[发明专利]基于ODE和GRUD的急性病症发生几率的评估方法

说明书

本发明提出了一种基于ODE和GRUD的急性病症发生几率的评估方法，用于解决现有技术中存在的没有同时考虑时序数据的临床指标缺失和采样的时间间隔不均匀导致的评估准确性较低的技术问题。实现步骤为：获取多临床指标的时序数据集、时间戳序列集和急性病症标签集；获取信息衰减表征训练样本集、信息衰减表征验证集样本和信息衰减表征测试样本集；构建基于ODE和GRUD的门控递归单元网络；对基于ODE和GRUD的门控递归单元网络进行迭代训练；获取急性病症发生几率的评估结果。本方法能够兼顾时序数据的临床指标缺失和采样时间间隔不均匀的问题，将临床指标缺失的影响纳入隐藏态更新的过程，提升急性病症发生概率估计的准确性。

技术领域

本发明属于时序信号处理领域，涉及一种急性病症发生几率的评估方法，具体涉及一种基于ODE和GRUD的急性病症发生几率的评估方法，可用于对存在缺失值和采样时间间隔不均匀的多临床指标时序数据的分析处理。

背景技术

临床环境中，来自各个传感器的数据以及检查检验结果构成的时序数据对于患者的急性病症发生的几率的评估具有重要意义。目前，医护人员一般通过关注若干个重要的临床指标以及通过计算评分来对数据表示的状态进行评估，并判断是否出现某种急性病症。因为各类传感器和检查检验结果庞杂密集且具有一定的冗余性，很难从海量的数据中准确高效地分析出数据包含的状况以及出现各类急性病症的概率。此外，急性病症发生概率的判断需要相关从业人员的经验以及长时间的观察总结，这在一定程度上导致在判断是否出现某种异常状况具有一定的主观性。因此，需要一种客观准确的方法对海量且不均匀的医学时序数据进行分析处理，并估计发生急性病症的概率，从而提升估计的准确性。

近年来，深度学习在医学多临床指标时序数据处理领域表现良好。在自然语言处理、语音识别和天气预测到市场分析等任务中均有涉及。在这些任务中，被广泛应用的模型主要是循环神经网络(Recurrent Neural Network,RNN)及其变种，如门控递归单元(GatedRecurrent Units，GRU)和长短时记忆网络(Long Short-Term Memory，LSTM)等。这些模型专注于处理序列数据，对于时序数据的分析十分有效。目前已经有研究将这些模型应用于存在缺失值和时间间隔不均匀的时序数据处理，并取得了较好的效果。

例如，Che Z等人2018年在Scientific Reports卷8发表的论文Recurrent NeuralNetworks for Multivariate Time Series with Missing Values中，公开了一种能够对缺失值进行处理进而对病症发生几率进行估计的方法，该方法以GRU为基本模型，并考虑医学多临床指标时序数据中的缺失值问题，将模型的输入变量中加入各个特征的采样时间间隔并对其进行编码，从而能够处理不均匀采样或者存在缺失值的时序数据。又如，DeBrouwer E等人2019年在NeurIPS会议发表的论文GRU-ODE-Bayes:Continuous Modelingof Sporadically-Observed Time Series中，公开了一种能够对多变量时序数据两次采样时间间隔进程处理进而进行时序数据预测的方法，该方法同样以GRU为基本模型，考虑两次采样之间的时间间隔，计算GRU每次处理一个时刻数据后隐藏态变量关于时间变量的常微分方程(Ordinary Differential Equation,ODE)的值，并以其与时间间隔的乘积，作为为GRU隐藏态变量的更新量。

综上所述，现有技术中没有兼顾时序数据的临床指标缺失和采样的时间间隔不均匀两个特性，导致所提取的特征无法同时包含时序数据的临床指标缺失和时间间隔不均匀带来的影响，进而影响了评估的准确性。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于ODE和GRUD的急性病症发生几率的评估方法，用于解决现有技术中存在的因为没有同时考虑时序数据的临床指标缺失和采样的时间间隔不均匀导致的评估准确性较低的技术问题。

为实现上述目的，本发明所采用的技术方案包括如下步骤：