[发明专利]基于ODE和GRUD的急性病症发生几率的评估方法

权利要求书

1.一种基于ODE和GRUD的急性病症发生几率的评估方法，其特征在于，包括如下步骤：

(1)获取多临床指标的时序数据集S、时间戳序列集T和急性病症标签集L：

(1a)采集N_s个患者的17个临床指标，包括Glucose、Systolic blood pressure、Glascowcoma scale verbal response、Temperature、Weight、Diastolic blood pressure、Fraction inspired oxygen、Glascow coma scale total、Capillary refill rate、Meanblood pressure、Heart Rate、Oxygen saturation、pH、Height、Glascow coma scale eyeopening、Respiratory rate和Glascow coma scale motor response，每个临床指标至少被采集一次，每个患者共采集不少于N_r次，且每次采集的数据至少包括17个临床指标中的一个，即每次采集的数据中可能存在缺失的临床指标，并按照采集时间由前到后的顺序对每个患者采集的N_r次临床指标进行排序，得到包括N_s个患者的多临床指标的时序数据集同时按照每个患者每次采集临床指标由前到后的顺序记录采集的时间戳，得到时间戳序列集其中，N_s≥3000，N_r≥10，表示第n_s个患者的多临床指标时序数据，表示对应的时间戳序列；

(1b)对每个患者的多临床指标时序数据对应的肾衰竭、心肌梗塞、肺衰竭、肺炎、呼吸衰竭、败血症和休克7种急性病症进行标注，得到急性病症标签集其中，表示与对应的急性病症标签集合其中，表示第l个急性病症标签，表示该急性病症发生，表示该急性病症未发生；

(2)获取信息衰减表征训练样本集D_train、信息衰减表征验证集样本D_val和信息衰减表征测试样本集D_test：

(2a)对多临床指标的时序数据集S中所有多临床指标的时序数据的17个临床指标的最大值、最小值和平均值进行统计，得到临床指标最大值集合临床指标最小值集合和临床指标平均值集合并对S中的每个多临床指标时序数据中每次采集中的每个临床指标的值按照V^max中对应于该临床指标的最大值、V^min中对应于该临床指标的最小值和V^mean中对应于该临床指标的平均值进行归一化，得到归一化后的时序数据集其中，表示与第n_s个患者的多临床指标时序数据对应的归一化后的时序数据，和分别表示第n_c个临床指标的最大值、最小值和平均值；

(2b)将归一化后时序数据集S¹中每个归一化后的时序数据复制为和并将中每次采集的时序数据所缺失临床指标的位置填充0，同时将每次采集的时序数据中的临床指标的值修改为1，得到掩模序列集将中首次采集的各个临床指标的值设置为1，第二的到第N_r次每次采集的每一个临床指标的值填充为距离该临床指标上一次被采集的时间间隔，得到间隔序列集将中首次采集的所缺失临床指标的位置填充为该临床指标对应于V^mean中的该临床指标平均值，第二的到第N_r次每次采集的时序数据所缺失临床指标的位置填充该临床指标之前最近一次被采集的值，得到填充序列集其中和分别表示对应于的包括N_r个掩模向量的掩模序列、包括N_r个间隔向量的间隔序列和包括N_r个填充向量的填充序列；

(2c)将对应的掩模序列间隔序列填充序列和时间戳序列组合成输入序列得到输入序列集并将D中半数以上的输入序列作为信息衰减表征训练样本集D_train，将剩余的输入序列平分为信息衰减表征验证样本集D_val和信息衰减表征测试样本集D_test，其中表示对应的输入序列；

(3)构建基于ODE和GRUD的门控递归单元网络K：

构建包括顺次连接的衰减门控递归单元网络GRUD、常微分模块ODE和全连接层的门控递归单元网络K，其中GRUD包含顺次连接的并行排列的隐藏态衰减处理全连接层和输入衰减处理全连接层、并行排列的更新门计算单元和重置门计算单元，以及隐藏态计算单元，ODE包含顺次连接的常微分方程计算模块和隐藏态更新模块；

(4)对基于ODE和GRUD的门控递归单元网络K进行迭代训练：

(4a)初始化迭代次数为e，最大迭代次数为E，200≤E≤500，初始学习率为η＝0.0001，第e次迭代的学习率为η^e，提升停滞次数为C，最优平均绝对误差为BCE_best，初始化K的所有偏置参数均数值为0，初始化第e次迭代GRUD的初始隐藏态为符合正态分布，并令e＝1，C＝0，BCE_best＝9223372036854775807，η^e＝η；

(4b)将信息衰减表征训练样本集D_train作为基于ODE和GRUD的门控递归单元网络K的输入进行前向传播，实现步骤为：

(4b1)按照信息衰减表征训练样本包含的时间戳序列中时间戳由前到后的顺序选择第t个时间戳并以信息衰减表征训练样本中对应的掩模向量时间间隔向量填充向量和作为K中GRUD的输入，计算时间戳为t时衰减门控递归单元网络GRUD的中间隐藏态计算公式为：

其中，和分别表示GRUD中输入衰减处理全连接层的权重参数和偏置参数，和分别表示GRUD中隐藏态衰减处理全连接层的权重参数和偏置参数，W_g、U_g和F_g表示GRUD的重置门计算单元的权重参数，b_g表示GRUD的重置门计算单元的偏置参数，W_z、U_z和F_z表示GRUD的更新门计算单元的权重参数，b_z表示GRUD的更新门计算单元的偏置参数，W_q、U_q和F_q表示GRUD的隐藏态计算单元的权重参数，b_q表示GRUD的隐藏态计算单元的偏置参数，σ(·)表示sigmoid函数，tanh(·)表示tanh函数，⊙表示元素乘；

(4b2)常微分模块ODE的常微分方程计算模块判断时间戳是否为中最后一个时间戳，若是，执行步骤(4b3)，否则，执行步骤(4b4)；

(4b3)常微分模块ODE的常微分方程计算模块计算中间隐藏态的梯度隐藏态更新模块通过对进行更新，得到信息衰减表征训练样本对应的GRUD的最后隐藏态h^last，其中：

其中，Δt表示与之间的时间间隔，h^last表示信息衰减表征训练样本对应的GRUD的最终隐藏态；

(4b4)常微分模块ODE的常微分方程计算模块计算中间隐藏态的梯度隐藏态更新模块通过对进行更新，并执行步骤(4b1)，其中：

其中，当t＝1时Δt＝1，表示时间戳为时GRUD的更新前隐藏态；

(4c)将h^last作为基于ODE和GRUD的门控递归单元网络K的全连接层的输入进行编码，得到信息衰减表征训练样本对应的7种急性病症发生几率的评估结果

(4d)采用平均二值交叉熵函数计算信息衰减表征训练样本集D_train中所有信息衰减表征训练样本对应的7种急性病症发生几率的评估结果与其对应的急性病症标签的平均二值交熵值并以η^e为学习率，采用自适应学习率优化算法Adam，通过对基于ODE和GRUD的门控递归单元网络K的所有权重参数W和所有偏置参数b进行更新，得到第e次迭代的基于ODE和GRUD的门控递归单元网络K_e；

(4e)将验证集D_val中所有信息衰减表征验证样本和GRUD的初始隐藏态作为K_e的输入进行前向传播，以K_e包含的GRUD计算GRUD的中间隐藏态以ODE计算GRUD的中间隐藏态的梯度并对GRUD的初始隐藏态进行更新得到GRUD的最终隐藏态，并将GRUD的最终隐藏态作为K_e中全连接层的输入进行编码，得到D_val中所有信息衰减表征验证样本对应的7种急性病症发生几率的评估结果并计算中每个信息衰减表征验证样本对应的7种急性病症发生几率的评估结果与其对应的7种急性病症发生几率的标签的平均二值交叉熵值的平均值BCE_val；

(4f)判断BCE_val＜BCE_best是否成立，若是，令BCE_best＝BCE_m，C＝0，并执行步骤(4g)，否则令C＝C+1，并执行步骤(4g)；

(4g)判断e＝E或者C＝3是否成立，若是，得到训练好的基于ODE和GRUD的门控递归单元网络K_best，否则令e＝e+1，并执行步骤(4b)；

(5)获取急性病症发生几率的评估结果：

将信息衰减表征测试样本集D_test中每个信息衰减表征测试样本和GRUD的初始隐藏态作为作为训练好的基于ODE和GRUD的门控递归单元网络K_best的输入进行前向传播，以K_best包含的GRUD计算GRUD的中间隐藏态以ODE计算中间隐藏态的梯度并对初始隐藏态进行更新得到最终隐藏态h^last，并将h^last作为K_best中全连接层的输入进行编码得到D_test中所有输入序列对应的7种急性病症发生几率的评估结果