CN117476183A - 自闭症儿童康复效果ai评估模型的构建*** - Google Patents
自闭症儿童康复效果ai评估模型的构建*** Download PDFInfo
- Publication number
- CN117476183A CN117476183A CN202311810596.7A CN202311810596A CN117476183A CN 117476183 A CN117476183 A CN 117476183A CN 202311810596 A CN202311810596 A CN 202311810596A CN 117476183 A CN117476183 A CN 117476183A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- target
- training
- evaluation
- 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.)
- Granted
Links
- 230000000694 effects Effects 0.000 title claims abstract description 52
- 206010003805 Autism Diseases 0.000 title claims abstract description 30
- 208000020706 Autistic disease Diseases 0.000 title claims abstract description 30
- 238000013210 evaluation model Methods 0.000 title claims abstract description 27
- 238000010276 construction Methods 0.000 title description 3
- 238000012549 training Methods 0.000 claims abstract description 155
- 238000011156 evaluation Methods 0.000 claims abstract description 115
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 28
- 230000003542 behavioural effect Effects 0.000 claims description 25
- 230000002068 genetic effect Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000013506 data mapping Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012252 genetic analysis Methods 0.000 claims description 4
- 238000013433 optimization analysis Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 32
- 238000000034 method Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 15
- 230000003997 social interaction Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 230000011273 social behavior Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004138 cluster model Methods 0.000 description 4
- 230000036772 blood pressure Effects 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 230000006996 mental state Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 208000027534 Emotional disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Classifications
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Developmental Disabilities (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Child & Adolescent Psychology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及深度学习技术领域,公开了一种自闭症儿童康复效果AI评估模型的构建***。所述***包括:获取模块,用于获取初始多维评估数据集;分析模块,用于进行相关系数分析和特征筛选,得到目标多维评估数据集;创建模块,用于定义AdaBoost模型的模型训练目标,创建第一模型训练方案;训练模块,用于进行模型训练,得到模型预测评估数据;提取模块,用于进行模型预测评估特征提取,得到多个模型预测评估特征并生成第二模型训练方案;调整模块,用于进行模型训练,并对AdaBoost模型中的多个弱分类器进行参数和权重调整,得到目标AI评估模型,进而提高了自闭症儿童康复效果AI评估模型的鲁棒性和模型预测精度。
Description
技术领域
本申请涉及深度学习技术领域,尤其涉及一种自闭症儿童康复效果AI评估模型的构建***。
背景技术
随着人工智能技术的快速发展,AI评估模型在自闭症康复领域引起了广泛的兴趣。构建一个自闭症儿童康复效果AI评估模型的***旨在利用机器学习和数据分析,以更精确地评估儿童的康复进展,为康复治疗提供个性化的指导和改进。
然而,传统的评估方法通常基于主观判断,存在主观性和时间成本高的问题。而且传统的AI评估模型存在数据的不一致性和可靠性问题,从而影响模型的准确性。
发明内容
本申请提供了一种自闭症儿童康复效果AI评估模型的构建***,进而提高了自闭症儿童康复效果AI评估模型的鲁棒性和模型预测精度。
本申请第一方面提供了一种自闭症儿童康复效果AI评估模型的构建***,所述自闭症儿童康复效果AI评估模型的构建***包括:
获取模块,用于获取患者评估数据库中多个目标患者的初始多维评估数据集,所述初始多维评估数据集包括:目标行为数据、目标生理数据及目标心理评估数据;
分析模块,用于对所述初始多维评估数据集进行相关系数分析和特征筛选,得到对应的目标多维评估数据集;
创建模块,用于获取待训练的AdaBoost模型并定义所述AdaBoost模型中多个弱分类器的模型训练目标,以及根据所述模型训练目标和所述目标多维评估数据集创建对应的第一模型训练方案;
训练模块,用于通过所述第一模型训练方案对所述AdaBoost模型进行模型训练,得到所述AdaBoost模型中每个弱分类器的模型预测评估数据;
提取模块,用于对所述模型预测评估数据进行模型预测评估特征提取,得到每个弱分类器的多个模型预测评估特征,并根据所述多个模型预测评估特征生成对应的第二模型训练方案;
调整模块,用于根据所述第二模型训练方案对所述AdaBoost模型进行模型训练,并对所述AdaBoost模型中的多个弱分类器进行参数和权重调整,得到目标AI评估模型。
本申请提供的技术方案中,获取模块负责将多源数据进行规范化处理、标准化处理和标签化处理,这有助于消除数据的差异性,确保数据的一致性和可比性。分析模块对多维评估数据集进行相关系数分析和特征筛选,可以确定哪些特征与康复效果相关性较高,从而降低模型的维度,提高模型的效率和泛化能力。创建模块引入了AdaBoost模型,这是一种集成学习算法,通过组合多个弱分类器来提高模型的性能,能够有效地捕获复杂的关联关系和模式。提取模块通过特征聚类分析,能够更好地理解模型预测评估数据的聚类结构,进一步提高了模型的数据处理能力。调整模块采用遗传算法对模型参数和权重进行优化,这有助于模型更好地适应数据,提高了模型的性能和泛化能力。生成多个模型预测评估特征,这些特征可以用于解释康复效果的各种因素。能够对自闭症儿童的康复效果进行实时评估,同时可以通过不断的数据反馈和模型调整来不断提高评估的准确性和效果,进而提高了自闭症儿童康复效果AI评估模型的鲁棒性和模型预测精度。
附图说明
图1为本申请实施例中自闭症儿童康复效果AI评估模型的构建***的一个实施例示意图。
具体实施方式
本申请实施例提供了一种自闭症儿童康复效果AI评估模型的构建***,进而提高了自闭症儿童康复效果AI评估模型的鲁棒性和模型预测精度。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中自闭症儿童康复效果AI评估模型的构建***的一个实施例包括:
获取模块101,用于获取患者评估数据库中多个目标患者的初始多维评估数据集,所述初始多维评估数据集包括:目标行为数据、目标生理数据及目标心理评估数据;
可以理解的是,本申请的执行主体可以为自闭症儿童康复效果AI评估模型的构建装置,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,从数据库中获取多个目标患者的初始行为数据、初始生理数据及初始心理评估数据,这些数据是后续分析和模型训练的基础。对初始数据进行规范化处理,以确保数据格式的一致性和可比性。规范化处理是将不同来源或格式的数据转换为一种统一的格式,便于后续处理和分析。将初始行为数据、初始生理数据及初始心理评估数据转换为规范化行为数据、规范化生理数据及规范化心理评估数据。这些规范化的数据进一步经过标准化处理,以消除数据量纲的影响并将其转换为具有可比性的标准格式。标准化通过调整数据分布使之更加适合于统计分析和模型训练。通过标准化处理,获取模块生成了标准行为数据、标准生理数据及标准心理评估数据,这些数据具有一致的量纲和范围,有助于提高后续分析的准确性。将这些标准化的数据进一步处理为数据标签化形式,即目标行为数据、目标生理数据及目标心理评估数据。数据标签化是将原始数据转换为更适合机器学习模型处理的形式,包括为不同类型的数据分配适当的标签和类别。这是为了提高数据在模型训练过程中的可用性和有效性。通过这些连贯的步骤,获取模块最终生成了一个包含目标行为数据、目标生理数据及目标心理评估数据的初始多维评估数据集,为AI评估模型的构建提供数据基础。
分析模块102,用于对所述初始多维评估数据集进行相关系数分析和特征筛选,得到对应的目标多维评估数据集;
具体的,对目标行为数据和目标生理数据进行相关系数分析,识别行为和生理数据之间的相互关系和影响。相关系数分析是一种统计方法,用于衡量两个变量之间的线性关联程度。通过这一分析,得到第一相关系数分析结果,它揭示了行为和生理数据之间存在的内在联系。基于第一相关系数分析结果,模块对目标行为数据和目标生理数据进行特征筛选,从而得到第一相关性评估数据。特征筛选是从大量数据中识别出最有用的信息的过程,这有助于提高模型训练的效率和准确性。类似地,对目标行为数据和目标心理评估数据进行相关系数分析,进而根据得到的第二相关系数分析结果进行特征筛选,从而生成第二相关性评估数据。此步骤关注于行为与心理评估之间的关联,帮助深入理解自闭症儿童的行为特点与心理状态之间的相互作用。随后,对目标生理数据和目标心理评估数据进行相关系数分析,并根据第三相关系数分析结果进行特征筛选,以得到第三相关性评估数据。这一步骤涉及生理和心理评估数据之间的分析,揭示这两类数据间的潜在联系。分析模块将基于这三组相关性评估数据生成对应的目标多维评估数据集。这个数据集将综合反映自闭症儿童在行为、生理和心理方面的多维特征。
创建模块103,用于获取待训练的AdaBoost模型并定义所述AdaBoost模型中多个弱分类器的模型训练目标,以及根据所述模型训练目标和所述目标多维评估数据集创建对应的第一模型训练方案;
需要说明的是,AdaBoost模型,是一个以多个弱分类器为基础的集成学习模型,是一种将多个弱分类器组合成一个强分类器的技术,其特点在于可以根据前一个分类器的表现来调整后续分类器的权重,从而提高整体模型的准确度。获取待训练的AdaBoost模型,其中包括多个弱分类器。这些弱分类器通常是相对简单的模型,单独时效果有限,通过AdaBoost算法的组合,可以显著提高整体模型的性能。为每个弱分类器定义其模型训练目标,不同的训练目标将导向不同的学习重点和优化方向,从而影响到模型在处理特定类型数据时的表现。定义了训练目标后,模块将根据这些目标构建弱分类器与目标多维评估数据集之间的数据映射关系。数据映射关系的构建是为了确保每个弱分类器能够有效地从目标多维评估数据集中学习到对其训练目标有益的信息。这需要精确的策略,以确保数据与弱分类器之间的映射既能够覆盖数据集的关键特征,又能够针对性地强化模型在特定方面的学习。随后,根据这些数据映射关系,从目标多维评估数据集中确定每个弱分类器的目标相关性评估数据。为每个弱分类器挑选出最适合其训练目标的数据子集,使其能够在后续的训练过程中更有效地学习和适应。通过确定的目标相关性评估数据和多个弱分类器来创建AdaBoost模型对应的第一模型训练方案。这个训练方案是整个模型构建过程的基石,它不仅涵盖了各个弱分类器的训练细节,还包括了如何通过AdaBoost算法将这些弱分类器有效组合成一个强大的整体模型的策略。
训练模块104,用于通过所述第一模型训练方案对所述AdaBoost模型进行模型训练,得到所述AdaBoost模型中每个弱分类器的模型预测评估数据;
具体的,根据第一模型训练方案确定AdaBoost模型中每个弱分类器的训练标签数据集,这些训练标签数据集是模型训练的基础,它们包含了关于自闭症儿童康复效果的关键信息。随后,将所述训练标签数据集输入标签数据整合模型,该模型的作用是将训练标签数据集映射到一个预置的特征空间中,并进行标签序列特征分析,以得到初始标签序列特征点。这是为了将原始数据转换为一种更适合机器学习模型处理的形式,从而使训练过程更加高效和准确。对特征空间中的训练标签数据集与初始标签序列特征点进行特征距离运算,以得到多个目标特征距离。特征距离运算是为了量化训练数据和特征点之间的差异,这有助于后续的数据处理和模型训练。然后,对这些目标特征距离进行标准化处理,得到标准特征距离。标准化处理的目的是消除数据量纲的影响,确保数据在模型训练中的可比性。根据标准特征距离对训练标签数据集进行特征中心移动分析,以得到目标标签序列特征点。这一分析有助于进一步优化数据表示,使其更适合模型训练。基于这些目标标签序列特征点,模块进一步对训练标签数据集进行遍历分析,为每个训练标签数据确定其目标标签序列特征点。将每个训练标签数据的目标标签序列特征点用于序列转换,生成训练标签数据序列,并对这些数据序列进行向量转换,从而得到训练标签编码向量。这些编码向量是模型训练的关键输出,它们将被分别输入到AdaBoost模型中的对应弱分类器中进行康复效果预测评估。在这个过程中,每个弱分类器会根据输入的编码向量生成模型预测评估数据,这些数据反映了模型对自闭症儿童康复效果的预测准确度。
提取模块105,用于对所述模型预测评估数据进行模型预测评估特征提取,得到每个弱分类器的多个模型预测评估特征,并根据所述多个模型预测评估特征生成对应的第二模型训练方案;
具体的,将每个弱分类器的模型预测评估数据输入到预置的特征聚类模型中。这一模型的核心作用是通过特定的算法,如第一移动密度函数,对输入的数据进行聚类中心的计算。这种计算可以确定数据的初始聚类中心。对模型预测评估数据与初始聚类中心进行特征聚类计算,从而得到多个特征中心距。特征中心距是指数据点到聚类中心的距离,这些距离的计算有助于进一步理解数据的分布和结构。然后,模块对这些特征中心距进行均值运算,以得到对应的平均中心距。平均中心距提供了一个度量,用于评估数据点与其聚类中心的平均接近程度,这有助于调整和优化聚类算法。通过平均中心距对第一移动密度函数的搜索半径参数进行调整。搜索半径参数是聚类算法中的一个关键参数,它影响着聚类的密度和精度。通过调整这一参数,模块得到了目标搜索半径参数,并将第一移动密度函数的初始搜索半径参数替换为此目标搜索半径参数,从而得到了优化后的目标移动密度函数。通过经过调整的目标移动密度函数对模型预测评估数据进行再次的聚类中心计算,以得到对应的目标聚类中心。基于这些目标聚类中心,模块进一步对每个弱分类器的模型预测评估数据进行特征聚类,从而得到每个弱分类器的多个模型预测评估特征。这些特征是对原始预测评估数据的深入分析和提炼,它们能够反映出每个弱分类器在数据处理和预测评估方面的核心特性和能力。根据多个模型预测评估特征,生成对应的第二模型训练方案。
调整模块106,用于根据所述第二模型训练方案对所述AdaBoost模型进行模型训练,并对所述AdaBoost模型中的多个弱分类器进行参数和权重调整,得到目标AI评估模型。
具体的,根据第二模型训练方案对AdaBoost模型进行模型训练,得到AdaBoost模型的初步模型训练结果。这些训练结果反映了模型在当前参数和权重配置下的性能。获取AdaBoost模型的第一模型参数和模型权重集合。这些参数和权重集合决定了模型的行为和预测效果。随后利用预置的均方误差(MSE)损失函数计算模型训练结果的损失值。MSE损失函数是一种常用的评估模型性能的方法,通过计算预测值和实际值之间的误差平方和,来衡量模型的准确性。之后,基于所计算出的损失值,定义预置遗传算法的迭代次数。遗传算法是一种模拟自然选择和遗传学原理的优化算法,它通过模拟遗传过程中的交叉、变异等操作来寻找最优解。在这里,遗传算法被用来对第一模型参数和模型权重集合进行遗传分析,以产生多个第二模型参数和模型权重集合。这些新的参数和权重集合是对原始集合的一种优化尝试,旨在减小模型的损失值,提高其预测准确性。随后,对这些第二模型参数和模型权重集合进行最优化分析。在所有生成的参数和权重集合中寻找最佳组合,以确保模型能够达到最优的性能。根据所定义的迭代次数进行循环迭代,遗传算法会在多次迭代中不断优化参数和权重集合,直到找到最优解。调整模块根据找到的目标模型参数和模型权重集合,对AdaBoost模型中的多个弱分类器进行参数和权重的调整。通过调整每个弱分类器的参数和权重,模块最终得到了目标AI评估模型。这个模型是经过多轮优化和调整后的成果,具有更高的预测准确性和更好的性能,从而能够更有效地评估自闭症儿童的康复效果。
本申请实施例中,获取模块负责将多源数据进行规范化处理、标准化处理和标签化处理,这有助于消除数据的差异性,确保数据的一致性和可比性。分析模块对多维评估数据集进行相关系数分析和特征筛选,可以确定哪些特征与康复效果相关性较高,从而降低模型的维度,提高模型的效率和泛化能力。创建模块引入了AdaBoost模型,这是一种集成学习算法,通过组合多个弱分类器来提高模型的性能,能够有效地捕获复杂的关联关系和模式。提取模块通过特征聚类分析,能够更好地理解模型预测评估数据的聚类结构,进一步提高了模型的数据处理能力。调整模块采用遗传算法对模型参数和权重进行优化,这有助于模型更好地适应数据,提高了模型的性能和泛化能力。生成多个模型预测评估特征,这些特征可以用于解释康复效果的各种因素。能够对自闭症儿童的康复效果进行实时评估,同时可以通过不断的数据反馈和模型调整来不断提高评估的准确性和效果,进而提高了自闭症儿童康复效果AI评估模型的鲁棒性和模型预测精度。
在一具体实施例中,所述获取模块101具体用于:
获取患者评估数据库中多个目标患者的初始行为数据、初始生理数据及初始心理评估数据;
分别对所述初始行为数据、所述初始生理数据及所述初始心理评估数据进行规范化处理,得到规范化行为数据、规范化生理数据及规范化心理评估数据;
分别对规范化行为数据、所述规范化生理数据及所述规范化心理评估数据进行标准化处理,得到标准行为数据、标准生理数据及标准心理评估数据;
分别对所述标准行为数据、所述标准生理数据及所述标准心理评估数据进行数据标签化处理,得到目标行为数据、目标生理数据及目标心理评估数据;
根据所述目标行为数据、所述目标生理数据及所述目标心理评估数据生成对应的初始多维评估数据集。
具体的,从患者评估数据库中获取多个目标患者的初始行为数据、初始生理数据及初始心理评估数据。例如,行为数据包括患者的日常行为模式、社交互动频率等;生理数据包括心率、血压等生命体征;心理评估数据则涉及心理测试的结果、情绪反应等。对这些初始数据进行规范化处理,以确保数据格式的一致性和可操作性。规范化是将数据转换成一种通用格式的过程,以便于后续的分析和处理。例如,行为数据需要从各种不同的记录格式中转换成统一的数值或类别标签;生理数据需要从不同的测量单位统一到标准单位;心理评估数据需要从各种评估量表中提取出可比较的分数或等级。这一步骤的目的是消除数据源之间的差异。对这些规范化后的数据进行标准化处理,以消除数据量纲的影响,使其具有统一的比例尺度。标准化通常涉及将数据转换为均值为零、标准差为一的格式,从而使数据在不同的范围内具有可比性。例如,标准化行为数据涉及将行为频率数据转换为Z分数;生理数据的标准化涉及将心率数据转换为相对于年龄和性别的标准分数;心理评估数据的标准化则涉及将各种测试结果转换为统一的分数范围。将这些标准化的数据进行数据标签化处理,为数据分配具体的标签或类别,以便于机器学习模型的理解和处理。基于这些目标行为数据、目标生理数据及目标心理评估数据,生成对应的初始多维评估数据集。这个数据集将所有相关的行为、生理和心理评估数据集成在一起,形成一个多维的、全面的数据集,用于喂入AI模型进行训练和分析。这个数据集的多维性确保了评估的全面性,能够从不同角度反映自闭症儿童的康复情况。
在一具体实施例中,所述分析模块102具体用于:
对所述初始多维评估数据集中的目标行为数据和目标生理数据进行相关系数分析,得到第一相关系数分析结果,并根据第一相关系数分析结果对所述目标行为数据和所述目标生理数据进行特征筛选,得到第一相关性评估数据;
对所述初始多维评估数据集中的目标行为数据和目标心理评估数据进行相关系数分析,得到第二相关系数分析结果,并根据第二相关系数分析结果对所述目标行为数据和所述目标心理评估数据进行特征筛选,得到第二相关性评估数据;
对所述初始多维评估数据集中的目标生理数据和目标心理评估数据进行相关系数分析,得到第三相关系数分析结果,并根据第三相关系数分析结果对所述目标生理数据和所述目标心理评估数据进行特征筛选,得到第三相关性评估数据;
根据所述第一相关性评估数据、所述第二相关性评估数据以及所述第三相关性评估数据生成对应的目标多维评估数据集。
具体的,对初始多维评估数据集中的目标行为数据和目标生理数据进行相关系数分析。相关系数分析是一种统计方法,用于衡量两组数据之间的线性关系强度。分析的目的是探索自闭症儿童的特定行为模式(如社交互动频率、日常活动的规律性等)与其生理指标(如心率、血压等)之间的关联。通过计算这两类数据之间的相关系数,可以得到第一相关系数分析结果。例如,如果发现目标在进行特定社交互动时心率显著升高,这表明社交活动对目标的生理状态有显著影响。根据第一相关系数分析结果,对目标行为数据和目标生理数据进行特征筛选。特征筛选是从大量数据中选择对目标(即康复效果评估)最有影响的特征的过程。这可以去除那些与康复效果关联不大的信息,从而简化模型并提高其准确性和效率。通过特征筛选,可以得到第一相关性评估数据,这些数据集中了最能反映行为和生理数据之间关联的特征。对初始多维评估数据集中的目标行为数据和目标心理评估数据进行相关系数分析。评估行为数据和心理评估数据之间的关系。心理评估数据包括情绪状态、应激反应等,通过分析这些数据与行为数据的关联,可以揭示孩子的心理状态如何影响或被其行为模式所影响。计算得到的第二相关系数分析结果能够指示这两类数据之间的相互作用。之后,根据第二相关系数分析结果,再次进行特征筛选,得到第二相关性评估数据。这些数据提炼了最能表征行为与心理状态关联的特征,为后续的模型训练提供关键的输入。进一步,对初始多维评估数据集中的目标生理数据和目标心理评估数据进行相关系数分析,得到第三相关系数分析结果。目的是探索生理指标与心理状态之间的关系,例如,是否存在某些生理指标(如血压或心率变化)与特定心理状态(如焦虑或兴奋)之间的显著关联。根据第三相关系数分析结果,进行最后一轮的特征筛选,得到第三相关性评估数据。这些数据集中了最能反映生理和心理数据之间关联的特征。根据这三组相关性评估数据生成对应的目标多维评估数据集。这个数据集综合了各类数据之间的关键联系和相互作用,形成了一个全面、多维的评估基础。
在一具体实施例中,所述创建模块103具体用于:
获取待训练的AdaBoost模型,所述AdaBoost模型包括多个弱分类器;
分别定义每个弱分类器的模型训练目标,并根据所述模型训练目标构建所述多个弱分类器与所述目标多维评估数据集之间的数据映射关系;
根据所述数据映射关系从所述目标多维评估数据集中确定每个弱分类器的目标相关性评估数据;
根据所述目标相关性评估数据以及所述多个弱分类器,创建所述AdaBoost模型对应的第一模型训练方案。
具体的,获取待训练的AdaBoost模型,这个模型是由多个弱分类器组成的集成学习模型。在AdaBoost模型中,弱分类器通常是指那些只比随机猜测略好的简单模型,当这些弱分类器被正确组合起来时,能够形成一个强大的预测模型。例如,每个弱分类器是一个简单的决策树,用于基于特定特征做出决策。本实施例中,这些决策树专注于评估用户在特定行为、生理或心理测试中的表现。为每个弱分类器分别定义其模型训练目标,不同的训练目标会指导弱分类器专注于数据集中的不同特征。例如,一个弱分类器的训练目标是识别与孩子的社交互动行为相关的特征,而另一个弱分类器的目标是识别与生理反应(如心率变化)相关的特征。通过明确每个弱分类器的训练目标,可以确保AdaBoost模型在分析自闭症儿童康复效果时考虑到多个不同的方面。根据所定义的模型训练目标,构建多个弱分类器与目标多维评估数据集之间的数据映射关系。数据映射关系的构建是为了确保每个弱分类器能够有效地从目标多维评估数据集中学习到对其训练目标有益的信息。例如,如果一个弱分类器的目标是识别与社交互动行为相关的特征,那么其数据映射会包括孩子在特定社交场景下的行为数据、同伴互动的频率等。随后,根据数据映射关系从目标多维评估数据集中确定每个弱分类器的目标相关性评估数据。为每个弱分类器挑选出最适合其训练目标的数据子集,使其能够在后续的训练过程中更有效地学习和适应。例如,对于专注于社交行为的弱分类器,其目标相关性评估数据包括详细记录的社交互动情况等。根据这些目标相关性评估数据,以及定义好的多个弱分类器,创建AdaBoost模型对应的第一模型训练方案。这个训练方案不仅涵盖了各个弱分类器的训练细节,还包括了如何通过AdaBoost算法将这些弱分类器有效组合成一个强大的整体模型的策略。
在一具体实施例中,所述训练模块104具体用于:
根据所述第一模型训练方案确定所述AdaBoost模型中每个弱分类器的训练标签数据集;
将所述训练标签数据集输入标签数据整合模型,并通过所述标签数据整合模型将所述训练标签数据集映射到预置的特征空间进行标签序列特征分析,得到初始标签序列特征点;
对所述特征空间中的训练标签数据集与所述初始标签序列特征点进行特征距离运算,得到多个目标特征距离,并对所述多个目标特征距离进行标准化处理,得到标准特征距离;
根据所述标准特征距离,对所述训练标签数据集进行特征中心移动分析,得到目标标签序列特征点,并根据所述目标标签序列特征点对所述训练标签数据集进行遍历分析,得到每个训练标签数据的目标标签序列特征点;
根据每个训练标签数据的目标标签序列特征点对所述训练标签数据集进行序列转换,得到训练标签数据序列,并对所述训练标签数据序列进行向量转换,得到训练标签编码向量;
将所述训练标签编码向量分别输入对应的弱分类器进行康复效果预测评估,得到所述AdaBoost模型中每个弱分类器的模型预测评估数据。
具体的,根据第一模型训练方案确定AdaBoost模型中每个弱分类器的训练标签数据集,识别和选择那些对于每个弱分类器训练目标最相关的数据。将这些训练标签数据集输入标签数据整合模型,该模型通过映射数据到预置的特征空间并进行标签序列特征分析,从而得到初始标签序列特征点。从而将原始的训练数据转换成一种更适合机器学***地比较不同数据点之间的相似性和差异性。之后,根据标准化后的特征距离,对训练标签数据集进行特征中心移动分析,以得到目标标签序列特征点,进一步优化数据的表示方式,确保训练数据能够更好地反映出对模型训练最为关键的特征。例如,这涉及调整数据点,使其更加集中于代表积极社交互动的特征区域。根据这些目标标签序列特征点,对训练标签数据集进行遍历分析,为每个训练数据点确定其在特征空间中的最佳位置。随后,根据每个训练标签数据的目标标签序列特征点对训练标签数据集进行序列转换,从而得到训练标签数据序列。这些数据序列随后被转换为向量,形成训练标签编码向量,将数据转换成一种适合机器学习模型处理的格式。例如,社交互动行为的不同类型可以被编码为一系列数值向量,这些向量在模型训练中用作输入。将训练标签编码向量分别输入对应的弱分类器进行康复效果预测评估。每个弱分类器根据输入的编码向量生成模型预测评估数据,这些数据反映了模型对自闭症儿童康复效果的预测准确度。
在一具体实施例中,所述提取模块105具体用于:
将每个弱分类器的模型预测评估数据输入预置特征聚类模型,并通过所述特征聚类模型中的第一移动密度函数对所述模型预测评估数据进行聚类中心计算,得到对应的初始聚类中心;
对所述模型预测评估数据与所述初始聚类中心进行特征聚类计算,得到多个特征中心距,并对所述多个特征中心距进行均值运算,得到对应的平均中心距;
通过所述平均中心距对所述第一移动密度函数的搜索半径参数进行调整,得到目标搜索半径参数,并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数,得到目标移动密度函数;
通过所述目标移动密度函数对所述模型预测评估数据进行聚类中心计算,得到对应的目标聚类中心,并通过所述目标聚类中心对每个弱分类器的模型预测评估数据进行特征聚类,得到每个弱分类器的多个模型预测评估特征;
根据所述多个模型预测评估特征,生成对应的第二模型训练方案。
具体的,将每个弱分类器的模型预测评估数据输入预置特征聚类模型中,对这些数据进行初始的聚类分析,以便识别出数据中的关键特征和模式。特征聚类模型通常包含一个移动密度函数,该函数能够在特征空间中根据数据的分布情况计算聚类中心。例如,假设一个弱分类器专注于分析与社交互动相关的行为数据,那么特征聚类模型将尝试在这些数据中找到代表典型社交行为模式的中心点。对模型预测评估数据与初始聚类中心进行特征聚类计算,以确定每个数据点与聚类中心之间的特征距离。这些距离可以帮助理解每个预测数据点与聚类中心的相似性或差异性。随后,将计算出的所有特征中心距进行均值运算,得到平均中心距。这一步骤的目的是量化整体数据集与聚类中心的平均接近程度,从而对聚类模型进行进一步的优化。例如,如果发现多数社交行为数据点与初始聚类中心的距离较远,这表明需要调整聚类算法来更好地捕捉数据集中的主要趋势。然后,根据计算出的平均中心距对移动密度函数的搜索半径参数进行调整。搜索半径参数是聚类算法中一个关键的参数,它影响着聚类的精度和覆盖范围。通过优化这个参数,可以使得聚类结果更加准确地反映数据的真实分布。例如,如果平均中心距较大,需要增加搜索半径以覆盖更广泛的数据点。随后,将优化后的移动密度函数应用于模型预测评估数据,以计算新的聚类中心,即目标聚类中心。这些新的聚类中心将更准确地反映数据的核心特征和模式。例如,经过优化的聚类算法会在社交行为数据中识别出更加精确的代表性行为模式。之后,通过这些目标聚类中心对每个弱分类器的模型预测评估数据进行特征聚类。这将产生每个弱分类器的多个模型预测评估特征,这些特征是模型性能优化的关键。例如,通过特征聚类,会发现某些特定的社交行为模式与自闭症儿童的康复效果有着更紧密的关联。根据这些模型预测评估特征,生成对应的第二模型训练方案。这个方案将基于对数据特征和模式的深入理解,从而使得AdaBoost模型能够更精准地预测自闭症儿童的康复效果。例如,第二模型训练方案会调整弱分类器的权重和参数,以更好地捕捉和利用那些对康复效果预测最关键的行为和生理特征。
在一具体实施例中,所述调整模块106具体用于:
根据所述第二模型训练方案对所述AdaBoost模型进行模型训练,得到所述AdaBoost模型的模型训练结果;
获取所述AdaBoost模型的第一模型参数和模型权重集合,并通过预置的MSE损失函数计算所述模型训练结果的损失值;
根据所述损失值定义预置遗传算法的迭代次数,并通过所述遗传算法对所述第一模型参数和模型权重集合进行遗传分析,得到多个第二模型参数和模型权重集合;
对所述多个第二模型参数和模型权重集合进行最优化分析,并根据所述迭代次数进行循环迭代,得到目标模型参数和模型权重集合;
根据所述目标模型参数和模型权重集合,对所述AdaBoost模型中的多个弱分类器进行参数和权重调整,得到目标AI评估模型。
具体的,根据第二模型训练方案对AdaBoost模型进行模型训练,每个弱分类器根据训练方案中指定的数据和目标进行训练。获取AdaBoost模型的第一模型参数和模型权重集合。这些参数和权重决定了模型的行为和预测能力。然后,通过预置的均方误差(MSE)损失函数计算模型训练结果的损失值。MSE损失函数是一种常用的性能评估方法,它通过计算预测值和实际值之间差异的平方和来评估模型的准确性。例如,如果模型在预测孩子的社交行为改善与康复效果之间的关系时出现较大偏差,MSE损失值将会较高。根据计算出的损失值定义预置遗传算法的迭代次数。遗传算法是一种启发式搜索算法,模仿自然进化的过程,通过选择、交叉和变异等操作来优化问题的解决方案。并通过遗传算法对第一模型参数和模型权重集合进行遗传分析。例如,遗传算法会通过交叉和变异操作在参数空间中探索新的参数组合,以寻找能够降低MSE损失值的参数设置。随后,对通过遗传算法得到的多个第二模型参数和模型权重集合进行最优化分析,从所有通过遗传算法生成的参数和权重组合中选择最佳的解决方案。根据所定义的迭代次数进行循环迭代,每次迭代都会根据模型的性能评估结果选择和调整参数和权重。例如,在每次迭代中,算法会对权重和参数进行微调,以寻找能够进一步降低损失值的组合。根据通过迭代过程得到的目标模型参数和模型权重集合,对AdaBoost模型中的多个弱分类器进行参数和权重调整。这确保每个弱分类器都能够在最终模型中充分发挥作用。例如,对于那些在初步训练中表现出较高预测准确性的弱分类器,会增加其在最终模型中的权重;而对于那些表现不佳的弱分类器,则减少其权重或对其参数进行调整。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种自闭症儿童康复效果AI评估模型的构建***,其特征在于,所述自闭症儿童康复效果AI评估模型的构建***包括:
获取模块,用于获取患者评估数据库中多个目标患者的初始多维评估数据集,所述初始多维评估数据集包括:目标行为数据、目标生理数据及目标心理评估数据;
分析模块,用于对所述初始多维评估数据集进行相关系数分析和特征筛选,得到对应的目标多维评估数据集;
创建模块,用于获取待训练的AdaBoost模型并定义所述AdaBoost模型中多个弱分类器的模型训练目标,以及根据所述模型训练目标和所述目标多维评估数据集创建对应的第一模型训练方案;
训练模块,用于通过所述第一模型训练方案对所述AdaBoost模型进行模型训练,得到所述AdaBoost模型中每个弱分类器的模型预测评估数据;
提取模块,用于对所述模型预测评估数据进行模型预测评估特征提取,得到每个弱分类器的多个模型预测评估特征,并根据所述多个模型预测评估特征生成对应的第二模型训练方案;
调整模块,用于根据所述第二模型训练方案对所述AdaBoost模型进行模型训练,并对所述AdaBoost模型中的多个弱分类器进行参数和权重调整,得到目标AI评估模型。
2.根据权利要求1所述的自闭症儿童康复效果AI评估模型的构建***,其特征在于,所述获取模块具体用于:
获取患者评估数据库中多个目标患者的初始行为数据、初始生理数据及初始心理评估数据;
分别对所述初始行为数据、所述初始生理数据及所述初始心理评估数据进行规范化处理,得到规范化行为数据、规范化生理数据及规范化心理评估数据;
分别对规范化行为数据、所述规范化生理数据及所述规范化心理评估数据进行标准化处理,得到标准行为数据、标准生理数据及标准心理评估数据;
分别对所述标准行为数据、所述标准生理数据及所述标准心理评估数据进行数据标签化处理,得到目标行为数据、目标生理数据及目标心理评估数据;
根据所述目标行为数据、所述目标生理数据及所述目标心理评估数据生成对应的初始多维评估数据集。
3.根据权利要求1所述的自闭症儿童康复效果AI评估模型的构建***,其特征在于,所述分析模块具体用于:
对所述初始多维评估数据集中的目标行为数据和目标生理数据进行相关系数分析,得到第一相关系数分析结果,并根据第一相关系数分析结果对所述目标行为数据和所述目标生理数据进行特征筛选,得到第一相关性评估数据;
对所述初始多维评估数据集中的目标行为数据和目标心理评估数据进行相关系数分析,得到第二相关系数分析结果,并根据第二相关系数分析结果对所述目标行为数据和所述目标心理评估数据进行特征筛选,得到第二相关性评估数据;
对所述初始多维评估数据集中的目标生理数据和目标心理评估数据进行相关系数分析,得到第三相关系数分析结果,并根据第三相关系数分析结果对所述目标生理数据和所述目标心理评估数据进行特征筛选,得到第三相关性评估数据;
根据所述第一相关性评估数据、所述第二相关性评估数据以及所述第三相关性评估数据生成对应的目标多维评估数据集。
4.根据权利要求1所述的自闭症儿童康复效果AI评估模型的构建***,其特征在于,所述创建模块具体用于:
获取待训练的AdaBoost模型,所述AdaBoost模型包括多个弱分类器;
分别定义每个弱分类器的模型训练目标,并根据所述模型训练目标构建所述多个弱分类器与所述目标多维评估数据集之间的数据映射关系;
根据所述数据映射关系从所述目标多维评估数据集中确定每个弱分类器的目标相关性评估数据;
根据所述目标相关性评估数据以及所述多个弱分类器,创建所述AdaBoost模型对应的第一模型训练方案。
5.根据权利要求4所述的自闭症儿童康复效果AI评估模型的构建***,其特征在于,所述训练模块具体用于:
根据所述第一模型训练方案确定所述AdaBoost模型中每个弱分类器的训练标签数据集;
将所述训练标签数据集输入标签数据整合模型,并通过所述标签数据整合模型将所述训练标签数据集映射到预置的特征空间进行标签序列特征分析,得到初始标签序列特征点;
对所述特征空间中的训练标签数据集与所述初始标签序列特征点进行特征距离运算,得到多个目标特征距离,并对所述多个目标特征距离进行标准化处理,得到标准特征距离;
根据所述标准特征距离,对所述训练标签数据集进行特征中心移动分析,得到目标标签序列特征点,并根据所述目标标签序列特征点对所述训练标签数据集进行遍历分析,得到每个训练标签数据的目标标签序列特征点;
根据每个训练标签数据的目标标签序列特征点对所述训练标签数据集进行序列转换,得到训练标签数据序列,并对所述训练标签数据序列进行向量转换,得到训练标签编码向量;
将所述训练标签编码向量分别输入对应的弱分类器进行康复效果预测评估,得到所述AdaBoost模型中每个弱分类器的模型预测评估数据。
6.根据权利要求1所述的自闭症儿童康复效果AI评估模型的构建***,其特征在于,所述提取模块具体用于:
将每个弱分类器的模型预测评估数据输入预置特征聚类模型,并通过所述特征聚类模型中的第一移动密度函数对所述模型预测评估数据进行聚类中心计算,得到对应的初始聚类中心;
对所述模型预测评估数据与所述初始聚类中心进行特征聚类计算,得到多个特征中心距,并对所述多个特征中心距进行均值运算,得到对应的平均中心距;
通过所述平均中心距对所述第一移动密度函数的搜索半径参数进行调整,得到目标搜索半径参数,并将所述第一移动密度函数的初始搜索半径参数替换为所述目标搜索半径参数,得到目标移动密度函数;
通过所述目标移动密度函数对所述模型预测评估数据进行聚类中心计算,得到对应的目标聚类中心,并通过所述目标聚类中心对每个弱分类器的模型预测评估数据进行特征聚类,得到每个弱分类器的多个模型预测评估特征;
根据所述多个模型预测评估特征,生成对应的第二模型训练方案。
7.根据权利要求1所述的自闭症儿童康复效果AI评估模型的构建***,其特征在于,所述调整模块具体用于:
根据所述第二模型训练方案对所述AdaBoost模型进行模型训练,得到所述AdaBoost模型的模型训练结果;
获取所述AdaBoost模型的第一模型参数和模型权重集合,并通过预置的MSE损失函数计算所述模型训练结果的损失值;
根据所述损失值定义预置遗传算法的迭代次数,并通过所述遗传算法对所述第一模型参数和模型权重集合进行遗传分析,得到多个第二模型参数和模型权重集合;
对所述多个第二模型参数和模型权重集合进行最优化分析,并根据所述迭代次数进行循环迭代,得到目标模型参数和模型权重集合;
根据所述目标模型参数和模型权重集合,对所述AdaBoost模型中的多个弱分类器进行参数和权重调整,得到目标AI评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311810596.7A CN117476183B (zh) | 2023-12-27 | 2023-12-27 | 自闭症儿童康复效果ai评估模型的构建*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311810596.7A CN117476183B (zh) | 2023-12-27 | 2023-12-27 | 自闭症儿童康复效果ai评估模型的构建*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117476183A true CN117476183A (zh) | 2024-01-30 |
CN117476183B CN117476183B (zh) | 2024-03-19 |
Family
ID=89636478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311810596.7A Active CN117476183B (zh) | 2023-12-27 | 2023-12-27 | 自闭症儿童康复效果ai评估模型的构建*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117476183B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130037734A (ko) * | 2011-10-07 | 2013-04-17 | 수원대학교산학협력단 | 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템 |
US20190362846A1 (en) * | 2018-05-24 | 2019-11-28 | Siemens Healthcare Gmbh | System and method for an automated clinical decision support system |
CN112668809A (zh) * | 2020-10-30 | 2021-04-16 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及*** |
CN113609779A (zh) * | 2021-08-16 | 2021-11-05 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
CN115346665A (zh) * | 2022-10-19 | 2022-11-15 | 南昌大学第二附属医院 | 视网膜病变发病风险预测模型的构建方法、***及设备 |
CN115525697A (zh) * | 2022-10-18 | 2022-12-27 | 广东工业大学 | 一种基于中药生产数据挖掘的工艺优化方法 |
CN116561589A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市易赛通信技术有限公司 | 一种基于智能穿戴设备的考勤训练管理方法及*** |
-
2023
- 2023-12-27 CN CN202311810596.7A patent/CN117476183B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130037734A (ko) * | 2011-10-07 | 2013-04-17 | 수원대학교산학협력단 | 방사형 기저 함수 신경회로망 알고리즘을 이용한 실시간 얼굴 인식 시스템 |
US20190362846A1 (en) * | 2018-05-24 | 2019-11-28 | Siemens Healthcare Gmbh | System and method for an automated clinical decision support system |
CN112668809A (zh) * | 2020-10-30 | 2021-04-16 | 华东师范大学 | 建立自闭症儿童康复效果预测模型的方法、预测自闭症儿童康复效果的方法及*** |
CN113609779A (zh) * | 2021-08-16 | 2021-11-05 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
CN115525697A (zh) * | 2022-10-18 | 2022-12-27 | 广东工业大学 | 一种基于中药生产数据挖掘的工艺优化方法 |
CN115346665A (zh) * | 2022-10-19 | 2022-11-15 | 南昌大学第二附属医院 | 视网膜病变发病风险预测模型的构建方法、***及设备 |
CN116561589A (zh) * | 2023-07-10 | 2023-08-08 | 深圳市易赛通信技术有限公司 | 一种基于智能穿戴设备的考勤训练管理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117476183B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sathya et al. | [Retracted] Cancer Categorization Using Genetic Algorithm to Identify Biomarker Genes | |
Bihis et al. | A generalized flow for multi-class and binary classification tasks: An Azure ML approach | |
CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及*** | |
Jalali et al. | Parsimonious evolutionary-based model development for detecting artery disease | |
CN116601715A (zh) | 通过主动学习进行药物优化 | |
US20230029947A1 (en) | Medical disease feature selection method based on improved salp swarm algorithm | |
CN116959725A (zh) | 一种多模态数据融合的疾病风险预测方法 | |
CN117670066A (zh) | 基于智能决策的司库管理方法、***、设备及存储介质 | |
CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及*** | |
CN116805533A (zh) | 一种基于数据收集与模拟的脑出血手术风险预测*** | |
CN116864121A (zh) | 健康风险筛查*** | |
Balamurugan et al. | An integrated approach to performance measurement, analysis, improvements and knowledge management in healthcare sector | |
Bustillo et al. | Predictive Hybridization Model integrating Modified Genetic Algorithm (MGA) and C4. 5 | |
Tiruneh et al. | Feature selection for construction organizational competencies impacting performance | |
CN117476183B (zh) | 自闭症儿童康复效果ai评估模型的构建*** | |
Westerdijk et al. | Predicting malignant tumor cells in breasts | |
CN114999628B (zh) | 一种利用机器学习寻找退行性膝骨关节炎显著性特征方法 | |
Bashar et al. | Algan: Time series anomaly detection with adjusted-lstm gan | |
Alajlan | Model-based approach for anEarly diabetes PredicationUsing machine learning algorithms | |
Sagbakken | Using Machine Learning to Predict Elite Female Athletes' Readiness to Play in Soccer | |
Zhang et al. | Multiple classification models based student's phobia prediction study | |
KR20200126715A (ko) | 인공 신경망을 이용한 단백질 독성 예측 시스템 및 방법 | |
Kawamura et al. | A new filter evaluation function for feature subset selection with evolutionary computation | |
CN117437976B (zh) | 基于基因检测的疾病风险筛查方法及*** | |
Li et al. | [Retracted] Application of Deep Learning Technology in Predicting the Risk of Inpatient Death in Intensive Care Unit |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |