一种Ⅱ型糖尿病危险因素的强化学习因果发现方法技术

本发明专利技术涉及一种

【技术实现步骤摘要】
一种Ⅱ型糖尿病危险因素的强化学习因果发现方法


[0001]本专利技术涉及糖尿病危险因素因果发现
，涉及一种Ⅱ型糖尿病危险因素的强化学习因果发现方法，尤其涉及一种现有Ⅱ型糖尿病危险因素的研究大多是基于统计的相关性分析，难以揭示危险因素之间的因果关系，且缺少对因果关系直接描述问题下的Ⅱ型糖尿病危险因素因果发现方法
。

技术介绍

[0002]随着生活质量提高与生活方式的改变，全世界糖尿病患者比例逐年提高，糖尿病已成为严重威胁人类健康的流行疾病
。
糖尿病危险因素备受医学人员和研究人员关注，如何有效分析糖尿病危险因素成为亟待解决的问题
。
目前，国内外主要从新危险因素发掘和危险因素关系分析两个方面展开研究
。
[0003]糖尿病危险因素的研究不仅有利于深入理解糖尿病病理生理，更有利于对症下药
、
减少药物副作用
。
但是，现有
T2DM
危险因素研究大多基于统计的相关性分析，难以有效揭示危险因素之间的因果关系，越来越多的临床决策需要因果知识；目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种Ⅱ型糖尿病危险因素的强化学习因果发现方法，其特征在于，包括如下步骤：对原始数据进行预处理且标准化；引入强化学习因果发现方法，生成Ⅱ型糖尿病危险因素初始因果结构；计算逆信息熵因果强度，并且构建Ⅱ型糖尿病危险因素因果发现模型；设计Ⅱ型糖尿病危险因素因果发现算法流程，得到最终Ⅱ型糖尿病危险因素因果结构
。2.
根据权利要求1所述的Ⅱ型糖尿病危险因素的强化学习因果发现方法，其特征在于，所述对原始数据进行预处理且标准化的步骤至少包括：
Z
‑
score
的标准化计算，其中，计算公式在于，其中，
x
是个体观测值，
μ
是总体数据的均值，
σ
是总体数据的标准差
。3.
根据权利要求1或2所述的Ⅱ型糖尿病危险因素的强化学习因果发现方法，其特征在于，所述引入强化学习因果发现方法，生成Ⅱ型糖尿病危险因素初始因果结构的步骤至少包括：强化学习采用编码解码器模型来生成有向图，其中，编码器由6个相同的编码层堆叠而成，每一编码层有两个子层；第一子层是一个多头自注意力网络，第二子层是按照位置排列的全连接前馈网络；子层之间采用残差连接，并进行各子层的归一化输出
。4.
根据权利要求1～3任一项所述的Ⅱ型糖尿病危险因素的强化学习因果发现方法，其特征在于，每个子层的输出为：
LayerNorm(x+Sublayer(x))
其中，
Sublayer(x)
是子层本身函数的实现
。5.
根据权利要求1～4任一项所述的Ⅱ型糖尿病危险因素的强化学习因果发现方法，其特征在于，所述引入强化学习因果发现方法，生成Ⅱ型糖尿病危险因素初始因果结构的步骤还包括：采用单层解码器，其中，所述解码器输出表达式如下：
g(W1，
W2，
u)
＝
u
T
tanh(W1enc
i
+W2enc
j
)
其中，
W1，是可训练的参数，
d
h
是解码器相关的隐藏层数，
d
n
是编码器输出
enc
i
的维度，
tanh
是激活函数
。6.
根据权利要求1～5任一项所述的Ⅱ型糖尿病危险因素的强化学习因果发现方法，其特征在于，所述引入强化学习因果发现方法，生成Ⅱ型糖尿病危险因素初始因果结构的步骤还包括：将每一项
g
输入到
sigmoid
函数中，并根据概率为
σ
(g
ij
)
的伯努利分布进行采样；标记邻接矩阵中的第
(i
，
i)
项；当所有变量的编码器信息被循环输入，得到一个完整的有向图邻接矩阵，此邻接矩阵表示有向图
G
，其中，得分函数采用
BIC
得分函数，关于图
G
的
BIC
得分函数是：
其中，是最大似然估计，表示给定参数个数时观测数据的概率，
d
L
表示参数
L
的维度，
m
表示观测数据
X
的数据量
。7.
根据权利要求1～6任一项所述的Ⅱ型糖尿病危险因素的强化学习因果发现方法，其特征在于，应用
BIC
得分和约束项对奖惩项进行调整，其中，奖惩包括得分函数和两项无环约束，来确保产生的图是有向...

【专利技术属性】
技术研发人员：高秀娥，胡建刚，陈波，陈世峰，桑海涛，
申请(专利权)人：岭南师范学院，
类型：发明
国别省市：