[发明专利]从确定性模型中导出概率模型的方法和装置

说明书

相关申请的交叉参考

本申请涉及同时提交的标题为“DYNMAMIC BYASIAN NETWORK  FOR EMULATING CARDIOVASCULAR FUNCTION”的美国专利申请(代 理案卷号US006844)。在此以引用的方式将所述申请的公开具体合并入本 发明。

动态系统的建模可以用于预测结果或效果。一种类型的建模已知为确 定性建模。在确定性建模中，确定针对动态系统的变量。模型的普遍用途 为预测实际系统的未来行为。可以对参数进行调谐以建立表示具体系统的 通用模型。一旦设定模型的参数，确定性模型将生成感兴趣变量的准确值， 而概率模型将生成这些具有某些值的变量的概率。

另一种类型的模型为概率模型。然而根据定义，概率解不如确定性解 精确。概率模型的一个重要优势在于其处理丢失的和不确定的输入变量的 固有能力。概率模型的概率内在地反映其变量的不确定性，因此输入变量 的不准确性并不会在很大程度上影响输出变量的概率分布。同样，当输入 变量丢失时，其概率分布仍然是已知的，并可以利用所述概率分布计算输 出变量的概率分布。

现在所需要的是一种克服至少上述缺点的建模的方法和装置。

在典型实施例中，用于从确定性模型导出概率模型的系统包括：有效 的确定性模型(VDM)；以及用于接收来自VDM的数据并生成概率模型的 机器学习算法(MLA)。

在另一典型实施例中，一种用于从确定性模型导出概率模型的方法， 包括：使用有效的确定性模型(VDM)对生理系统进行建模，所述VDM 包括表示生理系统状态的变量；以及使用机器学习算法(MLA)接收来自 所述VDM的数据，并生成所述概率模型，其中，所述概率模型接收输入 变量，并且在配置过程中提供输出变量。

在另一典型实施例中，一种用于对人体内的变量进行仿真的系统，包 括：用于提供患者数据的有效的确定性模型(VDM)；以及用于接收来自 VDM的患者数据并生成概率模型的机器学习算法(MLA)。为概率模型提 供输入变量以提供仿真变量。

在另一典型实施例中，一种用于对人体内的变量进行仿真的方法，包 括：使用有效的确定性模型(VDM)提供患者数据，所述VDM对生理系 统进行建模，并包括表示生理系统状态的变量；使用机器学习算法(MLA) 接收来自所述VDM的患者数据，并生成所述概率模型，其中，将输入变 量提供给所述概率模型以提供所述仿真变量。

图1为根据典型实施例从确定性模型中导出概率模型的系统的概念表 示；

图2为表示根据典型实施例建立动态贝叶斯网络(DBN)的流程图；

图3为表示根据典型实施例的DBN配置的流程图；

图4为根据典型实施例利用DBN对患者数据进行仿真的系统的概念表 示。

在下面的详细描述中，用于描述而不是限制，提出公开具体细节的示 例性实施例，以提供对本教导的深入理解。另外，为了防止混淆对于示例 性实施例的描述，省略了对公知的设备、硬件、软件、固件、方法和系统 的描述。虽然如此，根据示例性实施例，可以利用属于本领域普通技术人 员的范围之内的这样的硬件、软件、固件、设备、方法和系统。此外，无 论用于何处，相同的附图标记表示相同的特征。

下述详细描述提出了一种方法，将所述方法实现为在配置有数据采集 卡等的计算机可读介质、相关处理器、微处理器、通用个人计算机、制造 装备中的数据位运算的例程和符号表示。通常，认为此处的方法为引起期 望结果的一系列步骤或动作，并且同样地，其包括本领域中诸如“例程”、 “程序”、“对象”、“函数”、“子程序”和“步骤”的这样的术语。

在人体心血管系统的测试的实现中对示例性实施例的装置和方法进行 描述。应该强调的是这一描述仅为示例性的；并且强调该装置和方法可以 在其他建模环境中实现。例如，本领域的普通技术人员在阅读了本教导之 后，可以利用该教导测试其他生理系统。此外，为了治疗动物，还可以将 该装置和方法用于兽医试验中。