买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海中医药大学附属曙光医院;陕西中科通大生命科学技术有限公司

摘要：本发明公开了一种基于标记数据的创伤性脑损伤预测方法、装置及设备，属于大数据处理技术领域，通过构建第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型，以深度分析大数据中的时间特征以及空间特征，实现大数据的准确分类，从而实现标记数据的准确分类，实现更优秀的数据处理效果，使工作人员能够更好的挖掘大数据中的数据特征；其次，提出了一种模型训练方法，相比与现有的梯度下降法，具有更好的训练效果以及更快的训练速度，从而能够实现更好的大数据特征提取效果，最终实现数据特征的准确分析。

主权项：1.一种基于标记数据的创伤性脑损伤预测方法，其特征在于，包括：获取历史标记数据以及对应的创伤性脑损伤类别，所述历史标记数据以及对应的创伤性脑损伤类别均为存储于数据库中的数据，标记数据表示固定时间窗内的血液标记物序列；对所述历史标记数据进行预处理，获取预处理之后的历史标记数据，并以预处理后的历史标记数据以及对应的创伤性脑损伤类别构建训练数据；构建第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型，并采用训练数据对第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型联合训练，获取训练完成的第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型；获取当前标记数据，并采用第一数据特征提取模型提取当前标记数据中的第一数据特征，采用第二数据特征提取模型提取当前标记数据中的第二数据特征，采用第三特征提取模型对第一数据特征与第二数据特征进行融合，以获取融合数据特征；采用第三特征提取模型对融合数据特征进行识别，以获取基于标记数据的创伤性脑损伤预测结果；对所述历史标记数据进行预处理，获取预处理之后的历史标记数据，并以预处理后的历史标记数据以及对应的创伤性脑损伤类别构建训练数据，包括：获取预设的血液标记物的上限以及下限，并确定不在上限与下限之间的异常数据；针对历史标记数据，确定数值为零或者缺失的数据，得到缺失数据；针对缺失数据以及异常数据，采用前后相邻的有效数据的平均值进行修正，以获取预处理之后的历史标记数据；所述有效数据表示除了异常数据以及缺失数据之外的其他数据；以预处理后的历史标记数据作为数据源，以预处理后的历史标记数据对应的创伤性脑损伤类别作为数据标签，构建训练数据；构建第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型，包括：构建顺次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层以及第二全连接层，以获取第一数据特征提取模型；构建循环神经网络，并将循环神经网络作为第二数据特征提取模型；构建顺次连接的数据融合层、输入层、隐含层以及输出层，以获取第三特征提取模型；采用训练数据对第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型联合训练，获取训练完成的第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型，包括：初始化第一数据特征提取模型的超参数、第二数据特征提取模型的超参数以及第三特征提取模型的超参数，以获取联合超参数序列，并重复获取多个不同的联合超参数序列，所述联合超参数序列中第一数据特征提取模型的超参数、第二数据特征提取模型的超参数以及第三特征提取模型的超参数依次排列；以训练数据中的预处理后的历史标记数据分别作为第一数据特征提取模型的输入数据以及第二数据特征提取模型的输入数据，分别获取第一数据特征以及第二数据特征；并将第一数据特征以及第二数据特征输入第三特征提取模型中，以获取第三特征提出模型输出的历史标记数据所对应的实际输出；根据历史标记数据对应的实际输出以及对应的数据标签，获取联合超参数序列在联合训练中的损失函数值；在每次训练过程中，获取损失函数值之后确定每个联合超参数序列对应的历史最优值以及所有联合超参数序列中的全局最优值；根据每个联合超参数序列对应的历史最优值以及所有联合超参数序列中的全局最优值，采用变速搜索以及综合影响更新的方式，对联合超参数序列进行更新，获取更新后的联合超参数序列；以更新后的联合超参数序列为基础，重新确定每个联合超参数序列对应的历史最优值以及所有联合超参数序列中的全局最优值，并从非全局最优值的联合超参数序列中随机确定一个全局搜索序列；采用全局最优值作为参照，引导全局搜索序列在解空间中进行全局搜索，获取全局搜索之后的全局搜索序列；针对重新获取的全局最优值，采用全局搜索之后的全局搜索序列与全局最优值之间的距离作为关键参数，以关键参数对全局最优值进行二次更新，获取二次更新后的全局最优值；重新获取更新后的联合超参数序列、全局搜索之后的全局搜索序列以及二次更新后的全局最优值的误差函数值，按照预先设定的数量取出多个误差函数值最大的序列，得到多个目标超参数序列，并对目标超参数序列进行变异处理，获取变异后的目标超参数序列，从而完成当前训练过程中联合超参数序列的更新；获取所有联合超参数序列对应的误差函数值，并确定出最小的误差函数值，判断该最小的误差函数值是否小于预设阈值，若是，则输出最小的误差函数值对应的联合超参数序列，得到第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型的超参数，完成训练，否则进入训练次数的判断步骤；判断当前训练次数是否大于最大训练次数，若是，则输出最小的误差函数值对应的联合超参数序列，得到第一数据特征提取模型、第二数据特征提取模型以及第三特征提取模型的超参数，完成训练，否则进入下一次训练过程；根据每个联合超参数序列对应的历史最优值以及所有联合超参数序列中的全局最优值，采用变速搜索以及综合影响更新的方式，对联合超参数序列进行更新，获取更新后的联合超参数序列，包括：根据每个联合超参数序列对应的历史最优值以及所有联合超参数序列中的全局最优值，采用变速搜索以及综合影响更新的方式，搜索联合超参数序列的增量为： 其中，表示第t次训练过程中第i个联合超参数序列中第j维超参数，i＝1,2,...,I，I表示联合超参数序列总数，j＝1,2,...,J，J表示联合超参数序列中超参数总数，表示对应的更新量，表示的增量，ωt表示第t次训练过程中的惯性权重，表示第t次训练过程中的第一学习因子，表示第t次训练过程中的第二学习因子，R1表示0,1之间的第一随机数，R2表示0,1之间的第二随机数，表示第i个联合超参数序列对应的历史最优值中第j维超参数，表示所有联合超参数序列中的全局最优值中第j维超参数；获取原来联合超参数序列对应的误差函数值以及其增量对应的误差函数值，并判断原来联合超参数序列对应的误差函数值是否大于其增量对应的误差函数值，若是，则以预设概率接受该更新，得到更新后的联合超参数序列，否则直接接受该更新，得到更新后的联合超参数序列；第t+1次训练过程中的惯性权重ωt为： 其中，ωmax表示惯性权重的终值，ωmin表示惯性权重的起始值，T表示最大训练次数，zt表示中间参数；zt-1表示上一次训练过程中的中间参数，且z0为0,1之间的常数；μ表示第一影响因子，且μ为0,4之间的常数；第t次训练过程中的第一学习因子为： 其中，表示第一学习因子的起始值，表示第一学习因子的终值；第t次训练过程中的第二学习因子为： 其中，表示第一学习因子的起始值，表示第一学习因子的终值；采用全局最优值作为参照，引导全局搜索序列在解空间中进行全局搜索，获取全局搜索之后的全局搜索序列为： ξ＝step-step*tT其中，表示第t次训练过程中全局搜索序列中第j维超参数，表示当前全局最优值中第j维超参数，ξ表示中间参数，表示全局搜索序列的更新量，表示全局搜索之后的step表示搜索步长；针对重新获取的全局最优值，采用全局搜索之后的全局搜索序列与全局最优值之间的距离作为关键参数，以关键参数对全局最优值进行二次更新，获取二次更新后的全局最优值，包括：获取全局搜索之后的全局搜索序列与全局最优值之间的距离为： 其中，d表示距离，sqrt表示返回一个数的正平方根函数；根据全局搜索之后的全局搜索序列与全局最优值之间的距离，确定第二影响因子为：σ＝ae-λd其中，σ表示第二影响因子，a表示以预设初始值线性减小的系数，e表示自然常数，λ表示常数项；针对重新获取的全局最优值，采用全局搜索之后的全局搜索序列与全局最优值之间的距离作为关键参数，以关键参数对全局最优值进行二次更新为： 其中，表示重新获取的全局最优值，表示重新获取的全局最优值所对应的增量，表示更新后的ω'表示权重因子，表示重新获取的全局最优值在上一次训练过程中的增量，c1表示第一更新系数，c2表示第二更新系数，R3表示0,1之间的第三随机数，R4表示0,1之间的第四随机数，表示对应的历史最优值。

全文数据：

权利要求：

百度查询： 上海中医药大学附属曙光医院 陕西中科通大生命科学技术有限公司 一种基于标记数据的创伤性脑损伤预测方法、装置及设备