[发明专利]建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及系统

说明书

本发明公开了一种建立自闭症儿童康复效果预测模型的方法，所述模型包括多棵代表不同特征分类的弱决策树；所述样本根据其特征在每棵弱决策树上对应一个节点；所述节点对应着该棵决策树上的分数；所述样本在所有决策树上的分数加和即为该样本的特征值。所述建立方法包含以下步骤：步骤a：获取自闭症儿童的基本信息；步骤b：获取自闭症儿童中残联47项指标的评估结果；步骤c：将获取的上述基本信息和评估结果信息矢量化为特征值；步骤d：依据上述特征值进行机器学习，得到上述各项特征对于自闭症儿童康复效果的权重值，完成模型建立。本发明还公开了一种预测自闭症儿童康复效果的方法及系统。

技术领域

本发明属于人工智能技术领域，具体涉及一种建立自闭症儿童康复预测模型的方法以及基于该模型方法的系统。

背景技术

症状分析是自闭症儿童康复活动中的重要一环。目前，自闭症儿童的康复环节中，症状分析都是由康复师根据特征表现，以以往具有相似表现的症状分析为基础，生成新的症状分析反馈给自闭症儿童。

自闭症儿童的基数极为庞大，而有经验的康复师的数量相较之下则少之又少，如何将经验丰富的康复师对儿童通过经验进行的康复趋势的判断转化为科学可复现的预测模型，是一个重要的问题。经验不足的康复师们可能无法对自闭症儿童做出最有效的康复趋势判断，通过机器学习将康复师的经验转化为预测模型，可以大大提高经验尚浅的康复师对自闭症儿童康复趋势的判断，从而提高对自闭症儿童康复的成效。

发明内容

本发明为了克服现有技术的缺陷，提出了一种建立自闭症儿童康复效果预测模型的方法，所述方法包含以下步骤：

步骤a：获取自闭症儿童的基本信息；

步骤b：获取自闭症儿童中残联47项指标的评估结果；

步骤c：将获取的上述基本信息和评估结果信息矢量化为特征值；

步骤d：依据上述特征进行机器学习建立模型，得到上述各项特征对于自闭症儿童康复效果的权重值，完成模型建立。

本发明采用XGBoost作为机器学习算法。所述XGBoost算法将输入的m个特征值转化为K棵树，所述模型即为每棵树的计算结果的和，其函数如下：

所述模型中有K棵树，

为第K棵树所对应的模型；

f_K为第K棵树对应函数；

x_i为第K棵树的输入数据；

Obj为该树的最终模型；

为模型训练损失函数；

Ω(f_K)为树的复杂程度。

为了让每棵树的输出结果都使模型最为准确，即，f(t)为每轮预测中最重要的，其函数如下所示：

为第i棵树的模型；

为第t棵树的模型；

则每轮预测中，都要尽量减小残差，残差的算法如下所示：

第t棵树对应模型中需要找到合适的f_t使得最终模型结果中常数以外的部分最小；

考虑方差后得：

为经上一棵树计算后所得的余数；

最后得到符合上述函数的模型，并得到各项特征值的权重值。