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！

摘要：本发明提供了一种基于多源异构数据的阿尔茨海默症可解释、个体可视化及群体可视化方法，属于可解释性人工智能技术领域。首先使用其他时空点上的脑子块数据训练出卷积神经网络；冻结该卷积神经网络的权重和结构；将当前场景的少量脑子块数据送入已冻结权重和结构的卷积神经网络，使用三维图像解释模块分别定量得到大脑子块预测结果为认知正常和阿尔兹海默症时各像素的风险值，按风险值大小倒序排列；分别选取认知正常类和阿尔兹海默症类的像素的风险值，与预测者的表格型数据拼接成一行数据作为一个样本送入堆叠模型进行训练和测试。本发明采用基于特征的迁移学习结构，能够同时处理多源异构样本数据的预测和解释。

主权项：1.一种基于多源异构数据的阿尔茨海默症可解释方法，其特征在于，包括：基于大脑子块建立并训练卷积神经网络模型，挖掘用于区分认知正常类和阿尔兹海默症类的高特异性语义，冻结已训练出的卷积神经网络模型的结构和权重，封存已学习到的能区分认知正常类和阿尔兹海默症类的通用知识，保证通用知识不改变；将当前场景的大脑子块数据送入已冻结权重和结构的卷积神经网络，进行前向计算，获得相应的通用知识；使用三维图像解释模块分别定量得到大脑子块预测结果为认知正常和阿尔兹海默症时各像素的风险值；将风险值按大小倒序排列，分别取当前场景的大脑子块数据预测结果为认知正常类和阿尔兹海默症类的前个高风险值以及预测者当前的表格型数据作为样本特征送入堆叠模型，并训练该堆叠模型；采集求测者的大脑子块数据并将其送入已训练的卷积神经网络，量化出基于三维图像的群体和个体的体像素贡献值，采集求测者的表格型数据以及卷积神经网络得到的高风险特征送入堆叠模型，量化出基于表格型数据的个体和群体的特征贡献值；表格型数据包括年龄、教育水平、社会经济地位、简易精神状态检查、临床痴呆评定分数、脑总容量以及白质体积；堆叠模型分三层，第一层为4个学习器，第二层为3个学习器，第三层为1个学习器；其中，第一层学习器1和学习器2的预测结果作为学习器5的输入，学习器2和学习器3的预测结果作为学习器6的输入，学习器3和学习器4的预测结果作为学习器7的输入；第二层学习器5、学习器6和学习器7的预测结果作为学习器8的输入；学习器8的预测结果为堆叠模型最后的预测结果；所述学习器1为lightGNM算法，学习器2为AdaBoosting算法，学习器3为随机森林算法，学习器4为XGBoost算法，学习器5为NaiveBayes算法，学习器6为决策树算法，学习器7为KNN算法，学习器8为逻辑回归算法；堆叠模型使用KernelSHAP算法量化出个体和群体的重要性。

全文数据：

权利要求：

百度查询： 山东未来网络研究院(紫金山实验室工业互联网创新应用基地) 一种基于多源异构数据的阿尔茨海默症可解释、个体可视化及群体可视化方法