[发明专利]一种基于改进降噪自动编码器的小于胎龄儿预测方法

说明书

本发明公开了一种基于改进降噪自动编码器的小于胎龄儿预测方法，包括：预处理小于胎龄儿数据中的文本特征和非文本特征；基于改进的降噪自动编码器进行无监督学习，得到多个特征集；利用深度神经网络进行有监督学习微调模型参数；将训练好的模型对测试集进行预测，从而得到最终的分类结果。其中改进的降噪自动编码器在输入层进行0到2倍之间的按照正态随机数随机变化，采用改进的降噪自动编码器可以很好的将小于胎龄儿数据中的高维特征进行降维以及非线性抽象，同时改进的“降噪”方法提高了自动编码器学习到的特征多样性和鲁棒性；本发明提高了对小于胎龄儿数据预测的准确率，具有较高的实用意义。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于改进降噪自动编码器的小于胎龄儿预测方法。

背景技术

随着现代围产医学发展和新生儿复苏的广泛开展，小于胎龄儿（SGA）的存活率逐渐增加，SGA吸引了越来越多研究者的关注。 SGA可以通过许多标准来定义，但最常见的定义是出生体重低于相同胎龄的第10个百分点的新生儿。此外，International Small forGestational Age咨询委员会发展会议声明提供了另一个定义，即新生儿的2个标准偏差低于相同胎龄的平均体重。自Battaglia等人在1967年定义了SGA，许多学者进行了相关研究，发现SGA比正常胎龄儿（AGA）的围产期存在的危险要高。相当一部分婴儿出生后不能进入正常生长轨道，而身体发育明显落后于健康足月新生儿。成年后，他们更容易患肥胖，营养不良和成年后的社会压力。因此，早期发现SGA和干预措施是非常重要的因素，可以改善围产期和儿童时期的健康状况。

Hastie利用多普勒超声测量进行了453项研究以预测SGA 。但他们的结论是，由于实验结果不理想，多普勒超声研究脐动脉血流速度对双胎妊娠SGA婴儿的预测价值不大。Figueras等人应用决策树分析算法来预测SGA妊娠的不良结果，研究结果表明，他们的模型可以作为一种诊断工具来识别SGA妊娠不良妊娠结局的风险。 Sanzcortes等人利用MR图像中的纹理分析（TA）来识别与SGA中异常神经行为相关的模式。此外，他们在遗传算法的第37周通过91个SGA胎儿证明了这种方法的可靠性。大多数上述方法预测SGA的风险，但没有更多的考虑SGA的可能性。此外，许多方法被用于罕见的医疗器械，这在一般体检中不能很好地利用，特别是在贫穷国家和许多发展中国家。

随着机器学习的发展，它已被许多传统研究领域采用。机器学习应用的方法不断发展，特别是基于机器学习的数据分析方法已成为解决复杂问题的关键技术之一。 2016年，Li等人应用机器学习方法预测出生前的SGA 。实验结果具有很高的准确性，并且达到了非常高的AUC（AUC值相当于随机选择的正例高于随机选择的负例的概率），为0.8547。但是在特征工程中，其应用了手动选择特征的方法，这花费了很多时间，没有充分利用文本变量和分类变量。因此，寻找解决高维问题和提取文本特征模型是解决问题的关键。

深度学习能够自动提取特征，学习多层次的抽象特征表示，并学习异构或跨域内容信息。采用深度学习中自动编码器的方法来预测出生前的SGA。可以达到很高准确率的同时，又比传统机器学习方法节省了大量人力和时间。

发明内容

针对上述问题中存在的不足之处，本发明提供一种基于改进降噪自动编码器的小于胎龄儿预测方法。

为实现上述目的，本发明提供一种基于改进降噪自动编码器的小于胎龄儿预测方法，包括：

步骤1、获取小于胎龄儿数据：

所述小于胎龄儿数据包括文本特征和非文本特征，所述非文本特征包括连续型特征和离散型特征，所述连续型特征包括身高、体重和年龄，所述离散型特征包括职业、血型和是否吸烟；

步骤2、预处理数据：

对负样本中缺失值超过20%比例的样本进行删除，利用-1固定值对缺失值进行填补；

步骤3、处理小于胎龄儿文本特征：