(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211469759.5 (22)申请日 2022.11.23 (71)申请人 山东未来网络 研究院 （紫金山实验 室工业互联网创新应用基地） 地址 250000 山东省济南市 市中区山 东大 学国家大 学科技园7号楼 (72)发明人 涂燕晖　陈虎　姚振杰　程海博　 陈一昕　 (74)专利代理 机构 南京九致知识产权代理事务 所(普通合伙) 32307 专利代理师 王晓青 (51)Int.Cl. G16C 10/00(2019.01) G16C 20/70(2019.01) G06N 3/04(2006.01)G06N 3/12(2006.01) (54)发明名称 一种PaCO2实时预警模型建立方法及系统 (57)摘要 本发明提供的一种PaCO2实时预警模型建立 方法及系统， 涉及医疗检测领域； 其中， 方法包 括： 确定与PaCO2数值变化相关的若干 特征； 根据 PaCO2时间戳， 预设预 警期和特征观测窗口， 获取 样本数据； 构建带超参数的卷积深度和宽度神经 网络模型， 记为CDWNN； 根据获取的样本数据， 采 用遗传算法确定CDWNN的拓扑结构和超参数， 获 得优化CDWNN； 根据优 化CDWNN预测PaCO2数值； 根 据预测值进行归因分析和决策干预。 本发明利用 ICU中常见的呼吸和生命体征指标即可完成 PaCO2的实时预测， 应用简单且高效。 权利要求书3页 说明书12页 附图6页 CN 115512780 A 2022.12.23 CN 115512780 A 1.一种PaCO2实时预警模型建立方法， 其特 征在于， 包括： 确定与PaCO2数值变化相关的若干特 征； 根据PaCO2时间戳， 预设预警期和特 征观测窗口， 获取样本数据； 构建带超参数的卷积 深度和宽度神经网络模型， 记为CDW NN； 根据获取的样本数据， 采用遗传算法确定 CDWNN的拓扑结构和超参数， 获得优化CDW NN； 根据优化CDW NN预测PaCO2数值。 2.根据权利要求1所述的PaCO2实时预警模型建立方法， 其特 征在于， 还 包括： 对预测优化CDW NN的预测结果进行归因分析； 根据归因分析 结果， 对PaCO2数值进行决策干预。 3.根据权利要求1所述的PaCO2 实时预警模型建立方法， 其特征在于， 构 建CDWNN的具体 过程为： 构建神经网络框架， 包括构成输入端的一维卷积层Conv1D、 依次设置在一维卷积层 Conv1D输出端的一Flatten层、 若干中间结构块和一输出块； 其中， 对任一中间结构块 Block_n， 其输入为Flatten层输出以及中间结构块Block_k(k=0,1,...,n ‑1)输出； 任一所 述中间结构块Block_n均包括一concatenate层、 一Dense层、 一Bat chNormalization层和一 Dropout层， 所述concatenate层将Flatten层输出向量以及中间结构块Block_k(k=0, 1 ,...,n ‑1)输出向量集进行列方向拼接后， 再依次经Dense层特征空间变换、 BatchNormalization层标准化处理以及Dropout层权 重更新后向输出块Bl ock_out输出； 确定神经网络框架的超参数， 包括一维卷积层Conv1D中卷积核 的个数p1、 中间结构块 中Dense层的神经 元个数p2和Dropout层的权 重不更新 率p3； 确定神经网络 框架的拓扑 结构， 包括中间结构块的个数n。 4.根据权利要求3所述的PaCO2实时预警模型建立方法， 其特征在于， 所述采用遗传算 法确定CDWNN的拓扑结构和超参数的具体过程 为： 初始化种群大小以及子代数目、 交叉概 率变异概 率、 神经网络 拓扑结构及所有超参数； 随机划分样本数据为训练集和测试集， 在测试集分别进行N次模型的独立训练， 并计算 获得N次独立训练的绝对误差均值； 其中， N≥10 0； 以绝对误差均值作为适应度， 执行遗传算法的遗传更新， 直至种群子代数目达到设定 值， 输出最佳拓扑 结构、 超参数集 合以及对应的适应度。 5.根据权利要求2所述的PaCO2实时预警模型建立方法， 其特征在于， 所述归因分析的 具体过程 为： 获取一测试样本， 采用优化CDW NN进行预测； 采用SHAP算法计算该测试样本对应的特 征贡献值； 判断特征贡献值的正负， 评估该特征变化对PaCO2预测值的影响， 以确定有利特征和有 害特征； 其中， 特征变化对PaCO2预测值的影响包括： 当特征贡献值为负值， 表明增大该特征 的值会减弱PaCO2预测值； 当特征贡献值为正值表 明增大该特征的值会增大PaCO2预测值； 当特征贡献值 为0， 表明该 特征与PaCO2预测值无关。 6.根据权利要求5所述的PaCO2实时预警模型建立方法， 其特征在于， 所述决策干预的 具体过程 为： 对未来某一时刻的PaCO2预期值引入DiCE方法， 自动计算并输出若干组当前某个或几权　利　要　求　书 1/3 页 2 CN 115512780 A 2个有害特征的调整值。 7.一种PaCO2实时预警模型建立系统， 其特 征在于， 包括： 确定模块， 用于确定与PaCO2数值变化相关的若干特 征； 获取模块， 用于根据PaCO2时间戳， 预设预警期和特 征观测窗口， 获取样本数据； 构建模块， 用于构建带超参数的卷积 深度和宽度神经网络模型， 记为CDW NN； 优化模块， 用于根据获取的样本数据， 采用遗传算法确定CDWNN的拓扑结构和超参数， 获得优化CDW NN； 预测模块， 用于根据优化CDW NN预测PaCO2数值。 8.根据权利要求书7 所述的PaCO2实时预警模型建立系统， 其特 征在于， 还 包括： 归因分析模块， 用于对预测优化CDW NN的预测结果进行归因分析； 决策干预模块， 用于根据归因分析 结果， 对PaCO2数值进行决策干预。 9.根据权利要求书7所述的PaCO2实时预警模型建立系 统， 其特征在于， 所述构建模块 构建CDWNN的执行单元， 包括： 构建单元， 用于构 建神经网络框架， 包括构成输入端的一维卷积层Conv1D、 依次设置在 一维卷积层Conv1D输出端的一Flatten层、 若干中间结构块和一输出块； 其中， 对任一中间 结构块Block_n， 其输入为Flatten层输出以及中间结构块Block_k(k=0,1,...,n ‑1)输出； 任一所述中间结构块Block_n均包括一concatenate层、 一Den se层、 一Bat chNormalization 层和一Dropout层， 所述conc atenate层将Flatten层输出向量以及中间结构块Block_k(k= 0,1 ,...,n ‑1)输出向量集进行列方向拼接后， 再依次经Dense层特征空间变换、 BatchNormalization层标准化处理以及Dropout层权 重更新后向输出块Bl ock_out输出； 第一确定单元， 用于确定神经网络框架的超参数， 包括一维卷积层Conv1D中卷积核 的 个数p1、 中间结构块中Dense层的神经 元个数p2和Dropout层的权 重不更新 率p3； 第二确定单 元， 用于确定神经网络 框架的拓扑 结构， 包括中间结构块的个数n。 10.根据权利要求书9所述的PaCO2实时预警模型建立系统， 其特征在于， 所述优化模块 采用遗传算法确定 CDWNN的拓扑结构和超参数的执 行单元， 包括： 初始化单元， 用于初始化种群大小以及子代数目、 交叉概率变异概率、 神经网络拓扑结 构以及所有超参数； 第一计算单元， 用于随机划分样本数据为训练集和测试集， 在测试集分别进行N次模型 的独立训练， 并计算获得N次独立训练的绝对误差均值； 其中， N≥10 0； 执行单元， 用于以绝对误差均值作为适应度， 执行遗传算法的遗传更新， 直至种群子代 数目达到设定值， 输出最佳拓扑 结构、 超参数集 合以及对应的适应度。 11.根据权利要求书8所述的PaCO2实时预警模型建立系统， 其特征在于， 所述归因分析 模块进行归因分析的执 行单元， 包括： 获取单元， 用于获取一测试样本， 采用优化CDW NN进行预测； 第二计算单 元， 用于采用SHAP算法计算该测试样本对应的特 征贡献值； 判断单元， 用于判断特征贡献值的正负， 评估该特征变化对PaCO2预测值的影响， 以确 定有利特征和有害 特征； 其中， 特征变化对PaCO2预测值的影响包括： 当特征贡献值为负值， 表明增大该特征的值会减弱PaCO2预测值； 当特征贡献值为正值表明增大该特征的值会增 大PaCO2预测值； 当特 征贡献值 为0， 表明该 特征与PaCO2预测值无关。权　利　要　求　书 2/3 页 3 CN 115512780 A 3