CN117349732A - 基于人工智能的高流量湿化治疗仪管理方法及*** - Google Patents
基于人工智能的高流量湿化治疗仪管理方法及*** Download PDFInfo
- Publication number
- CN117349732A CN117349732A CN202311489871.XA CN202311489871A CN117349732A CN 117349732 A CN117349732 A CN 117349732A CN 202311489871 A CN202311489871 A CN 202311489871A CN 117349732 A CN117349732 A CN 117349732A
- Authority
- CN
- China
- Prior art keywords
- sample
- samples
- flow
- feature
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000001225 therapeutic effect Effects 0.000 title claims abstract description 87
- 238000007726 management method Methods 0.000 title claims abstract description 83
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000035772 mutation Effects 0.000 claims abstract description 16
- 230000000739 chaotic effect Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 36
- 238000002560 therapeutic procedure Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000003786 synthesis reaction Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000001308 synthesis method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 239000001301 oxygen Substances 0.000 claims description 3
- 229910052760 oxygen Inorganic materials 0.000 claims description 3
- 238000002640 oxygen therapy Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000009423 ventilation Methods 0.000 claims description 3
- 230000003434 inspiratory effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能的高流量湿化治疗仪管理方法及***,方法包括:数据采集、缺失值处理、平衡数据集、构建高流量湿化治疗仪管理模型和高流量湿化治疗仪管理。本发明属于治疗仪管理技术领域,具体是指基于人工智能的高流量湿化治疗仪管理方法及***,本方案使用局部中值和高斯朴素贝叶斯算法填补缺失值;过滤孤立样本点,通过计算多数类聚类中心和子聚类的距离,确定每个子聚类的权重值和需要合成的新样本数量,使用随机线性插值和最近邻样本生成新样本;使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,完成模型的构建。
Description
技术领域
本发明属于治疗仪管理技术领域,具体是指基于人工智能的高流量湿化治疗仪管理方法及***。
背景技术
高流量湿化治疗仪管理是指根据患者的治疗效果进行管理,以确保患者能够获得有效的治疗。但是传统的缺失值处理算法存在生成大量冗余样本,并且未充分利用样本分布信息中特征之间的相关性,给数据带来噪声和产生重叠数据,导致模型过拟合的问题;现有的平衡数据集算法是随机采样或仅对特定区域进行采样,存在分类效果不佳和分类困难的问题;传统的高流量湿化治疗仪管理模型存在容易陷入局部最优,降低模型性能的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了基于人工智能的高流量湿化治疗仪管理方法及***,针对传统的缺失值处理算法存在生成大量冗余样本,并且未充分利用样本分布信息中特征之间的相关性,给数据带来噪声和产生重叠数据,导致模型过拟合的问题,本方案使用缺失值排序方法确保先处理缺失值数量较少的特征,采用局部中值和高斯朴素贝叶斯算法填补缺失值,并基于装箱和反装箱操作,提高数据的质量,提高填充缺失值的准确性和效率,减少了冗余和重叠,提高模型的泛化能力,避免过拟合的问题;针对现有的平衡数据集算法是随机采样或仅对特定区域进行采样,存在分类效果不佳和分类困难的问题,本方案增加过滤孤立样本点操作,提高数据的质量,计算多数类聚类中心和使用K-means算法为少数类样本集生成O个聚类,令接近多数类聚类中心的子聚类被分配更高的权重值和更多数量的合成样本,避免了新合成的样本和多数类样本之间的重叠,保证合成的新样本更好地覆盖少数类样本集的分布情况,提高数据的多样性;针对传统的高流量湿化治疗仪管理模型存在容易陷入局部最优,降低模型性能的问题,本方案使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,提高初始位置的质量,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,避免模型陷入局部最优,提高模型的性能和效率。
本发明采取的技术方案如下:本发明提供的基于人工智能的高流量湿化治疗仪管理方法,该方法包括以下步骤:
步骤S1:数据采集,采集高流量湿化治疗仪数据;
步骤S2:缺失值处理,基于缺失值数量对特征排序,优先对缺失值数量少的特征使用局部中值和高斯朴素贝叶斯算法填补缺失值;
步骤S3:平衡数据集,过滤孤立样本点,计算多数类聚类中心和为少数类样本集生成子聚类,通过计算多数类聚类中心和子聚类的距离,确定每个子聚类的权重值和需要合成的新样本数量,使用随机线性插值和最近邻样本生成新样本;
步骤S4:构建高流量湿化治疗仪管理模型,使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,完成模型的构建;
步骤S5:高流量湿化治疗仪管理,基于高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
进一步地,在步骤S1中,所述数据采集是采集高流量湿化治疗仪数据,包括无创正压调节温度、高流量湿化氧疗温度、HFLOW流量、LFLOW流量、吸气正压、呼气正压、通气模式、输出气体氧浓度,将治疗效果等级作为数据分类标签。
进一步地,在步骤S2中,所述缺失值处理具体包括以下步骤:
步骤S21:计算缺失值数量并进行排序,基于采集的高流量湿化治疗仪数据构建原始特征矩阵,计算原始特征矩阵的每个特征的缺失值数量,根据缺失值数量的大小对特征进行排序,得到特征的索引值,所用公式如下:
sortindex=arg sort(A.isnull().sum());
式中,A是特征矩阵,isnull()用于判断每个元素是否为缺失值,sum()用于计算每个特征的缺失值数量,arg sort()用于返回排序后的索引值,sortindex是特征矩阵中每个特征的缺失值数量的排序索引;
步骤S22:填补缺失值,对缺失值数量最少的特征列进行缺失值填充处理,步骤如下:
步骤S221:特征处理,对原始特征矩阵进行装箱并离散化,得到N1个类别;
步骤S222:构建特征训练集和特征预测集,基于缺失值数量为0的特征列构建特征预测集,基于缺失值数量不为0的特征列构建特征训练集;
步骤S223:处理特征训练集,选择特征训练集中缺失值数量最少的特征列进行处理,用特征列的中位数对缺失值进行填补;
步骤S224:训练高斯朴素贝叶斯模型,使用处理后的特征训练集和数据分类标签训练高斯朴素贝叶斯模型;
步骤S225:预测缺失值,使用训练好的高斯朴素贝叶斯模型对特征预测集进行预测,得到缺失值的预测结果;
步骤S226:更新原始特征矩阵,对预测结果进行反装箱操作,得到原始的连续值,用来填补缺失值数量最少的特征列的缺失值,使用填补后的特征列更新原始特征矩阵;
步骤S23:填充完整,重复步骤S22,选择下一个缺失值数量最少的特征列进行处理,直至填充所有的缺失值。
进一步地,在步骤S3中,所述平衡数据集具体包括以下步骤:
步骤S31:过滤孤立样本点,基于缺失值处理后的数据构建原始不平衡数据集B、少数类样本集F和多数类样本集L,基于KNN算法计算少数类样本集F中所有样本点的K个最近邻样本,将K个最近邻样本都是多数类样本的样本点作为孤立样本点并删除;
步骤S32:计算需要***的总样本数量,预先设定采样后数据集的平衡率M,平衡率是数据集中少数类样本数量与多数类样本数量的比值,所用公式如下:
f’=M×l;
fadd=f’-(f-f0);
式中,fadd是需要***的总样本数量,f’是采样后少数类样本集中的样本数量,f是少数类样本集中的样本数量,f0是孤立样本点的数量,l是多数类样本集中的样本数量;
步骤S33:计算多数类聚类中心,所用公式如下:
;
;
式中,是多数类样本的第i个特征的平均值,i是特征索引,xij是多数类样本集L中的第j个样本的第i个特征,j是样本索引,N2是多数类样本集L中的l个样本中存在的特征数量,/>是多数类聚类中心样本;
步骤S34:计算距离,使用K-means算法为少数类样本集F生成O个子聚类,每个子聚类的聚类中心为Qb,基于欧式距离算法计算每个子聚类的聚类中心Qb与多数类聚类中心之间的距离,所用公式如下:
;
;
式中,是少数类中第b个聚类中心的第i个特征,b是聚类中心索引,gb是少数类中第b个聚类中心与多数类聚类中心/>之间的距离;
步骤S35:计算每个子聚类的权重值,所用公式如下:
;
;
式中,Wb是少数类中第b个子聚类的权重值;
步骤S36:计算每个子聚类需要合成的新样本,所用公式如下:
hb=Wb×fadd,b=1,2,…,O;
式中,hb是第b个子聚类中需要合成的新样本个数;
步骤S37:生成新样本,步骤如下:
步骤S371:设定合成新样本初始值,随机选择一个子聚类Qb,从子聚类Qb中随机选择其中的一个样本u,根据KNN算法确定该样本u的z个最近邻样本,预先设定当前选择的子聚类Qb合成的新样本个数为vb,vb的初始值为0;
步骤S372:选择合成方式,若z≥(hb-vb),则转至步骤S3721,选择第一种合成方式合成新样本;否则,转至步骤S3722,选择第二种合成方式合成新样本,步骤如下:
步骤S3721:第一种合成方式,通过选择的样本u与其(hb-vb)个最近邻样本之间的随机线性插值分别生成总共(hb-vb)个新样本,则当前子聚类Qb的新样本合成完成,转至步骤S373,所用公式如下:
unew=u+rand(0,1)×(u-uz1);
式中,unew是生成的新样本,rand(0,1)是生成一个0到1之间的随机数,uz1是样本u的(hb-vb)个最近邻样本中的一个样本;
步骤S3722:第二种合成方式,通过选择的样本u与其z个最近邻样本之间的随机线性插值分别生成总共z个新样本,并更新vb的值,从当前选择的子聚类Qb中的剩余样本中重新随机抽取一个样本w,样本w≠样本u,转至步骤S372重新选择合成方式;
步骤S373:完成新样本生成,重复步骤S371-步骤S372,直至完成所有子聚类的新样本生成;
步骤S38:构建平衡数据集,将所有子聚类生成的新样本添加到原始不平衡数据集B中,获得平衡率为M的平衡数据集。
进一步地,在步骤S4中,所述构建高流量湿化治疗仪管理模型具体包括以下步骤:
步骤S41:构建训练数据集和测试数据集,从平衡数据集中随机选取70%的样本数据作为训练数据集,其余30%的样本数据作为测试数据集,用模型参数代表个体的位置;
步骤S42:初始化位置,步骤如下:
步骤S421:使用切比雪夫混沌地图生成个体初始位置,所用公式如下:
;
式中,是第a个个体在第d维的初始位置,LBd是个体搜索空间第d维的下边界,UBd是个体搜索空间第d维的上边界,ca-1是第a-1个个体的切比雪夫混沌值,c0是[0,1]内的随机数,a是个体索引,cos()是余弦函数,d是维度索引,N4是个体数量,D是个体维度;
步骤S422:训练高流量湿化治疗仪管理模型,利用python导入sklearn库基于当前参数调用SVM函数,基于训练数据集训练高流量湿化治疗仪管理模型,将基于参数建立的高流量湿化治疗仪管理模型性能作为个体适应度值;
步骤S423:优化精英个体初始位置,计算个体的适应度值,将其按照从大到小的顺序进行排列,选择前N5个个体作为精英个体,使用基于精英反向策略优化精英个体的初始位置,所用公式如下:
;
式中,是优化后第a个个体在第d维的初始位置,/>是步骤S421后的所有个体在第d维的下边界,/>是步骤S421后的所有个体在第d维的上边界,r1是[0,1]内的随机数,N5是精英个体的数量且N5<N4;
步骤S43:计算最优适应度值和全局最优位置,更新个体的适应度值,选择最高的适应度值作为最优适应度值Ebest,将最优适应度值Ebest对应的个***置作为全局最优位置Cbest;
步骤S44:位置更新,步骤如下:
步骤S441:基于动态权重因子更新个***置,为所有个体随机生成一个[0,1]内的随机数r3a,所用公式如下:
;
;
式中,ω是动态权重因子,t是当前迭代次数,T是最大迭代次数,RT是安全阈值且RT∈[0.5,1],μ是[0,0.1]内的随机数,Ca,d(t+1)是第t+1次迭代时第a个个体在第d维的位置,Ca,d(t)是第t次迭代时第a个个体在第d维的位置,exp()是以自然常数e为底的指数函数,r2是(0,1]内的随机数,G是服从正态分布的随机数,H是1×D行向量且其中所有元素都是1;
步骤S442:基于Levy飞行策略和突变策略优化位置,更新个体的适应度值和当前全局最优位置Cbest(t+1),所用公式如下:
;
式中,是优化后第t+1次迭代时第a个个体在第d维的位置,σ是突变因子且σ∈[0,1];
步骤S45:模型确定,预先设定适应度值评估阈值δ,更新最优适应度值和全局最优位置,当最优适应度值Ebest高于适应度值评估阈值δ时,则基于当前模型参数构建高流量湿化治疗仪管理模型;否则,若达到最大迭代次数T,则转至步骤S42;否则转至步骤S44。
进一步地,在步骤S5中,所述高流量湿化治疗仪管理是采集实时高流量湿化治疗仪数据,输入至高流量湿化治疗仪管理模型,根据高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
本发明提供的基于人工智能的高流量湿化治疗仪管理***,包括数据采集模块、缺失值处理模块、平衡数据集模块、构建高流量湿化治疗仪管理模型模块和高流量湿化治疗仪管理模块;
所述数据采集模块采集高流量湿化治疗仪数据,并将数据发送到缺失值处理模块;
所述缺失值处理模块基于缺失值数量对特征排序,优先对缺失值数量少的特征使用局部中值和高斯朴素贝叶斯算法填补缺失值,并将数据发送至平衡数据集模块;
所述平衡数据集模块过滤孤立样本点,计算多数类聚类中心和为少数类样本集生成子聚类,通过计算多数类聚类中心和子聚类的距离,确定每个子聚类的权重值和需要合成的新样本数量,使用随机线性插值和最近邻样本生成新样本,构建平衡数据集,并将数据发送至构建高流量湿化治疗仪管理模型模块;
所述构建高流量湿化治疗仪管理模型模块使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,完成模型的构建,并将数据发送至高流量湿化治疗仪管理模块;
所述高流量湿化治疗仪管理模块采集实时高流量湿化治疗仪数据,输入至高流量湿化治疗仪管理模型,根据高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
采用上述方案本发明取得的有益效果如下:
(1)针对传统的缺失值处理算法存在生成大量冗余样本,并且未充分利用样本分布信息中特征之间的相关性,给数据带来噪声和产生重叠数据,导致模型过拟合的问题,本方案使用缺失值排序方法确保先处理缺失值数量较少的特征,采用局部中值和高斯朴素贝叶斯算法填补缺失值,并基于装箱和反装箱操作,提高数据的质量,提高填充缺失值的准确性和效率,减少了冗余和重叠,提高模型的泛化能力,避免过拟合的问题。
(2)针对现有的平衡数据集算法是随机采样或仅对特定区域进行采样,存在分类效果不佳和分类困难的问题,本方案增加过滤孤立样本点操作,提高数据的质量,计算多数类聚类中心和使用K-means算法为少数类样本集生成O个聚类,令接近多数类聚类中心的子聚类被分配更高的权重值和更多数量的合成样本,避免了新合成的样本和多数类样本之间的重叠,保证合成的新样本更好地覆盖少数类样本集的分布情况,提高数据的多样性。
(3)针对传统的高流量湿化治疗仪管理模型存在容易陷入局部最优,降低模型性能的问题,本方案使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,提高初始位置的质量,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,避免模型陷入局部最优,提高模型的性能和效率。
附图说明
图1为本发明提供的基于人工智能的高流量湿化治疗仪管理方法的流程示意图;
图2为本发明提供的基于人工智能的高流量湿化治疗仪管理***的示意图;
图3为步骤S2的流程示意图;
图4为步骤S3的流程示意图;
图5为步骤S4的流程示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的基于人工智能的高流量湿化治疗仪管理方法,该方法包括以下步骤:
步骤S1:数据采集,采集高流量湿化治疗仪数据;
步骤S2:缺失值处理,基于缺失值数量对特征排序,优先对缺失值数量少的特征使用局部中值和高斯朴素贝叶斯算法填补缺失值;
步骤S3:平衡数据集,过滤孤立样本点,计算多数类聚类中心和为少数类样本集生成子聚类,通过计算多数类聚类中心和子聚类的距离,确定每个子聚类的权重值和需要合成的新样本数量,使用随机线性插值和最近邻样本生成新样本;
步骤S4:构建高流量湿化治疗仪管理模型,使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,完成模型的构建;
步骤S5:高流量湿化治疗仪管理,基于高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
实施例二,参阅图1,该实施例基于上述实施例,在步骤S1中,数据采集是采集高流量湿化治疗仪数据,包括无创正压调节温度、高流量湿化氧疗温度、HFLOW流量、LFLOW流量、吸气正压、呼气正压、通气模式、输出气体氧浓度,将治疗效果等级作为数据分类标签。
实施例三,参阅图1和图3,该实施例基于上述实施例,在步骤S2中,缺失值处理具体包括以下步骤:
步骤S21:计算缺失值数量并进行排序,基于采集的高流量湿化治疗仪数据构建原始特征矩阵,计算原始特征矩阵的每个特征的缺失值数量,根据缺失值数量的大小对特征进行排序,得到特征的索引值,所用公式如下:
sortindex=arg sort(A.isnull().sum());
式中,A是特征矩阵,isnull()用于判断每个元素是否为缺失值,sum()用于计算每个特征的缺失值数量,arg sort()用于返回排序后的索引值,sortindex是特征矩阵中每个特征的缺失值数量的排序索引;
步骤S22:填补缺失值,对缺失值数量最少的特征列进行缺失值填充处理,步骤如下:
步骤S221:特征处理,对原始特征矩阵进行装箱并离散化,得到N1个类别;
步骤S222:构建特征训练集和特征预测集,基于缺失值数量为0的特征列构建特征预测集,基于缺失值数量不为0的特征列构建特征训练集;
步骤S223:处理特征训练集,选择特征训练集中缺失值数量最少的特征列进行处理,用特征列的中位数对缺失值进行填补;
步骤S224:训练高斯朴素贝叶斯模型,使用处理后的特征训练集和数据分类标签训练高斯朴素贝叶斯模型;
步骤S225:预测缺失值,使用训练好的高斯朴素贝叶斯模型对特征预测集进行预测,得到缺失值的预测结果;
步骤S226:更新原始特征矩阵,对预测结果进行反装箱操作,得到原始的连续值,用来填补缺失值数量最少的特征列的缺失值,使用填补后的特征列更新原始特征矩阵;
步骤S23:填充完整,重复步骤S22,选择下一个缺失值数量最少的特征列进行处理,直至填充所有的缺失值。
通过执行上述操作,针对传统的缺失值处理算法存在生成大量冗余样本,并且未充分利用样本分布信息中特征之间的相关性,给数据带来噪声和产生重叠数据,导致模型过拟合的问题,本方案使用缺失值排序方法确保先处理缺失值数量较少的特征,采用局部中值和高斯朴素贝叶斯算法填补缺失值,并基于装箱和反装箱操作,提高数据的质量,提高填充缺失值的准确性和效率,减少了冗余和重叠,提高模型的泛化能力,避免过拟合的问题。
实施例四,参阅图1和图4,该实施例基于上述实施例,在步骤S3中,平衡数据集具体包括以下步骤:
步骤S31:过滤孤立样本点,基于缺失值处理后的数据构建原始不平衡数据集B、少数类样本集F和多数类样本集L,基于KNN算法计算少数类样本集F中所有样本点的K个最近邻样本,将K个最近邻样本都是多数类样本的样本点作为孤立样本点并删除;
步骤S32:计算需要***的总样本数量,预先设定采样后数据集的平衡率M,平衡率是数据集中少数类样本数量与多数类样本数量的比值,所用公式如下:
f’=M×l;
fadd=f’-(f-f0);
式中,fadd是需要***的总样本数量,f’是采样后少数类样本集中的样本数量,f是少数类样本集中的样本数量,f0是孤立样本点的数量,l是多数类样本集中的样本数量;
步骤S33:计算多数类聚类中心,所用公式如下:
;
;
式中,是多数类样本的第i个特征的平均值,i是特征索引,xij是多数类样本集L中的第j个样本的第i个特征,j是样本索引,N2是多数类样本集L中的l个样本中存在的特征数量,/>是多数类聚类中心样本;
步骤S34:计算距离,使用K-means算法为少数类样本集F生成O个子聚类,每个子聚类的聚类中心为Qb,基于欧式距离算法计算每个子聚类的聚类中心Qb与多数类聚类中心之间的距离,所用公式如下:
;
;
式中,是少数类中第b个聚类中心的第i个特征,b是聚类中心索引,gb是少数类中第b个聚类中心与多数类聚类中心/>之间的距离;
步骤S35:计算每个子聚类的权重值,所用公式如下:
;
;
式中,Wb是少数类中第b个子聚类的权重值;
步骤S36:计算每个子聚类需要合成的新样本,所用公式如下:
hb=Wb×fadd,b=1,2,…,O;
式中,hb是第b个子聚类中需要合成的新样本个数;
步骤S37:生成新样本,步骤如下:
步骤S371:设定合成新样本初始值,随机选择一个子聚类Qb,从子聚类Qb中随机选择其中的一个样本u,根据KNN算法确定该样本u的z个最近邻样本,预先设定当前选择的子聚类Qb合成的新样本个数为vb,vb的初始值为0;
步骤S372:选择合成方式,若z≥(hb-vb),则转至步骤S3721,选择第一种合成方式合成新样本;否则,转至步骤S3722,选择第二种合成方式合成新样本,步骤如下:
步骤S3721:第一种合成方式,通过选择的样本u与其(hb-vb)个最近邻样本之间的随机线性插值分别生成总共(hb-vb)个新样本,则当前子聚类Qb的新样本合成完成,转至步骤S373,所用公式如下:
unew=u+rand(0,1)×(u-uz1);
式中,unew是生成的新样本,rand(0,1)是生成一个0到1之间的随机数,uz1是样本u的(hb-vb)个最近邻样本中的一个样本;
步骤S3722:第二种合成方式,通过选择的样本u与其z个最近邻样本之间的随机线性插值分别生成总共z个新样本,并更新vb的值,从当前选择的子聚类Qb中的剩余样本中重新随机抽取一个样本w,样本w≠样本u,转至步骤S372重新选择合成方式;
步骤S373:完成新样本生成,重复步骤S371-步骤S372,直至完成所有子聚类的新样本生成;
步骤S38:构建平衡数据集,将所有子聚类生成的新样本添加到原始不平衡数据集B中,获得平衡率为M的平衡数据集。
通过执行上述操作,针对现有的平衡数据集算法是随机采样或仅对特定区域进行采样,存在分类效果不佳和分类困难的问题,本方案增加过滤孤立样本点操作,提高数据的质量,计算多数类聚类中心和使用K-means算法为少数类样本集生成O个聚类,令接近多数类聚类中心的子聚类被分配更高的权重值和更多数量的合成样本,避免了新合成的样本和多数类样本之间的重叠,保证合成的新样本更好地覆盖少数类样本集的分布情况,提高数据的多样性。
实施例五,参阅图1和图5,该实施例基于上述实施例,在步骤S4中,构建高流量湿化治疗仪管理模型具体包括以下步骤:
步骤S41:构建训练数据集和测试数据集,从平衡数据集中随机选取70%的样本数据作为训练数据集,其余30%的样本数据作为测试数据集,用模型参数代表个体的位置;
步骤S42:初始化位置,步骤如下:
步骤S421:使用切比雪夫混沌地图生成个体初始位置,所用公式如下:
;
式中,是第a个个体在第d维的初始位置,LBd是个体搜索空间第d维的下边界,UBd是个体搜索空间第d维的上边界,ca-1是第a-1个个体的切比雪夫混沌值,c0是[0,1]内的随机数,a是个体索引,cos()是余弦函数,d是维度索引,N4是个体数量,D是个体维度;
步骤S422:训练高流量湿化治疗仪管理模型,利用python导入sklearn库基于当前参数调用SVM函数,基于训练数据集训练高流量湿化治疗仪管理模型,将基于参数建立的高流量湿化治疗仪管理模型性能作为个体适应度值;
步骤S423:优化精英个体初始位置,计算个体的适应度值,将其按照从大到小的顺序进行排列,选择前N5个个体作为精英个体,使用基于精英反向策略优化精英个体的初始位置,所用公式如下:
;
式中,是优化后第a个个体在第d维的初始位置,/>是步骤S421后的所有个体在第d维的下边界,/>是步骤S421后的所有个体在第d维的上边界,r1是[0,1]内的随机数,N5是精英个体的数量且N5<N4;
步骤S43:计算最优适应度值和全局最优位置,更新个体的适应度值,选择最高的适应度值作为最优适应度值Ebest,将最优适应度值Ebest对应的个***置作为全局最优位置Cbest;
步骤S44:位置更新,步骤如下:
步骤S441:基于动态权重因子更新个***置,为所有个体随机生成一个[0,1]内的随机数r3a,所用公式如下:
;
;
式中,ω是动态权重因子,t是当前迭代次数,T是最大迭代次数,RT是安全阈值且RT∈[0.5,1],μ是[0,0.1]内的随机数,Ca,d(t+1)是第t+1次迭代时第a个个体在第d维的位置,Ca,d(t)是第t次迭代时第a个个体在第d维的位置,exp()是以自然常数e为底的指数函数,r2是(0,1]内的随机数,G是服从正态分布的随机数,H是1×D行向量且其中所有元素都是1;
步骤S442:基于Levy飞行策略和突变策略优化位置,更新个体的适应度值和当前全局最优位置Cbest(t+1),所用公式如下:
;
式中,是优化后第t+1次迭代时第a个个体在第d维的位置,σ是突变因子且σ∈[0,1];
步骤S45:模型确定,预先设定适应度值评估阈值δ,更新最优适应度值和全局最优位置,当最优适应度值Ebest高于适应度值评估阈值δ时,则基于当前模型参数构建高流量湿化治疗仪管理模型;否则,若达到最大迭代次数T,则转至步骤S42;否则转至步骤S44。
通过执行上述操作,针对传统的高流量湿化治疗仪管理模型存在容易陷入局部最优,降低模型性能的问题,本方案使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,提高初始位置的质量,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,避免模型陷入局部最优,提高模型的性能和效率。
实施例六,参阅图1,该实施例基于上述实施例,在步骤S5中,高流量湿化治疗仪管理是采集实时高流量湿化治疗仪数据,输入至高流量湿化治疗仪管理模型,根据高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
实施例七,参阅图2,该实施例基于上述实施例,本发明提供的基于人工智能的高流量湿化治疗仪管理***,包括数据采集模块、缺失值处理模块、平衡数据集模块、构建高流量湿化治疗仪管理模型模块和高流量湿化治疗仪管理模块;
所述数据采集模块采集高流量湿化治疗仪数据,并将数据发送到缺失值处理模块;
所述缺失值处理模块基于缺失值数量对特征排序,优先对缺失值数量少的特征使用局部中值和高斯朴素贝叶斯算法填补缺失值,并将数据发送至平衡数据集模块;
所述平衡数据集模块过滤孤立样本点,计算多数类聚类中心和为少数类样本集生成子聚类,通过计算多数类聚类中心和子聚类的距离,确定每个子聚类的权重值和需要合成的新样本数量,使用随机线性插值和最近邻样本生成新样本,构建平衡数据集,并将数据发送至构建高流量湿化治疗仪管理模型模块;
所述构建高流量湿化治疗仪管理模型模块使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,完成模型的构建,并将数据发送至高流量湿化治疗仪管理模块;
所述高流量湿化治疗仪管理模块采集实时高流量湿化治疗仪数据,输入至高流量湿化治疗仪管理模型,根据高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (8)
1.基于人工智能的高流量湿化治疗仪管理方法,其特征在于:该方法包括以下步骤:
步骤S1:数据采集,采集高流量湿化治疗仪数据;
步骤S2:缺失值处理,基于缺失值数量对特征排序,优先对缺失值数量少的特征使用局部中值和高斯朴素贝叶斯算法填补缺失值;
步骤S3:平衡数据集,过滤孤立样本点,计算多数类聚类中心和为少数类样本集生成子聚类,通过计算多数类聚类中心和子聚类的距离,确定每个子聚类的权重值和需要合成的新样本数量,使用随机线性插值和最近邻样本生成新样本;
步骤S4:构建高流量湿化治疗仪管理模型,使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,完成模型的构建;
步骤S5:高流量湿化治疗仪管理,基于高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
2.根据权利要求1所述的基于人工智能的高流量湿化治疗仪管理方法,其特征在于:在步骤S4中,所述构建高流量湿化治疗仪管理模型具体包括以下步骤:
步骤S41:构建训练数据集和测试数据集,从平衡数据集中随机选取70%的样本数据作为训练数据集,其余30%的样本数据作为测试数据集,用模型参数代表个体的位置;
步骤S42:初始化位置,步骤如下:
步骤S421:使用切比雪夫混沌地图生成个体初始位置,所用公式如下:
;
式中,是第a个个体在第d维的初始位置,LBd是个体搜索空间第d维的下边界,UBd是个体搜索空间第d维的上边界,ca-1是第a-1个个体的切比雪夫混沌值,c0是[0,1]内的随机数,a是个体索引,cos()是余弦函数,d是维度索引,N4是个体数量,D是个体维度;
步骤S422:训练高流量湿化治疗仪管理模型,利用python导入sklearn库基于当前参数调用SVM函数,基于训练数据集训练高流量湿化治疗仪管理模型,将基于参数建立的高流量湿化治疗仪管理模型性能作为个体适应度值;
步骤S423:优化精英个体初始位置,计算个体的适应度值,将其按照从大到小的顺序进行排列,选择前N5个个体作为精英个体,使用基于精英反向策略优化精英个体的初始位置,所用公式如下:
;
式中,是优化后第a个个体在第d维的初始位置,/>是步骤S421后的所有个体在第d维的下边界,/>是步骤S421后的所有个体在第d维的上边界,r1是[0,1]内的随机数,N5是精英个体的数量且N5<N4;
步骤S43:计算最优适应度值和全局最优位置,更新个体的适应度值,选择最高的适应度值作为最优适应度值Ebest,将最优适应度值Ebest对应的个***置作为全局最优位置Cbest;
步骤S44:位置更新,步骤如下:
步骤S441:基于动态权重因子更新个***置,为所有个体随机生成一个[0,1]内的随机数r3a,所用公式如下:
;
;
式中,ω是动态权重因子,t是当前迭代次数,T是最大迭代次数,RT是安全阈值且RT∈[0.5,1],μ是[0,0.1]内的随机数,Ca,d(t+1)是第t+1次迭代时第a个个体在第d维的位置,Ca,d(t)是第t次迭代时第a个个体在第d维的位置,exp()是以自然常数e为底的指数函数,r2是(0,1]内的随机数,G是服从正态分布的随机数,H是1×D行向量且其中所有元素都是1;
步骤S442:基于Levy飞行策略和突变策略优化位置,更新个体的适应度值和当前全局最优位置Cbest(t+1),所用公式如下:
;
式中,是优化后第t+1次迭代时第a个个体在第d维的位置,σ是突变因子且σ∈[0,1];
步骤S45:模型确定,预先设定适应度值评估阈值δ,更新最优适应度值和全局最优位置,当最优适应度值Ebest高于适应度值评估阈值δ时,则基于当前模型参数构建高流量湿化治疗仪管理模型;否则,若达到最大迭代次数T,则转至步骤S42;否则转至步骤S44。
3.根据权利要求1所述的基于人工智能的高流量湿化治疗仪管理方法,其特征在于:在步骤S3中,所述平衡数据集具体包括以下步骤:
步骤S31:过滤孤立样本点,基于缺失值处理后的数据构建原始不平衡数据集B、少数类样本集F和多数类样本集L,基于KNN算法计算少数类样本集F中所有样本点的K个最近邻样本,将K个最近邻样本都是多数类样本的样本点作为孤立样本点并删除;
步骤S32:计算需要***的总样本数量,预先设定采样后数据集的平衡率M,平衡率是数据集中少数类样本数量与多数类样本数量的比值,所用公式如下:
f’=M×l;
fadd=f’-(f-f0);
式中,fadd是需要***的总样本数量,f’是采样后少数类样本集中的样本数量,f是少数类样本集中的样本数量,f0是孤立样本点的数量,l是多数类样本集中的样本数量;
步骤S33:计算多数类聚类中心,所用公式如下:
;
;
式中,是多数类样本的第i个特征的平均值,i是特征索引,xij是多数类样本集L中的第j个样本的第i个特征,j是样本索引,N2是多数类样本集L中的l个样本中存在的特征数量,/>是多数类聚类中心样本;
步骤S34:计算距离,使用K-means算法为少数类样本集F生成O个子聚类,每个子聚类的聚类中心为Qb,基于欧式距离算法计算每个子聚类的聚类中心Qb与多数类聚类中心之间的距离,所用公式如下:
;
;
式中,是少数类中第b个聚类中心的第i个特征,b是聚类中心索引,gb是少数类中第b个聚类中心与多数类聚类中心/>之间的距离;
步骤S35:计算每个子聚类的权重值,所用公式如下:
;
;
式中,Wb是少数类中第b个子聚类的权重值;
步骤S36:计算每个子聚类需要合成的新样本,所用公式如下:
hb=Wb×fadd,b=1,2,…,O;
式中,hb是第b个子聚类中需要合成的新样本个数;
步骤S37:生成新样本,步骤如下:
步骤S371:设定合成新样本初始值,随机选择一个子聚类Qb,从子聚类Qb中随机选择其中的一个样本u,根据KNN算法确定该样本u的z个最近邻样本,预先设定当前选择的子聚类Qb合成的新样本个数为vb,vb的初始值为0;
步骤S372:选择合成方式,若z≥(hb-vb),则转至步骤S3721,选择第一种合成方式合成新样本;否则,转至步骤S3722,选择第二种合成方式合成新样本,步骤如下:
步骤S3721:第一种合成方式,通过选择的样本u与其(hb-vb)个最近邻样本之间的随机线性插值分别生成总共(hb-vb)个新样本,则当前子聚类Qb的新样本合成完成,转至步骤S373,所用公式如下:
unew=u+rand(0,1)×(u-uz1);
式中,unew是生成的新样本,rand(0,1)是生成一个0到1之间的随机数,uz1是样本u的(hb-vb)个最近邻样本中的一个样本;
步骤S3722:第二种合成方式,通过选择的样本u与其z个最近邻样本之间的随机线性插值分别生成总共z个新样本,并更新vb的值,从当前选择的子聚类Qb中的剩余样本中重新随机抽取一个样本w,样本w≠样本u,转至步骤S372重新选择合成方式;
步骤S373:完成新样本生成,重复步骤S371-步骤S372,直至完成所有子聚类的新样本生成;
步骤S38:构建平衡数据集,将所有子聚类生成的新样本添加到原始不平衡数据集B中,获得平衡率为M的平衡数据集。
4.根据权利要求1所述的基于人工智能的高流量湿化治疗仪管理方法,其特征在于:在步骤S2中,所述缺失值处理具体包括以下步骤:
步骤S21:计算缺失值数量并进行排序,基于采集的高流量湿化治疗仪数据构建原始特征矩阵,计算原始特征矩阵的每个特征的缺失值数量,根据缺失值数量的大小对特征进行排序,得到特征的索引值,所用公式如下:
sortindex=arg sort(A.isnull().sum());
式中,A是特征矩阵,isnull()用于判断每个元素是否为缺失值,sum()用于计算每个特征的缺失值数量,arg sort()用于返回排序后的索引值,sortindex是特征矩阵中每个特征的缺失值数量的排序索引;
步骤S22:填补缺失值,对缺失值数量最少的特征列进行缺失值填充处理,步骤如下:
步骤S221:特征处理,对原始特征矩阵进行装箱并离散化,得到N1个类别;
步骤S222:构建特征训练集和特征预测集,基于缺失值数量为0的特征列构建特征预测集,基于缺失值数量不为0的特征列构建特征训练集;
步骤S223:处理特征训练集,选择特征训练集中缺失值数量最少的特征列进行处理,用特征列的中位数对缺失值进行填补;
步骤S224:训练高斯朴素贝叶斯模型,使用处理后的特征训练集和数据分类标签训练高斯朴素贝叶斯模型;
步骤S225:预测缺失值,使用训练好的高斯朴素贝叶斯模型对特征预测集进行预测,得到缺失值的预测结果;
步骤S226:更新原始特征矩阵,对预测结果进行反装箱操作,得到原始的连续值,用来填补缺失值数量最少的特征列的缺失值,使用填补后的特征列更新原始特征矩阵;
步骤S23:填充完整,重复步骤S22,选择下一个缺失值数量最少的特征列进行处理,直至填充所有的缺失值。
5.根据权利要求1所述的基于人工智能的高流量湿化治疗仪管理方法,其特征在于:在步骤S1中,所述数据采集是采集高流量湿化治疗仪数据,包括无创正压调节温度、高流量湿化氧疗温度、HFLOW流量、LFLOW流量、吸气正压、呼气正压、通气模式、输出气体氧浓度,将治疗效果等级作为数据分类标签。
6.根据权利要求1所述的基于人工智能的高流量湿化治疗仪管理方法,其特征在于:在步骤S5中,所述高流量湿化治疗仪管理是采集实时高流量湿化治疗仪数据,输入至高流量湿化治疗仪管理模型,根据高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
7.基于人工智能的高流量湿化治疗仪管理***,用于实现如权利要求1-6中任一项所述的基于人工智能的高流量湿化治疗仪管理方法,其特征在于:包括数据采集模块、缺失值处理模块、平衡数据集模块、构建高流量湿化治疗仪管理模型模块和高流量湿化治疗仪管理模块。
8.根据权利要求7所述的基于人工智能的高流量湿化治疗仪管理***,其特征在于:所述数据采集模块采集高流量湿化治疗仪数据,并将数据发送到缺失值处理模块;
所述缺失值处理模块基于缺失值数量对特征排序,优先对缺失值数量少的特征使用局部中值和高斯朴素贝叶斯算法填补缺失值,并将数据发送至平衡数据集模块;
所述平衡数据集模块过滤孤立样本点,计算多数类聚类中心和为少数类样本集生成子聚类,通过计算多数类聚类中心和子聚类的距离,确定每个子聚类的权重值和需要合成的新样本数量,使用随机线性插值和最近邻样本生成新样本,构建平衡数据集,并将数据发送至构建高流量湿化治疗仪管理模型模块;
所述构建高流量湿化治疗仪管理模型模块使用切比雪夫混沌地图生成初始位置并使用精英反向策略进行优化,基于动态权重因子、Levy飞行策略和突变策略进行位置更新,完成模型的构建,并将数据发送至高流量湿化治疗仪管理模块;
所述高流量湿化治疗仪管理模块采集实时高流量湿化治疗仪数据,输入至高流量湿化治疗仪管理模型,根据高流量湿化治疗仪管理模型输出的标签,对高流量湿化治疗仪进行管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489871.XA CN117349732A (zh) | 2023-11-10 | 2023-11-10 | 基于人工智能的高流量湿化治疗仪管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311489871.XA CN117349732A (zh) | 2023-11-10 | 2023-11-10 | 基于人工智能的高流量湿化治疗仪管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117349732A true CN117349732A (zh) | 2024-01-05 |
Family
ID=89357653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311489871.XA Pending CN117349732A (zh) | 2023-11-10 | 2023-11-10 | 基于人工智能的高流量湿化治疗仪管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117349732A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117766155A (zh) * | 2024-02-22 | 2024-03-26 | 中国人民解放军海军青岛特勤疗养中心 | 基于人工智能的动态血压医疗数据处理*** |
CN117932474A (zh) * | 2024-03-22 | 2024-04-26 | 山东核电有限公司 | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269200A (zh) * | 2021-07-21 | 2021-08-17 | 南京信息工程大学 | 一种基于少数类样本空间分布的不平衡数据过采样方法 |
-
2023
- 2023-11-10 CN CN202311489871.XA patent/CN117349732A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269200A (zh) * | 2021-07-21 | 2021-08-17 | 南京信息工程大学 | 一种基于少数类样本空间分布的不平衡数据过采样方法 |
Non-Patent Citations (3)
Title |
---|
LIYAN JIA等: "PE_DIM: An Efficient Probabilistic Ensemble Classification Algorithm for Diabetes Handling Class Imbalance Missing Values", IEEE ACCESS, vol. 10, 5 October 2022 (2022-10-05), pages 107459 * |
WENSHENG YANG等: "An oversampling method for imbalanced data based on spatial distribution of minority samples SD-KMSMOTE", SCIENTIFIC REPORTS, vol. 12, 7 October 2022 (2022-10-07), pages 1 * |
YIHAO YANG等: "An Improved Sparrow Search Algorithm and Its Application in HIFU Sound Field", HINDAWI COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE, vol. 2023, 3 March 2023 (2023-03-03), pages 1 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117766155A (zh) * | 2024-02-22 | 2024-03-26 | 中国人民解放军海军青岛特勤疗养中心 | 基于人工智能的动态血压医疗数据处理*** |
CN117766155B (zh) * | 2024-02-22 | 2024-05-10 | 中国人民解放军海军青岛特勤疗养中心 | 基于人工智能的动态血压医疗数据处理*** |
CN117932474A (zh) * | 2024-03-22 | 2024-04-26 | 山东核电有限公司 | 一种通信缺失数据确定模型的训练方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117349732A (zh) | 基于人工智能的高流量湿化治疗仪管理方法及*** | |
CN111986811B (zh) | 一种基于算法和大数据的疾病预测*** | |
CN109582864B (zh) | 基于大数据科学和动态权重调整的课程推荐方法及*** | |
CN106779084B (zh) | 机器学习***及方法 | |
CN108805268A (zh) | 基于进化算法的深度强化学习策略网络训练方法 | |
CN114927162A (zh) | 基于超图表征与狄利克雷分布的多组学关联表型预测方法 | |
CN110110753B (zh) | 基于精英花授粉算法和ReliefF的有效混合特征选择方法 | |
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
CN106897744A (zh) | 一种自适应设置深度置信网络参数的方法及*** | |
CN112215259B (zh) | 基因选择方法和装置 | |
CN116170328A (zh) | 图形编码的使用带宽预测方法及装置 | |
CN107368707A (zh) | 基于us‑elm的基因芯片表达数据分析***及方法 | |
CN111242281A (zh) | 一种深度卷积神经网络权值优化方法 | |
CN111832817A (zh) | 基于mcp罚函数的小世界回声状态网络时间序列预测方法 | |
CN116307591A (zh) | 一种基于amocs-pt的跨流域调水工程优化调度方法 | |
CN109727637A (zh) | 基于混合蛙跳算法识别关键蛋白质的方法 | |
CN109545372B (zh) | 一种基于距离贪心策略的病人生理数据特征选择方法 | |
Tripoliti et al. | Dynamic construction of Random Forests: Evaluation using biomedical engineering problems | |
CN113642613B (zh) | 基于改进樽海鞘群算法的医学疾病特征选择方法 | |
CN117078312A (zh) | 一种基于人工智能的广告投放管理方法及*** | |
Liu et al. | Combination of neuro-fuzzy network models with biological knowledge for reconstructing gene regulatory networks | |
CN116245239A (zh) | 一种基于麻雀搜索算法的云制造服务组合优化方法 | |
CN114401211B (zh) | 一种工业无线网络设备接入IPv6网络的测试***及测试方法 | |
CN112817959B (zh) | 基于多度量指标权重的古生物形态***发育树构建方法 | |
CN107330302A (zh) | 联合Memetic算法和S***的生物模体重构方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |