买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利一种基于机器学习的血液透析中低血压预测系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120126809B 。

龙图腾网通过国家知识产权局官网在2025-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510337562.3，技术领域涉及：G16H50/70；该发明授权一种基于机器学习的血液透析中低血压预测系统是由金博;吕欣然;刘寨义;刘书馨设计研发完成，并于2025-03-21向国家知识产权局提交的专利申请。

本一种基于机器学习的血液透析中低血压预测系统在说明书摘要公布了：本发明公开了一种基于机器学习的血液透析中低血压预测系统，包括：信息录入模块、患者聚类模块、特征筛选模块、风险预测模块，风险预测模块通过构建静态数据风险预测模型和动态数据风险预测模型，完成对预测系统的构建；达到了在患者进行血液透析时提前预测低血压发生风险的技术，解决了血液透析治疗中无法事先预测低血压发生的问题。

本发明授权一种基于机器学习的血液透析中低血压预测系统在权利要求书中公布了：1.种基于机器学习的血液透析中低血压预测系统，其特征在于，包括： M1：信息录入模块；M2：患者聚类模块；M3：特征筛选模块；M4：风险预测模块； M1：信息录入模块，包括：录入患者的基本信息、透析前的测量数据、透析中的传感器机器数据； M2：患者聚类模块，包括： M2-1：设定K-means聚类模型参数K，K表示事先给定的聚类数，录入患者的基本信息为输入特征，每个患者视为，K-means算法将样本聚类成k个簇cluster； M2-2：随机选取k个聚类质心点clustercentroids为； M2-3：重复下面过程直到收敛； M2-3-1：对于每一个样例i，计算其应该属于的类，公式如下： M2-3-2：对于每一个类j，重新计算该类的质心，公式如下： 式中，表示样例i与k个类中距离最近的类，表示质心代表对属于同一个类的样本中心点的猜测，重复迭代M2-3直到质心不变或者质心在两次迭代之间的移动距离都小于预设阈值，阈值在实验中设置为0.001； M3：特征筛选模块，包括：根据患者计算器的基本信息以及透析前的测量数据进行特征筛选，得到进行低血压风险预测的特征种类； M3-1：根据多名患者的基本信息以及透析前测量数据作为特征输入，使用L1正则化和计算特征重要性随机森林分别对静态特征进行筛选； Lasso通过引入L1正则化来推动部分特征系数稀疏化，Lasso根据回归系数绝对值的大小对其进行惩罚，并强制某些系数为零，最终保留最有用的特征，Lasso回归的目标函数如下所示： 式中，λ正则化参数，β为回归系数，β0表示回归直线在y轴上的截距，则是L1范数惩罚项； 随机森林对每个特征在森林中的每颗树上做的贡献进行对比，其中贡献使用基尼指数作为评价指标来衡量，将变量重要性评分用VIM来表示，将Gini指数用GI来表示，假设有J个特征X1，X2，X3，…,XJ，I棵决策树，C个类别，现在要计算出每个特征Xj的Gini指数评分，第i棵树节点q的Gini指数的计算公式为： 对于两种特征选择方法所得结论，同时考虑两种特征选择的实验组进行对比实验，最终选择使用随机森林选择贡献度前10的特征，并通过Lasso算法判断是否存在其他需要引入特征，具体方法为：通过根据Lasso公式中正则化参数λ的大小对回归系数β绝对值进行惩罚，并强制某些系数β为零，实验中λ的取值为10的-5到10的2次方，遍历每个λ值并训练Lasso模型，使用交叉验证以选择最佳的λ值，最大迭代次数为10000次，最后返回最佳的λ值，保留最有用的特征； M4：风险预测模块，包括：根据患者的基本信息、透析前的测量数据以及透析中的传感器机器数据，使用血液透析中低血压预测模型对患者本次血液透析发生低血压事件的风险进行预测； M4-1：构建静态数据风险预测模型； 使用逻辑回归构建一个线性模型，即线性组合输入特征，线性模型的输出被映射到一个概率值，使用Sigmoid函数，将线性模型的输出值转换为一个在0到1之间的概率值，公式如下： 式中，表示样本点x关于θ的函数，θ表示一个向量，g表示逻辑函数；在二分类问题中，支持向量机的目标是找到一个能够将两类样本分开的超平面，假设一个超平面H公式为： 其中w为权重，b为一个常数，通过此线性方程划分，同时存在两平行于H的超平面H1和H2： 超平面H分类即满足如下约束： 支持向量机通即过最大化超平面与离它最近的训练样本之间的间隔，来找到最佳的分离超平面； M4-2：构建动态数据风险预测模型； 长短期记忆神经网络模型是循环神经网络变体结构，通过循环使用同一个网络神经元来处理任意长度的序列,引入了门控机制，包括：输入门、遗忘门、输出门，将序列前一个特征传递给后面作为输入,从而捕获到完整的序列前后特征信息；其中，输入门、遗忘门、输出门方程如下： 其中，w为权重，x为输入，b为一个常数，h表示当前输入的隐藏状态；对于每个单元，其输入输出如下： 其中，是时间戳t处的单元状态，是时间戳t处的单元状态候选；BiLSTM是LSTM的扩展，在每个时间步同时处理过去和未来的信息，其包括两个隐藏层，分别处理正向和反向的序列数据，最后将两个方向的信息合并，以获得更全面的序列表示； 计算前向隐藏序列，然后计算背景序列，得到一个输出：即为模型输出的预测风险； GRU是LSTM的一种变体，简化LSTM的门控机制，将LSTM中的遗忘门和输入门合并为一个更新门，并引入重置门来控制从当前输入到隐藏状态的流动，其中更新门的公式为： 重置门的公式为： 其中，W为权重矩阵，U为单元矩阵； M4-3：计算偏置值与权重； 输入，其中，为静态数据风险预测模型与动态数据风险预测模型的初步预测结果矩阵，为是否真正发生低血压，给定特征权重及偏置值b,参考伯努利分布，将样本属于每个类别的概率表示为： 将每个聚类中的特征权重及偏置值分别收集，在得到初步预测结果后添加权重和偏置值对预测结果进行加权整合，输出最终预测结果，权重和偏置值通过逻辑回归输出。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116000 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。