【技术实现步骤摘要】
本专利技术属于人工智能目标检测，尤其涉及一种基于术前检测指标的术后谵妄预测模型的训练方法及设备。
技术介绍
1、术后谵妄(postoperative delirium，pod)是老年髋部骨折患者术后常见并发症，主要以注意力不集中、意识水平及认知功能障碍为特征，病情在短时间内呈波动性变化；且随着时间推移，pod患者远期认知功能下降比率显著升高，容易进展为慢性认知功能障碍乃至阿尔兹海默症，严重影响患者的预后及转归。然而，由于pod的发病机制不明，且患者临床症状多样，短期内病情常有波动，使其早期诊断十分困难。
2、随着深度学习技术的快速发展，神经网络在临床医学领域得到了广泛应用，可进行大规模数据筛选，进行各种重大疾病的预测和评估等。为了加强对pod发病机制研究，寻找特异性行为学特征及生物学标志物作为pod预测与早期诊断指标，通过深度学习算法实现pod早期预测成为可能。
技术实现思路
1、鉴于上述的分析，本专利技术旨在提供一种基于术前检测指标的术后谵妄预测模型的训练方法及设备，用于解决现有技术中无法在术前对患者的术后谵妄情况进行准确预测，或由于预测指标单一，预测准确度差的问题。
2、本专利技术的目的主要是通过以下技术方案实现的：
3、一方面，本专利技术提供了一种基于术前检测指标的术后谵妄预测模型的训练方法，该方法包括：获取多个患者的多个术前检测指标，并进行数据预处理，得到每个患者的眼跳及脑电关联数据和包括生物标志物指标数据的结构化数据，并对每个所述数据标
4、构建术后谵妄预测模型，所述术后谵妄预测模型包括并行设置的眼跳及脑电联合特征提取模块和结构化数据特征提取模块，以及用于基于所述眼跳及脑电联合特征提取模块和结构化数据特征提取模块提取的特征向量进行分类预测的特征融合预测模块；
5、利用所述训练样本集中的数据，对所述术后谵妄预测模型进行迭代训练，得到收敛的术后谵妄预测模型。
6、进一步的，所述眼跳及脑电联合特征提取模块基于transformer模型训练得到，用于对所述眼跳及脑电关联数据进行特征提取，得到第一特征向量；
7、所述结构化数据特征提取模块基于多层感知机训练得到，用于对所述结构化数据进行特征提取，得到第二特征向量；
8、所述特征融合预测模块包括融合层和全连接层，用于对所述第一特征向量和第二特征向量进行向量拼接及分类预测，得到术后谵妄预测结果。
9、进一步的，对所述术后谵妄预测模型进行迭代训练，包括：
10、对所述眼跳及脑电联合特征提取模块、结构化数据特征提取模块和特征融合预测模块分别设置损失函数；
11、为每个模块的损失函数分配权重，得到总的损失函数；
12、利用所述训练样本集中的数据，基于总的所述损失函数，采用梯度下降法进行模型参数的迭代训练，得到收敛的术后谵妄预测模型。
13、进一步的，为每个模块设置的所述损失函数如下式所示：
14、
15、其中，x表示输入的样本数据，y表示实际的标签，术后谵妄标签为1，术后非谵妄标签为0,px表示样本x预测为正类的概率，n表示样本总数量。
16、进一步的，所述术前检测指标包括眼跳数据、脑电数据、生物标志物指标数据、人口学数据、谵妄评估量表数据和认知量表数据；
17、在得到多个患者的多个术前检测指标后，还包括获取每个患者术后的谵妄评估量表数据，用于评估所述患者为术后谵妄患者或术后非谵妄患者，以对每个所述患者对应的术前检测指标标注术后谵妄或术后非谵妄标签。
18、进一步的，所述眼跳数据包括术前采集的正向眼跳任务、反向眼跳任务和记忆诱导眼跳任务对应的眼跳数据的二维时序轨迹数据；所述脑电数据包括静息态脑电数据和执行眼跳任务时采集的事件相关电位；
19、所述眼跳及脑电关联数据包括所述二维时序轨迹数据、基于所述二维轨迹数据到的眼跳数据参数、对所述事件相关电位进行关键事件对齐后得到的所述高频时序序列数据和事件相关电位参数，以及静息态脑电数据功率谱数据。
20、进一步的，所述眼跳数据参数包括眼跳的正确率、反应时、空间误差、反应时标准差及空间误差标准差；
21、所述事件相关电位参数包括p50、n2pc、p200成分的振幅数值和潜伏期数值，以及额叶与后顶叶、后顶叶与枕叶间的连接系数；所述连接系数通过格兰杰因果分析得到。
22、进一步的，在对所述事件相关电位进行关键事件对齐后，根据所述患者的反应时，对所述事件相关电位划分时间窗，包括：对正向眼跳任务中采集的事件相关电位，将眼跳数据的起始点前200ms至前50ms划分为时间窗；对反向眼跳任务和记忆诱导眼跳任务中采集的事件相关电位，将眼跳数据的起始点前300ms至前50ms划分为时间窗；
23、对所述时间窗内的数据进行时频分析和格兰杰因果分析，得到所述事件相关电位参数。
24、进一步的，所述生物标志物指标数据包括脑脊液及外周血检测指标，包括：脑源性相关标志物：β-淀粉样蛋白(amyloidβ-protein，aβ)、tau蛋白、神经丝轻链蛋白(neurofilament light chain，nfl)；炎症相关标志物：白介素家族、肿瘤坏死因子、c反应蛋白；神经递质：胆碱能-多巴胺系统、单胺类、γ－氨基丁酸；激素类物质：皮质醇、褪黑素；
25、所述结构化数据还包括；人口学数据、谵妄评估量表数据和认知量表数据；
26、对所述人口学数据、谵妄评估量表数据、认知量表数据和生物标志物指标数据进行归一化处理并进行数据整合，得到包括归一化后的人口学数据、谵妄评估量表数据、认知量表数据和生物标志物指标数据的结构化数据。
27、另一方面，还公开了一种计算机设备，包括至少一个处理器，以及至少一个与所述处理器通信连接的存储器；
28、所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现前述的基于术前检测指标的术后谵妄预测模型的训练方法。
29、本技术方案的有益效果：
30、1.本专利技术通过在术前执行经典的眼跳行为范式及针对性强的其他眼跳范式，同时采集被试者执行任务erp及静息态时的脑电信号，探究各眼跳范式执行情况及各参数与认知功能之间的关联，并建立眼跳行为范式与传统神经心理认知量表及生物标志物之间的联系；利用神经心理认知量表、行为学特征(以眼跳及erp脑电参数为核心)及生物学标志物(外周血及脑脊液关键指标)，构建基于深度学习的术后谵妄预测模型，提高了术前对患者术后谵妄预测的准确性；
31、2.本专利技术分别采用适用于眼跳数据及脑电数据等时序轨迹数据的transformer模型，和适用于包括文本和数字的结构化数据的多层感知机模型，构建术后谵妄预测模型，实现了眼跳数据、脑电数据和结构化数据的特征融合，提高了术后谵妄预测的准确性。
32、本专利技术的其本文档来自技高网...
【技术保护点】
1.一种基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，
3.根据权利要求1所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，对所述术后谵妄预测模型进行迭代训练，包括：
4.根据权利要求3所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，为每个模块设置的所述损失函数如下式所示：
5.根据权利要求1所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，所述术前检测指标包括眼跳数据、脑电数据、生物标志物指标数据、人口学数据、谵妄评估量表数据和认知量表数据；
6.根据权利要求5所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，所述眼跳数据包括术前采集的正向眼跳任务、反向眼跳任务和记忆诱导眼跳任务对应的眼跳数据的二维时序轨迹数据；所述脑电数据包括静息态脑电数据和执行眼跳任务时采集的事件相关电位；
7.根据权利要求6所述的基于术前检测指标的术后谵妄预测模型的训练方法，其
8.根据权利要求7所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，在对所述事件相关电位进行关键事件对齐后，根据所述患者的反应时，对所述事件相关电位划分时间窗，包括：对正向眼跳任务中采集的事件相关电位，将眼跳数据的起始点前200ms至前50ms划分为时间窗；对反向眼跳任务和记忆诱导眼跳任务中采集的事件相关电位，将眼跳数据的起始点前300ms至前50ms划分为时间窗；
9.根据权利要求1所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，所述生物标志物指标数据包括脑脊液及外周血检测指标，包括：脑源性相关标志物：β-淀粉样蛋白(amyloidβ-protein，Aβ)、Tau蛋白、神经丝轻链蛋白(neurofilament lightchain，NFL)；炎症相关标志物：白介素家族、肿瘤坏死因子、C反应蛋白；神经递质：胆碱能-多巴胺系统、单胺类、γ－氨基丁酸；激素类物质：皮质醇、褪黑素；
10.一种计算机设备，其特征在于，包括至少一个处理器，以及至少一个与所述处理器通信连接的存储器；
...【技术特征摘要】
1.一种基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，
3.根据权利要求1所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，对所述术后谵妄预测模型进行迭代训练，包括：
4.根据权利要求3所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，为每个模块设置的所述损失函数如下式所示：
5.根据权利要求1所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，所述术前检测指标包括眼跳数据、脑电数据、生物标志物指标数据、人口学数据、谵妄评估量表数据和认知量表数据；
6.根据权利要求5所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，所述眼跳数据包括术前采集的正向眼跳任务、反向眼跳任务和记忆诱导眼跳任务对应的眼跳数据的二维时序轨迹数据；所述脑电数据包括静息态脑电数据和执行眼跳任务时采集的事件相关电位；
7.根据权利要求6所述的基于术前检测指标的术后谵妄预测模型的训练方法，其特征在于，所述眼跳数据参数包...
【专利技术属性】
技术研发人员：康猛，贾斐，韩永正，吴俊儒，苏佳雯，刘涛涛，李正迁，杨宁，曲音音，李民，郭向阳，张鸣沙，邓甜，
申请(专利权)人：北京大学第三医院北京大学第三临床医学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。