CN109243615A - 确定叩诊信息的方法、装置和存储介质 - Google Patents
确定叩诊信息的方法、装置和存储介质 Download PDFInfo
- Publication number
- CN109243615A CN109243615A CN201811187158.9A CN201811187158A CN109243615A CN 109243615 A CN109243615 A CN 109243615A CN 201811187158 A CN201811187158 A CN 201811187158A CN 109243615 A CN109243615 A CN 109243615A
- Authority
- CN
- China
- Prior art keywords
- percussion
- data
- information
- machine learning
- value
- 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.)
- Granted
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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electrophonic Musical Instruments (AREA)
Abstract
本申请实施例提供一种确定叩诊信息的方法、装置和存储介质，该方法包括：获取对模拟人进行叩诊时，模拟人表面的多个压电传感器产生的多个第一数据；根据多个第一数据和机器学习模型，采用机器学习算法确定该叩诊的信息，该叩诊的信息至少包括叩诊位置、叩诊力度和叩诊手法。本申请根据用户该次叩诊使得多个压电薄膜传感器产生的客观的且能够精确代表叩诊的信息的多个第一数据确定叩诊的信息，确定的叩诊的信息比较准确。且不需要其他用户一对一的实时观察该用户的叩诊以得到该次叩诊的信息，提高了确定叩诊的信息的效率。
Description
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种确定叩诊信息的方法、装置和存储介质。
背景技术
在医学生的培养过程中，临床实践教学是重点，其目的是对医学生进行临床思维、临床技能和实际临床工作能力的培养和训练。近年来由于医院诊疗安全意识的提高和医学伦理的发展，加上患者自我保护意识的日益增强和医患关系的愈加紧张，使医学生直接在患者身上操作、实践的机会减少。因此许多医学院将医用模拟人应用临床技能训练及模拟教学。
目前，对于叩诊的教学采用的道具为内部具有震动传感器的模拟人，当医学生对该模拟人进行叩诊时，叩诊部位的震动传感器会发生震动，有时与叩诊部位相邻的部位的震动传感器也会发生震动，也就是该模拟人只能用于判断学生是否进行了叩诊；若要确定学生的叩诊的信息(叩诊位置、叩诊力度和叩诊手法等)，需要教师实时观察，并结合经验确定，因此，不能高效且精确的确定医学生的叩诊的信息。
发明内容
本申请实施例提供一种确定叩诊信息的方法、装置和存储介质，可以高效且精确的确定用户叩诊的信息。
第一方面，本申请实施例提供一种确定叩诊信息的方法，包括：
获取对模拟人进行叩诊时，模拟人表面的多个压电传感器产生的多个第一数据；
根据所述多个第一数据和机器学习模型，采用机器学习算法确定所述叩诊的信息，所述叩诊的信息至少包括叩诊位置、叩诊力度和叩诊手法。
在一种可能的设计中，所述根据所述多个第一数据和机器学习模型，采用机器学习算法确定所述叩诊的信息，包括：
将所述多个第一数据中的非数值数据设置为0，得到多个对齐值；
根据所述多个对齐值，确定第一特征向量；
根据所述第一特征向量和机器学习模型，采用机器学习算法确定所述叩诊的信息；所述机器学习模型为基于多个训练样本得到的。
在一种可能的设计中，所述根据所述多个对齐值，确定第一特征向量，包括：
对所述多个对齐值进行线性平滑处理，得到多个平滑值；
对所述多个平滑值进行归一化处理，得到多个归一化值；
根据所述多个归一化值，确定所述第一特征向量。
在一种可能的设计中，所述根据所述多个归一化值，确定所述第一特征向量，包括：
将所述多个归一化值进行划分，得到预设数量的组，每组至少包括K个压电传感器对应的归一化值；K为正整数；
对于每个组，获取能够表征所述组包括的归一化值的S个特征的S个特征值；S≥1；
根据各组各自对应的S个特征值，得到所述第一特征向量。
在一种可能的设计中，所述方法还包括：
获取所述多个训练样本；所述训练样本包括，第二特征向量，所述第二特征向量是多个第二数据得到的，所述第二数据为在获取所述多个第一数据之前，对所述模拟人进行一次叩诊时所述多个压电传感器产生的数据；
获取每个训练样本的标签；所述标签用于指示相应的训练样本对应的叩诊的信息；
根据所述多个训练样本和每个训练样本的标签，采用所述机器学习算法，对所述多个训练样本进行训练，得到所述机器学习模型。
第二方面，本申请实施例提供一种确定叩诊信息的装置，包括：
获取模块，用于获取对模拟人进行叩诊时，模拟人表面的多个压电传感器产生的多个第一数据；
确定模块，用于根据所述多个第一数据和机器学习模型，采用机器学习算法确定所述叩诊的信息，所述叩诊的信息至少包括叩诊位置、叩诊力度和叩诊手法。
在一种可能的设计中，所述确定模块，具体用于：
将所述多个第一数据中的第三数据设置为0，得到多个对齐值；所述第三数据为非数值的数据；
根据所述多个对齐值，确定第一特征向量；
根据所述第一特征向量和机器学习模型，采用机器学习算法确定所述叩诊的信息；所述机器学习模型为基于多个训练样本得到的。
在一种可能的设计中，所述确定模块，具体用于：
对所述多个对齐值进行线性平滑处理，得到多个平滑值；
对所述多个平滑值进行归一化处理，得到多个归一化值；
根据所述多个归一化值，确定所述第一特征向量。
在一种可能的设计中，所述确定模块，具体用于：
将所述多个归一化值进行划分，得到预设数量的组，每组至少包括K个压电传感器对应的归一化值；K为正整数；
对于每个组，获取能够表征所述组包括的归一化值的S个特征的S个特征值；S≥1；
根据各组各自对应的S个特征值，得到所述第一特征向量。
在一种可能的设计中，还包括训练模块；所述训练模块用于：
获取所述多个训练样本；所述训练样本包括，第二特征向量，所述第二特征向量是多个第二数据得到的，所述第二数据为在获取所述多个第一数据之前，对所述模拟人进行一次叩诊时所述多个压电传感器产生的数据；
获取每个训练样本的标签；所述标签用于指示相应的训练样本对应的叩诊的信息；
根据所述多个训练样本和每个训练样本的标签，采用所述机器学习算法，对所述多个训练样本进行训练，得到所述机器学习模型。
第三方面，本申请实施例提供一种可读存储介质，包括程序或指令，当所述程序或指令在计算机上运行时，第一方面以及第一方面任一设计中的方法被执行。
第四方面，本申请实施例提供一种电子设备，包括：处理器，所述处理器与存储器耦合；
所述存储器用于，存储计算机程序；
所述处理器用于，调用所述存储器中存储的计算机程序，以实现第一方面以及第一方面任一设计中的方法。
第五方面，本申请实施例提供一种确定叩诊信息的系统，包括第四方面所述的电子设备和分布在模拟人表面的多个压电传感器。
本申请确定叩诊的信息不是依据经验确定，而是根据用户该次叩诊使得多个压电薄膜传感器产生的客观的且能够精确代表叩诊的信息的多个第一数据和机器学习算法确定的，因此，确定的叩诊的信息比较准确。且在多个第一数据被获取后，可实时分析该多个第一数据或者预设时长后再分析多个第一数据，得到该次叩诊的信息，不需要其他用户一对一的实时观察该用户的叩诊以得到该次叩诊的信息，减少了人力的浪费，提高了确定叩诊的信息的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的确定叩诊信息的方法的流程图一；
图2为本申请实施例提供的压电薄膜传感器的部署示意图；
图3为本申请实施例提供的确定叩诊信息的方法的流程图二；
图4为本申请实施例提供的确定叩诊信息的方法的流程图三；
图5为本申请实施例提供的确定叩诊信息的装置的结构示意图一；
图6为本申请实施例提供的确定叩诊信息的装置的结构示意图一；
图7为本申请实施例提供的电子设备的结构示意图一；
图8为本申请实施例提供的确定叩诊信息的系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。本申请中术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
图1为本申请实施例提供的确定叩诊信息的方法的流程图一，如图1所示本实施例的方法包括步骤S101～S102；本实施例的执行主体为确定叩诊信息的装置，该装置可基于硬件或者软件实现。
在步骤S101中、获取对模拟人进行叩诊时，模拟人表面的多个压电传感器产生的多个第一数据。
具体地，在进行步骤S101之前，需要在模拟人的表面部署多个压电传感器。其中，为了提高部署压电传感器的效率，可只在需要叩诊的区域部署压电传感器。其中，需要叩诊的区域比如可为：左腹部区域、右腹部区域、胸部区域。可在每个需要叩诊的位置阵列式部署多个压电传感器，为了提高最终获取的叩诊的信息的准确性，在每个需要叩诊的区域阵列式部署的多个压电传感器中相邻传感器的距离相同。
可选地，压电传感器可为压电薄膜传感器。压电薄膜传感器质地轻薄柔软且灵敏度高，非常适用于医用领域。
图2为本申请实施例提供的压电薄膜传感器的部署示意图；参见图2，图2中的每一个黑色方块代表一个压电薄膜传感器。
对于步骤S101：具体地，当用户对模拟人进行一次叩诊时，该次叩诊触摸到的每个压电传感器会产生具有数值第一数据，模拟人表面的其它的压电传感器对应产生的第一数据则是非数值的数据，比如空值null。确定叩诊信息的装置获取该次叩诊对应的多个压电传感器产生的多个第一数据。其中，第一数据为压力数据。
可以理解的是，一次叩诊是具有一定的时长的，比如2S。在此时长内，一个压电传感器会产生不止一个第一数据，比如产生M个数据；若在模拟人表面共有L个压电传感器，则确定叩诊信息的装置获取该次叩诊对应的L个压电传感器产生的M×L个第一数据。
对于步骤S102、根据多个第一数据和机器学习模型，采用机器学习算法确定叩诊的信息，该叩诊的信息至少包括叩诊位置、叩诊力度和叩诊手法。
确定叩诊信息的装置获取该次叩诊对应的多个压电传感器产生的多个第一数据后，便可根据多个第一数据和机器学习模型，采用机器学习算法确定叩诊的信息，该叩诊的信息至少包括叩诊位置、叩诊力度和叩诊手法。
其中，根据多个第一数据，获取叩诊的信息的方法可采用机器学习的算法，也可采用其它的算法，本实施例中并不限定。其中，机器学习算法可为神经网络算法，或者，梯度提升决策树(gradieLt boostiLg decisioL tree，简称GBDT)算法。
本实施例中确定叩诊的信息不是依据经验确定，而是根据用户该次叩诊使得多个压电传感器产生的客观的且能够精确代表叩诊的信息的多个第一数据和机器学习算法确定的，因此，确定的叩诊的信息比较准确。且在多个第一数据被获取后，可实时分析该多个第一数据或者预设时长后再分析多个第一数据，得到该次叩诊的信息，不需要其他用户一对一的实时观察该用户的叩诊以得到该次叩诊的信息，减少了人力的浪费，提高了确定叩诊的信息的效率。
应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
下面采用具体的实施例对上一实施例中“根据多个第一数据和机器学习模型，采用机器学习算法确定叩诊的信息”的一种实现方式进行说明。图3为本申请实施例提供的确定叩诊的信息的方法的流程图二，参见图3，本实施例的方法，包括：
步骤S201、将多个第一数据中的非数值数据设置为0，得到多个对齐值；
具体地，若在模拟人表面共有L个压电传感器，确定叩诊的信息的装置获取到的第一数据的数量为M×L＝N个(即多个第一数据为N个第一数据)，其中，M为在该次叩诊时长内，一个压电传感器产生的数据的个数。
由于叩诊非触摸区域内的压电传感器没有收到压力，在该次叩诊过程中这些压电传感器产生的数据为非数值的数据，比如为null，因此，需要将N个第一数据中的非数值的数据设置为0，其余的第一数据不变，得到的N个第一数据称为N个对齐值。
步骤S202、根据多个对齐值，确定第一特征向量；
具体地，在第一种方式中，第一特征向量包括多个对齐值。
由于机器学习算法中的输入第一特征向量，是影响最终获取该叩诊的信息的准确性的一个因素，因此，为了使得获取的该叩诊的信息尽可能的准确，在第二种方式中，根据多个对齐值，确定第一特征向量，包括：对多个对齐值进行线性平滑处理，得到多个平滑值；对多个平滑值进行归一化处理，得到多个归一化值；根据该多个归一化值，确定第一特征向量。
下面以在模拟人表面共有L个压电传感器，确定叩诊的信息的装置获取到的第一数据的数量为M×L＝N个为例，说明第二种方式中获取第一特征向量的方法。
a1、对N个对齐值进行线性平滑处理，得到N个平滑值；
线性平滑处理可参照现有的方法，本实施例中对一种可实现的线性平滑处理方式进行说明。
在M＞5时，对于一个压电传感器对应的M个对齐值，可通过如下公式对该M个对齐值进行线性平滑处理，得到该一个压电传感器对应的M个平滑值。
其中，xi为该一个压电传感器对应的M个对齐值中的第i个对齐值经过线性平滑处理后得到的平滑值，ai为该一个压电传感器对应的M个对齐值中的第i个对齐值，i＝1,2,3……M。
每个压电传感器对应的M个对齐值均经过上述处理，便得到了N个平滑值。
平滑处理可以去除M个对齐值的噪声，使得最终得到的叩诊信息比较准确。
a2、对N个平滑值进行归一化处理，得到N个归一化值；
具体地，对于一个压电传感器对应的M个平滑值，可采用如下公式对该M个平滑值进行归一化处理，得到M个归一化值：
yi＝(xi-xmin)/(xmax-xmin)
其中，yi为该一个压电传感器对应的M个平滑值中的第i个平滑值经过归一化处理后得到的归一化值，xmin为该一个压电传感器对应的M个平滑值中的最小值，xmax为该一个压电传感器对应的M个平滑值中的最大值。
每个压电传感器对应的M个平滑值均经过上述处理，便得到了N个归一化值。
a3、根据N个归一化值，确定第一特征向量。
具体地，根据N个归一化值，确定第一特征向量可通过b1～b3实现。
b1、将N个归一化值进行划分，得到预设数量的组，每组包括K个压电传感器对应的归一化值；K为正整数。
其中，将N个归一化值以压电传感器为组进行划分，得到预设数量的组，可以降低第一特征向量的维度，从而降低确定叩诊信息的复杂度。
比如，L＝100，预设数量为20，则每个组需要包括5个压电传感器对应的5M个归一化值；比如，L＝100，预设数量＝30，则每个组需要包括3个压电传感器对应的3M个归一化值，多出的10个压电传感器对应的10M个归一化值去除。
具体地，为了便于数据的处理，可将N个归一化值按照压电传感器在模拟人的表面的部署顺序得到一目标矩阵，然后根据该目标矩阵，将N个归一化值进行划分，得到预设数量的组；其中，目标矩阵的一行包括的归一化值为一个压电传感器对应的归一化值。比如，目标矩阵的第一行为第一个区域分布的第一行第一列的压电传感器对应的各归一化值，目标矩阵的第二行为第一个区域分布的第一行第二列的压电传感器对应的各归一化值，目标矩阵的第三行为第一个区域分布的第一行第三列的压电传感器对应的各归一化值，以此类推，目标矩阵的最后一行为最后一个区域的最后一行最后一列的压电传感器对应的各归一化值。此处的第一个区域为需要叩诊的区域中的任一个区域，此处的最后一个区域为需要叩诊的区域中除了第一个区域后的任一个区域。
示例性地，目标矩阵可为下所示：
此时，每组包括K行对应的K×M个归一化值；K为正整数。其中，每组对应的K行可为相邻的K行，比如第一行和第二行对应的归一化值为第一组，第三行和第四行对应的归一化值为第二组。
b2、对于每个组，获取能够表征该组包括的归一化值的S个特征的S个特征值；S≥1。
具体地，对于每个组，S个特征值包括如下中的至少一项：该组K×M个归一化值的平均值、中值、方差、协方差、四分位极差、最小值、最大值、偏度。
b3、根据各组各自对应的S个特征值，得到第一特征向量。
若预设数量为Q，则得到Q×S个特征值，该Q×S个特征值组成第一特征向量，每一个特征值为第一特征向量中的一个分量。
可以理解的是，每组中的S个特征值在第一特征向量中的分布顺序相同。
步骤S203、根据该第一特征向量和机器学习模型，采用机器学习算法确定该叩诊的信息；该机器学习模型为基于多个训练样本得到的。
在得到第一特征向量后，第一特征向量作为机器学习模型的输入，采用该机器学习模型对应的机器学习算法计算后，得到一输出值。该输出值可以指示叩诊位置为各预设位置的概率、叩诊方法为各预设方法的概率和叩诊力度为预设力度的概率。
示例性地，若预设位置为3个，第一预设位置：部署有压电传感器的胸部区域内的第一目标子区域，该第一目标子区域可与该胸部区域相同，也可为该胸部区域中标准叩诊区域，第二预设位置：部署有压电传感器的左腹部区域内的第二目标子区域，该第一目标子区域可与该左腹部区域相同，也可为该左腹部区域中标准叩诊区域，第三预设位置：部署有压电传感器的右腹部区域内的第三目标子区域，该第三目标子区域可与该右腹部区域相同，也可为该右腹部区域中标准叩诊区域；叩诊方法，预设方法为2个：第一预设方法：直接叩诊，第二预设方法：间接叩诊，预设力度为2个：第一预设力度：轻、第一预设力度：重。此时，输出值可包括7个分量，分别指示该次叩诊的叩诊位置为第一预设位置的概率、为第二预设位置的概率、为第三预设位置的概率，叩诊方法为第一预设方法的概率、为第二预设方法的概率，叩诊力度为第一预设力度的概率，为第二预设力度的概率。对于输出值的任一分量而言，若该分量大于为该分量设置的预设阈值，则认为该分量指示的信息为该次叩诊操作的信息。比如在上述示例下，若输出值为(0.9、0.1、0.1、0.8、0.2、0.28、0.72)，输出值各分量的阈值分别为0.6、0.6、0.6、0.7、0.7、0.7、0.7，则该输出值指示的叩诊的信息为：叩诊位置为胸部区域内的第一目标子区域、叩诊手法为直接叩诊，叩诊力度为重。若输出值为(0.3、0.4、0.5、0.8、0.2、0.28、0.72)，输出值各分量的阈值分别为0.6、0.6、0.6、0.7、0.7、0.7、0.7，则说明该次叩诊的叩诊位置不为上述任一预设位置，属于不合格的叩诊。
由于机器学习算法可以自动学习不同特征的叩诊操作，得到机器学习模型，使得本实施例的方法即使在叩诊操作的特征(即第一特征向量中包括的分量)不多的情况下，也可以准确的确定叩诊的信息。
应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
下面采用具体的实施例对机器学习模型的获取方法进行说明。图4为本申请实施例提供的获取机器学习模型的方法的流程图，参见图4，本实施例的方法，包括：
步骤S301、获取多个训练样本；每个训练样本包括：一个第二特征向量，第二特征向量是多个第二数据得到的，第二数据为在获取上述多个第一数据之前，对模拟人进行一次叩诊时多个压电传感器产生的数据；
步骤S302、获取每个训练样本的标签；标签用于指示相应的训练样本对应的叩诊的信息；
步骤S303、根据多个训练样本和每个训练样本的标签，采用机器学习算法，对多个训练样本进行训练，得到机器学习模型。
具体地，本实施例的执行主体可为获取机器学习模型的装置，该获取机器学习模型的装置可与确定叩诊的信息的装置位于同一设备中，也可位于不同的设备中。若获取机器学习模型的装置可与确定叩诊的信息的装置位于不同的设备中，则在获取机器学习模型的装置获取到机器学习模型后，获取机器学习模型的装置所在的设备可将该机器学习模型发送至确定叩诊的信息的装置所在的设备。
下面以叩诊的信息包括叩诊的位置、叩诊方法和叩诊力度，需要叩诊的位置为上一实施例中的3个预设位置，叩诊方法为上一实施例中的2种预设方法，叩诊力度为上一实施例中的2种预设力度为例，说明本实施例的方法。
对于步骤S301、获取多个训练样本。
对模拟人在上一实施例中的胸部区域的第一目标子区域进行一次标准的叩诊，叩诊法为直接叩诊，叩诊力度为轻，获取该次标准的叩诊对应的多个压电传感器产生的多个第二数据，对多个第二数据采用上一实施例中对多个第一数据处理得到第一特征向量相同的方法进行处理，得到第二特征向量，该第二特征向量即为一个训练样本，此处称为训练样本a。
为了使得训练样本的足够多，可对对模拟人在上一实施例中的胸部区域的第一目标子区域进行多次标准的叩诊，每次叩诊的叩诊方法均为直接叩诊，叩诊力度均为轻，这样可以得到该类叩诊对应的多个训练样本。
对模拟人在上一实施例中的左腹部区域的第二目标子区域进行一次标准的叩诊，叩诊法为直接叩诊，叩诊力度为轻，获取该次标准的叩诊对应的多个压电传感器产生的多个第二数据，对多个第二数据采用上一实施例中对多个第一数据处理得到第一特征向量相同的方法进行处理，得到第二特征向量，该第二特征向量即为一个训练样本，此处称为训练样本b。
为了使得训练样本的足够多，可对对模拟人在上一实施例中的左腹部区域的第一目标子区域进行多次标准的叩诊，每次叩诊的叩诊方法均为直接叩诊，叩诊力度均为轻，这样可以得到该类叩诊对应的多个训练样本。
按照上述相同的方法，每一类的叩诊均对应得到多个训练样本，这样便可得到足够数量的训练样本。可以理解的是，在3个预设位置，2种预设方法，种预设力度的情况下，一种具有12类叩诊。
对于步骤S302、获取每个训练样本的标签。标签可为指示该训练样本对应的叩诊的信息。
标签为具有7个分量，若7个分量分别指示该次叩诊的叩诊位置为第一预设位置的概率、为第二预设位置的概率、为第三预设位置的概率，叩诊方法为第一预设方法的概率、为第二预设方法的概率，叩诊力度为第一预设力度的概率，为第二预设力度的概率。则上述训练样本a的标签可为(1,0,0,1,0,1,0)，训练样本b的标签可为(0,1,0,1,0,1,0)。
可以理解的是，在3个预设位置，2种预设方法，种预设力度的情况下，一种具有12种标签。
对于步骤S303、对于每个训练样本，将训练样本包括的第二特征向量作为输入，将训练样本的标签作为期望输出，采用与上一实施例中相同的机器学习算法进行训练，最终得到机器学习模型。
具体的训练方法，为现有的方法，本实施例中不再赘述。
本实施例获取的机器学习模型，可应用于确定用户进行的叩诊的信息。
图5为本申请实施例提供的确定叩诊信息的装置的结构示意图一，如图5所示，本实施例的装置可以包括：获取模块51和确定模块52；
获取模块51，用于获取对模拟人进行叩诊时，模拟人表面的多个压电传感器产生的多个第一数据；
确定模块52，用于根据所述多个第一数据和机器学习模型，采用机器学习算法确定所述叩诊的信息，所述叩诊的信息至少包括叩诊位置、叩诊力度和叩诊手法。
可选地，所述确定模块52，具体用于：
将所述多个第一数据中的第三数据设置为0，得到多个对齐值；所述第三数据为非数值的数据；
根据所述多个对齐值，确定第一特征向量；
根据所述第一特征向量和机器学习模型，采用机器学习算法确定所述叩诊的信息；所述机器学习模型为基于多个训练样本得到的。
可选地，所述确定模块52，具体用于：
对所述多个对齐值进行线性平滑处理，得到多个平滑值；
对所述多个平滑值进行归一化处理，得到多个归一化值；
根据所述多个归一化值，确定所述第一特征向量。
可选地，所述确定模块52，具体用于：
将所述多个归一化值进行划分，得到预设数量的组，每组至少包括K个压电传感器对应的归一化值；K为正整数；
对于每个组，获取能够表征所述组包括的归一化值的S个特征的S个特征值；S≥1；
根据各组各自对应的S个特征值，得到所述第一特征向量。
本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图6为本申请实施例提供的确定叩诊信息的装置的结构示意图二，如图6所示，本实施例的装置在图5所示装置结构的基础上，进一步地，还可以包括：训练模块53；所述训练模块53用于：
获取所述多个训练样本；所述训练样本包括，第二特征向量，所述第二特征向量是多个第二数据得到的，所述第二数据为在获取所述多个第一数据之前，对所述模拟人进行一次叩诊时所述多个压电传感器产生的数据；
获取每个训练样本的标签；所述标签用于指示相应的训练样本对应的叩诊的信息；
根据所述多个训练样本和每个训练样本的标签，采用所述机器学习算法，对所述多个训练样本进行训练，得到所述机器学习模型。
本实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本申请实施例提供一种可读存储介质，包括程序或指令，当所述程序或指令在计算机上运行时，上述方法实施例中的方法被执行。
图7为本申请实施例提供的电子设备的结构示意图，如图7所示，本实施例的电子设备700，包括：处理器71，所述处理器71与存储器72耦合；
所述存储器72用于，存储计算机程序；
所述处理器71用于，调用所述存储器72中存储的计算机程序，以实现上述方法实施例中的方法。
图8为本申请实施例提供的确定叩诊信息的系统的结构示意图，参见图8，本实施例的系统包括图7所示的电子设备700和分布在模拟人表面的多个压电传感器800。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请实施例的技术方案，而非对其限制；尽管参照前述各实施例对本申请实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请实施例方案的范围。
Claims (10)
1.一种确定叩诊信息的方法，其特征在于，包括：
获取对模拟人进行叩诊时，模拟人表面的多个压电传感器产生的多个第一数据；
根据所述多个第一数据和机器学习模型，采用机器学习算法确定所述叩诊的信息，所述叩诊的信息至少包括叩诊位置、叩诊力度和叩诊手法。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个第一数据和机器学习模型，采用机器学习算法确定所述叩诊的信息，包括：
将所述多个第一数据中的非数值数据设置为0，得到多个对齐值；
根据所述多个对齐值，确定第一特征向量；
根据所述第一特征向量和所述机器学习模型，采用所述机器学习算法确定所述叩诊的信息；所述机器学习模型为基于多个训练样本得到的。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个对齐值，确定第一特征向量，包括：
对所述多个对齐值进行线性平滑处理，得到多个平滑值；
对所述多个平滑值进行归一化处理，得到多个归一化值；
根据所述多个归一化值，确定所述第一特征向量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述多个归一化值，确定所述第一特征向量，包括：
将所述多个归一化值进行划分，得到预设数量的组，每组至少包括K个压电传感器对应的归一化值；K为正整数；
对于每个组，获取能够表征所述组包括的归一化值的S个特征的S个特征值；S≥1；
根据各组各自对应的S个特征值，得到所述第一特征向量。
5.根据权利要求2～4任一所述的方法，其特征在于，所述方法还包括：
获取所述多个训练样本；所述训练样本包括，第二特征向量，所述第二特征向量是多个第二数据得到的，所述第二数据为在获取所述多个第一数据之前，对所述模拟人进行一次叩诊时所述多个压电传感器产生的数据；
获取每个训练样本的标签；所述标签用于指示相应的训练样本对应的叩诊的信息；
根据所述多个训练样本和每个训练样本的标签，采用所述机器学习算法，对所述多个训练样本进行训练，得到所述机器学习模型。
6.一种确定叩诊信息的装置，其特征在于，包括：
获取模块，用于获取对模拟人进行叩诊时，模拟人表面的多个压电传感器产生的多个第一数据；
确定模块，用于根据所述多个第一数据和机器学习模型，采用机器学习算法确定所述叩诊的信息，所述叩诊的信息至少包括叩诊位置、叩诊力度和叩诊手法。
7.根据权利要求6所述的装置，其特征在于，所述确定模块，具体用于：
将所述多个第一数据中的第三数据设置为0，得到多个对齐值；所述第三数据为非数值的数据；
根据所述多个对齐值，确定第一特征向量；
根据所述第一特征向量和机器学习模型，采用机器学习算法确定所述叩诊的信息；所述机器学习模型为基于多个训练样本得到的。
8.一种可读存储介质，其特征在于，包括程序或指令，当所述程序或指令在计算机上运行时，权利要求1～5任一所述的方法被执行。
9.一种电子设备，其特征在于，包括：处理器，所述处理器与存储器耦合；
所述存储器用于，存储计算机程序；
所述处理器用于，调用所述存储器中存储的计算机程序，以实现权利要求1～5任一所述的方法。
10.一种确定叩诊信息的系统，其特征在于，包括权利要求9所述的电子设备和分布在模拟人表面的多个压电传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811187158.9A CN109243615B (zh) | 2018-10-12 | 2018-10-12 | 确定叩诊信息的方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811187158.9A CN109243615B (zh) | 2018-10-12 | 2018-10-12 | 确定叩诊信息的方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109243615A true CN109243615A (zh) | 2019-01-18 |
| CN109243615B CN109243615B (zh) | 2021-03-30 |
Family
ID=65053376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811187158.9A Active CN109243615B (zh) | 2018-10-12 | 2018-10-12 | 确定叩诊信息的方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109243615B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106510770A (zh) * | 2016-12-22 | 2017-03-22 | 中国人民解放军第三军医大学第三附属医院 | 叩诊音信号分析识别系统及工作方法 |
| CN107374609A (zh) * | 2017-08-08 | 2017-11-24 | 长春理工大学 | 一种心律异常动态实时诊断系统 |
| CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测系统 |
| US20180197287A1 (en) * | 2017-01-08 | 2018-07-12 | Adrian Ronaldo Macias | Process of using machine learning for cannabis plant health diagnostics |
| CN108577844A (zh) * | 2018-05-18 | 2018-09-28 | 北京先通康桥医药科技有限公司 | 基于压力分布数据的建立关系模型的方法及系统、存储介质 |
| CN108784655A (zh) * | 2017-04-28 | 2018-11-13 | 西门子保健有限责任公司 | 针对医疗患者的快速评估和后果分析 |
-
2018
- 2018-10-12 CN CN201811187158.9A patent/CN109243615B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106510770A (zh) * | 2016-12-22 | 2017-03-22 | 中国人民解放军第三军医大学第三附属医院 | 叩诊音信号分析识别系统及工作方法 |
| US20180197287A1 (en) * | 2017-01-08 | 2018-07-12 | Adrian Ronaldo Macias | Process of using machine learning for cannabis plant health diagnostics |
| CN108784655A (zh) * | 2017-04-28 | 2018-11-13 | 西门子保健有限责任公司 | 针对医疗患者的快速评估和后果分析 |
| CN107374609A (zh) * | 2017-08-08 | 2017-11-24 | 长春理工大学 | 一种心律异常动态实时诊断系统 |
| CN108030488A (zh) * | 2017-11-30 | 2018-05-15 | 北京医拍智能科技有限公司 | 基于卷积神经网络的心律失常的检测系统 |
| CN108577844A (zh) * | 2018-05-18 | 2018-09-28 | 北京先通康桥医药科技有限公司 | 基于压力分布数据的建立关系模型的方法及系统、存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| QIANFENG_DASHUJU: ""数据预处理-剔除异常值，平滑处理，标准化（归一化）"", 《BLOG.CSDN.NET/QIANFENG_DASHUJU/ARTICLE/DETAILS/82802240》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109243615B (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chmarra et al. | Objective classification of residents based on their psychomotor laparoscopic skills | |
| Yong et al. | A beginner’s guide to factor analysis: Focusing on exploratory factor analysis | |
| Khan et al. | Beyond activity recognition: skill assessment from accelerometer data | |
| KR20200005987A (ko) | 터치입력을 이용한 인지장애 진단 시스템 및 방법 | |
| JP2014520279A (ja) | タスク軌跡を分析する方法およびシステム | |
| CN108335755A (zh) | 数据分析方法和设备 | |
| WO2020224433A1 (zh) | 基于机器学习的目标对象属性预测方法及相关设备 | |
| Chiu | Scoring performance assessments based on judgements: generalizability theory | |
| CN108229673A (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
| KR20190143510A (ko) | 투 페이스 질병 진단 시스템 및 그 방법 | |
| US20230210440A1 (en) | Method and Apparatus for Determining Degree of Dementia of User | |
| CN111159419A (zh) | 基于图卷积的知识追踪数据处理方法、系统和存储介质 | |
| CN101124573A (zh) | 用于把来自多维空间的数据投影到具有较少维的空间和对所述数据实行认知分析的方法、计算机程序与计算机可读装置 | |
| CN108229291A (zh) | 特征点检测、网络训练方法、装置、电子设备和存储介质 | |
| Menegozzo et al. | Surgical gesture recognition with time delay neural network based on kinematic data | |
| Tamur et al. | Do combination learning models change the study effect size? A meta-analysis of contextual teaching and learning | |
| CN107533587A (zh) | 用于估计样本中的分类单位内的微生物的量的方法和装置 | |
| Leong et al. | HMM assessment of quality of movement trajectory in laparoscopic surgery | |
| CN110533184A (zh) | 一种网络模型的训练方法及装置 | |
| CN113705092A (zh) | 基于机器学习的疾病预测方法及装置 | |
| Tanjaya et al. | Pilates Pose Classification Using MediaPipe and Convolutional Neural Networks with Transfer Learning | |
| CN109243615A (zh) | 确定叩诊信息的方法、装置和存储介质 | |
| Peng et al. | Single shot state detection in simulation-based laparoscopy training | |
| CN110084109A (zh) | 一种低分辨率人脸图像识别方法、装置、电子设备及存储介质 | |
| CN111199378A (zh) | 学员管理方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |