申请/专利权人：西安交通大学医学院第一附属医院

申请日：2024-03-11

公开（公告）日：2024-05-28

公开（公告）号：CN117877749B

主分类号：G16H50/70

分类号：G16H50/70;G06N3/086;G06N3/092;G16H70/40

优先权：

专利状态码：有效-授权

法律状态：2024.05.28#授权;2024.04.30#实质审查的生效;2024.04.12#公开

摘要：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。

主权项：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。

全文数据：

权利要求：

百度查询： 西安交通大学医学院第一附属医院 基于大数据的房颤患者抗凝治疗效果评估与优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD