[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

说明书

本发明涉及一种基于强化学习的稠密迭代特征腹腔内压预测系统，属于机器学习领域，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。

技术领域

本发明属于机器学习领域，涉及一种基于强化学习的稠密迭代特征腹腔内压预测系统。

背景技术

近年来，随着机器学习在医疗领域的应用，许多机器学习方法被提出用于分析临床患者医疗数据的统计意义和特征相关性，这一类方法为医生的临床诊断提供了参考依据。根据腹腔高压症(intra-abdominal hypertension，IAH)和腹腔间隙综合征(abdominalcompartment syndrome，ACS)诊治国际指南，重症患者具有IAH高危因素时需进行腹腔内压(intra-abdominal pressure，IAP)监测。鉴于该医疗技术对患者的重要性，腹腔内压检测已经逐渐称为重症患者病情监控的重要部分之一。就目前而言，IAP的监测方法有很多，其中膀胱内压(intra-viseral pressure，IVP)测量法是IAP测量的常用方法。但其测量方法繁琐、易引起感染，且间断测量方法可能造成延迟诊断腹腔高压症的情况。目前，在本领域目前报道的IAP检测方法多使用物理模型进行监测，通过机械装置的物理测量对膀胱内压进行间接评估及监测。而使用机器学习基于患者生化指标对IAP建立回归关系的预测模型暂无。但此类预测模型已经在医疗领域的其它疾病诊断体现了较好的性能和医疗诊断辅助作用。这些预测模型大多数利用数据驱动方法通过一般的机器学习模型实现相应医疗任务目标预测，但忽略了连续下采样过程中存在重要信息被丢失的问题，因此不能提取完整信息，从而导致预测效果不佳。且不能很好的建立患者复杂高维生化指标特征间的联系。

发明内容

有鉴于此，为了补充这些机器学习模型在IAP预测上的性能缺失，并解决用于医疗数据诊断的预测模型的不足，本发明提供一种基于强化学习的稠密迭代特征腹腔内压预测系统。

为达到上述目的，本发明提供如下技术方案：

一种基于强化学习的稠密迭代特征腹腔内压预测系统，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。

进一步，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。

进一步，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。