← 返回列表
一种基于异构数据的糖尿病弱监督分类方法
摘要文本
本发明公开了一种基于异构数据的糖尿病弱监督分类方法，属于糖尿病类型诊断技术领域，包括：变分推理子模块，通过对去除冗余信息的静态指标数据构建高斯混合模型来拟合其分布，其后验概率分布用变分分布来近似，利用KL散度测量变分分布与后验概率的距离，最大化证据下界来求解最小KL散度，得到的潜在变量可反映出生理标志物数据的聚类归属；慢速对比学习子模块，通过对生理信号数据监测，利用慢特征分析方法挖掘动态监测数据的内在属性，形成正负样本对，构建基于慢速特征的慢速对比学习框架，学习生理信号的表征信息；证据集成模块对两个子模块结果通过改进的DS理论进行融合。本发明以在弱监督条件下构建多维互补特征与糖尿病类型间的映射关系。 关注公众号专利查询网
申请人信息
- 申请人:北京理工大学
- 申请人地址:100081 北京市海淀区中关村南大街5号
- 发明人: 北京理工大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于异构数据的糖尿病弱监督分类方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311418707.X |
| 申请日 | 2023/10/30 |
| 公告号 | CN117373656A |
| 公开日 | 2024/1/9 |
| IPC主分类号 | G16H50/20 |
| 权利人 | 北京理工大学 |
| 发明人 | 史大威; 王磊; 陈婧; 蔡德恒; 王军政 |
| 地址 | 北京市海淀区中关村南大街5号 |
专利主权项内容
1.一种基于异构数据的糖尿病弱监督分类方法，其特征在于，包括以下步骤：S1、针对生理标志物数据的变分推理子模块，对医疗记录中的生物标志物数据去除冗余信息，然后构建高斯混合模型来拟合其分布，其后验概率分布用变分分布来近似，利用KL散度来测量变分分布与后验概率之间的距离，最大化证据下界来求取最小KL散度，得到可反映出生物标志物数据的聚类归属的潜在变量；S2、针对FGM数据的慢速对比学习子模块，通过对生理信号数据的监测，利用慢特征分析方法挖掘动态监测数据的内在属性，构建基于慢速特征正负样本对的分层对比学习框架，学习生理信号的表征信息，用于下游的糖尿病分类任务；S3、证据集成模块利用改进的DS理论对变分推理子模块和慢速对比学习子模块结果进行融合。 来源：马 克 团 队