[发明专利]基于双重注意力机制的术中低血压预测方法及相关产品

权利要求书

1.基于双重注意力机制的术中低血压预测方法，其特征在于，包括：

监测术中生理指标数据；

将监测得到的生理指标数据输入到基于双重注意力机制的深度学习模型中，输出术中低血压预测结果；

其中所述基于双重注意力机制的深度学习模型的训练方法包括：

步骤1，将术中监测的生理指标数据作为原始样本数据X，并将其处理得到所述模型可以接收的输入矩阵

步骤2，使用多头注意力机制为所述输入矩阵中生理指标的每个时间步分配不同的权重，得到时间步权重矩阵；

步骤3，使用多头注意力机制为所述输入矩阵中每个生理指标分配不同的权重，得到生理指标权重矩阵；

步骤4，对所述时间步权重矩阵和生理指标权重矩阵分别提取生理指标的空间特征，得到时间步空间特征矩阵和生理指标空间特征矩阵；

步骤5，将所述时间步空间特征矩阵和生理指标空间特征矩阵进行融合得到新的输出矩阵；

步骤6，根据所述新的输出矩阵计算并输出术中低血压发生和不发生的概率。

2.如权利要求1所述的基于双重注意力机制的术中低血压预测方法，其特征在于，所述步骤2具体包括：

步骤2-1，将输入矩阵映射成三个矩阵Q，K和V，其中V是表示输入特征向量，Q和K是计算注意力权重的特征向量；

步骤2-2，将Q和K做相似度计算，再将结果缩小倍得到权重α，其中d_k是时间序列的维度；

步骤2-3，使用softmax函数，按照行或列做归一化得到权重向量

步骤2-4，将输入向量V和进行加权求和得到

步骤2-5，多个注意力头同时计算步骤2-1～2-4，将每个注意力头计算得到的输出进行拼接，然后通过线性转换得到最终的包含不同时间步长权重的矩阵

3.如权利要求1或2所述的基于双重注意力机制的术中低血压预测方法，其特征在于，所述步骤3具体包括：

将所述输入矩阵的转置矩阵输入Variable Attention层，使用多头注意力机制从不同表征空间进行学习，得到包含不同生理指标权重的矩阵根据矩阵为所述输入矩阵中每个生理指标分配不同的权重。

4.如权利要求3所述的基于双重注意力机制的术中低血压预测方法，其特征在于，所述步骤4具体包括：

所述每个FCN层包含三个叠加的卷积模块，每个卷积模块包含一个一维卷积，使用BN对所述时间步权重矩阵和生理指标权重矩阵进行标准化；将标准化后的数据分别输入三个叠加的卷积模块中，通过每个卷积模块的一维卷积进行卷积操作以提取生理指标的空间特征，并采用ReLU函数作为激活函数增加神经网络的非线性因素，提取得到时间步空间特征矩阵和生理指标空间特征矩阵和

5.如权利要求4所述的基于双重注意力机制的术中低血压预测方法，其特征在于，所述通过每个卷积模块的一维卷积进行卷积操作以提取生理指标的空间特征，具体包括：在每个卷积模块的一维卷积中，使用一个滑动窗口在所述时间步权重矩阵和生理指标权重矩阵中从上到下滑动，并让窗口内的数据与卷积核内的数据逐个相乘再求和，滑动步长为1，其中滑动窗口和卷积核大小为3*n，其中n为生理指标数量，取正整数。

6.如权利要求5所述的基于双重注意力机制的术中低血压预测方法，其特征在于，所述步骤5具体包括：

使用SoftMax函数分别为所述时间步空间特征矩阵和生理指标空间特征矩阵计算各自的权重；

所述时间步空间特征矩阵与对应的权重相乘得到第一矩阵，所述生理指标空间特征矩阵与对应的权重相乘得到第二矩阵，将所述第一矩阵和第二矩阵拼接得到新的输出矩阵。