治疗效果,设计一种动态适应学习网络模型,通过深入融合改进的遗传算法和深度强化学习技术,构建一个能够自我适应并精准处理大量多变量医疗数据的模型。获取房颤患者抗凝治疗相关的综合数据作为输入数据,包括患者的年龄、性别、体重和身高、房颤的类型和任何相关的合并症、历史对抗凝治疗的反应以及使用的抗凝药物类型、剂量和治疗持续时间。
动态适应学习网络包括输入层、动态适应层和输出层,根据不断变化的数据特性自动调整其内部参数,实现对房颤患者抗凝治疗效果的高度准确评估。输入层负责接收输入数据并进行数据预处理,将复杂的医疗数据转换为更适合深度学习模型处理的形式,优化数据输入质量,确保后续能够基于准确且干净的数据动态适应层根据数据的特性动态调整学习策略,利用一种基于改进的遗传算法和深度强化学习的混合模型,实现对数据特性的自动识别和适应,通过动态调整学习策略来优化治疗效果的评估准确性。
改进的遗传算法从一组随机生成的个体开始,通过评估每个个体的性能(使用特定的适应度函数,如预测准确度或损失函数),选择性能最优的个体进行交叉和变异,生成新一代种群。在种群初始化阶段,利用输入数据构建初始种群,每个个体代表了一种动态适应学习网络模型参数配置,通过全局搜索确定的最佳参数配置能够整体提升动态适应学习网络的性能和效率。在改进的遗传算法中引入一个动态变异率,通过分析患者数据变化的趋势(如治疗响应的稳定性),动态调整变异率,以促进改进的遗传算法更快地适应患者治疗效果的变化,找到更优的治疗方案。动态变异率计算公式为:
其中,表示动态变异率,表示改进的遗传算法在每一代中采用的变异率,用于调整改进的遗传算法的探索和利用平衡,/>表示基准变异率,用于控制基本探索程度;/>是调节因子,控制适应度变化对变异率的影响强度;/>代表种群适应度的平均变化量,表示种群适应度从上一代到当前代的变化程度,用于指示种群性能的改进程度;/>是种群适应度的标准差,表示种群的多样性;/>为一个常数,防止除零错误;/>是调节系数,用于调节动态变异率的影响力度;/>和/>分别代表种群中最高和最低的适应度值。在进行迭代遗传操作(选择、交叉、变异)后,当适应度改进幅度小于预设阈值时,则停止迭代。在改进的遗传算法终止时,从当前种群中选择适应度最高的个体作为最终结果,得到动态适应学习网络模型的最佳参数配置。
以改进的遗传算法确定的最佳参数配置为基础,利用深度强化学习进一步通过与环境的交互优化其决策策略,以动态适应数据变化和优化决策过程。改进的遗传算法得到的最佳参数配置可以表示为一组参数向量,包括但不限于网络结构参数、学习相关参数和正则化参数等。在深度强化学习过程中,深度强化学习模型的初始权重直接利用参数向量进行初始化,得到深度强化学习模型的初始参数参数配置。深度强化学习的学习过程依赖于Q学习算法进行优化,以增强深度强化学习模型的决策能力,具体公式为:
其中,表示在状态/>下,采取行动/>时,根据当前深度强化学习模型的初始参数配置/>计算得到的行动价值,不同的行动价值对应了不同的决策策略,/>是/>更新后的值,/>是学习率,控制权重更新的步长,/>是即时奖励,为在状态/>下采取/>行动后从环境中获得的奖励,/>是折扣因子,用于计算未来奖励的现值,值越大表示未来的奖励越重要,/>表示行动价值的权重系数,/>是采取行动后转移到的新状态,/>是新状态/>下可能采取的任一行动,/>和/>分别是在新状态/>下,对所有可能行动/>的预期收益的最大值和最小值。找出在不同状态下采取不同行动所能获得的最大行动价值,即为最优决策策略;最优决策策略基于对环境的深入学习,能够提供个性化的治疗建议,比如药物选择、剂量调整等,旨在最大化患者的健康收益。
动态适应学习网络的输出层,采用深度神经网络将动态适应层处理的结果转化为最终的治疗效果评估,深度神经网络模型包括输入层、多个隐藏层以及输出层;每一层由多个神经元组成,神经元通过权重和偏置参数连接。
输入层接收来自动态适应层的处理结果,包括动态变异率和优化后的Q值,即和/>,将上述两个数据以并行的方式输入到输入层,输入表示为H。
隐藏层通过非线性转换增强模型的学习能力,每一层的神经元通过激活函数处理上一层的输出。ReLU激活函数用于增加网络的非线性处理能力,其公式为。
设最后一个隐藏层的输出为,对应输出层的权重为/>和偏置/>。输出层的计算表示为:
其中,是输出层的原始输出。为了提高深度神经网络模型的泛化能力并避免过拟合,引入Dropout层,随机丢弃部分神经元。使用/>激活函数来处理输出层的原始输出/>,评估治疗效果的不同等级:
其中,表示激活函数,/>表示第i个输出神经元的输入,/>表明对输入/>在每个类别的预测概率,表示了对于每种评估等级的信心水平。深度神经网络模型训练过程中,选用交叉熵损失函数:
其中,表示交叉熵损失函数;/>是实际类别,即实际标签;/>是深度神经网络模型预测的概率;/>是实际标签独热编码向量的第i个元素;/>是深度神经网络模型预测的输出向量中的第i个元素,表示第i类的预测概率。
动态适应学习网络输出层的最终输出是一个概率分布,是对不同治疗效果评估类别的预测概率;预测概率可以直接用于医疗决策支持,帮助医疗团队评估治疗方案的效果,以及根据患者对治疗的反应进行必要的调整。
S2.引入增量学习适应网络算法,通过动态适应学习网络模型对新的治疗数据和患者反馈进行调整和优化,并定义参数更新规则和可忘记机制,更新动态适应学习网络模型参数。
为了实现动态适应学习网络对新治疗数据和患者反馈的实时调整和优化,引入一种在线学习机制的增量学习适应网络算法,通过控制参数的更新过程,以适应新的数据输入,同时最小化对既有知识的忘记。
在接收到新的治疗数据和患者反馈前,以动态适应学习网络当前状态作为基准。此时,动态适应学习网络模型参数,记为已经通过之前的训练过程调整至一个初步优化的状态,参数包含了动态适应学习网络对既有治疗数据的学习成果。
当新的治疗数据到达时,定义一套参数更新规则,调整动态适应学习网络模型参数,以便动态适应学习网络能够吸收新数据中的信息。参数更新遵循以下公式:
其中,是更新后的动态适应学习网络模型参数,/>是学习率,用于控制参数更新的步幅,/>是损失函数,衡量动态适应学习网络预测与实际数据之间的偏差,/>代表损失函数关于参数的梯度,指示了损失最小化的方向,/>是新的治疗数据。
为了解决潜在的灾难性遗忘问题,即新知识的学习可能会导致动态适应学习网络忘记之前的学习成果,引入一个基于损失函数差异的可忘记机制,所述可忘记机制通过动态调整学习率,根据新旧数据的损失差异来减轻遗忘,可忘记机制的公式为:
其中,是一个调节因子,用于调整学习率对损失差异敏感度的大小,/>代表之前的房颤患者抗凝治疗相关的综合数据集。可忘记机制通过比较新数据和旧数据在当前参数下的损失,动态调整学习率,以保持对旧知识的记忆。
使用定义好的参数更新规则和可忘记机制,在线更新动态适应学习网络模型网络模型参数,从而不断适应新的治疗数据和患者反馈,确保动态适应学习网络模型始终保持最新状态,提高治疗方案的适应性和效果。
可忘记机制的引入是基于认识到当动态适应学习网络模型适应新数据时,可能会对旧数据的学习成果产生负面影响。通过比较新旧数据在当前状态下的损失,动态调整学习率,可以在吸收新知识的同时,尽可能保留旧知识,减少遗忘。
综上所述,便完成了基于大数据的房颤患者抗凝治疗效果评估与优化方法。
发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
上述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (4)
1.基于大数据的房颤患者抗凝治疗效果评估与优化方法,其特征在于,包括以下步骤:
S1. 设计动态适应学习网络模型,通过融合改进的遗传算法和深度强化学习模型,评估房颤患者抗凝治疗效果;
动态适应学习网络模型包括输入层、动态适应层和输出层;动态适应层通过利用基于改进的遗传算法和深度强化学习的混合模型,动态调整学习策略;
改进的遗传算法从随机生成的个体开始,通过评估每个个体的性能,选择性能最优的个体进行交叉和变异,生成新一代种群;在种群初始化阶段,构建初始种群,每个个体代表一种动态适应学习网络模型参数配置,通过全局搜索确定动态适应学习网络模型的最佳参数配置;
在改进的遗传算法中引入动态变异率,通过分析患者数据变化的趋势,动态调整变异率,动态变异率计算公式为:
;
其中,表示动态变异率,/>表示基准变异率;/>是调节因子,控制适应度变化对变异率的影响强度;/>代表种群适应度的平均变化量;/>是种群适应度的标准差;/>为常数,防止除零错误;/>是调节系数,用于调节动态变异率的影响力度;/>和/>分别代表种群中最高和最低的适应度值;
以改进的遗传算法确定的最佳参数配置为基础,通过深度强化学习模型优化决策策略;将改进的遗传算法得到的最佳参数配置表示为参数向量,包括网络结构参数、学习相关参数和正则化参数;深度强化学习模型的初始权重利用参数向量进行初始化,得到深度强化学习模型的初始参数配置;深度强化学习模型的学习过程基于Q学习算法进行优化,具体公式为:
;
其中,表示在状态/>下,采取行动/>时,根据当前深度强化学习模型的初始参数配置/>计算得到的行动价值,/>是/>更新后的值,/>是学习率,/>是即时奖励,/>是折扣因子,/>表示行动价值的权重系数,/>是采取行动/>后转移到的新状态,/>是新状态/>下可能采取的任一行动,/>和/>分别是在新状态/>下,对所有潜在行动的预期收益的最大值和最小值;
动态适应学习网络模型的输出层采用深度神经网络将动态适应层处理的结果转化为治疗效果评估;深度神经网络包括输入层、隐藏层以及输出层;将动态变异率和优化后的学习过程/>以并行的方式输入到深度神经网络的输入层;深度神经网络的隐藏层中每一层的神经元通过激活函数处理上一层的输出;深度神经网络的输出层输出的是对不同治疗效果评估类别的预测概率;预测概率将用于医疗决策支持,帮助医疗团队评估治疗方案的效果以及根据患者对治疗的反应进行调整;
S2. 引入增量学习适应网络算法,通过动态适应学习网络模型对新的治疗数据和患者反馈进行调整和优化,并定义参数更新规则和可忘记机制,更新动态适应学习网络模型参数;参数更新规则公式定义如下:
;
其中,是更新后的动态适应学习网络模型参数,/>是学习率,/>是损失函数,/>代表损失函数关于参数的梯度,/>是新的治疗数据;/>是更新前的动态适应学习网络模型参数。
2.根据权利要求1所述的基于大数据的房颤患者抗凝治疗效果评估与优化方法,其特征在于,所述S2,具体包括:
在接收到新的治疗数据和患者反馈前,以动态适应学习网络模型参数的当前状态为基准;动态适应学习网络模型参数通过训练已调整至初步优化的状态。
3.根据权利要求1所述的基于大数据的房颤患者抗凝治疗效果评估与优化方法,其特征在于,所述S2,还包括:
引入可忘记机制,通过比较新数据和旧数据在当前动态适应学习网络模型参数下的损失,动态调整学习率;可忘记机制的公式为:
;
其中,是调节因子,用于调整学习率对损失差异敏感度的大小,/>代表之前的房颤患者抗凝治疗相关的综合数据集。
4.根据权利要求1所述的基于大数据的房颤患者抗凝治疗效果评估与优化方法,其特征在于,所述S2,还包括:
使用定义好的参数更新规则和可忘记机制,在线更新动态适应学习网络模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410272216.7A CN117877749B (zh) | 2024-03-11 | 2024-03-11 | 基于大数据的房颤患者抗凝治疗效果评估与优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410272216.7A CN117877749B (zh) | 2024-03-11 | 2024-03-11 | 基于大数据的房颤患者抗凝治疗效果评估与优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117877749A CN117877749A (zh) | 2024-04-12 |
CN117877749B true CN117877749B (zh) | 2024-05-28 |
Family
ID=90594971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410272216.7A Active CN117877749B (zh) | 2024-03-11 | 2024-03-11 | 基于大数据的房颤患者抗凝治疗效果评估与优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117877749B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899894A (zh) * | 2020-08-03 | 2020-11-06 | 东南大学 | 一种抑郁症患者预后药效评估系统及其评估方法 |
CN113963410A (zh) * | 2021-10-26 | 2022-01-21 | 南京邮电大学 | 一种基于改进遗传算法的人脸识别优化方法 |
CN115146936A (zh) * | 2022-06-22 | 2022-10-04 | 四川大学 | 梯级水光蓄互补调度模型求解的动态调整学习因子算法 |
KR20220159762A (ko) * | 2021-05-26 | 2022-12-05 | 인하대학교 산학협력단 | 유전 알고리즘을 이용한 인공 신경망 모델 구축방법 및 이를 이용한 변수 최적화 방법 |
CN115618540A (zh) * | 2022-11-07 | 2023-01-17 | 四川电力设计咨询有限责任公司 | 基于三层次动态变异率的风力发电机组优化布局方法 |
CN116646087A (zh) * | 2023-06-13 | 2023-08-25 | 成都市温江区人民医院 | 一种房颤患者心血管事件风险评估动态随诊系统 |
CN117116490A (zh) * | 2023-08-04 | 2023-11-24 | 杭州劲膳美健康管理有限公司 | 心血管病评估模型构建方法、膳食食疗及健康管理系统 |
CN117495052A (zh) * | 2023-12-19 | 2024-02-02 | 新疆大学 | 强化学习与遗传算法融合驱动的多农机多任务调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11461656B2 (en) * | 2017-03-15 | 2022-10-04 | Rakuten Group Inc. | Genetic programming for partial layers of a deep learning model |
-
2024
- 2024-03-11 CN CN202410272216.7A patent/CN117877749B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111899894A (zh) * | 2020-08-03 | 2020-11-06 | 东南大学 | 一种抑郁症患者预后药效评估系统及其评估方法 |
KR20220159762A (ko) * | 2021-05-26 | 2022-12-05 | 인하대학교 산학협력단 | 유전 알고리즘을 이용한 인공 신경망 모델 구축방법 및 이를 이용한 변수 최적화 방법 |
CN113963410A (zh) * | 2021-10-26 | 2022-01-21 | 南京邮电大学 | 一种基于改进遗传算法的人脸识别优化方法 |
CN115146936A (zh) * | 2022-06-22 | 2022-10-04 | 四川大学 | 梯级水光蓄互补调度模型求解的动态调整学习因子算法 |
CN115618540A (zh) * | 2022-11-07 | 2023-01-17 | 四川电力设计咨询有限责任公司 | 基于三层次动态变异率的风力发电机组优化布局方法 |
CN116646087A (zh) * | 2023-06-13 | 2023-08-25 | 成都市温江区人民医院 | 一种房颤患者心血管事件风险评估动态随诊系统 |
CN117116490A (zh) * | 2023-08-04 | 2023-11-24 | 杭州劲膳美健康管理有限公司 | 心血管病评估模型构建方法、膳食食疗及健康管理系统 |
CN117495052A (zh) * | 2023-12-19 | 2024-02-02 | 新疆大学 | 强化学习与遗传算法融合驱动的多农机多任务调度方法 |
Non-Patent Citations (1)
Title |
---|
基于改进遗传算法的AUV动态目标搜索算法;谢锋、姚尧、张晓霜;《指挥控制与仿真》;20230630;第45卷(第3期);第40至45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117877749A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902222B (zh) | 一种推荐方法及装置 | |
Zeng et al. | Fuzzy forecasting based on linear combinations of independent variables, subtractive clustering algorithm and artificial bee colony algorithm | |
Bacanin et al. | Artificial neural networks hidden unit and weight connection optimization by quasi-refection-based learning artificial bee colony algorithm | |
CN111105860A (zh) | 面向慢性病康复的精准运动大数据智能预测、分析及优化系统 | |
CN110705640A (zh) | 一种基于黏菌算法构建预测模型的方法 | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
Kumar et al. | Predicting Diabetes Using Machine Learning | |
Rajapakshe et al. | Deep reinforcement learning with pre-training for time-efficient training of automatic speech recognition | |
Szwarcman et al. | Quantum-inspired evolutionary algorithm applied to neural architecture search | |
CN117877749B (zh) | 基于大数据的房颤患者抗凝治疗效果评估与优化方法 | |
Ni et al. | Efficient off-policy reinforcement learning via brain-inspired computing | |
CN117808120A (zh) | 用于大语言模型的强化学习的方法和装置 | |
Nouei et al. | Developing a genetic fuzzy system for risk assessment of mortality after cardiac surgery | |
CN116779160A (zh) | 一种自适应认知障碍筛查系统 | |
CN115188474A (zh) | 一种基于神经网络的血糖浓度预测及高低血糖预警方法 | |
Jiang et al. | Continuously evolving dropout with multi-objective evolutionary optimisation | |
CN112115969B (zh) | 一种基于变异樽海鞘群算法优化fknn模型参数的方法及装置 | |
CN114757310A (zh) | 情感识别模型及其训练方法、装置、设备及可读存储介质 | |
CN113553778A (zh) | 模型的参数优化方法以及电子设备、计算机可读存储介质 | |
CN114613497A (zh) | 基于gbdt样例级的病患样本的智能医学辅助诊断方法 | |
CN113807005A (zh) | 基于改进fpa-dbn的轴承剩余寿命预测方法 | |
Hamian et al. | A novel learning approach in deep spiking neural networks with multi-objective optimization algorithms for automatic digit speech recognition | |
Zhang et al. | Clinical Intelligent Diagnosis and Treatment of Hemorrhagic Stroke Based on Random Forest and BP-Neural Networks | |
Li et al. | Proximal policy optimization with model-based methods | |
Xue et al. | Deep reinforcement learning based ontology meta-matching technique |
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 |