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：复旦大学

摘要：本发明公开了一种基于图神经网络与深度学习的失能老人照护方案推荐方法，采用护理需求调查表采集多位失能老人特征信息，确定照护项目标签，作为深度学习模型的训练数据；以老人和特征作为本体构建二部图结构图数据集，构建神经网络模型并基于二部图结构图数据集对该模型进行训练，得到照护方案推荐模型；将已填好的护理需求调查表数据作为预先训练好的深度学习模型的输入信息，预测得到该失能老人的照护方案。该方法以二部图的方式建模失能老人照护数据，充分保留原始数据中的样本特征及关系信息，适用于复杂而个性化的照护推荐任务，提高照护推荐模型预测时对样本全局信息的提取能力。

主权项：1.一种基于图神经网络与深度学习的失能老人照护方案推荐方法，其特征在于包括：采用护理需求调查表采集多位失能老人特征信息，确定照护项目标签，作为深度学习模型的训练数据；以老人和特征作为本体构建二部图结构图数据集，构建神经网络模型并基于二部图结构图数据集对该模型进行训练，得到照护方案推荐模型；将已填好的护理需求调查表数据作为预先训练好的深度学习模型的输入信息，预测得到该失能老人的照护方案；构建二部图结构图数据集时：节点及关系抽取：对于照护数据，每一条案例样本视为一个失能老人节点vu∈Vu，照护数据中出现的所有信息项目、如问卷项目视为不同的“特征”节点vs∈Vs，当案例中的失能老人有某个特征时，则建立该失能老人节点和对应症状节点的连边，即对每一个患者与症状交互的二元组vu,vs，都存在边evu,vs∈E，则图结构照护数据可用图G＝V,E来表示，其中V＝Vu∪Vs失能老人节点的节点初始嵌入矩阵为照护需求问卷结果多热编码矩阵特征节点初始嵌入矩阵为照护需求问卷独热编码其中m为案例数量，n为问卷问题数量，二部图的边权重设置为1；基于二部图结构图数据集对神经网络模型进行训练时采用如下方式：设置神经网络模型的随机失活参数、学习率参数以及迭代次数；对二部图图卷积滤波、生成图信号滤波阈值、对图信号软阈值进行滤波、对多标签结果进行二元交叉熵损失计算、最后反向传播并更新网络模型参数；对二部图图卷积滤波方式为：通过图数据集上的消息传递进行图节点特征更新，具体公式为： 其中，其中分别为目标节点i在第k层的图卷积滤波结果和最终滤波结果，Agg为节点聚合函数；基于图节点特征生成图信号滤波阈值，采用模型子网络生成图信号滤波阈值，子网络可用公式表达为： 其中，Γ＝[γ1,γ2,...,γm]为最终生成的图信号滤波阈值，MLP·为全连接网络，α为用于阈值生成的缩放系数，GAP为全局平均池化操作；所述对图信号软阈值进行滤波具体公式为： 其中分别为节点i在第k+1层的最终滤波结果、第k层的图卷积滤波结果，γi为第i个图信号滤波阈值，σ·为非线性激活函数ReLU；所述交叉熵损失函数的表达式为： 其中，N为样本数量，yn为样本标签，pn为模型输出；判断损失函数是否已有M轮不再下降，如果否，重复上述过程，反之，则获得最佳的照护方案推荐模型。

全文数据：

权利要求：

百度查询： 复旦大学 基于图神经网络与深度学习的失能老人照护方案推荐方法