【发明授权】202411320531.9 一种基于多模态数据分析的动物疾病诊断模型的构建方法

2 月 20, 2025 | 授权案例

申请/专利权人：中国农业科学院特产研究所申请日：2024-09-23
发明/设计人：杨艳玲;王丰;陈立志;万洪理;许会会;陈思;张东;高阳;张如公开（公告）日：2025-02-07
代理机构：安徽思尔六知识产权代理事务所(普通合伙)公开（公告）号：CN118841179B
代理人：范东东主分类号：G16H50/50
地址：130119 吉林省长春市净月开发区聚业大街4899号分类号：G16H50/50;G06Q10/067;G06Q50/02
专利状态码：有效-授权优先权：
法律状态：2025.02.07#授权   2024.11.12#实质审查的生效   2024.10.25#公开   
摘要：本发明涉及数据处理技术领域，公开了一种基于多模态数据分析的动物疾病诊断模型的构建方法，包括以下步骤：采集肉牛的历史多模态数据；根据肉牛的历史多模态数据构建图结构数据；将图结构数据输入疾病预测模型中，疾病预测模型中包括处理层和预测层，处理层输出更新后的节点特征向量，预测层输入更新后的节点特征向量，输出对应的肉牛的患病预测概率向量；构建饲料策略模型，将多模态特征向量和肉牛的患病预测概率向量输入到饲料策略模型中，输出饲料策略；本发明通过实时监测和分析肉牛的生物特征、环境条件、行为模式以及历史疾病记录，系统可以识别出疾病的早期迹象，实现疾病预警，有利于防止疾病扩散，减少治疗成本，提高治愈率。
主权项：1.一种基于多模态数据分析的动物疾病诊断模型的构建方法，其特征在于，包括以下步骤：/n步骤101，采集肉牛的历史多模态数据，历史多模态数据包括生物特征数据、环境数据、行为数据和历史疾病记录；所述生物特征数据包括肉牛的体重、体温、心率、呼吸频率、血氧饱和度、血压和血糖水平；所述环境数据包括养殖场中的温度、湿度、光照强度、空气质量和噪音水平；所述行为数据包括肉牛的活动水平、睡眠模式、进食、饮水频率和社交行为；所述历史疾病记录包括以往的疾病名称、发病日期、症状描述、治疗方案和恢复情况；/n步骤102，根据肉牛的历史多模态数据构建图结构数据；/n图结构数据中包括节点和边，一个节点表示一头肉牛，两个节点之间存在边的条件是：/n这两头肉牛所处的围栏相邻；/n这两头肉牛之间有血缘联系；/n这两头肉牛之间有超过阈值次数的社交互动；/n这两头肉牛均患过相同的疾病；/n图结构数据还包括历史多模态数据编码后的多模态特征向量，作为每个节点对应的初始节点特征向量；/n行为数据的睡眠模式、进食数据以及历史疾病记录采用独热编码的方式进行编码，生物特征数据、环境数据以及行为数据的其他数据均采用z-score标准化的编码方式进行编码，/n将编码后的历史多模态数据以生物特征数据、环境数据、行为数据和历史疾病记录的顺序拼接而成，组合成多模态特征向量；/n步骤103，将图结构数据输入疾病预测模型中，疾病预测模型中包括处理层和预测层，处理层输出更新后的节点特征向量，预测层输入更新后的节点特征向量，输出对应的肉牛的患病预测概率向量；/n步骤104，构建饲料策略模型，将编码后的历史多模态数据和肉牛的患病预测概率向量输入到饲料策略模型中，输出饲料策略，饲料策略包括每头肉牛的对应的饲料组合和饲料组合用量；/n饲料策略模型包括：特征组合层、隐藏层和输出层，特征组合层输入肉牛的多模态特征向量和患病预测概率向量，并将两者拼接后的组合特征传递到隐藏层，隐藏层输入组合特征并输出隐藏特征，将隐藏特征输入至输出层，输出层输出每一个可选饲料策略的Q值，并选择Q值最高的饲料策略作为输出结果；/n特征组合层的计算公式为：/n ；/n其中，表示组合特征，表示多模态特征向量，表示患病预测概率向量，CONCAT表示向量拼接；/n隐藏层的计算公式如下：/n ；/n其中，表示隐藏特征，表示组合特征，表示隐藏层的权重矩阵，表示隐藏层的偏置系数，表示ReLU函数；/n输出层的计算公式如下：/n ；/n其中，表示每一个可选饲料策略的Q值，表示隐藏特征，表示ReLU函数，表示输出层的权重矩阵，表示输出层的偏置参数；/n饲料策略模型的训练包括以下步骤：/n步骤一，初始化经验池，随机初始化饲料策略模型，初始化网络，其参数与饲料策略模型参数相同；/n步骤二，重置环境，获得第一个状态；/n步骤三，用策略生成一个动作：其中有的概率会随机选择一个动作，即为探索模式；其他情况下，，选择在状态下使得最大的动作，即为经验模式，通过饲料策略模型计算；/n根据动作与环境的交互，获得反馈的、下一个状态和是否触发终止条件done，终止条件是肉牛的喂养周期结束；/n将经验存入经验池，一个经验是一个四元组为或；/n步骤四，从经验池中随机获取一个经验；/n ；/n 表示状态下网络最大的输出；/n根据和求loss，梯度下降法更新饲料策略模型；/n ；/n 表示状态和动作下饲料策略模型的输出Q值；/n 是折扣因子，是一个介于0和1之间的值，用于平衡即时奖励和未来奖励的权重，缺省值为0.5；/n步骤五，每隔固定个网络更新次数，更新网络，使其参数与当前的滴管控制策略网络的参数相同；/n步骤六，直至网络收敛或者更新次数达到设定值之后，终止步骤；/n其中，反馈的是在一次饲料策略调整后的喂养期间完成该饲料策略喂养后的一周进行计算，反馈的包括健康均衡性奖励、疾病预防惩罚奖励和生长效率奖励；/n饲料策略模型的状态空间包括肉牛的生物特征数据、环境数据、行为数据、历史疾病记录以及疾病预测数据；/n饲料策略模型的动作空间：组合每头肉牛对应的饲料组合和饲料组合用量来生成动作空间；/n一个动作包括每头肉牛对应的喂养饲料的饲料组合和饲料用量；/n健康均衡性奖励的计算公式如下：/n ；/n其中，表示第i头肉牛的健康均衡性奖励，表示肉牛群体的平均健康水平，表示第i头肉牛的健康水平，表示肉牛群体的健康水平最大值，表示肉牛的健康水平差阈值，表示健康均衡的权重系数；/n疾病预防惩罚奖励的计算公式如下：/n ；/n其中，表示第i头肉牛的疾病预防惩罚奖励，表示疾病预测概率的最大值，表示第i头肉牛的疾病预测概率，表示疾病预测概率的阈值，表示疾病预防的权重系数；/n生长效率奖励的计算公式如下：/n ；/n其中，表示第i头肉牛的生长效率奖励，表示群体平均生长速度，表示群体平均饲料成本，表示第i头牛的生长速度，表示生长速度的最大值，表示第i头肉牛的饲料成本，表示饲料成本的最大值，、分别表示生长效率和饲料成本的权重系数；/n反馈奖励的计算公式为：/n ；/n其中，表示反馈奖励，、、分别表示第i头肉牛的健康均衡性奖励、疾病预防惩罚奖励和生长效率奖励；/n这样设计奖励的目的是促进肉牛群体整体健康均衡，又能有效预防疾病，同时还能优化生长效率和饲料成本，以达到最佳的养殖效果。/n