CN106096286A - 临床路径制定方法及装置 - Google Patents
临床路径制定方法及装置 Download PDFInfo
- Publication number
- CN106096286A CN106096286A CN201610424381.5A CN201610424381A CN106096286A CN 106096286 A CN106096286 A CN 106096286A CN 201610424381 A CN201610424381 A CN 201610424381A CN 106096286 A CN106096286 A CN 106096286A
- Authority
- CN
- China
- Prior art keywords
- clinical path
- clinical
- network model
- neural network
- output sample
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种临床路径制定方法及装置,所述方法包括:对电子病历进行预处理操作,以获得临床路径数据;将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络,以构建BP神经网络模型;根据所述BP神经网络模型中作为期望输出样本的临床路径数据,构建临床路径数据库;根据所述BP神经网络模型和所述临床路径数据库,分析预设疾病的临床路径。本发明的技术方案通过构建BP神经网络模型和临床路径数据库,最后根据所构建的BP神经网络模型和所述临床路径数据库,获得预设疾病的临床路径,使医护人员只要将某一疾病输入BP神经网络模型,即可获得相应的临床路径数据,从而降低了医护人员的工作量,提高了临床路径制定的工作效率。
Description
技术领域
本发明涉及数据挖掘技术领域,特别涉及一种临床路径制定方法及装置。
背景技术
临床路径是指针对某一疾病建立一套标准化治疗模式与治疗程序,是一个有关临床治疗的综合模式,以循证医学证据和指南为指导来促进治疗组织和疾病管理的方法,最终起到规范医疗行为,减少变异,降低成本,提高质量的作用。
临床路径的制定是一个非常复杂且充满争议的问题。传统的临床路径都是基于医疗设备检测、专家会诊、文献参考等方法进行制定,其弊端在于周期较长,所用到的医疗信息较少,难以发现在大量的医疗数据中所隐藏的规律。临床路径的制定在临床医学的角度来看,是一个非常复杂且充满争议的问题,因此结合数据挖掘的方式对临床路径进行分析,有利于病种质量、诊疗行为规范以及费用控制,可以制定出适合的临床路径。但是,目前数据挖掘技术在医疗临床上的应用还处于探索与起步阶段。
发明内容
有鉴于此,本发明的目的是提供一种基于BP神经网络和数据挖掘方法的临床路径制定方法及装置。
为了实现上述目的,本发明提供了一种临床路径制定方法,包括:
对电子病历进行预处理操作,以获得临床路径数据;
将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络,以构建BP神经网络模型;
根据所述BP神经网络模型中作为期望输出样本的临床路径数据,构建临床路径数据库;
根据所述BP神经网络模型和所述临床路径数据库,分析预设疾病的临床路径。
作为优选,所述预处理操作包括抽取、转化和装载。
作为优选,对电子病历进行预处理操作,包括:
获取所述电子病历;
抽取所述电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。
作为优选,构建BP神经网络模型,包括:
获取所述临床路径数据,以作为所述BP神经网络模型的输入样本;其中每一所述输入样本具有多个输入节点,所述BP神经网络模型具有多层;
根据每一所述输入节点逐层计算所述BP神经网络模型的实际输出样本,计算所述实际输出样本的公式为:
其中,f为激活函数,i为上一层的输入节点个数,Wi(k)为加权因子,Xi(k)为输入样本表达式,θ(k)为阈值因子;
计算所述BP神经网络模型的期望输出样本与实际输出样本的误差,误差计算公式为:
e(k)=Y(k)-Y′(k),
其中,Y(k)为期望输出样本,Y′(k)为实际输出样本;
计算出所述实际输出与所述期望输出的误差,若所述误差大于预设阈值,则根据修正公式调整计算所述实际输出样本的公式的参数;所述修正公式为:
其中α为冲量项,Wi(k)为加权因子,η为学习率,ei(k)为误差,Xi(k)为输入样本表达式,θ(k)为阈值因子。
作为优选,所述α的取值为0.9。
作为优选,构建临床路径数据库,包括:
对所述临床路径数据所对应的诊疗手段进行编号;
根据所述临床路径数据和所述诊疗手段的编号,构建临床路径数据库;
作为优选,分析预设疾病的临床路径,包括:
获取所述预设疾病的参数,其中,所述参数的类型根据所述临床路径数据库的参数确定;
将所述预设疾病的参数输入所述BP神经网络模型,以获得输出结果;
将所述输出结果与所述临床路径数据库进行匹配,以获得与所述预设疾病对应的诊疗手段。
本发明还提供一种临床路径制定装置,包括:
预处理模块,用于对电子病历进行预处理操作,以获得临床路径数据;
第一构建模块,用于将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络,以构建BP神经网络模型;
第二构建模块,用于根据所述BP神经网络模型中作为期望输出样本的临床路径数据,构建临床路径数据库;
分析模块,用于根据所述BP神经网络模型和所述临床路径数据库,分析预设疾病的临床路径。
作为优选,所述预处理操作包括抽取、转化和装载。
作为优选,所述预处理模块,包括:
获取模块,用于获取所述电子病历;
抽取模块,用于抽取所述电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。
与现有技术相比,本发明具有以下有益效果:本发明的技术方案通过对大量的电子病历进行预处理操作,以获得临床路径数据,再根据临床路径数据构建BP神经网络模型和临床路径数据库,最后根据所构建的BP神经网络模型和所述临床路径数据库,获得预设疾病的临床路径,使医护人员只要将某一疾病输入BP神经网络模型,即可获得相应的临床路径数据,从而降低了医护人员的工作量,提高了临床路径制定的工作效率。
附图说明
图1为本发明的反向传输神经网络示意图图;
图2为本发明的临床路径制定方法的实施例一的流程图;
图3为本发明的临床路径制定方法的实施例二的流程图;
图4为本发明的临床路径制定装置的实施例一的示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
反向传输(Back Propagation,BP)神经网络是指基于误差反向传播算法的多层前向神经网络,它包括信息的正向传播和误差的反向传播两个过程。BP神经网络具有以下特点,能够以任意精度逼近任何非线性映射,实现对复杂系统建模;可以学习和自适应未知信息,如果系统发生了变化可以通过修改网络的连接值而改变预测结果;BP神经网络具有分布式信息存储和处理结构,因此具有一定的容错性,其构造出来的系统具有较好的鲁棒性。
如图1所示,为BP神经网络结构图。BP神经网络通常由输入层、隐含层和输出层组成,层与层之间全相连,但每层的节点之间互不相连。其中,BP神经网络的输入层的节点个数通常取决于输入样本的维数,输出层的节点个数通常取决于输出样本的维数。
结继结合图1,假设BP神经网络的输入样本的矢量为x∈Rn,其中x=(x0,x1,…,xn-1)T;隐含层有n1个神经元,它们的输出为x′=(x0′,x1′,…,x′n-1)T;输出层有m个神经元,输出y∈Rn,y=(y0,y1,…,ym-1)T;输入层到隐含层的权值为wij,阈值为θj;隐含层到输出层的权值为wjk,阈值为θk,于是隐含层的各神经元输出为:
其中f为激活函数,wij为隐含层的权值因子,x为输入样本表达式,θj为阈值因子,x′为隐含层输出表达式,y为输出层表达式;
显然,它将完成n维空间矢量到m维的映射,其中激活函数f(x)为单极性Sigmoid函数:
f(x)为具有连续可导的特点,且有f′(x)=f(x)(1-f(x)),根据应用需要,也可以采用双极性Sigmoid函数
BP神经网络的学习也称为训练,只得是通过神经网络所在环境的刺激作用调整神经网络的自由参数,使神经网络以一种新的方式对外部环境做出反应的一个过程,本发明所用的学习方式为基于最小均方误差准则的方式。
图2为本发明的临床路径制定方法的实施例一的流程图,如图1所示,本实施例的临床路径制定方法,具体可以包括如下步骤:
S201,对电子病历进行预处理操作,以获得临床路径数据。
具体地,本实施例可以利用存储在各大医院信息管理系统中的临床数据,即电子病历进行预处理操作。预处理操作包括抽取、转化和装载。
S202,将临床路径数据作为输入样本和期望输出样本训练BP神经网络,以构建BP神经网络模型。
具体地,由于BP神经网络具有一些优点,例如能够以任意精度逼近任何非线性映射,实现对复杂系统建模;可以学习和自适应未知信息,如果系统发生了变化可以通过修改网络的连接值而改变预测结果;BP神经网络具有分布式信息存储和处理结构,同时具有一定的容错性,其构造出来的系统具有较好的鲁棒性,因此,本实施例采用构建BP神经网络模型的方式。
S203,根据BP神经网络模型中作为期望输出样本的临床路径数据,构建临床路径数据库。
具体地,根据输出样本的临床路径数据来构建临床路径数据库,以为患者提供一个较佳的临床路径。
S204,根据BP神经网络模型和临床路径数据库,分析预设疾病的临床路径。
具体地,在具体实施时,预设疾病为典型病症,因为对于某些特殊的疾病,所采用的诊疗方式也比较特殊,所获取的数据量也不是足够多,因此在分析特殊疾病时,可以采取其他的方法,而在分析一些典型病症时,本实施例的准确性较高。本实施例的技术方案通过对大量的电子病历进行预处理操作,以获得临床路径数据,再根据临床路径数据构建BP神经网络模型和临床路径数据库,最后根据所构建的BP神经网络模型和临床路径数据库,获得预设疾病的临床路径,使医护人员只要将某一疾病输入BP神经网络模型,即可获得相应的临床路径数据,从而降低了医护人员的工作量,提高了临床路径制定的工作效率。
图3为本发明的临床路径制定方法的实施例二的流程图,本实施例的临床路径制定方法在如图2所示的实施例的基础上,进一步更加详细地介绍本发明的技术方案。如图3所示,本实施例的临床路径制定方法,具体可以包括如下步骤:
S301,获取电子病历。
具体地,获取电子病历的方法可以从各医院的所存储的海量电子病历数据库中获取。
S302,抽取电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。
具体地,在电子病历中所抽取的数据可以包括患者基本信息、医嘱、诊疗信息、检验结果和影像结果等数据,之所以选择这些数据,是因为这些数据可以作为临床路径上的一个节点,便于构建临床路径数据库。
S303,获取临床路径数据,以作为BP神经网络模型的输入样本;其中每一输入样本具有多个输入节点,BP神经网络模型具有多层。具体地,BP神经网络通常由输入层、隐含层和输出层组成,层与层之间全相连,但每层的节点之间互不相连。也就是说,对于输入层来说,输入层具有多个输入节点,但各输入节点之间互不相连,可参见图1。而且,BP神经网络的输入层的节点个数通常取决于输入样本的维数,输出层的节点个数通常取决于输出样本的维数。
S304,根据每一输入节点逐层计算BP神经网络模型的实际输出样本,计算实际输出样本的公式为:
其中,Xi(k)为输入样本表达式,f为激活函数,i为上一层的输入节点个数,Wi(k)为加权因子,θ(k)为阈值因子。
S305,计算BP神经网络模型的期望输出样本与实际输出样本的误差,误差计算公式为:
e(k)=Y(k)-Y′(k) (5),
其中,Y(k)为期望输出样本,Y′(k)为实际输出样本。
S306,计算出实际输出与期望输出的误差,若误差大于预设阈值,则根据修正公式调整计算实际输出样本的公式的参数;修正公式为:
其中α为冲量项,Wi(k)为加权因子,η为学习率,ei(k)为误差,Xi(k)为输入样本表达式,θ(k)为阈值因子。
优选地,α的取值为0.9。
S307,对临床路径数据所对应的诊疗手段进行编号。
具体地,一种典型病症可能存在不同的诊疗手段,在数据量非常大的情况下,为临床路径所对应的诊疗手段进行编号,便于医护人员进行操作的时候进行选择,以提高医护人员的工作效率。
S308,根据临床路径数据和诊疗手段的编号,构建临床路径数据库。
具体地,根据输出样本的临床路径数据来构建临床路径数据库,以为患者提供一个较佳的临床路径。S309,获取预设疾病的参数,其中,参数的类型根据临床路径数据库的参数确定。
S310,将预设疾病的参数输入BP神经网络模型,以获得输出结果。
S311,将输出结果与临床路径数据库进行匹配,以获得与预设疾病对应的诊疗手段。
具体地,在具体实施时,预设疾病为典型病症,因为对于某些特殊的疾病,所采用的诊疗方式也比较特殊,所获取的数据量也不是足够多,因此在分析特殊疾病时,可以采取其他的方法,而在分析一些典型病症时,本实施例的准确性较高。
本实施例的技术方案通过对大量的电子病历进行预处理操作,把一些结构化和非结构化的电子数据抽取出来,转化构建完善的包含临床信息的数据库,根据该数据库,训练出适用于预测典型病症临床治疗手段的BP神经网络模型,降低医护人员的工作量,为临床路径制定提供了技术途径。
图4为本发明的临床路径制定装置的实施例一的示意图,如图4所示,本实施例的临床路径制定装置,具体可以包括预处理模块41、第一构建模块42、第二构建模块43和分析模块44。
预处理模块41,用于对电子病历进行预处理操作,以获得临床路径数据;
第一构建模块42,用于将临床路径数据作为输入样本和期望输出样本训练BP神经网络,以构建BP神经网络模型;
第二构建模块43,用于根据BP神经网络模型中作为期望输出样本的临床路径数据,构建临床路径数据库;
分析模块44,用于根据BP神经网络模型和临床路径数据库,分析预设疾病的临床路径。
预处理操作包括抽取、转化和装载。
预处理模块41,包括:
获取模块(图中未示出),用于获取电子病历;
抽取模块(图中未示出),用于抽取电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。
本实施例的临床路径制定装置,通过采用上述模块对某一预设疾病进行临床路径制定的实现机制与上述图1所示实施例的临床路径制定方法的实现机制相同,详细可以参考上述图1所示实施例的记载,在此不再赘述。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种临床路径制定方法,其特征在于,包括:
对电子病历进行预处理操作,以获得临床路径数据;
将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络,以构建BP神经网络模型;
根据所述BP神经网络模型中作为期望输出样本的临床路径数据,构建临床路径数据库;
根据所述BP神经网络模型和所述临床路径数据库,分析预设疾病的临床路径。
2.根据权利要求1所述的临床路径制定方法,其特征在于,
所述预处理操作包括抽取、转化和装载。
3.根据权利要求2所述的临床路径制定方法,其特征在于,对电子病历进行预处理操作,包括:
获取所述电子病历;
抽取所述电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。
4.根据权利要求1所述的临床路径制定方法,其特征在于,构建BP神经网络模型,包括:
获取所述临床路径数据,以作为所述BP神经网络模型的输入样本;其中每一所述输入样本具有多个输入节点,所述BP神经网络模型具有多层;
根据每一所述输入节点逐层计算所述BP神经网络模型的实际输出样本,计算所述实际输出样本的公式为:
其中,Xi(k)为输入样本表达式,f为激活函数,i为上一层的输入节点个数,Wi(k)为加权因子,θ(k)为阈值因子;
计算所述BP神经网络模型的期望输出样本与实际输出样本的误差,误差计算公式为:
e(k)=Y(k)-Y′(k),
其中,Y(k)为期望输出样本,Y′(k)为实际输出样本;
计算出所述实际输出与所述期望输出的误差,若所述误差大于预设阈值,则根据修正公式调整计算所述实际输出样本的公式的参数;所述修正公式为:
其中α为冲量项,Wi(k)为加权因子,η为学习率,ei(k)为误差,Xi(k)为输入样本表达式,θ(k)为阈值因子。
5.根据权利要求4所述的临床路径制定方法,其特征在于,所述α的取值为0.9。
6.根据权利要求1所述的临床路径制定方法,其特征在于,构建临床路径数据库,包括:
对所述临床路径数据所对应的诊疗手段进行编号;
根据所述临床路径数据和所述诊疗手段的编号,构建临床路径数据库。
7.根据权利要求1所述的临床路径制定方法,其特征在于,分析预设疾病的临床路径,包括:
获取所述预设疾病的参数,其中,所述参数的类型根据所述临床路径数据库的参数确定;
将所述预设疾病的参数输入所述BP神经网络模型,以获得输出结果;
将所述输出结果与所述临床路径数据库进行匹配,以获得与所述预设疾病对应的诊疗手段。
8.一种临床路径制定装置,其特征在于,包括:
预处理模块,用于对电子病历进行预处理操作,以获得临床路径数据;
第一构建模块,用于将所述临床路径数据作为输入样本和期望输出样本训练BP神经网络,以构建BP神经网络模型;
第二构建模块,用于根据所述BP神经网络模型中作为期望输出样本的临床路径数据,构建临床路径数据库;
分析模块,用于根据所述BP神经网络模型和所述临床路径数据库,分析预设疾病的临床路径。
9.根据权利要求1所述的临床路径制定装置,其特征在于,
所述预处理操作包括抽取、转化和装载。
10.根据权利要求9所述的临床路径制定装置,其特征在于,所述预处理模块,包括:
获取模块,用于获取所述电子病历;
抽取模块,用于抽取所述电子病历中的患者基本信息、医嘱、诊疗信息、检验结果和影像结果数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610424381.5A CN106096286A (zh) | 2016-06-15 | 2016-06-15 | 临床路径制定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610424381.5A CN106096286A (zh) | 2016-06-15 | 2016-06-15 | 临床路径制定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106096286A true CN106096286A (zh) | 2016-11-09 |
Family
ID=57846388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610424381.5A Pending CN106096286A (zh) | 2016-06-15 | 2016-06-15 | 临床路径制定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106096286A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145723A (zh) * | 2017-04-25 | 2017-09-08 | 四川省肿瘤医院 | 基于人工神经网络的医院流程管理系统 |
CN107273974A (zh) * | 2017-05-22 | 2017-10-20 | 浙江鹏信信息科技股份有限公司 | 一种安全应急处置评价体系构建方法及系统 |
CN108665975A (zh) * | 2017-03-30 | 2018-10-16 | 深圳欧德蒙科技有限公司 | 临床路径匹配方法和系统 |
CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
CN110957013A (zh) * | 2018-09-27 | 2020-04-03 | 清华大学 | 基于遗传算法的临床路径本地化的方法和装置 |
CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
CN112216399A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于bp神经网络的食源性疾病致病因子预测的方法和系统 |
CN112270964A (zh) * | 2020-10-29 | 2021-01-26 | 南通市第一人民医院 | 一种口腔护理提醒记录方法和系统 |
CN113539482A (zh) * | 2021-08-02 | 2021-10-22 | 曜立科技(北京)有限公司 | 一种术后临床路径智能分析管理系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN103204193A (zh) * | 2013-04-08 | 2013-07-17 | 浙江大学 | 一种欠驱动双足机器人行走控制方法 |
CN103324981A (zh) * | 2013-05-20 | 2013-09-25 | 浙江大学 | 基于神经网络的放化疗规范化质量控制的量化方法 |
CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
CN103646188A (zh) * | 2013-12-27 | 2014-03-19 | 长春工业大学 | 一种基于混合智能算法的冠心病无创性诊断方法 |
CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
CN104951836A (zh) * | 2014-03-25 | 2015-09-30 | 上海市玻森数据科技有限公司 | 基于神经网络技术的发帖预测系统 |
CN105446132A (zh) * | 2012-01-13 | 2016-03-30 | 北京工业大学 | 基于神经网络的污水处理预测控制方法 |
CN105678407A (zh) * | 2015-12-31 | 2016-06-15 | 国网上海市电力公司 | 一种基于人工神经网络的日用电量预测方法 |
-
2016
- 2016-06-15 CN CN201610424381.5A patent/CN106096286A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968629A (zh) * | 2010-10-19 | 2011-02-09 | 天津理工大学 | 基于rbf辨识的弹性积分bp神经网络的pid控制方法 |
CN102737153A (zh) * | 2011-04-07 | 2012-10-17 | 中国人民解放军第三〇二医院 | 神经网络肝纤维化诊断方法及系统 |
CN105446132A (zh) * | 2012-01-13 | 2016-03-30 | 北京工业大学 | 基于神经网络的污水处理预测控制方法 |
CN103150594A (zh) * | 2013-03-18 | 2013-06-12 | 山东电力集团公司济宁供电公司 | 基于加动量项bp神经网络的变压器故障诊断方法 |
CN103204193A (zh) * | 2013-04-08 | 2013-07-17 | 浙江大学 | 一种欠驱动双足机器人行走控制方法 |
CN103324981A (zh) * | 2013-05-20 | 2013-09-25 | 浙江大学 | 基于神经网络的放化疗规范化质量控制的量化方法 |
CN103646183A (zh) * | 2013-12-24 | 2014-03-19 | 张擎 | 一种基于人工神经网络和多模态mri的阿尔茨海默病智能判别分析方法 |
CN103646188A (zh) * | 2013-12-27 | 2014-03-19 | 长春工业大学 | 一种基于混合智能算法的冠心病无创性诊断方法 |
CN104951836A (zh) * | 2014-03-25 | 2015-09-30 | 上海市玻森数据科技有限公司 | 基于神经网络技术的发帖预测系统 |
CN104504297A (zh) * | 2015-01-21 | 2015-04-08 | 甘肃百合物联科技信息有限公司 | 一种利用神经网络的高血压预测方法 |
CN105678407A (zh) * | 2015-12-31 | 2016-06-15 | 国网上海市电力公司 | 一种基于人工神经网络的日用电量预测方法 |
Non-Patent Citations (4)
Title |
---|
PAN HAO ETAL: ""Probing modification of BP neural network learning-rate"", 《INTERNATIONAL CONFERENCE ON MACHINE LEARNING & CYBERNETICS》 * |
徐刚: "《流域梯级水电站联合优化调度理论与实践》", 31 August 2013, 中国水利水电出版社 * |
杨小宁: ""基于模糊聚类分析的临床路径优化决策研究"", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
许双星: ""极化SAR 图像相干斑抑制及分类研究"", 《中国优秀硕士论文全文数据库 信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665975A (zh) * | 2017-03-30 | 2018-10-16 | 深圳欧德蒙科技有限公司 | 临床路径匹配方法和系统 |
CN107145723A (zh) * | 2017-04-25 | 2017-09-08 | 四川省肿瘤医院 | 基于人工神经网络的医院流程管理系统 |
CN107145723B (zh) * | 2017-04-25 | 2020-07-28 | 四川省肿瘤医院 | 基于人工神经网络的医院流程管理系统 |
CN107273974A (zh) * | 2017-05-22 | 2017-10-20 | 浙江鹏信信息科技股份有限公司 | 一种安全应急处置评价体系构建方法及系统 |
CN109119156A (zh) * | 2018-07-09 | 2019-01-01 | 河南艾玛医疗科技有限公司 | 一种基于bp神经网络的医疗诊断系统 |
CN110957013A (zh) * | 2018-09-27 | 2020-04-03 | 清华大学 | 基于遗传算法的临床路径本地化的方法和装置 |
CN110957013B (zh) * | 2018-09-27 | 2022-09-23 | 清华大学 | 基于遗传算法的临床路径本地化的方法和装置 |
CN111260209A (zh) * | 2020-01-14 | 2020-06-09 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
CN111260209B (zh) * | 2020-01-14 | 2022-03-11 | 山东大学 | 电子病历与医学影像结合的心血管疾病风险预测评估系统 |
CN112216399A (zh) * | 2020-10-10 | 2021-01-12 | 黑龙江省疾病预防控制中心 | 一种基于bp神经网络的食源性疾病致病因子预测的方法和系统 |
CN112270964A (zh) * | 2020-10-29 | 2021-01-26 | 南通市第一人民医院 | 一种口腔护理提醒记录方法和系统 |
CN113539482A (zh) * | 2021-08-02 | 2021-10-22 | 曜立科技(北京)有限公司 | 一种术后临床路径智能分析管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106096286A (zh) | 临床路径制定方法及装置 | |
JP6522161B2 (ja) | ディープラーニングに基づく医療データ分析方法及びそのインテリジェントアナライザー | |
CN105528526B (zh) | 一种基于中医药传承与大数据挖掘的生命周期动态健康管理系统 | |
Miller | Medical diagnostic decision support systems—past, present, and future: a threaded bibliography and brief commentary | |
CN106778014A (zh) | 一种基于循环神经网络的患病风险预测方法 | |
JP2016197330A (ja) | 分析システム、リハビリテーション支援システム、方法およびプログラム | |
Cocos et al. | Crowd control: Effectively utilizing unscreened crowd workers for biomedical data annotation | |
CN111785366B (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
CN108198603A (zh) | 一种基于个人体检信息的营养饮食推荐方法 | |
Mohammedqasim et al. | Real-time data of COVID-19 detection with IoT sensor tracking using artificial neural network | |
CN109978873A (zh) | 一种基于中医影像大数据的智能体检系统及其方法 | |
Shiranthika et al. | Supervised optimal chemotherapy regimen based on offline reinforcement learning | |
Almurshidi et al. | Breast cancer knowledge based system | |
Hussain et al. | Prediction and evaluation of healthy and unhealthy status of COVID-19 patients using wearable device prototype data | |
KR20110098286A (ko) | 퍼지 추론기법을 이용한 한방 자가 진단방법 | |
Powar et al. | Data mining & artificial intelligence techniques for prediction of heart disorders: a survey | |
Sushma et al. | Comparative Study of Naive Bayes, Gaussian Naive Bayes Classifier and Decision Tree Algorithms for Prediction of Heart Diseases | |
US20230181120A1 (en) | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks | |
Bheemavarapu et al. | Machine learning models used for Prakriti identification using Prasna Pariksha in Ayurveda–A review | |
Ansari et al. | Automatic diagnosis of asthma using neurofuzzy system | |
Fortier et al. | Development of a mobile cardiac wellness application and integrated wearable sensor suite | |
Carter et al. | Deciphering simultaneous heart conditions with spectrogram and explainable-ai approach | |
Hong et al. | Inquiring diagnosis system of traditional Chinese medicine | |
Fisher et al. | Deep learning for comprehensive forecasting of Alzheimer's Disease progression | |
Madaan et al. | An Adaptive Neuro Fuzzy Inference System for Predicting Ayurvedic Dosha |
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: 20161109 |
|
RJ01 | Rejection of invention patent application after publication |