公开(公告)号：CN115691788B

公开(公告)日：2023-07-14

申请号：CN202211339943.8

申请日：2022-10-27

Applicant: 北京理工大学

Inventor： 史大威 ,  王磊 ,  蒋思成 ,  潘政霖 ,  刘蔚 ,  王军政 ,  纪立农

IPC: G16H50/20 ,  G06F18/241 ,  G06N3/049 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种基于异构数据的双重注意力耦合网络糖尿病分类系统，该系统基于双重注意力的LSTM‑CNN耦合网络,构造一种自适应地调整不同数据源重要性的融合方法,来学习和集成异构数据中的特征，解决了机器学习的糖尿病诊断问题中，数据的复杂和高度不稳定的问题；在FGM子网络中嵌入卷积块注意力模块(Convolutional Block Attention Module，CBAM)，为复杂序列的学习引入注意力模块来表达对特定位置的信息偏好，显著提高了网络学习性能；利用真实医学临床数据对本发明提出的系统进行了验证，基于60名受试者的真实实验数据，糖尿病类型的分类准确率达到95.835％，Matthews相关系数、F1值和G‑mean等综合性能指标分别为91.333％、94.939％和94.937％。所提方法的结果优于所有基准方法的结果，表明了糖尿病类型分类的可行性。

公开(公告)号：CN115691788A

公开(公告)日：2023-02-03

申请号：CN202211339943.8

申请日：2022-10-27

Applicant: 北京理工大学

Inventor： 史大威 ,  王磊 ,  蒋思成 ,  潘政霖 ,  刘蔚 ,  王军政 ,  纪立农

IPC: G16H50/20 ,  G06F18/241 ,  G06N3/049 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明提供一种基于异构数据的双重注意力耦合网络糖尿病分类系统，该系统基于双重注意力的LSTM‑CNN耦合网络,构造一种自适应地调整不同数据源重要性的融合方法,来学习和集成异构数据中的特征，解决了机器学习的糖尿病诊断问题中，数据的复杂和高度不稳定的问题；在FGM子网络中嵌入卷积块注意力模块(Convolutional Block Attention Module，CBAM)，为复杂序列的学习引入注意力模块来表达对特定位置的信息偏好，显著提高了网络学习性能；利用真实医学临床数据对本发明提出的系统进行了验证，基于60名受试者的真实实验数据，糖尿病类型的分类准确率达到95.835％，Matthews相关系数、F1值和G‑mean等综合性能指标分别为91.333％、94.939％和94.937％。所提方法的结果优于所有基准方法的结果，表明了糖尿病类型分类的可行性。