欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023103691405
申请人: 燕山大学
专利类型:发明专利
专利状态:已下证
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种特征融合的帕金森病严重程度评估方法,其特征在于,包括:

将目标患者的训练集输入利用所有患者数据训练的双向长短期记忆网络,获取共享参数特征;

采用增量关联马尔可夫边界算法,从所述共享参数特征中选择所述目标患者的统一帕金森病评定量表UPDRS的马尔科夫边界;

所述采用增量关联马尔可夫边界算法,从所述共享参数特征中选择所述目标患者的统一帕金森病评定量表UPDRS的马尔科夫边界,包括:在增量关联马尔科夫边界算法的前向阶段,按照以下公式计算所述目标患者的共享参数特征中的第列特征与帕金森病症状严重程度得分UPDRS之间的关联强度:其中,,表示中的第列特征与所述目标患者的UPDRS间的皮尔森相关系数,和分别表示中第行第列的特征值和所述目标患者训练集中第个样本的UPDRS得分,表示中第列特征的平均值,表示所述目标患者的训练集中所有样本的UPDRS得分的平均值;根据中所有特征与UPDRS间的关联强度,得到所述关联强度最大的特征;

计算所述关联强度最大的特征的P值,当特征的P值小于设定的阈值,则特征与所述目标患者的UPDRS得分之间不独立,特征被加入所述目标患者的统一帕金森病评定量表UPDRS的马尔科夫边界集合中;遍历计算中其他特征与所述目标患者的UPDRS间的关联强度,以及对应的P值,直到中没有特征的P值小于阈值,则增量关联马尔科夫边界算法的前向阶段结束,得到的所述目标患者UPDRS得分的马尔科夫边界集合为;

在增量关联马尔科夫边界算法的后向阶段,在的条件下,计算每个特征的P值是否大于设定的阈值,其中,,表示将从删除后的特征集合;如果特征的P值大于设定的阈值,则特征与所述目标患者的UPDRS得分之间独立,应从中删除特征;如果特征的P值不大于设定的阈值,则特征与所述目标患者的UPDRS得分之间不独立,特征应保留在中;按照上述步骤依次计算中每个特征与所述目标患者的UPDRS得分之间的独立性,直至遍历完中每个特征,则增量关联马尔科夫边界算法的后向阶段结束,更新后的为最终的所述目标患者的统一帕金森病评定量表UPDRS的马尔科夫边界;

将目标患者的训练集输入利用目标患者数据训练的双向长短期记忆网络,获取特定参数特征;

将所述UPDRS的马尔科夫边界与所述特定参数特征进行融合,将其输入全连接层网络,得到所述目标患者的帕金森病严重程度。

2.根据权利要求1所述的一种特征融合的帕金森病严重程度评估方法,其特征在于,所述将目标患者的训练集输入利用所有患者数据训练的双向长短期记忆网络,获取所述共享参数特征,包括:数据集中包含个帕金森病患者的数据,其中,表示个患者的特征数据,表示个患者的帕金森病症状严重程度得分,具体为,帕金森病症状严重程度得分使用统一帕金森病评定量表(Unified Parkinson'sDisease Rating Scale, UPDRS)进行量化评估;和分别表示第个患者的特征数据和UPDRS得分;选取中第个患者的特征数据和UPDRS得分作为所述目标患者的数据;

采用多任务学习中参数的硬共享机制,将中的均具有帕金森病的患者视为多个相关的任务;将中的每个患者的数据划分为训练集、验证集和测试集;通过利用所有患者的训练集对双向长短期记忆网络进行训练,所有患者的验证集对双向长短期记忆网络的超参数进行调优,可得到预先训练的双向长短期记忆网络,并且多个任务共享该网络的隐层;其中,双向长短期记忆网络的层数为,第层的隐藏状态维数为,,训练好的网络参数表示为;

将目标患者的训练集输入至预先训练的双向长短期记忆网络,按照以下公式计算所述目标患者的共享参数特征:其中,将划分为训练集验、证集和测试集,表示所述目标患者的训练集,表示利用所有患者的训练集和验证集预先训练的双向长短期记忆网络,表示将所述目标患者的训练集输入预先训练的双向长短期记忆网络之后得到的共享参数特征;,其中,表示所述目标患者的训练集中样本的个数,表示利用所有患者的训练集和验证集预先训练的双向长短期记忆网络的第层的隐藏状态维数。

3.根据权利要求1所述的一种特征融合的帕金森病严重程度评估方法,其特征在于,所述将目标患者的训练集输入利用目标患者数据训练的双向长短期记忆网络,获取所述特定参数特征,包括:按照以下公式,将所述目标患者的训练集输入到预先训练得到的双向长短期记忆神经网络,得到所述特定参数特征:其中,表示利用所述目标患者的训练集和验证集预先训练的双向长短期记忆网络,该网络的层数为,第层的隐藏状态维数为,,训练好的网络参数表示为,,其中,表示中第层的隐藏状态维数。

4.根据权利要求1所述的一种特征融合的帕金森病严重程度评估方法,其特征在于,所述将所述UPDRS的马尔科夫边界与所述特定参数特征进行融合,将其输入全连接层网络,得到所述目标患者的帕金森病严重程度,包括:按照以下公式将所述目标患者的UPDRS的马尔科夫边界与所述特定参数特征进行融合:

其中,表示拼接操作,表示将所述目标患者的UPDRS的马尔科夫边界和所述特定参数特征融合后的特征集;

将所述融合后的特征集输入层全连接层,得到所述目标患者的帕金森病症状严重程度,其中,第层的全连接层的神经元个数为,。

5.一种特征融合的帕金森病严重程度评估装置,其特征在于,包括:

第一获取模块,被配置为将目标患者的训练集输入利用所有患者数据训练的双向长短期记忆网络,获取共享参数特征;

选择模块,被配置为采用增量关联马尔可夫边界算法,从所述共享参数特征中选择所述目标患者的统一帕金森病评定量表UPDRS的马尔科夫边界;

第二获取模块,被配置为将目标患者的训练集输入利用目标患者数据训练的双向长短期记忆网络,获取特定参数特征;

融合模块,被配置为将所述UPDRS的马尔科夫边界与所述特定参数特征进行融合,将其输入全连接层网络,得到所述目标患者的帕金森病严重程度;

所述采用增量关联马尔可夫边界算法,从所述共享参数特征中选择所述目标患者的统一帕金森病评定量表UPDRS的马尔科夫边界,包括:在增量关联马尔科夫边界算法的前向阶段,按照以下公式计算所述目标患者的共享参数特征中的第列特征与帕金森病症状严重程度得分UPDRS之间的关联强度:其中,,表示中的第列特征与所述目标患者的UPDRS间的皮尔森相关系数,和分别表示中第行第列的特征值和所述目标患者训练集中第个样本的UPDRS得分,表示中第列特征的平均值,表示所述目标患者的训练集中所有样本的UPDRS得分的平均值;根据中所有特征与UPDRS间的关联强度,得到所述关联强度最大的特征;

计算所述关联强度最大的特征的P值,当特征的P值小于设定的阈值,则特征与所述目标患者的UPDRS得分之间不独立,特征被加入所述目标患者的统一帕金森病评定量表UPDRS的马尔科夫边界集合中;遍历计算中其他特征与所述目标患者的UPDRS间的关联强度,以及对应的P值,直到中没有特征的P值小于阈值,则增量关联马尔科夫边界算法的前向阶段结束,得到的所述目标患者UPDRS得分的马尔科夫边界集合为;

在增量关联马尔科夫边界算法的后向阶段,在的条件下,计算每个特征的P值是否大于设定的阈值,其中,,表示将从删除后的特征集合;如果特征的P值大于设定的阈值,则特征与所述目标患者的UPDRS得分之间独立,应从中删除特征;如果特征的P值不大于设定的阈值,则特征与所述目标患者的UPDRS得分之间不独立,特征应保留在中;按照上述步骤依次计算中每个特征与所述目标患者的UPDRS得分之间的独立性,直至遍历完中每个特征,则增量关联马尔科夫边界算法的后向阶段结束,更新后的为最终的所述目标患者的统一帕金森病评定量表UPDRS的马尔科夫边界。