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：南京大学;南京鼓楼医院

摘要：本发明公开了一种基于深度学习的促排卵结果预测方法和装置，在训练阶段：输入促排卵治疗数据集并选取批次数据，对时间戳进行时间向量化，基于变量间独立的注意力得到转化后数据，通过时序分块得到规范化时序块；基于时序块可分离卷积网络对时序块进行处理，将池化和展平后的结果通过预测层得到预测结果；使用均方误差计算损失，训练模型并判断训练是否结束。在部署阶段，加载训练好的模型，并基于变量间独立的时序块构建方法和时序块可分离卷积方法得到患者时序隐层表示，通过预测层得到促排卵预测结果。本发明能够有效利用治疗数据中不规则、多元和复杂的信息，改进了临床中对于促排卵治疗数据的处理方式，提升了取卵数目预测的准确水平。

主权项：1.一种基于深度学习的促排卵结果预测方法，其特征在于，包括促排卵结果预测网络训练阶段步骤，促排卵结果预测网络部署阶段步骤；促排卵结果预测网络训练阶段的具体步骤为：步骤101、输入数据集数据：所述数据集数据包括多元促排卵治疗数据和对应的标签，每个多元促排卵治疗数据s来源于同一个患者在控制性超促排卵过程中的检测时序信息和用药时序信息，多元促排卵治疗数据S是由K个时间序列数据sk构成的多维数据，每个时间序列数据包括对应的数据时间戳tk,i和数据值xk,i，标签y对应于患者的取卵数结果；步骤102、选取当前批次数据，包括多元促排卵治疗数据和对应的标签：从所述训练数据集中按照批次大小随机采样16组患者的多元促排卵治疗数据S和对应的标签y，将其中的每个时间序列数据sk以列表的格式表示，列表包括时间戳列表和数据值列表；步骤103、对时间戳进行向量化表示：输入一组预先设置的均匀分布的参考时间戳列表τ；将所述参考时间戳列表τ中的τn和步骤102获得的时间戳列表中的各个数据时间戳tk,i分别转化为向量形式，即参考时间戳向量oτn和数据时间戳向量otk,i；进一步计算对应的查询向量oτnWq和键向量otk,iWk；步骤104、进行注意力计算，得到转化后的多元数据序列：根据步骤103得到的查询向量oτnWq和键向量otk,iWk，计算对应的注意力权重ψτn,tk,i；根据计算得到的注意力权重ψτn,tk,i和步骤102得到的数据值列表中的各个数据值xk,i，计算参考时间戳τn对应的转换后的数据值将对应的每个时间序列数据sk转化为规范化的且时间戳相同的形式s′k；步骤105、对时序数据进行时序分块表示：使用一维卷积层，将步骤104计算得到的参考时间戳τn对应的转换后数据值从数据值形式提升为数据块形式，表示为数据块按照步骤102的多元促排卵治疗数据的输入次序，组合得到的所有数据块得到多元时序块步骤106、通过时序块可分离卷积网络对时序块进行处理：时序块可分离卷积网络包括多个时序块可分离卷积模块，第一个时序块可分离卷积模块的输入数据为步骤105输出的多元时序块上一个时序块可分离卷积模块的输出结果作为下一个时序块可分离卷积模块的输入；步骤107、将最后一个时序块可分离卷积模块的输出结果池化并展平，得到患者时序隐层表示H，将隐层表示H输入预测层进行预测，得到预测结果步骤108、使用均方误差作为损失函数，计算训练损失，进行网络参数更新；步骤109、判断当前迭代次数是否达到训练的最大迭代次数，若未达到，则返回步骤102，若达到最大迭代次数，则训练结束，进入步骤110；步骤110、训练结束，保存训练好的促排卵结果预测网络模型；促排卵结果预测网络部署阶段的具体步骤为：步骤201、加载训练好的促排卵结果预测网络模型，并输入患者所对应的多元促排卵治疗数据S；步骤202、通过变量间独立的时序块构建网络对所述多元促排卵治疗数据S进行处理，来获取规范化的时序块步骤203、通过时序块可分离卷积网络对所述时序块进行处理，并将处理结果池化并展平，得到患者时序隐层表示H；步骤204、通过预测层处理时序隐层表示H，得到对最终取卵数的预测结果

全文数据：

权利要求：

百度查询： 南京大学 南京鼓楼医院 一种基于深度学习的促排卵结果预测方法和装置