[发明专利]基于强化学习的稠密迭代特征腹腔内压预测系统

权利要求书

1.一种基于强化学习的稠密迭代特征腹腔内压预测系统，其特征在于：包括：

数据采集及处理模块：用于获取患者基本数据和临床数据，并进行预处理，制作成样本和数据集；

数据输入模块：用于将预处理后的样本送入稠密迭代增强模型，经过若干特征提取单元迭代增强，获得经过增强的特征；

预测模块：用于将增强特征进行GAP和flatten后，送入全连接层，获取预测结果；

模型训练模块：根据真实值和预测结果计算损失，使用动态调整学习率机制，使用weight decay和momentum机制，更新模型参数，使用完全的端到端方式训练网络。

2.根据权利要求1所述的基于强化学习的稠密迭代特征腹腔内压预测系统，其特征在于：所述数据采集及处理模块从临床符合标准的患者获取实测数据，包括基本数据和临床数据，所述基本数据包括性别、年龄、BMI、入住ICU原因；所述临床数据包括ISS评分、入ICU第1天的APACHE II评分、SOFA评分、脓毒症、降钙素原、乳酸、C反应蛋白、腹壁紧张度。

3.根据权利要求1所述的基于强化学习的稠密迭代特征腹腔内压预测系统，其特征在于：所述数据采集及处理模块对数据集进行归一化处理，初步过滤异常数据，将数据转换为可处理格式文件，形成样本，并将样本划分为训练集和测试集，将患者真实的腹腔内压指标作为标签l。

4.根据权利要求1所述的基于强化学习的稠密迭代特征腹腔内压预测系统，其特征在于：通过所述数据输入模块将样本送入稠密迭代增强模型，进行特征提取，所述稠密迭代增强模型由若干特征提取单元构成，且特征单元间采用稠密连接的方式组合在一起；所述特征提取单元由特征提取网络和迭代增强模块构成，其中第一个特征提取单元不包含迭代增强模块；稠密连接将单个特征提取单元与其前后特征提取单元以马尔科夫链和多级残差连接的组合方式进行拼接，其中，对于第n个特征提取单元，n≠1，在稠密连接结构下使用Iⁿ表示迭代增强模块，从而获得增强的输出特征如下式所示：

其中，zⁿ表示第n个特征提取单元的输入特征，表示第1至n-1个特征提取单元输出的增强特征；具体包括以下步骤：

S11：使用表示上采样算子，计算第t次的增强特征与第t个增强特征之间的差值

S12：使用表示下采样算子，使用更新增强特征：

S13：重复步骤S11-S12，直至迭代完所有输入特征，即t＝n-1。

5.根据权利要求4所述的基于强化学习的稠密迭代特征腹腔内压预测系统，其特征在于：所述稠密迭代增强模型中的特征提取单元包括CNN主干网络、三层稠密连接结构，输入样本维度为12×1，反卷积实现上采样算子，卷积实现下采样算子，包括以下步骤：

S21：使用反卷积层和卷积层构造迭代增强模块，其中包括IEM1和IEM2模块；

S22：使用卷积层和迭代增强模块以及残差特征提取块构造特征提取单元，其中包括Layer1、Layer2、Layer3、Layer4、Layer5模块；

S23：将样本输入稠密迭代增强模型，获取经过Layer1处理的原始特征；

S24：将原始特征分别输入Layer2的卷积层和IEM1模块，IEM1对Layer1和Conv2的输出特征进行迭代增强和融合，再利用残差块进一步完成特征提取；

S25：将步骤S23-S24中获得的特征分别输入Layer3的卷积层和IEM2模块，IEM2对Layer1，Layer2和Conv3的输出特征进行迭代增强和融合，再利用残差块进一步完成特征提取。

6.根据权利要求1所述的基于强化学习的稠密迭代特征腹腔内压预测系统，其特征在于：所述预测模块对最后一个特征提取单元输出的增强融合特征进行全局平均池化处理和flatten，输入全连接层，获得预测结果y。

7.根据权利要求1所述的基于强化学习的稠密迭代特征腹腔内压预测系统，其特征在于：所述模型训练模块利用真实腹腔内压值，即标签l，与预测结果y计算损失，损失函数L采用均方误差MSE：

其中，m为一个batch的样本个数，l_i和y_i分别表示第i个样本的标签和预测值；

所述模型训练模块使用端到端的方式训练稠密迭代增强模型，实现对患者腹腔内压的预测。