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！

龙图腾网获悉扬州大学申请的专利一种基于时序模型心力衰竭不良事件预测方法及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：CN116230224B 。

龙图腾网通过国家知识产权局官网在2026-04-03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：202211704625.7，技术领域涉及：G16H50/30；该发明授权一种基于时序模型心力衰竭不良事件预测方法及系统是由李斌;张金祥;许天涵设计研发完成，并于2022-12-29向国家知识产权局提交的专利申请。

本一种基于时序模型心力衰竭不良事件预测方法及系统在说明书摘要公布了：本发明公布了一种基于时序模型心力衰竭不良事件预测方法及系统，首先，提取心力衰竭患者数据；接着对提取出的心力衰竭患者数据进行预处理提取出需要的变量；通过使用Fancyimpute工具对抽取出的数据进行缺失值补齐；用Bi‑LSTM来训练补齐好的数据学习患者的时序信息；用注意力机制来学习患者每次访问中不同变量的重要性；用对比损失函数作为训练的损失函数，解决数据不平衡问题，实现对心力衰竭患者不良事件的预测。本发明通过处理数据缺失值和使用对比损失来处理数据缺失和数据不平衡问题，更好的获得患者的表示，提高模型的预测性能，且更好的学习心力衰竭患者每次访问的时序信息和变量之间的关系，提高系统的可解释性，同时为医生的不良事件判断提供了可靠的依据。

本发明授权一种基于时序模型心力衰竭不良事件预测方法及系统在权利要求书中公布了：1.一种基于时序模型心力衰竭不良事件预测方法，其特征在于，包括以下步骤： 1从公开数据集MIMIC-III中提取出诊断为心力衰竭的患者数据，并对数据进行预处理提取出需要的信息； 2通过使用Fancyimpute工具中的Biscaler对抽取出的数据进行缺失值补齐； 3用Bi-LSTM来训练补齐后的数据学习患者的时序信息； 4基于注意力机制学习患者每次访问中不同变量的重要性； 5用对比损失函数作为训练的损失函数，解决数据不平衡问题，实现对心力衰竭患者的不良事件的预测； 所述步骤3实现过程如下： 将患者的人口统计学、诊断信息、用药信息、手术信息、ICU停留信息和实验室检测拼接起来，生成一个66维的信息xi； 利用一个校正的线性单元和线性映射函数来获得访问表示，将患者信息嵌入为低维的向量表示vi，计算公式如下： vi＝ReLUWvxi+bc 其中，Wv∈Rm×L是可以排序每个医疗代码的重要性的权重矩阵，m是嵌入向量vi的大小； 将每位患者的访问信息作为输入，利用Bi-LSTM来学习患者的时间序列信息，每个前向LSTM单元拥有一个存储单元状态Si，由三个Sigmoid门控制：忘记门Fi、输入门li和输出门Oi；忘记门Fi是用来决定应该从存储单元Si中丢弃哪些信息，而输入门li是用来决定将存储哪些信息；输出门Oi将决定输出电池状态Si的信息；通过这三个门，正向LSTM单元的隐藏状态的计算公式如下： Fi＝σWf[hi-1；vi]+bf Ii＝σWi[hi-1；vi]+bi Oi＝σWo[hi-1；vi]+bo 其中，[hi-1；vi]∈Rq+m是之前的隐藏状态hi-1和当前的访问嵌入向量vi的连接，q表示每个隐藏状态hi的维数，Wf，Wi，Wo，Ws∈Rq×q+m为要学习的权值矩阵，bf,bi,bo,bs∈Rq为偏置向量，σ为逻辑s型函数，表示元素级相乘运算，同样地得到一个后向的LSTM单元的隐藏状态然后得到一个Bi-LSTM细胞的隐藏状态hi，计算公式如下： 所述步骤4实现过程如下： 基于位置的注意机制来推导一个上下文向量Ct： 其中，hi表示第i次访问的隐藏状态，αti是从当前隐藏状态hi捕获权值的向量；αti通过如下公式计算： αti＝Wαhi+bα αt＝softmax[αt1,αt2,…,αtt-1] 其中，Wα∈Rq和bα∈R是要学习的参数，分别代表权重和偏差； 通过注意力机制和Bi-LSTM聚合时序信息和患者访问的模式信息，得到患者的最终表示计算公式如下： 所述步骤5实现过程如下： 将最终的患者表示向量放入对比损失函数中，将患者分成两类，损失函数如下： 其中，代表两个样本特征X1和X2的欧氏距离，P表示样本的特征维数，Y为两个样本是否匹配的标签，Y＝1代表两个样本相似或者匹配，Y＝0则代表不匹配，m为设定的阈值，N为样本个数。

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扬州大学，其通讯地址为：225009 江苏省扬州市大学南路88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。