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：中国科学院电工研究所

摘要：本发明公开了一种术前快速预测椎体成形术后疼痛改善指数的机器学习方法，属于医学信息学、生物统计学和疼痛管理领域。所述方法包括，收集患者的临床资料数据作为训练样本，对训练样本的数值进行规范化处理，选择一类支持向量机为异常监测模型，确定径向基函数RBF为核函数，采用树型社会关系优化算法TSR优化径向基函数中的核参数，利用患者的临床资料数据训练一类支持向量机模型，利用训练好的一类支持向量机模型对患者术后的疼痛改善情况进行预测，根据预测结果调整治疗方案。所述方法能够在PVP术前快速预测病人术后疼痛改善情况，为制定术中用药方案及术后镇痛方案提供可靠依据，具有广阔的实施与转让市场前景。

主权项：1.术前快速预测椎体成形术后疼痛改善指数的机器学习方法，其特征在于，包括以下步骤：步骤1：收集临床数据，所述临床数据包括患者性别、年龄、受伤部位的数量、受伤时间、入院疼痛指数、住院天数；步骤2：对临床数据进行预处理，检查并处理缺失值、异常值，将非数值型特征转换为数值型特征，对数值型特征进行规范化处理；步骤3：选择一类支持向量机模型为异常监测模型，确定径向基函数RBF为核函数，通过优化方法计算核参数；步骤4：利用预处理后的临床数据作为训练样本，训练一类支持向量机模型；步骤5：利用训练好的一类支持向量机模型对患者术后的疼痛改善情况进行预测；步骤6：根据预测结果调整治疗方案；其中，所述步骤3包括：一类支持向量机模型的最优化问题描述为： （1）式中，表示变量是的函数最小值；表示超平面的法向量；表示超平面的偏移量；表示矩阵的转置；表示训练样本最大错误分类率；为训练样本的个数；为从1到的整数变量；为松弛变量；为约束条件；表示将原始数据投射到高维特征空间的非线性映射；表示第i个样本元素，也称为支持向量；对公式（1）引入第一，第二拉格朗日乘子，为： （2）式中，表示引入拉格朗日乘子后优化的目标函数；分别为与第i个样本对应的第一，第二拉格朗日乘子，松弛变量；根据KKT条件，得出： （3）将式（3）代入式（2）得： （4）将式（4）代入式（2）得初等优化问题的对偶形式： （5）其中，；表示由训练样本计算得到的核矩阵，，表示核函数；下标和表示核矩阵元素的索引；为从1到的整数变量；通过求解上述对偶问题，得到拉格朗日乘子，计算法向量，获得最优分类间隔的超平面；采用径向基核函数RBF作为非线性映射函数， （6）其中，exp表示指数函数；为高斯核带宽；表示二范数，表示第j个样本元素；决策函数f表示为： （7）其中，表示样本元素；sign表示符号函数；表示支持向量的指数；为支持向量；通过以下公式求解： （8）其中，第i个训练样本的拉格朗日乘子不为0，对于所有训练样本，当时，表示术后患者疼痛状态为轻度疼痛；当时，表示术后患者疼痛状态为中度或者重度疼痛。

全文数据：

权利要求：

百度查询： 中国科学院电工研究所 术前快速预测椎体成形术后疼痛改善指数的机器学习方法