一种骨密度预测方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及数据处理技术领域，尤其涉及一种骨密度预测方法、装置、电子设备及存储介质，该方法应用于基于TabNet和自步学习的骨密度预测模型，将预处理后的临床量表数据经批量标准化层和特征转换器模块得到初始提取特征；将经过切分得到的第一前列提取特征和第一后列提取特征通过G个决策步模块得到目标决策特征；将目标决策特征输入全连接层得到待预测对象的骨密度预测值。其中，每个决策步模块包括注意力转换器模块、掩码层、特征转换器模块、切分层以及激活函数层。这样，本申请通过利用深度学习的强大能力进行特征学习，减少了对专业特征工程的依赖，同时通过注意力机制增强了模型对关键特征的捕捉能力，可以提高模型预测的准确性和可靠性。

【技术实现步骤摘要】

本申请涉及数据处理，尤其涉及一种骨密度预测方法、装置、电子设备及存储介质。

技术介绍

1、在现有的预测模型中，传统的机器学习方法往往依赖于复杂的特征工程和专业知识，这不仅增加了模型开发的难度，也限制了模型的泛化能力和自动化程度。此外，这些方法通常无法有效处理数据中的缺失值和异常值，而缺失值和异常值在临床量表数据中尤为常见，从而影响了预测模型的准确性和可靠性。

技术实现思路

1、本申请实施例提供了一种骨密度预测方法、装置、电子设备及存储介质，旨在解决模型预测的准确性和可靠性问题。

2、第一方面，本申请实施例提供了一种骨密度预测方法，应用于训练好的骨密度预测模型，所述骨密度预测模型是基于tabnet和自步学习的深度学习模型，所述骨密度预测模型包括批量标准化层、特征转换器模块、切分层、g个决策步模块以及全连接层，g为正整数，所述方法包括：

3、获取待预测对象的临床量表数据，并对所述临床量表数据进行预处理；

4、将预处理后的所述临床量表数据经所述批量标准化层和所述特征转换器模块进行本文档来自技高网...

【技术保护点】

1.一种骨密度预测方法，其特征在于，应用于电子设备，所述电子设备部署有训练好的骨密度预测模型，所述骨密度预测模型是基于TabNet和自步学习的深度学习模型，所述骨密度预测模型包括批量标准化层、特征转换器模块、切分层、G个决策步模块以及全连接层，G为正整数，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述特征转换器模块包括跨决策步共享单元和单步独立决策单元，所述跨决策步共享单元和单步独立决策单元均包括多个决策步网络，每个决策步网络包括全连接层、批量标准化层、门线性单元层；所述将预处理后的所述临床量表数据经所述批量标准化层和所述特征转换器模块进行特征提取，得到初始提...

【技术特征摘要】

1.一种骨密度预测方法，其特征在于，应用于电子设备，所述电子设备部署有训练好的骨密度预测模型，所述骨密度预测模型是基于tabnet和自步学习的深度学习模型，所述骨密度预测模型包括批量标准化层、特征转换器模块、切分层、g个决策步模块以及全连接层，g为正整数，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述特征转换器模块包括跨决策步共享单元和单步独立决策单元，所述跨决策步共享单元和单步独立决策单元均包括多个决策步网络，每个决策步网络包括全连接层、批量标准化层、门线性单元层；所述将预处理后的所述临床量表数据经所述批量标准化层和所述特征转换器模块进行特征提取，得到初始提取特征，包括：

3.根据权利要求2所述的方法，其特征在于，所述跨决策步共享单元包括q个决策步网络，q为正整数；所述将所述归一特征输入所述跨决策步共享单元进行共性特征提取，得到初始中间特征，包括：

4.根据权利要求2所述的方法，其特征在于，所述单步独立决策单元包括k个决策步网络，k为正...

【专利技术属性】
技术研发人员：司海朋，李春林，朱旗，郑楚杭，李梦彬，张镕涵，
申请(专利权)人：山东大学齐鲁医院，
类型：发明
国别省市：