CN108511064A - 基于深度学习自动分析人体健康数据的系统 - Google Patents
基于深度学习自动分析人体健康数据的系统 Download PDFInfo
- Publication number
- CN108511064A CN108511064A CN201810156712.0A CN201810156712A CN108511064A CN 108511064 A CN108511064 A CN 108511064A CN 201810156712 A CN201810156712 A CN 201810156712A CN 108511064 A CN108511064 A CN 108511064A
- Authority
- CN
- China
- Prior art keywords
- data
- output
- description
- sample
- item
- 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于深度学习自动分析人体健康数据的系统,包括:健康数据采集模块,用于进行待分析人体的相关健康数据的采集,包括检查项数据和描述型数据;特征提取模块,用于通过深度卷积模型分别对获取的检查项数据和描述项数据进行特征提取;数据融合模块,用于通过自适应的融合算法对特征提取模块所提取到的特征进行融合,求出该用户最终的评估值;自动分析模块,用于将最终的评估值输入智能诊断模型进行分析结果的输出。同时利用检查项数据和描述项数据进行智能分析模型的构建,从而提高了诊断结果的准确率。
Description
技术领域
本发明涉及医疗数据分析领域,具体涉及一种基于深度学习自动分析人体健康数据的系统。
背景技术
目前,患者的诊断结果大多需要医生根据患者的化验结果进行综合分析后才能得到,一方面医生的工作负担较大,另一方面对医生的工作经验要求较高,不然很容易发生误诊的情况。
有鉴于此,如何提供一种健康数据自动分析系统,以协助人工进行疾病诊断,成为亟待解决的技术问题。
发明内容
为解决上述问题,本发明提供了一种基于深度学习自动分析人体健康数据的系统。
为实现上述目的,本发明采取的技术方案为:
基于深度学习自动分析人体健康数据的系统,包括:
健康数据采集模块,用于进行待分析人体的相关健康数据的采集,包括检查项数据和描述型数据;
特征提取模块,用于通过深度卷积模型分别对获取的检查项数据和描述项数据进行特征提取;
数据融合模块,用于通过自适应的融合算法对特征提取模块所提取到的特征进行融合,求出该用户最终的评估值;
自动分析模块,用于将最终的评估值输入智能诊断模型进行分析结果的输出。
优选地,所述智能诊断模型通过以下步骤构建:
S1、获取训练数据,训练数据包括输入数据和输出数据,输入数据包括检查项数据和描述型数据,输出数据为检测分析报告中对应的疾病诊断;
S2、对输入数据和输出数据做向量化处理,分别得到样本输入向量和样本输出向量;
S3、利用样本输入向量采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,并取训练好后的栈式自编码器的最后一层自编码器的隐藏层的输出作为预先选择的分类器的输入,将样本输出向量作为所述分类器的输出,对分类器进行训练,得到训练好后的分类器,从而形成所述智能诊断模型。
优选地,自适应的融合算法公式如下:
Fi=αVi+βNi (1)
其中,Vi表示检查项的得分,Ni表示描述项的得分,其中,α+β=1,α和β采用自适应的取值方案,公式如(2)和(3)所示:
优选地,所述步骤S2具体包括如下步骤:
对于一个样本,其样本输入向量由检查向量和描述向量根据自适应的融合算法融合后所得,其中,检查向量由检查项数据归一化和白化后构成;描述向量通过对描述型数据二值化形成,具体二值化过程如下:将每一样本的描述型数据的各项进行分类,对组成该样本的每一类进行标记,即与检查状况对应的特征描述一致则将该类标记为1,与检查状况对应的特征描述不一致则将该类标记为0,标记后的描述型数据因此形成多个维度的向量,检查向量和描述向量根据自适应的融合算法融合形成样本输入向量;
将所述输出数据中表示患病的诊断项标记为1,将所述输出数据中表示未患病的诊断项标记为0,这样形成样本输出向量。
本发明具有以下有益效果:
同时利用检查项数据和描述项数据进行智能分析模型的构建,从而提高了诊断结果的准确率。
附图说明
图1为本发明实施例一种基于深度学习自动分析人体健康数据的系统的系统框图。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明实施例提供了一种基于深度学习自动分析人体健康数据的系统,包括:
健康数据采集模块,用于进行待分析人体的相关健康数据的采集,包括检查项数据和描述型数据;其中,所述检查项数据包括检查项目的名称以及其所对应的检查结果数据;所述描述型数据包括电子报告单上的检查结果描述以及患者口头的身体状态描述数据;
特征提取模块,用于通过深度卷积模型分别对获取的检查项数据和描述项数据进行特征提取;
数据融合模块,用于通过自适应的融合算法对特征提取模块所提取到的特征进行融合,求出该用户最终的评估值;
自动分析模块,用于将最终的评估值输入智能诊断模型进行分析结果的输出。
优选地,所述智能诊断模型通过以下步骤构建:
S1、获取训练数据,训练数据包括输入数据和输出数据,输入数据包括检查项数据和描述型数据,输出数据为检测分析报告中对应的疾病诊断;
S2、对输入数据和输出数据做向量化处理,分别得到样本输入向量和样本输出向量;对于一个样本,其样本输入向量由检查向量和描述向量根据自适应的融合算法融合后所得,其中,检查向量由检查项数据归一化和白化后构成;描述向量通过对描述型数据二值化形成,具体二值化过程如下:将每一样本的描述型数据的各项进行分类,对组成该样本的每一类进行标记,即与检查状况对应的特征描述一致则将该类标记为1,与检查状况对应的特征描述不一致则将该类标记为0,标记后的描述型数据因此形成多个维度的向量,检查向量和描述向量根据自适应的融合算法融合形成样本输入向量;
将所述输出数据中表示患病的诊断项标记为1,将所述输出数据中表示未患病的诊断项标记为0,这样形成样本输出向量;
S3、利用样本输入向量采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,并取训练好后的栈式自编码器的最后一层自编码器的隐藏层的输出作为预先选择的分类器的输入,将样本输出向量作为所述分类器的输出,对分类器进行训练,得到训练好后的分类器,从而形成所述智能诊断模型。
所述自适应的融合算法公式如下:
Fi=αVi+βNi (1)
其中,Vi表示检查项的得分,Ni表示描述项的得分,其中,α+β=1,α和β采用自适应的取值方案,公式如(2)和(3)所示:
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.基于深度学习自动分析人体健康数据的系统,其特征在于,包括:
健康数据采集模块,用于进行待分析人体的相关健康数据的采集,包括检查项数据和描述型数据;
特征提取模块,用于通过深度卷积模型分别对获取的检查项数据和描述项数据进行特征提取;
数据融合模块,用于通过自适应的融合算法对特征提取模块所提取到的特征进行融合,求出该用户最终的评估值;
自动分析模块,用于将最终的评估值输入智能诊断模型进行分析结果的输出。
2.如权利要求1所述的基于深度学习自动分析人体健康数据的系统,其特征在于,所述智能诊断模型通过以下步骤构建:
S1、获取训练数据,训练数据包括输入数据和输出数据,输入数据包括检查项数据和描述型数据,输出数据为检测分析报告中对应的疾病诊断;
S2、对输入数据和输出数据做向量化处理,分别得到样本输入向量和样本输出向量;
S3、利用样本输入向量采用逐层贪婪训练法对预先构建的栈式自编码器进行训练,并取训练好后的栈式自编码器的最后一层自编码器的隐藏层的输出作为预先选择的分类器的输入,将样本输出向量作为所述分类器的输出,对分类器进行训练,得到训练好后的分类器,从而形成所述智能诊断模型。
3.如权利要求1所述的基于深度学习自动分析人体健康数据的系统,其特征在于,自适应的融合算法公式如下:
Fi=αVi+βNi (1)
其中,Vi表示检查项的得分,Ni表示描述项的得分,其中,α+β=1,α和β采用自适应的取值方案,公式如(2)和(3)所示:
4.如权利要求1所述的基于深度学习自动分析人体健康数据的系统,其特征在于,所述步骤S2具体包括如下步骤:
对于一个样本,其样本输入向量由检查向量和描述向量根据自适应的融合算法融合后所得,其中,检查向量由检查项数据归一化和白化后构成;描述向量通过对描述型数据二值化形成,具体二值化过程如下:将每一样本的描述型数据的各项进行分类,对组成该样本的每一类进行标记,即与检查状况对应的特征描述一致则将该类标记为1,与检查状况对应的特征描述不一致则将该类标记为0,标记后的描述型数据因此形成多个维度的向量,检查向量和描述向量根据自适应的融合算法融合形成样本输入向量;
将所述输出数据中表示患病的诊断项标记为1,将所述输出数据中表示未患病的诊断项标记为0,这样形成样本输出向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810156712.0A CN108511064A (zh) | 2018-02-11 | 2018-02-11 | 基于深度学习自动分析人体健康数据的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810156712.0A CN108511064A (zh) | 2018-02-11 | 2018-02-11 | 基于深度学习自动分析人体健康数据的系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108511064A true CN108511064A (zh) | 2018-09-07 |
Family
ID=63375206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810156712.0A Pending CN108511064A (zh) | 2018-02-11 | 2018-02-11 | 基于深度学习自动分析人体健康数据的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108511064A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949934A (zh) * | 2018-11-15 | 2019-06-28 | 陕西医链区块链集团有限公司 | 一种利用ai算法评估身体健康状态的计算方法 |
CN110164545A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安财产保险股份有限公司 | 数据辅助处理方法、装置、计算机设备及存储介质 |
CN111588349A (zh) * | 2020-05-28 | 2020-08-28 | 京东方科技集团股份有限公司 | 一种健康分析装置及电子设备 |
CN111681756A (zh) * | 2020-05-29 | 2020-09-18 | 吾征智能技术(北京)有限公司 | 基于痰液性状认知的疾病征兆预测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156530A (zh) * | 2016-08-03 | 2016-11-23 | 北京好运到信息科技有限公司 | 基于栈式自编码器的体检数据分析方法及装置 |
CN106529062A (zh) * | 2016-11-20 | 2017-03-22 | 重庆交通大学 | 一种基于深度学习的桥梁结构健康诊断方法 |
CN106709477A (zh) * | 2017-02-23 | 2017-05-24 | 哈尔滨工业大学深圳研究生院 | 一种基于自适应得分融合与深度学习的人脸识别方法及系统 |
WO2018013703A1 (en) * | 2016-07-12 | 2018-01-18 | Mindshare Medical, Inc. | Medical analytics system |
CN107633883A (zh) * | 2017-11-01 | 2018-01-26 | 佛山鑫进科技有限公司 | 一种基于大数据分析的人体健康度评价方法 |
-
2018
- 2018-02-11 CN CN201810156712.0A patent/CN108511064A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018013703A1 (en) * | 2016-07-12 | 2018-01-18 | Mindshare Medical, Inc. | Medical analytics system |
CN106156530A (zh) * | 2016-08-03 | 2016-11-23 | 北京好运到信息科技有限公司 | 基于栈式自编码器的体检数据分析方法及装置 |
CN106529062A (zh) * | 2016-11-20 | 2017-03-22 | 重庆交通大学 | 一种基于深度学习的桥梁结构健康诊断方法 |
CN106709477A (zh) * | 2017-02-23 | 2017-05-24 | 哈尔滨工业大学深圳研究生院 | 一种基于自适应得分融合与深度学习的人脸识别方法及系统 |
CN107633883A (zh) * | 2017-11-01 | 2018-01-26 | 佛山鑫进科技有限公司 | 一种基于大数据分析的人体健康度评价方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109949934A (zh) * | 2018-11-15 | 2019-06-28 | 陕西医链区块链集团有限公司 | 一种利用ai算法评估身体健康状态的计算方法 |
CN110164545A (zh) * | 2019-04-15 | 2019-08-23 | 中国平安财产保险股份有限公司 | 数据辅助处理方法、装置、计算机设备及存储介质 |
CN111588349A (zh) * | 2020-05-28 | 2020-08-28 | 京东方科技集团股份有限公司 | 一种健康分析装置及电子设备 |
CN111588349B (zh) * | 2020-05-28 | 2023-12-01 | 京东方科技集团股份有限公司 | 一种健康分析装置及电子设备 |
CN111681756A (zh) * | 2020-05-29 | 2020-09-18 | 吾征智能技术(北京)有限公司 | 基于痰液性状认知的疾病征兆预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108511064A (zh) | 基于深度学习自动分析人体健康数据的系统 | |
CN109508644B (zh) | 基于深度视频数据分析的面瘫等级评估系统 | |
CN109886273A (zh) | 一种cmr图像分割分类系统 | |
Hou et al. | Classification of tongue color based on CNN | |
CN108491077A (zh) | 一种基于多流分治卷积神经网络的表面肌电信号手势识别方法 | |
CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
CN108511055B (zh) | 基于分类器融合及诊断规则的室性早搏识别系统及方法 | |
CN112472048B (zh) | 用于心血管疾病患者脉象识别的神经网络的实现方法 | |
CN112036467A (zh) | 基于多尺度注意力神经网络的异常心音识别方法及装置 | |
CN109359569A (zh) | 一种基于cnn的红细胞图像亚分类方法 | |
CN109558912A (zh) | 一种基于深度可分离卷积的阿尔兹海默病分类方法 | |
CN113229825A (zh) | 一种基于深度神经网络的多标签多导联心电图分类方法 | |
CN110415818A (zh) | 一种基于可观察病症的智能儿科疾病问诊系统及方法 | |
Deshpande et al. | Automated detection of Diabetic Retinopathy using VGG-16 architecture | |
Asare et al. | Detection of anaemia using medical images: A comparative study of machine learning algorithms–A systematic literature review | |
CN113076878B (zh) | 基于注意力机制卷积网络结构的体质辨识方法 | |
CN111046978A (zh) | 一种基于StyleGANs和决策融合的皮肤镜图像识别方法 | |
Aufar et al. | Robusta coffee leaf diseases detection based on MobileNetV2 model | |
Kadhim et al. | Detection of COVID-19 in X-Rays by Convolutional Neural Networks | |
Gavhale et al. | Identification of medicinal plant using Machine learning approach | |
CN113988135A (zh) | 一种基于双分支多流网络的肌电信号手势识别方法 | |
CN113116363A (zh) | 一种基于表面肌电信号判断手部疲劳度方法 | |
Bilang et al. | Cactaceae detection using MobileNet architecture | |
Xiang et al. | Application of convolutional neural network algorithm in diagnosis of chronic cough and tongue in children with traditional Chinese medicine | |
CN108052967A (zh) | 基于迁移学习的白血细胞多分类识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |
|
RJ01 | Rejection of invention patent application after publication |