一种基于稀疏编码的免疫水平预测系统、装置和存储介质

摘要

本发明涉及一种基于稀疏编码的免疫水平预测系统、装置和存储介质，包括数据矩阵制作模块用于获取多个指标数据集，根据所有指标数据集得到目标数据总集；根据所述目标数据总集得到训练数据矩阵；稀疏编码学习模块用于基于稀疏编码学习方法，对稀疏编码模型进行训练，得到目标稀疏表示；还用于对神经网络模型进行训练，得到优化权重矩阵和优化字典矩阵，并根据优化字典矩阵、优化权重矩阵和神经网络模型得到目标预测模型；免疫水平预测模块用于将待预测数据矩阵输入目标预测模型中，得到对应的免疫水平。本发明能够覆盖大部分的免疫指标，挖掘出多免疫指标对免疫水平表征的影响，准确地、全面地预测出免疫水平，弥补了医学空白。

说明书

技术领域

本发明涉及人工智能及辅助生殖技术领域，尤其涉及一种基于稀疏编码的免疫水平预测系统、装置和存储介质。

背景技术

随着社会压力的增加，生活环境以及人们生活方式的改变，不孕不育疾病的发生率逐年升高。据中国人口协会发布的调查结果显示，我国不孕不育患者目前已超过5000万对夫妇，从30年前占育龄人口的1％～3％，到现在的10％～15％，30年增长了10倍左右。不育不孕已成为与癌症、心血管疾病并列的影响人类健康与发展的重大疾病。自从1978年世界第一例通过体外受精-胚胎移植(In Vitro Fertilization-embryo Transfer，IVF-ET)技术怀孕的女性顺利生产后，IVF-ET技术帮助很多家庭实现了生育的梦想。得益于促排卵方案、胚胎培养体系、胚胎植入前基因检测及胚胎选择等步骤的优化，目前，全球IVF-ET的平均成功率约为30％。研究显示，在利用IVF-ET技术进行正常妊娠或自然受孕的妊娠过程中，母体免疫系统能够正确识别胎儿，保护其在母体内正常发育；当母体免疫系统发生紊乱时，便会对胎儿产生排斥，进而可能发生不良妊娠结局。

因此，在母体免疫系统中，合适的免疫水平起着至关重要的作用，即对母体免疫系统的免疫水平的评估和预测具有重要意义。

目前，临床医师主要遵循医学或业内经验，根据每个免疫学指标的正常参考范围判定某个指标是否异常来评估整体的免疫水平。但是，由于免疫系统的复杂性、细胞之间的密切联系等特点，使得医生即使在已知多个免疫指标结果的情况下，也无法综合判断免疫状态是否达到合适水平，无法根据独立的多个免疫学指标对整体免疫状态进行评估，对免疫水平的评估不够精准、不够全面。部分临床研究采用传统的多因素逻辑回归等统计学方法来阐明多个因素之间对免疫水平或免疫状态的协同效应，但是，传统的统计学方法对大数据的分析效能以及对因素之间的深度联系挖掘能力都较低，无法真正地体现出免疫细胞以及激素等多个免疫指标相互之间的关联性对免疫水平的表征或预测的影响。

深度学习在图像处理领域取得了巨大的成就，以深度学习为基础建设的临床决策辅助系统(Clinical Decision Support System,CDSS)也有了较大的发展，但是基于深度学习算法来对母体免疫水平进行预测，进而对妊娠结局进行预测方面，还存在大量的医学空白。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于稀疏编码的免疫水平预测系统、装置和存储介质，能够尽可能地覆盖大部分的免疫指标，能够挖掘出多免疫指标对免疫水平表征的影响，准确地、全面地预测母体免疫系统的免疫水平，弥补了医学空白。

本发明解决上述技术问题的技术方案如下：

一种基于稀疏编码的免疫水平预测系统，包括数据矩阵制作模块、稀疏编码学习模块和免疫水平预测模块；

所述数据矩阵制作模块，用于获取多个指标数据集，根据所有指标数据集得到模型数据总集，对所述模型数据总集进行预处理，得到目标数据总集；

所述数据矩阵制作模块，还用于根据所述目标数据总集得到输入数据矩阵，并从所述输入数据矩阵中获取训练数据矩阵；

所述稀疏编码学习模块，用于构建稀疏编码模型，基于稀疏编码学习方法，利用所述训练数据矩阵对所述稀疏编码模型进行训练，得到目标稀疏表示；

所述稀疏编码学习模块，还用于构建神经网络模型，根据所述目标稀疏表示和所述训练数据矩阵对所述神经网络模型进行训练，得到优化权重矩阵和优化字典矩阵，并根据所述优化字典矩阵、所述优化权重矩阵和所述神经网络模型得到目标预测模型；

所述数据矩阵制作模块，还用于获取待预测指标数据集，并根据所述待预测指标数据集得到对应的待预测数据矩阵；

所述免疫水平预测模块，用于将所述待预测数据矩阵输入所述目标预测模型中，得到所述待预测指标数据集对应的免疫水平；

其中，所述待预测指标数据集和每个指标数据集中均包含有多个免疫指标数据序列。

本发明的有益效果是：数据矩阵制作模块获取多个母体的指标数据集(其中，一个母体对应一个指标数据集)，根据所有指标数据集得到后续稀疏编码学习的输入，即模型数据总集，然后对模型数据总集进行预处理，得到的目标数据总集便于从中获取到训练数据矩阵输入到稀疏编码学习模块中，并基于稀疏编码学习方法，得到能够反映每个母体中各个免疫指标之间的关联性，进而能够挖掘出多免疫指标对免疫水平表征的影响；稀疏编码学习模块基于稀疏编码学习方法，利用训练数据矩阵对稀疏编码模型进行训练，能够通过无监督学习寻找出一种“超完备”的基向量来更高效地表述出训练数据矩阵，得到的目标稀疏表示能够在准确反映每个母体中各个免疫指标之间的关联性的前提下，降低训练数据矩阵中多免疫指标之间的复杂度；稀疏编码学习模块再利用训练数据矩阵对神经网络模型进行训练，得到的优化权重矩阵能够挖掘出对免疫水平表征的影响最大的免疫指标，再结合得到的优化字典矩阵能够得到对免疫水平表征的影响最大的每个免疫指标在实际妊娠过程中所表现的免疫水平，再根据所有免疫指标的免疫水平，可以得到母体的整体的免疫水平或免疫状态；因此，优化字典矩阵、优化权重矩阵和神经网络模型所反映的目标预测模型能够准确地、全面地预测母体免疫系统的免疫水平；通过数据矩阵制作模块对待预测母体所对应的待预测指标数据集进行同样的预处理，同样可以得到待预测母体的待预测数据矩阵，然后免疫水平预测模块利用目标预测模型可以准确地预测出待预测数据矩阵(即待预测母体)的免疫水平；

本发明的免疫水平预测系统，基于稀疏编码学习方法，能够尽可能地覆盖大部分的免疫指标，并能够挖掘出多免疫指标之间的关联性，进而挖掘出多免疫指标对免疫水平表征的影响，以更简单有效的方法挖掘出对整体免疫水平表征影响最大的免疫指标，进而能够准确地、全面地预测母体免疫系统的免疫水平，弥补了医学空白。

依据本发明的另一方面，还提供了一种基于稀疏编码的免疫水平预测装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现本发明中的基于稀疏编码的免疫水平预测系统的功能。

本发明的有益效果是：通过存储在存储器上的计算机程序，并运行在处理器上，基于稀疏编码学习方法，能够尽可能地覆盖大部分的免疫指标，并能够挖掘出多免疫指标之间的关联性，进而挖掘出多免疫指标对免疫水平表征的影响，以更简单有效的方法挖掘出对整体免疫水平表征影响最大的免疫指标，进而能够准确地、全面地预测母体免疫系统的免疫水平，弥补了医学空白。

依据本发明的另一方面，提供了一种计算机存储介质，所述计算机存储介质包括：至少一个指令，在所述指令被执行时实现本发明的基于稀疏编码的免疫水平预测系统的功能。

本发明的有益效果是：通过执行包含至少一个指令的计算机存储介质，基于稀疏编码学习方法，能够尽可能地覆盖大部分的免疫指标，并能够挖掘出多免疫指标之间的关联性，进而挖掘出多免疫指标对免疫水平表征的影响，以更简单有效的方法挖掘出对整体免疫水平表征影响最大的免疫指标，进而能够准确地、全面地预测母体免疫系统的免疫水平，弥补了医学空白。

附图说明

图1为本发明实施例一中一种基于稀疏编码的免疫水平预测系统的结构示意图；

图2为本发明实施例一中另一种基于稀疏编码的免疫水平预测系统的完整结构示意图；

图3为本发明实施例一中模型训练的流程示意图；

图4为本发明实施例一中又一种基于稀疏编码的免疫水平预测系统的结构示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

下面结合附图，对本发明进行说明。

实施例一、如图1所示，一种基于稀疏编码的免疫水平预测系统，包括数据矩阵制作模块、稀疏编码学习模块和免疫水平预测模块；

所述数据矩阵制作模块，用于获取多个指标数据集，根据所有指标数据集得到模型数据总集，对所述模型数据总集进行预处理，得到目标数据总集；

所述数据矩阵制作模块，还用于根据所述目标数据总集得到输入数据矩阵，并从所述输入数据矩阵中获取训练数据矩阵；

所述稀疏编码学习模块，用于构建稀疏编码模型，基于稀疏编码学习方法，利用所述训练数据矩阵对所述稀疏编码模型进行训练，得到目标稀疏表示；

所述稀疏编码学习模块，还用于构建神经网络模型，根据所述目标稀疏表示和所述训练数据矩阵对所述神经网络模型进行训练，得到优化权重矩阵和优化字典矩阵，并根据所述优化字典矩阵、所述优化权重矩阵和所述神经网络模型得到目标预测模型；

所述数据矩阵制作模块，还用于获取待预测指标数据集，并根据所述待预测指标数据集得到对应的待预测数据矩阵；

所述免疫水平预测模块，用于将所述待预测数据矩阵输入所述目标预测模型中，得到所述待预测指标数据集对应的免疫水平；

其中，所述待预测指标数据集和每个指标数据集中均包含有多个免疫指标数据序列。

数据矩阵制作模块获取多个母体的指标数据集(其中，一个母体对应一个指标数据集)，根据所有指标数据集得到后续稀疏编码学习的输入，即模型数据总集，然后对模型数据总集进行预处理，得到的目标数据总集便于从中获取到训练数据矩阵输入到稀疏编码学习模块中，并基于稀疏编码学习方法，得到能够反映每个母体中各个免疫指标之间的关联性，进而能够挖掘出多免疫指标对免疫水平表征的影响；稀疏编码学习模块基于稀疏编码学习方法，利用训练数据矩阵对稀疏编码模型进行训练，能够通过无监督学习寻找出一种“超完备”的基向量来更高效地表述出训练数据矩阵，得到的目标稀疏表示能够在准确反映每个母体中各个免疫指标之间的关联性的前提下，降低训练数据矩阵中多免疫指标之间的复杂度；稀疏编码学习模块再利用训练数据矩阵对神经网络模型进行训练，得到的优化权重矩阵能够挖掘出对免疫水平表征的影响最大的免疫指标，再结合得到的优化字典矩阵能够得到对免疫水平表征的影响最大的每个免疫指标在实际妊娠过程中所表现的免疫水平，再根据所有免疫指标的免疫水平，可以得到母体的整体的免疫水平或免疫状态；因此，优化字典矩阵、优化权重矩阵和神经网络模型所反映的目标预测模型能够准确地、全面地预测母体免疫系统的免疫水平；通过数据矩阵制作模块对待预测母体所对应的待预测指标数据集进行同样的预处理，同样可以得到待预测母体的待预测数据矩阵，然后免疫水平预测模块利用目标预测模型可以准确地预测出待预测数据矩阵(即待预测母体)的免疫水平；

本实施例的免疫水平预测系统，基于稀疏编码学习方法，能够尽可能地覆盖大部分的免疫指标，并能够挖掘出多免疫指标之间的关联性，进而挖掘出多免疫指标对免疫水平表征的影响，以更简单有效的方法挖掘出对整体免疫水平表征影响最大的免疫指标，进而能够准确地、全面地预测母体免疫系统的免疫水平，弥补了医学空白。

优选地，任一个免疫指标数据序列具体为任一个母体的任一项免疫指标在一个预设周期内，按照时间先后顺序排列的多个免疫指标数据；

如图2所示，所述数据矩阵制作模块包括数据集获取单元、预处理单元、数据矩阵构建单元和数据矩阵划分单元；

所述数据集获取单元，用于从医院大数据平台中确定多个母体，并分别提取每一个母体的所有免疫指标数据序列，分别根据每一个母体的所有免疫指标数据序列对应得到每一个母体的指标数据集，根据所有母体的指标数据集得到所述模型数据总集；

所述预处理单元具体用于：

将所述模型数据总集加载到MATLAB中，选取所述模型数据总集中的任一个指标数据集，按照免疫指标类型对选取的指标数据集中的所有免疫指标数据序列进行分类，得到选取的指标数据集对应的指标面板集；

在选取的指标数据集对应的指标面板集中选取任一个指标面板，按照预设串联间隔和预设串联方向，对选取的指标面板下的所有免疫指标数据序列进行数据串联，得到选取的指标面板对应的串联指标面板；

遍历选取的指标数据集对应的指标面板集中的每个指标面板，得到选取的指标数据集中每个指标面板一一对应的串联指标面板；根据选取的指标数据集的所有串联指标面板，得到选取的指标数据集对应的合并指标数据集；

采用z-score归一化方法和/或One-hot编码方法，对选取的指标数据集对应的合并指标数据集进行标准化处理，得到选取的指标数据集对应的标准指标数据集；

遍历所述模型数据总集中的每个指标数据集，得到每个指标数据集一一对应的标准指标数据集，根据所有标准指标数据集得到所述目标数据总集；

其中，所述免疫指标包括荷尔蒙指标、母体抗体指标、外周血免疫指标和子宫内膜免疫指标；

所述数据矩阵构建单元，用于根据预设输入指标类型，分别在所述目标数据总集的每个标准指标数据集中均选取多个标准指标数据，根据选取的所有标准指标数据矩阵构建所述输入数据矩阵；

所述数据矩阵划分单元，用于按照预设划分比例，将所述输入数据矩阵分为训练数据矩阵和测试数据矩阵。

由于一个母体包含多项免疫指标，包括荷尔蒙指标、母体抗体指标、外周血免疫指标和子宫内膜免疫指标等，而每项免疫指标还包括多种要素或子指标(例如荷尔蒙指标中包括9种荷尔蒙子指标)，一个要素会在一个预设周期内，按照时间先后顺序产生一系列的免疫指标数据，则这一系列的免疫指标数据即为该母体的一项免疫指标在该要素下的免疫指标序列，因此所有的免疫指标序列即构成了该母体的指标数据集；这些指标数据集已经检测完成并通常存储在医院大数据平台中，数据集获取单元通过医院大数据平台提取多个母体的指标数据集，即为模型数据总集；通过分类，可以将同一项免疫指标下的所有免疫指标序列集中到一个指标面板上，便于后续对同一个指标面板下的数据进行数据串联，进而获取输入数据矩阵；每个母体的数据包含多个指标面板，这些指标面板即构成该母体对应的指标面板集，在任一个指标面板下，按照预设串联间隔和预设串联方向，对该指标面板下的所有免疫指标数据序列进行数据串联，便于将该母体的每项免疫指标在不同检测日期下的数据点连接成一个数据点，进而便于后续采用z-score归一化方法和/或One-hot编码方法进行标准化处理，并得到输入数据矩阵；其中，采用z-score归一化方法和/或采用One-hot编码方法，可以根据数据类型来选择合适的标准化的方法，例如数值类的数据采用z-score归一化方法，而母体妊娠结局的类别则采用One-hot编码方法；分别经过分类、数据串联和标准化处理后的所有标准指标数据集即构成目标数据总集；按照预设输入指标类型(例如外周血免疫指标)，指定目标数据总集中的标准指标数据输入到后续模型训练过程中的数据类型，将所选取的所有标准指标数据构建成n×p的输入数据矩阵(其中，n为选取的标准指标数据的数量或输入指标的数量)，该输入数据矩阵一方面能够保证尽可能地覆盖大部分的免疫指标，另一方面便于后续分成训练数据矩阵对模型进行训练，挖掘出多免疫指标对免疫水平表征的影响，并分成测试数据矩阵对训练后的模型进行测试，确保训练后的模型对免疫水平预测的准确率。

预设周期、预设串联间隔、预设串联方向、预设输入指标类型和预设划分比例均可根据实际设置和调整；z-score归一化方法及One-hot编码方法的具体操作方法为现有技术，具体细节此处不再赘述。

具体地，本实施例荷尔蒙指标有9种要素或子指标，母体抗体指标有15种要素或子指标，外周血免疫指标有21种要素或子指标，子宫内膜免疫指标有10种要素或子指标，在提取每个母体的指标数据集时，还对每个母体的妊娠结局和免疫水平的类别进行标记，得到每个母体的标签。

具体地，本实施例在分类时，每个母体可以得到四个指标面板：荷尔蒙指标面板、母体抗体指标面板，外周血免疫指标面板和子宫内膜免疫指标面板。

具体地，本实施例在数据串联时，选取的预设串联间隔为90天，即在一个预设周期内，每90天内的数据进行串联，预设串联方向为时间从先到后的顺序。

具体地，本实施例的预设划分比例为4:1，即输入数据矩阵中的五分之四为训练数据矩阵，五分之一为测试数据矩阵。

优选地，如图2所示，所述稀疏编码学习模块包括稀疏编码模型训练单元；

所述稀疏编码模型训练单元具体用于：

获取第一模型训练参数，根据所述第一模型训练参数构建所述稀疏编码模型；其中，所述第一模型训练参数包括模型原子数、第一模型学习率和第一模型成本函数；

采用随机初始化方法，获取初始化字典矩阵和初始化稀疏表示，采用坐标下降法和ISTA迭代阈值收缩方法，根据所述初始化字典矩阵、所述初始化稀疏表示和所述训练数据矩阵对所述稀疏编码模型进行迭代收缩，得到目标稀疏表示。

上述基于初始化字典矩阵和初始化稀疏表示，采用坐标下降法(CoordinateDescent)和ISTA迭代阈值收缩方法(Iterative Shrinkage Thresholding Algorithm)，对稀疏编码模型进行训练，能够最小化第一模型成本函数，进而能够估算出最优的目标稀疏表示，通过无监督学习寻找出一种“超完备”的基向量来更高效地表述出训练数据矩阵，得到的目标稀疏表示能够在准确反映每个母体中各个免疫指标之间的关联性的前提下，降低训练数据矩阵中多免疫指标之间的复杂度；便于后续根据目标稀疏表示得到最优的优化权重矩阵和优化字典矩阵，挖掘出对免疫水平表征的影响最大的免疫指标及每个影响最大的免疫指标所表征的免疫水平。

优选地，所述稀疏编码模型训练单元包括迭代收缩子单元；

所述迭代收缩子单元具体用于：

自定义坐标下降方向矩阵和收缩阈值；

根据所述训练数据矩阵和所述初始化字典矩阵，得到输入指标信息矩阵；

所述输入指标信息矩阵的计算公式为：

其中，B为所述输入指标信息矩阵，W

根据所述收缩阈值和所述初始化稀疏表示，计算所述输入指标信息矩阵对应的收缩矩阵；

计算所述输入指标信息矩阵对应的收缩矩阵的具体公式为：

其中，

在所述收缩矩阵中任选一个元素作为第一元素，并按照选取的第一元素所在的行号和列号，在所述初始化稀疏表示中选取对应的元素作为第二元素，将所述第一元素与所述第二元素之间的差值的绝对值作为所述收缩矩阵与所述初始化稀疏表示之间的相对差值；

遍历所述收缩矩阵，得到所述收缩矩阵与所述初始化稀疏表示之间的多个相对差值，将所有相对差值中的最大值对应的行号确定为最大行号；

确定所述最大行号的具体公式为：

其中，k为所述收缩矩阵中与所述初始化稀疏表示之间的相对差值的最大值所对应的所述最大行号，arg(·)为自变量函数，Z

根据所述最大行号，确定所述收缩矩阵中对应的第一最大行向量和所述初始化稀疏表示中的第二最大行向量，并根据所述坐标下降方向矩阵、所述第一最大行向量和所述第二最大行向量，对所述输入指标信息矩阵进行更新，计算得到更新输入指标信息矩阵；

对所述输入指标信息矩阵中第l行向量进行更新的具体公式为：

其中，B

根据所述更新输入指标信息矩阵和所述输入指标信息矩阵，确定所述初始化稀疏表示的变化量，并判断所述变化量是否小于预设变化量阈值，若是，则根据所述更新输入指标信息矩阵计算得到所述目标稀疏表示，若否，则再次对所述更新输入指标信息矩阵进行更新，直至所述变化量小于所述预设变化量阈值；

计算所述目标稀疏表示的具体公式为：

Z＝shrink

其中，Z为所述目标稀疏表示，B′为所述更新输入指标信息矩阵。

在得到目标稀疏表示的过程中，根据训练数据矩阵和初始化字典矩阵可以得到输入指标的信息面，即输入指标信息矩阵，然后根据自定义的收缩阈值以及初始化稀疏表示，可以对该输入指标信息矩阵进行压缩，得到的收缩矩阵能够移除一些对免疫水平表征不明显的特征数据，降低数据复杂度并提高预测准确率；通过该收缩矩阵与初始化稀疏表示之间的相对差值的最大值的评估，得到最大行号，进而根据最大行号得到第一最大行向量和第二最大行向量，结合坐标下降方向矩阵对输入指标信息矩阵的更新，能够保证在迭代阈值收缩的过程中，估算出最优的目标稀疏表示，进而便于后续得到最优的优化字典矩阵和优化权重矩阵，准确、全面地挖掘出对免疫水平表征的影响最大的免疫指标及每个影响最大的免疫指标所表征的免疫水平，进而有效提高目标预测模型的预测准确率。

具体地，本实施例中的所述模型原子数为m＝90，第一模型学习率为0.0001；

所述第一模型成本函数的具体公式为：

其中，E

具体地，本实施例采用随机初始化方法，利用随机数对字典矩阵进行初始化，初始化字典矩阵W

优选地，如图2所示，所述稀疏编码学习模块还包括神经网络模型训练单元；

所述神经网络模型训练单元具体用于：

对所述目标稀疏表示的所有元素进行逐元素激活后，得到所述目标稀疏表示对应的激活矩阵；

计算所述激活矩阵的具体公式为：

且满足

其中，A为所述激活矩阵，ReLu(·)为第一激活函数，tanh(·)为第二激活函数，Z

获取第二模型训练参数，根据所述第二模型训练参数构建所述神经网络模型；其中，所述第二模型训练参数包括第二模型学习率和权重占比动态参数；

采用所述随机初始化方法，获取初始化权重矩阵，采用交叉熵值法，根据所述目标稀疏表示、所述激活矩阵、所述初始化权重矩阵和所述训练数据矩阵对所述神经网络模型进行训练，计算得到第二模型成本函数；

利用所述第二模型成本函数对所述神经网络模型进行反向传播，得到所述优化权重矩阵；

根据所述神经网络模型对所述训练数据矩阵进行预测，得到所述训练数据矩阵对应的分类预测结果，并根据所述分类预测结果对所述稀疏编码模型进行反向传播，得到所述优化字典矩阵；

根据所述优化字典矩阵、所述优化权重矩阵和所述神经网络模型得到原始预测模型。

由于神经网络模型的训练目标是得到最优的优化字典矩阵和优化权重矩阵，因此首先得到初始化权重矩阵，然后根据目标稀疏表示得到的激活矩阵，并将初始化权重矩阵、目标稀疏表示和激活矩阵均输入到神经网络模型中的线性分类器中，在一次训练中，可以对训练数据矩阵中的每个训练样本进行分类，得到对应的分类预测结果，然后采用交叉熵值法通过分类预测结果和预先已标注好的训练样本的真实标签计算第二模型成本函数，通过该第二模型成本函数进行反向传播，即可得到此次训练中的目标权重矩阵，然后重复上述步骤，进行第二次训练实现对该目标权重矩阵的更新，当所有的训练完成后，即可得到最优的优化权重矩阵；而在字典矩阵的优化更新过程中，则通过训练数据矩阵的分类预测结果对稀疏编码模型进行反向传播而得到最优的优化字典矩阵；

上述基于目标稀疏表示和神经网络模型的模型训练，能够得到最优的优化权重矩阵和优化字典矩阵，准确、全面地挖掘出对免疫水平表征的影响最大的免疫指标及每个影响最大的免疫指标所表征的免疫水平，根据优化字典矩阵、优化权重矩阵和神经网络模型所反映的原始预测模型能够准确地、全面地预测母体免疫系统的免疫水平。

具体地，本实施例中在对目标稀疏表示进行逐元素激活时，先应用第二激活函数进行激活，再应用第一激活函数进行激活。

例如，当目标稀疏表示为：

应用第二激活函数tanh(·)进行激活，得到：

再应用第一激活函数ReLu(·)进行激活，得到：

具体地，本实施例的初始化权重矩阵为W，为一个c×m的矩阵，c为所述神经网络模型中线性分类器的分类选型的数目，线性分类器具体为softmax分类器；采用softmax分类器对每个训练样本进行分类，得到分类预测结果；

设置训练样本为Y

其中，

利用交叉熵值法计算得到的第二模型成本函数为：

其中，E

具体地，本实施例中第二模型学习率为0.1，所述权重占比动态参数为0.05，得到的优化字典矩阵为W

具体地，本实施例中模型训练的整个流程的完整示意图如图3所示。

优选地，如图2所示，所述稀疏编码学习模块还包括模型测试单元；

所述模型测试单元具体用于：

利用所述测试数据矩阵对所述原始预测模型进行测试，得到所述原始预测模型的准确率，判断所述准确率是否达标，若是，则将所述原始预测模型确定为所述目标预测模型，若否，则返回所述稀疏编码模型训练单元。

当通过模型训练后得到原始预测模型后，采用训练数据矩阵进行模型训练同样的方法，利用测试数据矩阵对原始预测模型进行测试，可以得到测试数据矩阵的预测结果，由于该测试数据矩阵预先已获知其对应的真实标签，因此通过测试数据矩阵的预测结果和真实标签的对比，可以获知原始预测模型的准确率，通过准确率是否达标的验证，可以进一步保证得到的原始预测模型能够准确地对母体的免疫水平进行预测，确保原始预测模型的有效性和准确性；当准确率达标后，原始预测模型即为目标预测模型，当准确率不达标，则还需要再次模型训练，即返回稀疏编码模型训练单元，直至训练后的模型的准确率达标。

具体地，本实施例中测试数据矩阵测试的方法与训练数据矩阵的整个训练步骤相同，此处不再赘述。

优选地，如图2所示，所述免疫水平预测模块包括显著性分析单元和计算单元：

所述显著性分析单元具体用于：

对所述目标预测模型进行显著性分析，得到显著性结果；

所述计算单元具体用于：

将所述数据矩阵制作模块得到的所述待预测数据矩阵输入所述目标预测模型中，根据所述显著性结果计算得到所述待预测指标数据集对应的所述免疫水平。

通过显著性分析，得到的显著性结果可以显示目标预测模型中的各个模型原子的权重，即优化权重矩阵中的每个权重数值，这些权重数值可以指示各个原子(即各个免疫指标)与免疫水平表征的相关性，将待预测指标数据集对应的待预测数据矩阵输入到目标预测模型中，结合显著性结果以及目标预测模型中所包含的优化字典矩阵，可以得到各个原子(即各个免疫指标)所表征的免疫指标水平，通过这些免疫指标水平即可计算出(例如通过加权求和的方法)整体的免疫水平，即待预测指标数据集对应的所述免疫水平；上述基于显著性分析的预测，能够只通过对免疫水平表征的影响最大的免疫指标及每个影响最大的免疫指标所表征的免疫指标水平，来衡量母体的整体的免疫水平，对免疫水平的预测更加准确；其中显著性分析的具体操作方法为现有技术，具体细节此处不再赘述。

优选地，如图4所示，还包括妊娠结局预测模块；

所述妊娠结局预测模块，用于根据所述待预测指标数据集对应的所述免疫水平，计算所述待预测指标数据集对应的妊娠成功率。

通过免疫水平可以估算出对应的妊娠成功率，即待预测指标数据集对应的母体的妊娠成功概率，实现对母体的妊娠结局的预测，更有利于辅助生殖医学的发展。

具体地，可以通过设置一个免疫水平与妊娠成功率之间的映射表，通过查询该映射表，即可计算出免疫水平所对应的妊娠成功率。

实施例二、基于实施例一，本实施例还公开了一种基于稀疏编码的免疫水平预测装置，包括处理器、存储器和存储在所述存储器中且可运行在所述处理器上的计算机程序，所述计算机程序运行时实现图1中的基于稀疏编码的免疫水平预测系统的功能。

通过存储在存储器上的计算机程序，并运行在处理器上，基于稀疏编码学习方法，能够尽可能地覆盖大部分的免疫指标，并能够挖掘出多免疫指标之间的关联性，进而挖掘出多免疫指标对免疫水平表征的影响，以更简单有效的方法挖掘出对整体免疫水平表征影响最大的免疫指标，进而能够准确地、全面地预测母体免疫系统的免疫水平，弥补了医学空白。

本实施例还提供一种计算机存储介质，所述计算机存储介质上存储有至少一个指令，所述指令被执行时实现图1中的基于稀疏编码的免疫水平预测系统的功能。

通过执行包含至少一个指令的计算机存储介质，基于稀疏编码学习方法，能够尽可能地覆盖大部分的免疫指标，并能够挖掘出多免疫指标之间的关联性，进而挖掘出多免疫指标对免疫水平表征的影响，以更简单有效的方法挖掘出对整体免疫水平表征影响最大的免疫指标，进而能够准确地、全面地预测母体免疫系统的免疫水平，弥补了医学空白。

本实施例中的未尽细节，详见实施例一以及图1至图4的具体描述内容，此处不再赘述。

读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。