CN105069505A - 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 - Google Patents
一种猪病知识库自动训练学习方法及猪病辅助诊断装置 Download PDFInfo
- Publication number
- CN105069505A CN105069505A CN201510501584.5A CN201510501584A CN105069505A CN 105069505 A CN105069505 A CN 105069505A CN 201510501584 A CN201510501584 A CN 201510501584A CN 105069505 A CN105069505 A CN 105069505A
- Authority
- CN
- China
- Prior art keywords
- disease
- symptom
- swine
- swine disease
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种猪病知识库自动训练学习方法,包括:接收用户输入的生猪发病症状信息;根据所述发病症状信息,通过历史症状数据及神经网络训练进行猪病症状的自动匹配;根据所述自动匹配的结果,计算各个匹配猪病的贝叶斯条件概率,将所述匹配猪病按所述概率排序后发送给用户;根据用户选择调整所述历史症状数据。本发明还同时公开的一种猪病辅助诊断装置,简化了诊断流程,减少诊断选择成本,极大提升诊断效果,给用户提供有效的猪病诊断参考。
Description
技术领域
本发明涉及计算机辅助诊断技术领域,具体地说,是涉及一种猪病知识库自动训练学习方法及猪病辅助诊断装置。
背景技术
猪病的种类很多,包括传染病、寄生虫病、内科病、外科病、产科病、营养代谢病及中毒性疾病,而危害最严重的是传染病,它往往是大批发生,发病率和死亡率很高,严重影响养猪业的发展,造成巨大的经济损失。据农业部畜牧业司统计,我国2005年出栏的6.61亿头商品猪中,全国年出栏50头以下生猪的小规模饲养比重占62.8%,但每年因猪群健康管理不当、疾病发生后未及时处置给这些养殖户带来巨大的经济损失。
但目前市面上没有完善的猪病人工诊断系统,即使存在也因技术复杂、成本高难以在这些养猪农户推广开,目前行业内猪病自动诊断系统,主流方式为系统提供所有疾病的症状集合,供用户选择,用户选择病猪的发病症状后,系统针对用户所选择的症状属于哪种疾病来诊断得出疾病的发病可能性。
用户选择疾病症状时候耗时耗力,同时存在养猪行业技术人员不足、养殖人员素质低、能力差无法准确判断发病症状,同时,系统诊断时,在大量症状的集合中不能准确快速找到符合自己病猪的所属症状,用户无法对症状做出准确的通盘考虑进行选择。症状选择之后,由于同一疾病症状会出现在多种疾病中,同时多种疾病又会出现在多个阶段的猪只上,系统诊断会出现大量猪病诊断结果,或只给出大量诊断结果中的部分结果,这样并无法给用户提供有效的猪病诊断参考价值,无法从根本上帮助用户解决问题。
发明内容
为解决上述技术问题,本发明提供了一种猪病知识库自动训练学习方法,包括:
接收用户输入的生猪发病症状信息;
根据所述发病症状信息,通过历史症状数据及神经网络训练进行猪病症状的自动匹配;
根据所述自动匹配的结果,计算各个匹配猪病的贝叶斯条件概率,将所述匹配猪病按所述概率排序后发送给用户;
根据用户选择调整所述历史症状数据。
优选地,对于每个所述匹配猪病,其贝叶斯条件概率为:
P=1/M*100%+X/Y*(1-1/M)*100%;
其中,M表示所述自动匹配的结果集合中疾病个数,X表示所述发病症状信息对应猪病症状对于所述匹配猪病的权重数,Y表示所述匹配猪病的全部症状的总权重数。
优选地,所述根据用户选择调整所述历史症状数据包括:
加大所述历史症状数据中所述发病症状信息对应猪病症状对于所述用户选择的匹配猪病的权重。
优选地,所述神经网络训练包括:
通过神经网络训练得出最佳诊断路径,并标记出各类疾病的典型症状,将典型症状中易于辨识的症状作为区分症状。
优选地,所述猪病症状的自动匹配包括:
通过所述区分症状层层筛选疾病,缩小目标疾病集合,当该集合不能缩小时,将集合中疾病的所有的症状全部出现供用户选择。
在本发明的另一方面,还同时提供一种猪病辅助诊断装置,包括:
输入单元,用于接收用户输入的生猪发病症状信息;
匹配单元,用于根据所述发病症状信息,通过历史症状数据及神经网络训练进行猪病症状的自动匹配;
概率计算单元,用于根据所述自动匹配的结果,计算各个匹配猪病的贝叶斯条件概率,将所述匹配猪病按所述概率排序后发送给用户;
知识库学习单元,用于根据用户选择调整所述历史症状数据。
优选地,所述概率计算单元中,对于每个所述匹配猪病,其贝叶斯条件概率为:
P=1/M*100%+X/Y*(1-1/M)*100%;
其中,M表示所述自动匹配的结果集合中疾病个数,X表示所述发病症状信息对应猪病症状对于所述匹配猪病的权重数,Y表示所述匹配猪病的全部症状的总权重数。
优选地,所述知识库学习单元还包括:
权重调整单元,用于加大所述历史症状数据中所述发病症状信息对应猪病症状对于所述用户选择的匹配猪病的权重。
优选地,所述匹配单元还包括:
神经网络训练单元,用于通过神经网络训练得出最佳诊断路径,并标记出各类疾病的典型症状,将典型症状中易于辨识的症状作为区分症状。
优选地,所述匹配单元还包括:
匹配筛选单元,用于通过所述区分症状层层筛选疾病,缩小目标疾病集合,当该集合不能缩小时,将集合中疾病的所有的症状全部出现供用户选择。
与现有技术相比,本发明所述的一种猪病知识库自动训练学习方法及猪病辅助诊断装置,可以自动辅助猪病诊断并根据确诊结果进行自学习,极大简化了用户的选择流程及诊断路径,能够简单、快速的让用户选择发病症状,让用户脱离大量症状密集选择的恐惧,提高诊断结果准确率,给用户提供有效的猪病诊断参考,在没有技术人员的情况下客户也能及时有效的得到帮助减少损失。无论养殖人员教育水平如何、医学知识是否缺乏、能力高低,都能快速的上手使用。
附图说明
图1为本发明实施例所述的猪病知识库自动训练学习方法的流程示意图;
图2为本发明实施例所述的猪病辅助诊断装置的单元结构示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明,但不作为对本发明的限定。
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
参见图1所示,本发明实施例首先提供了一种猪病知识库自动训练学习方法,包括:
接收用户输入的生猪发病症状信息;
根据所述发病症状信息,通过历史症状数据及神经网络训练进行猪病症状的自动匹配;
根据所述自动匹配的结果,计算各个匹配猪病的贝叶斯条件概率,将所述匹配猪病按所述概率排序后发送给用户;
根据用户选择调整所述历史症状数据。
与上述方法相对应地,如图2所示,本发明还同时提供一种猪病辅助诊断装置,包括:
输入单元10,用于接收用户输入的生猪发病症状信息;
匹配单元20,用于根据所述发病症状信息,通过历史症状数据及神经网络训练进行猪病症状的自动匹配;
概率计算单元30,用于根据所述自动匹配的结果,计算各个匹配猪病的贝叶斯条件概率,将所述匹配猪病按所述概率排序后发送给用户;
知识库学习单元40,用于根据用户选择调整所述历史症状数据。
其中,输入单元可以是用户设备,比如手机、电脑或Pad等用户终端;用户设备除用于输入/选择症状外,还接收上述辅助诊断装置发来的诊断结果(排序后的猪病列表)。进一步地,当用户根据诊断结果确诊后,还通过用户设备将确诊结果反馈给上述辅助诊断装置以帮助知识库自学习。
此外,神经网络训练过程通常为:向网络输出足够多的样本,通过一定算法调整网络的结构(主要是调节权值),使网络的输出与预期值相符。具体来说,通过历史症状数据(比如对100多种猪疾病的共有典型症状)概率并结合用户实际诊断情况,通过神经网络训练得出最佳诊断路径,优化诊断算法,标记出各类疾病的典型症状,将典型症状中易于辨识的症状作为区分症状。用户首选通过区分症状层层筛选疾病,缩小目标疾病集合。当该集合不能缩小时,即症状集合数量最少时,将集合中疾病的所有的症状全部出现供用户选择。经过神经网络训练,系统能够自动将症状进行匹配,并给出一种或者多种匹配的可能性结果(比如可能患了A病、B病或者C病)发送给概率计算单元30。
所述概率计算单元30运用贝叶斯方法及各症状在疾病中的权重计算出符合该猪病症状的患病概率,根据概率排序后将结果发送给用户设备。
具体来说,症状匹配之后,根据贝叶斯条件概率,计算该疾病的患病概率。根据实际情况,将症状对猪病作用的不同而赋予不同的症状权重,当用户选择症状之后,再运用贝叶斯方法计算疾病的概率。其中,采用所述贝叶斯方法的计算公式如下:
P=1/M*100%+X/Y*(1—1/M)*100%,其中,P表示概率,M表示所述自动匹配的结果集合中疾病个数,X表示所述发病症状信息对应猪病症状对于所述匹配猪病的权重数,Y表示所述匹配猪病的全部症状的总权重数。
为了更进一步优化概率计算结果,所述概率计算单元30计算患病概率中还同时运用浮点运算方法,使得得出各个疾病的概率更为准确。
本发明通过历史症状数据概率并结合用户实际诊断情况,通过神经网络训练得出各个疾病的最佳诊断路径,标记出各类疾病的典型区分症状,简化诊断选择流程。诊断过程中通过浮点法及贝叶斯方法以及各症状在疾病中的权重计算出猪病的发病可能性,以得出最有参考价值的诊断结果。
以下为采用本发明实施例中的猪病诊断系统的一个应用实施例。
用户选择的诊断路径为:0-28天哺乳仔猪,症状选择为:体温升高,有神经症状,扁桃体水肿,身上有坏死灶,全身性淋巴结肿大。
通过神经网络训练对样本分析,输出可能与症状匹配的疾病集合(比如包括N种疾病A1…AN),对输入样本代入公式计算,结合疾病自有的症状统计概率——比如对于A1伪狂犬疾病,P1=1/N*100%+(扁桃体水肿权重+身上有坏死灶权重+全身性淋巴结肿大权重)/伪狂犬疾病全部症状权重之和(注:可同比例简化为1)*(1-1/N)*100%——即可诊断出为最大可能性为伪狂犬疾病和猪链球菌病,而伪狂犬疾病的得病概率要高于猪链球菌病,即最大可能性为该猪患有伪狂犬疾病。
与现有技术相比,本发明所公开的一种猪病知识库自动训练学习方法及猪病辅助诊断装置,可以自动辅助猪病诊断并根据确诊结果进行自学习,其技术方案简化了诊断流程,减少诊断选择成本,极大提升诊断效果,无论养殖人员教育水平如何、医学知识是否缺乏、能力高低,都能快速的上手使用,让用户脱离大量症状密集选择的恐惧,提高诊断结果准确率,给用户提供有效的猪病诊断参考。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种猪病知识库自动训练学习方法,其特征在于,所述方法包括步骤:
接收用户输入的生猪发病症状信息;
根据所述发病症状信息,通过历史症状数据及神经网络训练进行猪病症状的自动匹配;
根据所述自动匹配的结果,计算各个匹配猪病的贝叶斯条件概率,将所述匹配猪病按所述概率排序后发送给用户;
根据用户选择调整所述历史症状数据。
2.根据权利要求1所述的方法,其特征在于,对于每个所述匹配猪病,其贝叶斯条件概率为:
P=1/M*100%+X/Y*(1-1/M)*100%;
其中,M表示所述自动匹配的结果集合中疾病个数,X表示所述发病症状信息对应猪病症状对于所述匹配猪病的权重数,Y表示所述匹配猪病的全部症状的总权重数。
3.根据权利要求1所述的方法,其特征在于,所述根据用户选择调整所述历史症状数据包括:
加大所述历史症状数据中所述发病症状信息对应猪病症状对于所述用户选择的匹配猪病的权重。
4.根据权利要求1所述的方法,其特征在于,所述神经网络训练包括:
通过神经网络训练得出最佳诊断路径,并标记出各类疾病的典型症状,将典型症状中易于辨识的症状作为区分症状。
5.根据权利要求4所述的方法,其特征在于,所述猪病症状的自动匹配包括:
通过所述区分症状层层筛选疾病,缩小目标疾病集合,当该集合不能缩小时,将集合中疾病的所有的症状全部出现供用户选择。
6.一种猪病辅助诊断装置,其特征在于,所述装置包括:
输入单元,用于接收用户输入的生猪发病症状信息;
匹配单元,用于根据所述发病症状信息,通过历史症状数据及神经网络训练进行猪病症状的自动匹配;
概率计算单元,用于根据所述自动匹配的结果,计算各个匹配猪病的贝叶斯条件概率,将所述匹配猪病按所述概率排序后发送给用户;
知识库学习单元,用于根据用户选择调整所述历史症状数据。
7.根据权利要求6所述的装置,其特征在于,所述概率计算单元中,对于每个所述匹配猪病,其贝叶斯条件概率为:
P=1/M*100%+X/Y*(1-1/M)*100%;
其中,M表示所述自动匹配的结果集合中疾病个数,X表示所述发病症状信息对应猪病症状对于所述匹配猪病的权重数,Y表示所述匹配猪病的全部症状的总权重数。
8.根据权利要求6所述的装置,其特征在于,所述知识库学习单元还包括:
权重调整单元,用于加大所述历史症状数据中所述发病症状信息对应猪病症状对于所述用户选择的匹配猪病的权重。
9.根据权利要求1所述的装置,其特征在于,所述匹配单元还包括:
神经网络训练单元,用于通过神经网络训练得出最佳诊断路径,并标记出各类疾病的典型症状,将典型症状中易于辨识的症状作为区分症状。
10.根据权利要求9所述的装置,其特征在于,所述匹配单元还包括:
匹配筛选单元,用于通过所述区分症状层层筛选疾病,缩小目标疾病集合,当该集合不能缩小时,将集合中疾病的所有的症状全部出现供用户选择。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501584.5A CN105069505A (zh) | 2015-08-14 | 2015-08-14 | 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501584.5A CN105069505A (zh) | 2015-08-14 | 2015-08-14 | 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105069505A true CN105069505A (zh) | 2015-11-18 |
Family
ID=54498866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510501584.5A Pending CN105069505A (zh) | 2015-08-14 | 2015-08-14 | 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069505A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678066A (zh) * | 2015-12-31 | 2016-06-15 | 天津迈沃医药技术有限公司 | 基于用户反馈信息完成数据训练的疾病自诊方法及系统 |
CN106815479A (zh) * | 2017-01-17 | 2017-06-09 | 北京农信互联科技有限公司 | 牲畜养殖远程诊断系统及方法 |
CN107122807A (zh) * | 2017-05-24 | 2017-09-01 | 努比亚技术有限公司 | 一种家庭监控方法、服务端及计算机可读存储介质 |
CN107610770A (zh) * | 2016-07-11 | 2018-01-19 | 百度(美国)有限责任公司 | 用于自动化诊断的问题生成系统和方法 |
CN111540464A (zh) * | 2020-03-16 | 2020-08-14 | 中润普达(十堰)大数据中心有限公司 | 一种基于认知学习的生猪健康监测系统及其使用方法 |
CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
CN112120669A (zh) * | 2020-09-15 | 2020-12-25 | 北京市华都峪口禽业有限责任公司 | 蛋鸡疾病的自助诊断方法及其系统开发方法 |
CN112768079A (zh) * | 2021-01-24 | 2021-05-07 | 武汉东湖大数据交易中心股份有限公司 | 一种基于机器学习的肝病认知模型构建方法和系统 |
CN114998875A (zh) * | 2022-05-11 | 2022-09-02 | 杭州睿胜软件有限公司 | 根据用户需求个性化养护植物的方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751509A (zh) * | 2008-12-12 | 2010-06-23 | 北京大北农科技集团股份有限公司 | 一种猪病诊断系统和方法 |
CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
CN102184314A (zh) * | 2011-04-02 | 2011-09-14 | 中国医学科学院医学信息研究所 | 面向偏差性症状描述的自动辅助诊断方法 |
-
2015
- 2015-08-14 CN CN201510501584.5A patent/CN105069505A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751509A (zh) * | 2008-12-12 | 2010-06-23 | 北京大北农科技集团股份有限公司 | 一种猪病诊断系统和方法 |
CN102110192A (zh) * | 2011-04-02 | 2011-06-29 | 中国医学科学院医学信息研究所 | 基于诊断要素数据关联的疾病辅助判断方法 |
CN102156812A (zh) * | 2011-04-02 | 2011-08-17 | 中国医学科学院医学信息研究所 | 基于症状相似度分析的就医辅助决策方法 |
CN102184314A (zh) * | 2011-04-02 | 2011-09-14 | 中国医学科学院医学信息研究所 | 面向偏差性症状描述的自动辅助诊断方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105678066A (zh) * | 2015-12-31 | 2016-06-15 | 天津迈沃医药技术有限公司 | 基于用户反馈信息完成数据训练的疾病自诊方法及系统 |
CN105678066B (zh) * | 2015-12-31 | 2019-02-22 | 天津迈沃医药技术股份有限公司 | 基于用户反馈信息完成数据训练的疾病自诊方法及系统 |
CN107610770A (zh) * | 2016-07-11 | 2018-01-19 | 百度(美国)有限责任公司 | 用于自动化诊断的问题生成系统和方法 |
CN106815479A (zh) * | 2017-01-17 | 2017-06-09 | 北京农信互联科技有限公司 | 牲畜养殖远程诊断系统及方法 |
CN107122807A (zh) * | 2017-05-24 | 2017-09-01 | 努比亚技术有限公司 | 一种家庭监控方法、服务端及计算机可读存储介质 |
CN107122807B (zh) * | 2017-05-24 | 2021-05-21 | 努比亚技术有限公司 | 一种家庭监控方法、服务端及计算机可读存储介质 |
CN111540464A (zh) * | 2020-03-16 | 2020-08-14 | 中润普达(十堰)大数据中心有限公司 | 一种基于认知学习的生猪健康监测系统及其使用方法 |
CN111951955A (zh) * | 2020-08-13 | 2020-11-17 | 神州数码医疗科技股份有限公司 | 一种基于规则推理的临床决策支持系统构建方法及装置 |
CN112120669A (zh) * | 2020-09-15 | 2020-12-25 | 北京市华都峪口禽业有限责任公司 | 蛋鸡疾病的自助诊断方法及其系统开发方法 |
CN112768079A (zh) * | 2021-01-24 | 2021-05-07 | 武汉东湖大数据交易中心股份有限公司 | 一种基于机器学习的肝病认知模型构建方法和系统 |
CN114998875A (zh) * | 2022-05-11 | 2022-09-02 | 杭州睿胜软件有限公司 | 根据用户需求个性化养护植物的方法、系统及存储介质 |
CN114998875B (zh) * | 2022-05-11 | 2024-05-31 | 杭州睿胜软件有限公司 | 根据用户需求个性化养护植物的方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069505A (zh) | 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 | |
Løvendahl et al. | On the use of physical activity monitoring for estrus detection in dairy cows | |
Heikkilä et al. | Costs of clinical mastitis with special reference to premature culling | |
Pinedo et al. | Dynamics of culling for Jersey, Holstein, and Jersey× Holstein crossbred cows in large multibreed dairy herds | |
Niemi et al. | Modeling the costs of postpartum dysgalactia syndrome and locomotory disorders on sow productivity and replacement | |
CN106709254A (zh) | 一种医疗诊断机器人系统 | |
TW201835789A (zh) | 評分模型的建立、用戶信用的評估方法及裝置 | |
Kim et al. | Relationship between backfat thickness of sows during late gestation and reproductive efficiency at different parities | |
CN106462655B (zh) | 临床诊断支持网络、系统及方法 | |
Jamrozik et al. | Genetic and genomic evaluation of mastitis resistance in Canada | |
CN115997231A (zh) | 畜产信息管理系统、畜产信息管理服务器、畜产信息管理方法、以及畜产信息管理程序 | |
Gernand et al. | Genetic background of claw disorders in the course of lactation and their relationships with type traits | |
Rodríguez et al. | Optimal replacement policies and economic value of clinical observations in sow herds | |
Dürr et al. | Evaluation of control and surveillance strategies for classical swine fever using a simulation model | |
Halasa et al. | Modeling the effects of duration and size of the control zones on the consequences of a hypothetical African swine fever epidemic in Denmark | |
CN106815479A (zh) | 牲畜养殖远程诊断系统及方法 | |
Al-Mamun et al. | Use of an Individual-based Model to Control Transmission Pathways of Mycobacterium avium Subsp. p aratuberculosis Infection in Cattle Herds | |
Steeneveld et al. | Simplify the interpretation of alert lists for clinical mastitis in automatic milking systems | |
Lopes et al. | Additive Bayesian Network analysis of associations between antimicrobial consumption, biosecurity, vaccination and productivity in Danish sow herds | |
Shahinfar et al. | Prediction of retention pay-off using a machine learning algorithm | |
Sasaki | Detection and Prediction of Risk Factors Associated with Production Losses Using Production Records on Commercial Pig Farms. FFTC Agricultural Policy Platform (FFTC-AP) | |
Nielsen et al. | Stochastic simulation of economic values and their standard deviations for production and functional traits in dairy cattle under current and future Danish production circumstances | |
Dolecheck et al. | Estimating the value of infectious or noninfectious foot disorder prevention strategies within dairy farms, as influenced by foot disorder incidence rates and prevention effectiveness | |
Axelsson et al. | Genomic selection using indicator traits to reduce the environmental impact of milk production | |
Moraes et al. | Bayesian analysis of energy balance data from growing cattle using parametric and non-parametric modelling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151118 |
|
RJ01 | Rejection of invention patent application after publication |