[发明专利]基于叠加集成算法和自动编码器的无创通气疗效预测系统

权利要求书

1.一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，包括：数据获取模块、数据处理模块、特征生成模块和预测模块，

数据获取模块的数据输出端与数据处理模块的数据输入端相连，数据处理模块的数据输出端与特征生成模块的数据输入端相连，特征生成模块的数据输出端与预测模块的数据输入端相连；

将数据获取模块获取的医疗数据文档通过数据处理模块预处理后输入到特征生成模块中，得到影响无创通气疗效预测概率的特征，然后所述特征输入预测模块进行训练；最后将待测数据输入训练完毕的预测模块中，得到预测结果。

2.根据权利要求1所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，数据获取模块用于采集医院/科室基本信息、病人基本信息、疾病诊断、生命体征参数信息之一或者任意组合；其中生命体征参数信息采用实时推送方式更新。

3.根据权利要求1所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，所述数据处理模块包括：数据清洗模块或/和数据质控模块；

数据清洗模块：利用Kettle对重复数据进行清洗，K均值对不完整数据进行填充，箱线图检测异常值数据；

将异常数值或未采集到的个别数据视为缺失值进行处理，替换缺失值用中位数来填充，然后根据条件删除掉重复行；

数据质控模块：用于检查是否填写了技术必填字段；若技术必填项出现空值，则拒绝接收该份文档；若技术必填项都不为空，则接收该文档。

4.根据权利要求3所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，还包括数据展示模块；将采集的数据进行展示。

5.根据权利要求1所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，所述特征生成模块包括：

特征生成：包括特征交叉技术生成的特征、先验知识特征和两个时间点的特征均值之一或者任意组合；

特征选择：采用低方差过滤进行特征选择，计算样本中每个特征值对应的方差，如果低于阈值，将被过滤；和/或通过特征和标签之间的皮尔逊相关系数，过滤不相关的特征；

特征生成的数据输出端与特征选择的数据输入端相连。

6.根据权利要求5所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，所述特征生成中的两个时间点的特征均值是使用LSTM自动编码器模型提取两个时间点采样数据的时间序列特征。

7.根据权利要求1所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，所述预测模块包括：使用改进的SMOTE算法处理数据不平衡的问题，然后使用叠加集成算法，得到无创通气疗效预测的概率。

8.根据权利要求7所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，所述改进的SMOTE算法包括以下步骤：

S1，使用SVM分类算法得到一组少数错误实例；

S2，它从少数错误实例集中删除所有孤立实例，以获得一组新的实例点；

S3，在实例点集中使用k-means算法进行聚类，得到N个聚类；

S4，聚类中心和聚类中的实例被用来生成新的实例点。

9.根据权利要求7所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，所述叠加集成算法包括：

使用Catboost、随机森林和逻辑回归作为基础学习器，逻辑回归作为元学习器；将每个基学习器的预测概率连接起来形成一个新的训练集来训练元学习器。

10.根据权利要求9所述的一种基于叠加集成算法和自动编码器的无创通气疗效预测系统，其特征在于，包括：

对于实例集T＝(t₁,t₂,...t_m)中，其中t_m表示第m个实例，每个实例的权重为：

W_T＝(wt₁,wt₂,...wt_m)

其中，W_T表示实例权重集；

wt₁表示第一个实例的权重；

wt₂表示第二个实例的权重；

wt_m表示第m个实例的权重；

一共有i个基础学习器，则每个基础学习器的权重为：

α_i＝0.5log(1-e_i)

其中e_i表示第i个基础学习器的误差系数；

元学习器可表示为：

其中K表示基础学习器的总数；

h_i(x)表示第i个基础学习器。