一种基于神经网络预测模型的用药监测方法技术

本发明专利技术提供了一种基于神经网络预测模型的用药监测方法，属于数据处理技术领域，本发明专利技术中收集医院用药数据，构建训练集，采用训练集对神经网络预测模型进行训练，在每训练一次时，根据神经网络预测模型的输出，计算评估值，从而选出评估值高于评估阈值的神经网络预测模型，提高用药监测精度。提高用药监测精度。提高用药监测精度。

【技术实现步骤摘要】
一种基于神经网络预测模型的用药监测方法


[0001]本专利技术涉及数据处理
，具体而言，涉及一种基于神经网络预测模型的用药监测方法。

技术介绍

[0002]医生通常根据经验治病救人，没有考虑到用药的药量和药品是否有效或者是否对患者造成伤害，且不同医生工作年限不同，知识水平不同，造成医生用药情况不同，严重的医疗事故，对病人的生命安全构成巨大威胁。
[0003]建立用药监测，以解决医院对各类药物使用情况掌握不详细，所导致用药不合理的问题。现有用药监测方法采用分类模型对用药数据进行分类，得到其是否合理的评价指标，但是各个分类模型分类精度较低，导致监测精度较低。

技术实现思路

[0004]本专利技术的目的在于提供一种基于神经网络预测模型的用药监测方法，其解决了用药监测精度较低的问题。
[0005]本专利技术的实施例通过以下技术方案实现：一种基于神经网络预测模型的用药监测方法，包括以下步骤：S1、收集医院用药数据；S2、对医院用药数据进行预处理，构建训练集；S3、采用训练集对神经网络预测模型进行训练，对训练的神经网络预测模型进行评估，得到评估值，在评估值高于评估阈值时，神经网络预测模型训练完成；S4、采用训练完成的神经网络预测模型处理待监测用药数据，得到监测结果。
[0006]进一步地，所述S2中预处理包括：数据清洗、去除异常值和数据归一化。
[0007]进一步地，所述S3中神经网络预测模型包括：第一层循环神经网络、第二层循环神经网络、第三层特征提取子模型和第四层输出子模型；所述第一层循环神经网络的输入端作为神经网络预测模型的输入端，其输出端与第二层循环神经网络的输入端连接；所述第三层特征提取子模型的输入端与第二层循环神经网络的输出端连接，其输出端与第四层输出子模型的输入端连接；所述第四层输出子模型的输出端作为神经网络预测模型的输出端。
[0008]进一步地，所述第三层特征提取子模型的表达式为：其中，为第三层特征提取子模型的输出，为以自然常数为底的指数函数，为第二层循环神经网络输出的第个特征，为第个特征的权重，为第个特征的偏置，为第二层循环神经网络的输出特征的数量。
[0009]进一步地，所述第四层输出子模型的表达式为：其中，为第四层输出子模型的输出，为对数函数，为第四层输出子模型的权重，为第四层输出子模型的偏置。
[0010]进一步地，所述S3包括以下分步骤：S31、将训练集中样本输入神经网络预测模型；S32、根据神经网络预测模型的输出，计算评估值；S33、判断评估值是否高于评估阈值，若是，神经网络预测模型训练完成，结束分步骤，若否，则跳转至步骤S34；S34、根据评估值，对神经网络预测模型的权重和偏置进行更新，并跳转至步骤S31。
[0011]进一步地，所述S32中计算评估值的公式为：其中，为评估值，为比例系数，为第次训练时神经网络预测模型的输出，为第次训练时标签，为S型激活函数。
[0012]进一步地，所述比例系数的公式为：其中，为以为当前训练次数的临近训练总次数，为正整数，为临近训练总次数中神经网络预测模型的输出与标签相等的次数。
[0013]本专利技术实施例的技术方案至少具有如下优点和有益效果：本专利技术中收集医院用药数据，构建训练集，采用训练集对神经网络预测模型进行训练，在每训练一次时，根据神经网络预测模型的输出，计算评估值，从而选出评估值高于评估阈值的神经网络预测模型，提高用药监测精度。
附图说明
[0014]图1为一种基于神经网络预测模型的用药监测方法的流程图。
具体实施方式
[0015]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0016]如图1所示，一种基于神经网络预测模型的用药监测方法，包括以下步骤：S1、收集医院用药数据；
S2、对医院用药数据进行预处理，构建训练集；所述S2中预处理包括：数据清洗、去除异常值和数据归一化。
[0017]S3、采用训练集对神经网络预测模型进行训练，对训练的神经网络预测模型进行评估，得到评估值，在评估值高于评估阈值时，神经网络预测模型训练完成；所述S3中神经网络预测模型包括：第一层循环神经网络、第二层循环神经网络、第三层特征提取子模型和第四层输出子模型；所述第一层循环神经网络的输入端作为神经网络预测模型的输入端，其输出端与第二层循环神经网络的输入端连接；所述第三层特征提取子模型的输入端与第二层循环神经网络的输出端连接，其输出端与第四层输出子模型的输入端连接；所述第四层输出子模型的输出端作为神经网络预测模型的输出端。
[0018]所述第三层特征提取子模型的表达式为：其中，为第三层特征提取子模型的输出，为以自然常数为底的指数函数，为第二层循环神经网络输出的第个特征，为第个特征的权重，为第个特征的偏置，为第二层循环神经网络的输出特征的数量。
[0019]所述第四层输出子模型的表达式为：其中，为第四层输出子模型的输出，为对数函数，为第四层输出子模型的权重，为第四层输出子模型的偏置。
[0020]所述S3包括以下分步骤：S31、将训练集中样本输入神经网络预测模型；S32、根据神经网络预测模型的输出，计算评估值；S33、判断评估值是否高于评估阈值，若是，神经网络预测模型训练完成，结束分步骤，若否，则跳转至步骤S34；S34、根据评估值，对神经网络预测模型的权重和偏置进行更新，并跳转至步骤S31。
[0021]所述S32中计算评估值的公式为：其中，为评估值，为比例系数，为第次训练时神经网络预测模型的输出，为第次训练时标签，为S型激活函数。
[0022]所述比例系数的公式为：其中，为以为当前训练次数的临近训练总次数，为正整数，为临近训练总次
数中神经网络预测模型的输出与标签相等的次数。
[0023]S4、采用训练完成的神经网络预测模型处理待监测用药数据，得到监测结果。
[0024]本专利技术中收集医院用药数据，构建训练集，采用训练集对神经网络预测模型进行训练，在每训练一次时，根据神经网络预测模型的输出，计算评估值，从而选出评估值高于评估阈值的神经网络预测模型，提高用药监测精度。
[0025]以上仅为本专利技术的优选实施例而已，并不用于限制本专利技术，对于本领域的技术人员来说，本专利技术可以有各种更改和变化。凡在本专利技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本专利技术的保护范围之内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络预测模型的用药监测方法，其特征在于，包括以下步骤：S1、收集医院用药数据；S2、对医院用药数据进行预处理，构建训练集；S3、采用训练集对神经网络预测模型进行训练，对训练的神经网络预测模型进行评估，得到评估值，在评估值高于评估阈值时，神经网络预测模型训练完成；S4、采用训练完成的神经网络预测模型处理待监测用药数据，得到监测结果。2.根据权利要求1所述的基于神经网络预测模型的用药监测方法，其特征在于，所述S2中预处理包括：数据清洗、去除异常值和数据归一化。3.根据权利要求1所述的基于神经网络预测模型的用药监测方法，其特征在于，所述S3中神经网络预测模型包括：第一层循环神经网络、第二层循环神经网络、第三层特征提取子模型和第四层输出子模型；所述第一层循环神经网络的输入端作为神经网络预测模型的输入端，其输出端与第二层循环神经网络的输入端连接；所述第三层特征提取子模型的输入端与第二层循环神经网络的输出端连接，其输出端与第四层输出子模型的输入端连接；所述第四层输出子模型的输出端作为神经网络预测模型的输出端。4.根据权利要求3所述的基于神经网络预测模型的用药监测方法，其特征在于，所述第三层特征提取子模型的表达式为：其中，为第三层特征提取子模型的输出，为以自然常数为底的指数函数，为第二层循...

【专利技术属性】
技术研发人员：何军，张平，谭志安，
申请(专利权)人：四川互慧软件有限公司，
类型：发明
国别省市：