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：中国科学院重庆绿色智能技术研究院

摘要：本发明为基于监测数据的脓毒症可解释性预警方法，属于医疗大数据领域。由基于监测数据的脓毒症可解释性模型实现；所述的基于监测数据的脓毒症可解释性模型由一个Actor‑Critic框架的强化学习网络并联一个基准模型构成。该方法步骤为：S1：统计静态特征和时间序列数据构建历史数据集；S2：建立Actor‑Critic框架的强化学习网络并训练；S3：建立基准模型并训练；S4：建立联合损失函数并优化；S5：预测出患者脓毒症的风险数值；S6：进行分类预警；S7：对预警进行可视化和可解释性分析。本发明方法模型具有很好的泛化能力、可解释性和预测精度，能够高效的协助医务工作者实现对患者脓毒症的及时、准确的预警，减少手术风险发生。

主权项：1.基于监测数据的脓毒症可解释性预警方法，其特征在于，由基于监测数据的脓毒症可解释性模型实现；所述的基于监测数据的脓毒症可解释性模型由一个Actor-Critic框架的强化学习网络并联一个基准模型构成；所述的Actor-Critic框架的强化学习网络由一个Actor网络和一个Critic网络串联构成；所述的Actor网络由一个卷积神经网络1CNN-1串联一个随机采样器构成，所述的卷积神经网络1用于生成采样概率，所述的随机采样器按照生成采样概率对特征进行提取；所述的Critic网络为一个卷积神经网络2CNN-2，用于利用提取的特征预测脓毒症的结果；所述的基准模型由一个时间卷积网络TCN和全连接层网络并联构成；所述的Actor网络和基准模型的输入端相连为数据；所述的Actor网络中CNN-1的输出端与全连接层网络的输入端相连；所述的Actor-Critic框架的强化学习网络的损失函数与基准模型的损失函数在输出端相连，共同作用对CNN1进行参数的调整；该方法包含以下步骤：S1：统计不同患者的静态特征和监测装置监测患者获取生命体征的时间序列数据{xt|t＝1,…,T}构建历史数据集；S2：建立Actor-Critic框架的强化学习网络，并利用历史数据集数据进行训练，优化网络参数；S3：建立基准模型，利用希尔伯特-施密特独立性准则和交叉熵建立基准模型的损失函数，利用历史数据集数据进行训练；S4：结合Actor-Critic框架的强化学习网络的损失函数与基准模型的损失函数建立联合损失函数，利用历史数据集进行训练，对Actor-Critic框架的强化学习网络的Actor网络参数进行优化；S5：根据患者的静态特征以及监测装置实时监测患者获取生命体征的时间序列数据，利用步骤S4优化后的Actor-Critic框架的强化学习网络，预测出时间段患者脓毒症的风险数值；S6：利用分类器对时间段内的患者脓毒症的风险数值进行分类预警；S7：对于患者脓毒症的预警利用集成梯度算法进行可视化和可解释性分析；其中，xi,t为t时刻第i个监测数据的值，1≤i≤d；T为监测末时刻；s、d为正整数维度；步骤S2所述的Actor-Critic框架的强化学习网络的工作过程为：S201：利用统计学方法计算时间序列数据的在每一时刻的统计学特征，并将静态特征与该时刻的统计学特征进行concat连接，作为Actor-Critic框架的强化学习网络的输入特征；S202：CNN1根据输入特征生成一个d+s维的概率向量；S203：随机采样器按照概率向量从输入特征中随机选择部分特征作为CNN2的输入，输出患者脓毒症的预测概率p1∈[0,1]；S204：结合人工标记的时间序列数据的脓毒症标签为0或1，利用交叉熵建立患者脓毒症的概率p1与脓毒症标签的损失函数Lcriticp1,label；S205：利用Lcriticp1,label，结合人工标记的时间序列数据对Critic网络的参数进行优化；其中，所述的统计学特征包含：均值和方差{Dxt|t＝1,…,T}；其中， 步骤S3所述的基准模型的工作过程为：S301：利用统计学方法计算时间序列数据的在每一时刻的统计学特征；S302：利用时间卷积网络提取时间序列数据每一时刻的时间特征S303：将统计学特征、时间特征和静态特征输入到全连接层，输出得到患者脓毒症的概率p2∈[0,1]；S304：结合人工标记的时间序列数据的脓毒症标签为0或1，利用交叉熵建立患者脓毒症的概率p2与脓毒症标签的损失函数Lcrossp2,label；S305：利用希尔伯特-施密特独立性准则Hilbert-SchmidtIndependentCriterion，简称HSIC对统计学特征、时间特征进行分析，得到HSIC的损失函数LHISC；S306：计算出基准模型的损失函数Lbase＝Lcrossp2,label+LHISC，并结合人工标记的时间序列数据对基准模型的TCN和全连接层参数进行优化；步骤S305所述的HSIC用于衡量统计学特征x和时间特征y的分布差异，其损失函数： 其中：互协方差算子μx＝Exφx， 为张量积，φx、为给定的x、y的非线性映射，Ex、Ey为关于x、y的均值算子；Exy为关于x、y联合分布的期望算子；对于任意的矩阵A＝[ai,j]，有步骤S7具体为：首先，使用集成梯度算法，通过梯度可视化来可视化患者的静态特征以及监测装置监测患者获取生命体征的时间序列数据的属性特征；然后，通过分析输入数据单一特征对患者脓毒症的风险数值的贡献度，来解释模型的预测结果。

全文数据：

权利要求：

百度查询： 中国科学院重庆绿色智能技术研究院 基于监测数据的脓毒症可解释性预警方法