本發(fā)明屬于aecopd有創(chuàng)機(jī)械通氣患者預(yù)后分析，尤其涉及一種基于雙目標(biāo)演化預(yù)測(cè)aecopd有創(chuàng)機(jī)械通氣患者的預(yù)后分析方法及系統(tǒng)。

背景技術(shù)：

1、現(xiàn)有技術(shù)中的一種利用深度卷積神經(jīng)網(wǎng)絡(luò)(cnn)的方法，通過多實(shí)例學(xué)習(xí)轉(zhuǎn)移，目的是從計(jì)算機(jī)x射線斷層掃描圖像中識(shí)別copd。當(dāng)然，ml技術(shù)在醫(yī)療領(lǐng)域已經(jīng)顯示出巨大的應(yīng)用潛力，可以幫助醫(yī)療保健提供者增強(qiáng)診斷能力，減輕臨床負(fù)擔(dān)，提高診斷的準(zhǔn)確性和有效性。雖然某些機(jī)器學(xué)習(xí)算法最初試圖用于aecopd的診斷、預(yù)測(cè)或相關(guān)性研究，但目前的研究往往局限于一個(gè)單獨(dú)的研究目標(biāo)，而沒有涵蓋多個(gè)研究目標(biāo)。因此，在多種診斷目標(biāo)和包括患者診斷、治療和康復(fù)在內(nèi)的整體管理之間取得平衡對(duì)醫(yī)療從業(yè)者更有利。此外，同時(shí)評(píng)估眾多特征以及它們之間的關(guān)聯(lián)和冗余程度是至關(guān)重要的。這種綜合考慮有助于在實(shí)際臨床應(yīng)用中為從業(yè)人員提供更有力的決策支持。

2、此外，目前缺乏關(guān)于機(jī)器學(xué)習(xí)方法在預(yù)測(cè)有創(chuàng)機(jī)械通氣aecopd患者預(yù)后中的應(yīng)用的研究。這一差距極大地阻礙了aecopd診斷和治療研究領(lǐng)域的擴(kuò)大。因此，建立高效、準(zhǔn)確預(yù)測(cè)有創(chuàng)機(jī)械通氣aecopd患者預(yù)后的雙客觀評(píng)估機(jī)器學(xué)習(xí)模型具有深遠(yuǎn)的意義。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供一種基于雙目標(biāo)演化預(yù)測(cè)aecopd有創(chuàng)機(jī)械通氣患者的預(yù)后分析方法及系統(tǒng)，用于解決無法對(duì)aecopd有創(chuàng)機(jī)械通氣患者預(yù)后進(jìn)行分析或分析準(zhǔn)確性不高的技術(shù)問題。

2、第一方面，本發(fā)明提供一種基于雙目標(biāo)演化預(yù)測(cè)aecopd有創(chuàng)機(jī)械通氣患者的預(yù)后分析方法，包括：

3、基于分解和增量學(xué)習(xí)的原則，構(gòu)建雙目標(biāo)分解進(jìn)化模型，構(gòu)建所述雙目標(biāo)分解進(jìn)化模型具體包括：

4、初始化：首先，將種群大小n、領(lǐng)域大小t和目標(biāo)數(shù)m作為輸入，隨機(jī)生成初始的種群，并且根據(jù)uniformpoint函數(shù)生成則方向向量λ＝{λ1，λ2，...，λn}，然后，計(jì)算并通過從集合選取一個(gè)新值來更新理想點(diǎn)z*，輸出得到種群p＝{x1，x2...，xn}、方向向量λ＝{λ1，λ2，...，λn}、鄰域索引b＝{b1，b2，...，bn}以及理想點(diǎn)

5、初代：將種群大小n、目標(biāo)數(shù)m、種群p＝{n1，x2…，xn}、鄰域索引b＝{b1，b2，...，bn}和理想點(diǎn)作為輸入，輸出為新的理想點(diǎn)和子代集合q；

6、對(duì)于第j個(gè)個(gè)體的第j維值xi，j，如果一個(gè)隨機(jī)值r≤0.5，那么得到xi，j的新值為β為0-1之間的隨機(jī)數(shù)，否則，得到xi，j的新值為

7、在完成每個(gè)緯度的新值的計(jì)算后，得到xi的新個(gè)體為并通過更新理想點(diǎn)z*，得到所有新個(gè)體的集合q以及新的理想點(diǎn)z*；

8、子代：將種群p＝{x1，x2…，xn}、集合q、方向向量λ＝{λ1，λ2，...，λn}、種群大小n和新的理想點(diǎn)z*作為輸入，輸出為最優(yōu)解集；

9、在逼近帕累托前沿時(shí)，基于參考向量的一元多樣性指標(biāo)來保持算法種群的多樣性，第i個(gè)新個(gè)體的適應(yīng)度值計(jì)算為第i個(gè)父?jìng)€(gè)體的適應(yīng)度值計(jì)算為

10、將每個(gè)父節(jié)點(diǎn)和新節(jié)點(diǎn)的dir值分別計(jì)算為c和d，若bi＞ai，di＞ci時(shí)，最優(yōu)解集為否則最優(yōu)解集為p*＝p*∪{xi}；

11、增量學(xué)習(xí)：在累計(jì)迭代次數(shù)δt小于預(yù)設(shè)閾值時(shí)，則將阿基米德copula函數(shù)作為生成器來生成新的方向向量；

12、獲取aecopd有創(chuàng)機(jī)械通氣患者的至少一個(gè)歷史病例資料數(shù)據(jù)，并將所述至少一個(gè)歷史病例資料數(shù)據(jù)輸入至所述雙目標(biāo)分解進(jìn)化模型中，考慮分類精度和相關(guān)度對(duì)所述雙目標(biāo)分解進(jìn)化模型進(jìn)行迭代訓(xùn)練，得到最終的雙目標(biāo)分解進(jìn)化模型；

13、根據(jù)所述最終的雙目標(biāo)分解進(jìn)化模型對(duì)所述aecopd有創(chuàng)機(jī)械通氣患者的至少一個(gè)實(shí)時(shí)病例資料數(shù)據(jù)進(jìn)行識(shí)別，所述最終的雙目標(biāo)分解進(jìn)化模型輸出有創(chuàng)機(jī)械通氣aecopd患者的預(yù)后結(jié)果；

14、根據(jù)歸一化互信息nmi和調(diào)蘭德指數(shù)ari對(duì)所述最終的雙目標(biāo)分解進(jìn)化模型輸出的有創(chuàng)機(jī)械通氣aecopd患者的預(yù)后結(jié)果進(jìn)行有效性分析。

15、第二方面，本發(fā)明提供一種基于雙目標(biāo)演化預(yù)測(cè)aecopd有創(chuàng)機(jī)械通氣患者的預(yù)后分析系統(tǒng)，包括：

16、構(gòu)建模塊，配置為基于分解和增量學(xué)習(xí)的原則，構(gòu)建雙目標(biāo)分解進(jìn)化模型，構(gòu)建所述雙目標(biāo)分解進(jìn)化模型具體包括：

17、初始化：首先，將種群大小n、領(lǐng)域大小t和目標(biāo)數(shù)m作為輸入，隨機(jī)生成初始的種群，并且根據(jù)uniformpoint函數(shù)生成則方向向量λ＝{λ1，λ2，...，λn}，然后，計(jì)算并通過從集合選取一個(gè)新值來更新理想點(diǎn)z*，輸出得到種群p＝{x1，x2...，xn}、方向向量λ＝{λ1，λ2，...，λn}、鄰域索引b＝{b1，b2，...，bn}以及理想點(diǎn)

18、初代：將種群大小n、目標(biāo)數(shù)m、種群p＝{n1，x2…，xn}、鄰域索引b＝{b1，b2，...，bn}和理想點(diǎn)作為輸入，輸出為新的理想點(diǎn)和子代集合q；

19、對(duì)于第j個(gè)個(gè)體的第j維值xi，j，如果一個(gè)隨機(jī)值r≤0.5，那么得到xi，j的新值為β為0-1之間的隨機(jī)數(shù)，否則，得到xi，j的新值為

20、在完成每個(gè)緯度的新值的計(jì)算后，得到xi的新個(gè)體為并通過更新理想點(diǎn)z*，得到所有新個(gè)體的集合q以及新的理想點(diǎn)z*；

21、子代：將種群p＝{n1，x2…，xn}、集合q、方向向量λ＝{λ1，λ2，...，λn}、種群大小n和新的理想點(diǎn)z*作為輸入，輸出為最優(yōu)解集；

22、在逼近帕累托前沿時(shí)，基于參考向量的一元多樣性指標(biāo)來保持算法種群的多樣性，第i個(gè)新個(gè)體的適應(yīng)度值計(jì)算為第i個(gè)父?jìng)€(gè)體的適應(yīng)度值計(jì)算為

23、將每個(gè)父節(jié)點(diǎn)和新節(jié)點(diǎn)的dir值分別計(jì)算為c和d，若bi＞ai，di＞ci時(shí)，最優(yōu)解集為否則最優(yōu)解集為p*＝p*∪{xi}；

24、增量學(xué)習(xí)：在累計(jì)迭代次數(shù)δt小于預(yù)設(shè)閾值時(shí)，則將阿基米德copula函數(shù)作為生成器來生成新的方向向量；

25、訓(xùn)練模塊，配置為獲取aecopd有創(chuàng)機(jī)械通氣患者的至少一個(gè)歷史病例資料數(shù)據(jù)，并將所述至少一個(gè)歷史病例資料數(shù)據(jù)輸入至所述雙目標(biāo)分解進(jìn)化模型中，考慮分類精度和相關(guān)度對(duì)所述雙目標(biāo)分解進(jìn)化模型進(jìn)行迭代訓(xùn)練，得到最終的雙目標(biāo)分解進(jìn)化模型；

26、識(shí)別模塊，配置為根據(jù)所述最終的雙目標(biāo)分解進(jìn)化模型對(duì)所述aecopd有創(chuàng)機(jī)械通氣患者的至少一個(gè)實(shí)時(shí)病例資料數(shù)據(jù)進(jìn)行識(shí)別，所述最終的雙目標(biāo)分解進(jìn)化模型輸出有創(chuàng)機(jī)械通氣aecopd患者的預(yù)后結(jié)果；

27、分析模塊，配置為根據(jù)歸一化互信息nmi和調(diào)蘭德指數(shù)ari對(duì)所述最終的雙目標(biāo)分解進(jìn)化模型輸出的有創(chuàng)機(jī)械通氣aecopd患者的預(yù)后結(jié)果進(jìn)行有效性分析。

28、第三方面，提供一種電子設(shè)備，其包括：至少一個(gè)處理器，以及與所述至少一個(gè)處理器通信連接的存儲(chǔ)器，其中，所述存儲(chǔ)器存儲(chǔ)有可被所述至少一個(gè)處理器執(zhí)行的指令，所述指令被所述至少一個(gè)處理器執(zhí)行，以使所述至少一個(gè)處理器能夠執(zhí)行本發(fā)明任一實(shí)施例的基于雙目標(biāo)演化預(yù)測(cè)aecopd有創(chuàng)機(jī)械通氣患者的預(yù)后分析方法的步驟。

29、第四方面，本發(fā)明還提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述程序指令被處理器執(zhí)行時(shí)，使所述處理器執(zhí)行本發(fā)明任一實(shí)施例的基于雙目標(biāo)演化預(yù)測(cè)aecopd有創(chuàng)機(jī)械通氣患者的預(yù)后分析方法的步驟。

30、本技術(shù)的基于雙目標(biāo)演化預(yù)測(cè)aecopd有創(chuàng)機(jī)械通氣患者的預(yù)后分析方法及系統(tǒng)，在原有的多目標(biāo)進(jìn)化分解算法中引入了增量學(xué)習(xí)的概念，雙目標(biāo)分解進(jìn)化模型(moeadil)不僅可以很好地解決傳統(tǒng)的多目標(biāo)優(yōu)化問題，而且可以很好地解決多模態(tài)多目標(biāo)優(yōu)化問題，此外，所提出的moeadil被熟練地用于預(yù)測(cè)aecopd患者接受有創(chuàng)機(jī)械通氣的結(jié)果，同時(shí)考慮了分類準(zhǔn)確性和相關(guān)性指標(biāo)，從而提高了其預(yù)測(cè)有效性。