[发明专利]一种运用卷积神经网络对疾病风险预测的模型

权利要求书

1.一种运用卷积神经网络对疾病风险预测的模型，其特征在于：所述模型为四层卷积神经网络模型，包括第一层、第二层、第三层、第四层；第一层由EHRS建立的事件矩阵组成，第二层为对第一层中的EHR矩阵进行提取表型的单侧卷积层，第三层为在第二层提取到的表型中保留重要表型的最大池化层，第四层是一个softmax预测的全连接层。

2.如权利要求1所述的运用卷积神经网络对疾病风险预测的模型，其特征在于：所述第一层中的事件矩阵中，水平维度对应于时间戳，垂直维度对应于事件值。

3.如权利要求1所述的运用卷积神经网络对疾病风险预测的模型，其特征在于：所述第二层将每个长度为t的事件矩阵用X表示，且X∈R^d×t；设X_i是对应于第i个事件的d维事件向量；则X_i:i+j相关联的项为x_i,x_i+1,…,x_i+j；单侧卷积操作的滤波器ω∈R^d×h，其应用到一个h种事件特征的窗口来产生一种新的特征c_i，其公式为：

c_i＝f(w·x_i:i+h-1+b)

其中b∈R是偏置项ω，f是一个非线性函数。

4.如权利要求3所述的运用卷积神经网络对疾病风险预测的模型，其特征在于：所述滤波器应用于事件矩阵{x_1:h，x_2:h+1，…，x_n＝h+1::n}中的每个特征窗口，产生特征映射c＝[c₁,c₂,…,c_n-h+1]，其中c∈R_n-h+1。

5.如权利要求4所述的运用卷积神经网络对疾病风险预测的模型，其特征在于：所述第三层中最大池化层中的操作公式为；

6.如权利要求3所述的运用卷积神经网络对疾病风险预测的模型，其特征在于：将EHRS数据分为若干个短的、大小固定的子帧包，子帧包在时间维度上与四层卷积神经网络模型进行融合；其融合方式包括时间早期融合、时间晚期融合、时间慢融合；时间早期融合是通过修改单个子帧包中单侧卷积层上的滤波器实现；时间晚期融合通过几个单独的单帧网络合并到全连接层中实现的；时间慢融合通过在时间上扩展所有单侧卷积层的连通性来实现的。