CN109785960A - 一种判别哮喘的方法及装置 - Google Patents
一种判别哮喘的方法及装置 Download PDFInfo
- Publication number
- CN109785960A CN109785960A CN201811644295.0A CN201811644295A CN109785960A CN 109785960 A CN109785960 A CN 109785960A CN 201811644295 A CN201811644295 A CN 201811644295A CN 109785960 A CN109785960 A CN 109785960A
- Authority
- CN
- China
- Prior art keywords
- patient
- classification
- asthma
- model
- characteristic 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.)
- Pending
Links
Landscapes
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本申请实施例提供一种判别哮喘的方法及装置,涉及数据处理技术领域,该方法包括:从就诊信息中提取患者的多个预设特征的特征值,然后将患者的多个预设特征的特征值输入非线性分类模型,确定患者的类别,患者的类别包括患有哮喘和不患哮喘,非线性分类模型是以多个患者的预设特征的特征值以及多个患者对应的类别为训练样本训练获得,相较于现有技术中仅仅按照症状或病程诊断患者是否患有哮喘来说,准确性更高。其次,非线性分类模型充分考虑到非线性影响因素对哮喘诊断的影响,故相较于传统分类模型来说,拟合效果更好,鲁棒性更佳。再者,可以根据患者的多个特征自动确定患者是否患有哮喘,受医生主观影响较小,同时提高了判别哮喘的效率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种判别哮喘的方法及装置。
背景技术
小儿哮喘(infantile asthma)是小儿常见的肺部疾患,是一种表现反复发作性咳嗽,喘鸣和呼吸困难,并伴有气道高反应性的可逆性、梗阻性呼吸道疾病。哮喘是一种严重危害儿童身体健康的常见慢性呼吸道疾病,其发病率高,常表现为反复发作的慢性病程,严重影响了患儿的学习、生活及活动,影响儿童的生长发育。不少哮喘患儿由于治疗不及时或治疗不当最终发展为成人哮喘而迁延不愈,肺功能受损,部分患儿甚至完全丧失体力活动能力。严重哮喘发作,若未得到及时有效治疗,可以致命。
医生在诊断小儿哮喘时,往往是通过询问病史,这种诊断方法由于存在缺乏临床指标,不同的医生会出现不同的诊断结果,具有非常大的限制性,无法进行推广。而对于各种工具对儿童的肺功能进行检测的诊断方法,会出现儿童不配合的问题,并且检测的结果的准确度也不是很高。此外,还有依据一些组织公布的儿童哮喘诊断指标体系,采用打分策略进行诊断的方法,这种方式准确性不高,而且非常的繁琐,也不适合推广。
发明内容
本发明实施例提供一种判别哮喘的方法及装置,用以基于全面获得的诊断信息实现哮喘诊断,提高哮喘诊断的准确性。
一方面,本申请实施例提供了一种判别哮喘的方法,包括:
提取患者的多个预设特征的特征值;
将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,所述患者的类别包括患有哮喘和不患哮喘,所述非线性分类模型是以多个患者的预设特征的特征值以及所述多个患者对应的类别为训练样本训练获得。
可选地,所述非线性分类模型为随机森林模型,所述随机森林模型包括多个决策树;
所述将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,包括:
将所述患者的多个预设特征的特征值输入所述随机森林模型中的每个决策树,获得所述随机森林模型中每个决策数据输出的分类结果;
根据所述随机森林模型中每个决策树输出的分类结果确定所述患者的类别。
可选地,所述非线性分类模型为Adaboost分类模型,所述Adaboost分类模型包括多个弱分类器;
所述将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,包括:
将所述患者的多个预设特征的特征值输入所述Adaboost分类模型中的每个弱分类器,获得所述Adaboost分类模型中每个弱分类器输出的分类结果;
根据所述Adaboost分类模型中每个弱分类器输出的分类结果以及所述Adaboost分类模型中每个弱分类器的权重确定所述患者的类别。
可选地,所述多个预设特征包括下述特征任意组合:
性别、年龄、体重、首次喘息年龄、喘息频率、是否有哮鸣音、诱因、是否有不发热的喘息、是否夜间憋醒、是否活动受限、是否气促、是否突然发作、是否有气源过敏史、是否有鼻炎史、是否有皮炎/湿疹史、哮喘家族史、鼻炎家族史、皮炎家族史、是否饲养宠物。
一方面,本申请实施例提供了一种判别哮喘的装置,包括:
预处理模块,用于提取患者的多个预设特征的特征值;
分类模块,用于将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,所述患者的类别包括患有哮喘和不患哮喘,所述非线性分类模型是以多个患者的预设特征的特征值以及所述多个患者对应的类别为训练样本训练获得。
可选地,所述非线性分类模型为随机森林模型,所述随机森林模型包括多个决策树;
所述分类模块具体用于:
将所述患者的多个预设特征的特征值输入所述随机森林模型中的每个决策树,获得所述随机森林模型中每个决策数据输出的分类结果;
根据所述随机森林模型中每个决策树输出的分类结果确定所述患者的类别。
可选地,所述非线性分类模型为Adaboost分类模型,所述Adaboost分类模型包括多个弱分类器;
所述分类模块具体用于:
将所述患者的多个预设特征的特征值输入所述Adaboost分类模型中的每个弱分类器,获得所述Adaboost分类模型中每个弱分类器输出的分类结果;
根据所述Adaboost分类模型中每个弱分类器输出的分类结果以及所述Adaboost分类模型中每个弱分类器的权重确定所述患者的类别。
可选地,所述多个预设特征包括下述特征任意组合:
性别、年龄、体重、首次喘息年龄、喘息频率、是否有哮鸣音、诱因、是否有不发热的喘息、是否夜间憋醒、是否活动受限、是否气促、是否突然发作、是否有气源过敏史、是否有鼻炎史、是否有皮炎/湿疹史、哮喘家族史、鼻炎家族史、皮炎家族史、是否饲养宠物。
一方面,本申请实施例提供了一种终端设备,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行判别哮喘的方法的步骤。
一方面,本申请实施例提供了一种计算机可读介质,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行判别哮喘的方法的步骤。
本申请实施例中,在获取患者的就诊信息之后,从就诊信息中提取患者的多个预设特征的特征值,然后将患者的多个预设特征的特征值输入非线性分类模型,确定患者的类别,患者的类别包括患有哮喘和不患哮喘,非线性分类模型是以多个患者的预设特征的特征值以及多个患者对应的类别为训练样本训练获得,故非线性分类模型是基于患者的多个特征确定患者是否患有哮喘,相较于现有技术中仅仅按照症状或病程诊断患者是否患有哮喘来说,准确性更高。其次,非线性分类模型充分考虑到非线性影响因素对哮喘诊断的影响,故相较于传统分类模型来说,拟合效果更好,鲁棒性更佳。再者,可以根据患者的多个特征自动确定患者是否患有哮喘,受医生主观影响较小,同时提高了判别哮喘的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,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一种判别哮喘的方法的流程示意图;
图2为本申请实施例提供的一种随机森林模型判别哮喘的方法的流程示意图;
图3为本申请实施例提供的一种Adaboost分类模型判别哮喘的方法的流程示意图;
图4为本申请实施例提供的一种判别哮喘的装置的结构示意图;
图5为本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白,以下结合附图及实施例,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。
本申请实施例中的判别哮喘的方法可以给医生诊断哮喘提供辅助,同时也可以作为一种家庭医疗软件或家庭医疗设备,让普通用户在生活中诊断自己是否患有哮喘。
图1示例性的示出了本申请实施例提供的一种判别哮喘的方法的流程,该流程可以由判别哮喘的装置执行,包括以下步骤:
步骤S101,提取患者的多个预设特征的特征值。
可选地,可以从患者的就诊信息中提取患者的多个预设特征的特征值,就诊信息可以是患者的病历本记录的,也就是医生询问病人后录入系统的信息,其可以是历史的,也是可以是医生现场询问后输入的,本申请实施例对此不做限制。
多个预设特征可以是以下特征的任意组合:
性别、年龄、体重、首次喘息年龄、喘息频率、是否有哮鸣音、诱因、是否有不发热的喘息、是否夜间憋醒、是否活动受限、是否气促、是否突然发作、是否有气源过敏史、是否有鼻炎史、是否有皮炎/湿疹史、哮喘家族史、鼻炎家族史、皮炎家族史、是否饲养宠物。
示例性地,设定多个预设特征为体重、首次喘息年龄、喘息频率、是否有哮鸣音、是否有不发热的喘息、是否活动受限、是否气促、是否饲养宠物。获取到患者小王的就诊信息后,提取小王的多个预设特征的特征值为:
体重:30kg;首次喘息年龄:7岁;喘息频率:4次;是否有哮鸣音:是;是否有不发热的喘息:是;是否活动受限:否;是否气促:否;是否饲养宠物:是。
步骤S102,将患者的多个预设特征的特征值输入非线性分类模型,确定患者的类别,患者的类别包括患有哮喘和不患哮喘。
将患者的多个预设特征的特征值输入非线性分类模型之前,需要对多个预设特征的特征至进一步进行处理,以实现数据统一规范化。例如,对于性别项,男为1,女为2。对于是否有哮鸣音/诱因/鼻炎史/皮炎史/湿疹史/哮喘家族史/鼻炎家族史几项,有为1,没有设为0。对于体重,年龄,身高,首次喘息年龄,喘息频率。可以按照训练样本集中对应项的平均值η和标准差σ,将[η-3σ,η+3σ]的值线性归一化到[0,1]间。小于η-3σ的项计作0,大于η-3σ的项计作1。如果就诊信息有缺少的项,可以记为0。通过上述方法就可以将预设特征的特征值归一化处理,实现了数据的统一,并减小了数据计算量。
非线性分类模型是以多个患者的预设特征的特征值以及多个患者对应的类别为训练样本训练获得。
具体实施中,预先采集多个患者的就诊信息,然后将多个患者的就诊信息划分为作为训练集和测试集,利用训练集对非线性分类模型进行训练,采用测试节对非线性分类模型进行测试,通过计算非线性分类模型的AUC(AreaUnder Curve)评估非线性分类模型的性能。
本申请实施例中,在获取患者的就诊信息之后,从就诊信息中提取患者的多个预设特征的特征值,然后将患者的多个预设特征的特征值输入非线性分类模型,确定患者的类别,患者的类别包括患有哮喘和不患哮喘,非线性分类模型是以多个患者的预设特征的特征值以及多个患者对应的类别为训练样本训练获得,故非线性分类模型是基于患者的多个特征确定患者是否患有哮喘,相较于现有技术中仅仅按照症状或病程诊断患者是否患有哮喘来说,准确性更高。其次,非线性分类模型可以根据患者的多个特征自动确定患者是否患有哮喘,受医生主观影响较小,同时提高了判别哮喘的效率。
在一种可能的实施方式中,非线性分类模型为随机森林模型,随机森林模型包括多个决策树。
随机森林模型是决策树与套袋方法(Bagging)相结合的模型,具体实施是在模型训练时,有放回地随机选择若干特征构造决策树。在这个过程中,样本的选择是随机的,特征的选择也是随机的,这意味着总的训练集中有些样本可能多次出现在一棵树的训练集中,也可能从未出现在任何一棵树的训练集中。其主要步骤如下:应用boostrap重采样技术从m个训练样本中随机抽取n个样本集,并由此构建n棵决策树。对每棵决策树生长过程中,每一个节点从所有特征中随机抽取F个特征作为当前节点分裂的子集,在构建决策树时通常采用最小均方误差作为分裂的评判标准,以此选择最好的分裂方式。将n棵决策树组成最终的随机森林模型。
具体地,在构建用于判别哮喘的随机森林模型时,获取多个患者的就诊信息作为构建随机森林模型的训练集和测试集,然后采用训练集构建随机森林模型。构建随机森林模型后,采用测试集对随机森林模型进行评估,评估指标为计算随机森林模型的测试集的AUC。
训练好随机森林模型之后,采用随机森林模型确定患者的类别,具体包括以下步骤,如图2所示:
步骤S201,将患者的多个预设特征的特征值输入随机森林模型中的每个决策树,获得随机森林模型中每个决策数据输出的分类结果。
步骤S202,根据随机森林模型中每个决策树输出的分类结果确定患者的类别。
可选地,将随机森林模型中,超过一半决策树输出的分类结果确定为患者的类别。
示例性地,设定随机森林模型中包括100颗决策树,针对某个患者,这100颗决策树中,70颗决策树确定该患者的类别为不患哮喘,70颗决策树确定该患者的类别为患有哮喘,则将该患者的类别确定为患有哮喘。
可选地,在采用随机森林模型确定患者的类别时,可以将多个预设特征为设置为以下19个特征:性别、年龄、体重、首次喘息年龄、喘息频率、是否有哮鸣音、诱因、是否有不发热的喘息、是否夜间憋醒、是否活动受限、是否气促、是否突然发作、是否有气源过敏史、是否有鼻炎史、是否有皮炎/湿疹史、哮喘家族史、鼻炎家族史、皮炎家族史、是否饲养宠物。
为了验证随机森林模型的性能,获取多个患者的就诊信息作为训练集和测试集,提取训练集和测试集中每个患者的上述19个预设特征的特征值。然后采用训练集对随机森林模型进行训练,训练结束之后,采用测试集对训练好的随机森林模型进行测试。计算随机森林模型的测试集AUC=0.85,由此可以得出该随机森林模型的分类性能较好。
在一种可能的实施方式中,非线性分类模型为Adaboost分类模型,Adaboost分类模型包括多个弱分类器。
在训练Adaboost分类模型时,针对训练样本集中每一个训练样本赋予其一个权重,这些权值构成权重向量D,维度等于训练样本集中的样本个数。开始时,这些权重都是相等的,首先在训练样本集上训练出一个弱分类器并计算该分类器的错误率,然后在同一训练样本集上再次训练弱分类器,但是在第二次训练时,将会根据分类器的错误率,对训练样本集的各个权重进行调整,分类正确的训练样本的权重降低,而分类错的训练样本权重则上升,但这些权重的总和保持不变为1。最终的分类器会基于这些训练的弱分类器的分类错误率,分配不同的权重,错误率低的分类器获得更高的权重,从而在对数据进行预测时起关键作用。
训练好Adaboost分类模型之后,采用Adaboost分类模型确定患者的类别,具体包括以下步骤,如图3所示:
步骤S301,将患者的多个预设特征的特征值输入Adaboost分类模型中的每个弱分类器,获得Adaboost分类模型中每个弱分类器输出的分类结果。
步骤S302,根据Adaboost分类模型中每个弱分类器输出的分类结果以及Adaboost分类模型中每个弱分类器的权重确定所述患者的类别。
可选地,在采用Adaboost分类模型确定患者的类别时,可以将多个预设特征为设置为以下19个特征:性别、年龄、体重、首次喘息年龄、喘息频率、是否有哮鸣音、诱因、是否有不发热的喘息、是否夜间憋醒、是否活动受限、是否气促、是否突然发作、是否有气源过敏史、是否有鼻炎史、是否有皮炎/湿疹史、哮喘家族史、鼻炎家族史、皮炎家族史、是否饲养宠物。
为了验证Adaboost分类模型的性能,获取多个患者的就诊信息作为训练集和测试集,提取训练集和测试集中每个患者的上述19个预设特征的特征值。然后采用训练集对Adaboost分类模型进行训练,训练结束之后,采用测试集对训练好的Adaboost分类模型进行测试。计算Adaboost分类模型的测试集AUC=0.836,由此可以得出该Adaboost分类模型的分类性能较好。
本申请实施例中,在获取患者的就诊信息之后,从就诊信息中提取患者的多个预设特征的特征值,然后将患者的多个预设特征的特征值输入非线性分类模型,确定患者的类别,患者的类别包括患有哮喘和不患哮喘,非线性分类模型是以多个患者的预设特征的特征值以及多个患者对应的类别为训练样本训练获得,故非线性分类模型是基于患者的多个特征确定患者是否患有哮喘,相较于现有技术中仅仅按照症状或病程诊断患者是否患有哮喘来说,准确性更高。其次,非线性分类模型充分考虑到非线性影响因素对哮喘诊断的影响,故相较于传统分类模型来说,拟合效果更好,鲁棒性更佳。再者,可以根据患者的多个特征自动确定患者是否患有哮喘,受医生主观影响较小,同时提高了判别哮喘的效率。
基于相同的技术构思,本发明实施例提供了一种判别哮喘的装置,如图4所示,该装置400包括:
预处理模块401,用于提取患者的多个预设特征的特征值;
分类模块402,用于将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,所述患者的类别包括患有哮喘和不患哮喘,所述非线性分类模型是以多个患者的预设特征的特征值以及所述多个患者对应的类别为训练样本训练获得。
可选地,所述非线性分类模型为随机森林模型,所述随机森林模型包括多个决策树;
所述分类模块402具体用于:
将所述患者的多个预设特征的特征值输入所述随机森林模型中的每个决策树,获得所述随机森林模型中每个决策数据输出的分类结果;
根据所述随机森林模型中每个决策树输出的分类结果确定所述患者的类别。
可选地,所述非线性分类模型为Adaboost分类模型,所述Adaboost分类模型包括多个弱分类器;
所述分类模块402具体用于:
将所述患者的多个预设特征的特征值输入所述Adaboost分类模型中的每个弱分类器,获得所述Adaboost分类模型中每个弱分类器输出的分类结果;
根据所述Adaboost分类模型中每个弱分类器输出的分类结果以及所述Adaboost分类模型中每个弱分类器的权重确定所述患者的类别。
可选地,所述多个预设特征包括下述特征任意组合:
性别、年龄、体重、首次喘息年龄、喘息频率、是否有哮鸣音、诱因、是否有不发热的喘息、是否夜间憋醒、是否活动受限、是否气促、是否突然发作、是否有气源过敏史、是否有鼻炎史、是否有皮炎/湿疹史、哮喘家族史、鼻炎家族史、皮炎家族史、是否饲养宠物。
基于相同的技术构思,本申请实施例提供了一种终端设备,如图5所示,包括至少一个处理器501,以及与至少一个处理器连接的存储器502,本申请实施例中不限定处理器501与存储器502之间的具体连接介质,图5中处理器501和存储器502之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本申请实施例中,存储器502存储有可被至少一个处理器501执行的指令,至少一个处理器501通过执行存储器502存储的指令,可以执行前述判别哮喘的方法中所包括的步骤。
其中,处理器501是终端设备的控制中心,可以利用各种接口和线路连接终端设备的各个部分,通过运行或执行存储在存储器502内的指令以及调用存储在存储器502内的数据,从而判别哮喘。可选的,处理器501可包括一个或多个处理单元,处理器501可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器501中。在一些实施例中,处理器501和存储器502可以在同一芯片上实现,在一些实施例中,它们也可以在独立的芯片上分别实现。
处理器501可以是通用处理器,例如中央处理器(CPU)、数字信号处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器502作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器502可以包括至少一种类型的存储介质,例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory,RAM)、静态随机访问存储器(StaticRandom Access Memory,SRAM)、可编程只读存储器(Programmable Read OnlyMemory,PROM)、只读存储器(Read Only Memory,ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性存储器、磁盘、光盘等等。存储器502是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器502还可以是电路或者其它任意能够实现存储功能的装置,用于存储程序指令和/或数据。
基于同一发明构思,本申请实施例提供了一种计算机可读介质,其存储有可由终端设备执行的计算机程序,当程序在终端设备上运行时,使得终端设备执行判别哮喘的方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种判别哮喘的方法,其特征在于,包括:
提取患者的多个预设特征的特征值;
将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,所述患者的类别包括患有哮喘和不患哮喘,所述非线性分类模型是以多个患者的预设特征的特征值以及所述多个患者对应的类别为训练样本训练获得。
2.如权利要求1所述的方法,其特征在于,所述非线性分类模型为随机森林模型,所述随机森林模型包括多个决策树;
所述将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,包括:
将所述患者的多个预设特征的特征值输入所述随机森林模型中的每个决策树,获得所述随机森林模型中每个决策数据输出的分类结果;
根据所述随机森林模型中每个决策树输出的分类结果确定所述患者的类别。
3.如权利要求1所述的方法,其特征在于,所述非线性分类模型为Adaboost分类模型,所述Adaboost分类模型包括多个弱分类器;
所述将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,包括:
将所述患者的多个预设特征的特征值输入所述Adaboost分类模型中的每个弱分类器,获得所述Adaboost分类模型中每个弱分类器输出的分类结果;
根据所述Adaboost分类模型中每个弱分类器输出的分类结果以及所述Adaboost分类模型中每个弱分类器的权重确定所述患者的类别。
4.如权利要求1至3任一所述的方法,其特征在于,所述多个预设特征包括下述特征任意组合:
性别、年龄、体重、首次喘息年龄、喘息频率、是否有哮鸣音、诱因、是否有不发热的喘息、是否夜间憋醒、是否活动受限、是否气促、是否突然发作、是否有气源过敏史、是否有鼻炎史、是否有皮炎/湿疹史、哮喘家族史、鼻炎家族史、皮炎家族史、是否饲养宠物。
5.一种判别哮喘的装置,其特征在于,包括:
预处理模块,用于提取患者的多个预设特征的特征值;
分类模块,用于将所述患者的多个预设特征的特征值输入非线性分类模型,确定所述患者的类别,所述患者的类别包括患有哮喘和不患哮喘,所述非线性分类模型是以多个患者的预设特征的特征值以及所述多个患者对应的类别为训练样本训练获得。
6.如权利要求5所述的装置,其特征在于,所述非线性分类模型为随机森林模型,所述随机森林模型包括多个决策树;
所述分类模块具体用于:
将所述患者的多个预设特征的特征值输入所述随机森林模型中的每个决策树,获得所述随机森林模型中每个决策数据输出的分类结果;
根据所述随机森林模型中每个决策树输出的分类结果确定所述患者的类别。
7.如权利要求5所述的装置,其特征在于,所述非线性分类模型为Adaboost分类模型,所述Adaboost分类模型包括多个弱分类器;
所述分类模块具体用于:
将所述患者的多个预设特征的特征值输入所述Adaboost分类模型中的每个弱分类器,获得所述Adaboost分类模型中每个弱分类器输出的分类结果;
根据所述Adaboost分类模型中每个弱分类器输出的分类结果以及所述Adaboost分类模型中每个弱分类器的权重确定所述患者的类别。
8.如权利要求5至7任一所述的装置,其特征在于,所述多个预设特征包括下述特征任意组合:
性别、年龄、体重、首次喘息年龄、喘息频率、是否有哮鸣音、诱因、是否有不发热的喘息、是否夜间憋醒、是否活动受限、是否气促、是否突然发作、是否有气源过敏史、是否有鼻炎史、是否有皮炎/湿疹史、哮喘家族史、鼻炎家族史、皮炎家族史、是否饲养宠物。
9.一种终端设备,其特征在于,包括至少一个处理单元、以及至少一个存储单元,其中,所述存储单元存储有计算机程序,当所述程序被所述处理单元执行时,使得所述处理单元执行权利要求1~4任一权利要求所述方法的步骤。
10.一种计算机可读介质,其特征在于,其存储有可由终端设备执行的计算机程序,当所述程序在终端设备上运行时,使得所述终端设备执行权利要求1~4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811644295.0A CN109785960A (zh) | 2018-12-29 | 2018-12-29 | 一种判别哮喘的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811644295.0A CN109785960A (zh) | 2018-12-29 | 2018-12-29 | 一种判别哮喘的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785960A true CN109785960A (zh) | 2019-05-21 |
Family
ID=66499592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811644295.0A Pending CN109785960A (zh) | 2018-12-29 | 2018-12-29 | 一种判别哮喘的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785960A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385666A (zh) * | 2011-09-20 | 2012-03-21 | 广州医学院第一附属医院 | 一种慢性阻塞性肺疾病的初步检测系统 |
US9495515B1 (en) * | 2009-12-09 | 2016-11-15 | Veracyte, Inc. | Algorithms for disease diagnostics |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN109065171A (zh) * | 2018-11-05 | 2018-12-21 | 苏州贝斯派生物科技有限公司 | 基于集成学习的川崎病风险评估模型的构建方法及系统 |
-
2018
- 2018-12-29 CN CN201811644295.0A patent/CN109785960A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495515B1 (en) * | 2009-12-09 | 2016-11-15 | Veracyte, Inc. | Algorithms for disease diagnostics |
CN102385666A (zh) * | 2011-09-20 | 2012-03-21 | 广州医学院第一附属医院 | 一种慢性阻塞性肺疾病的初步检测系统 |
CN106874663A (zh) * | 2017-01-26 | 2017-06-20 | 中电科软件信息服务有限公司 | 心脑血管疾病风险预测方法及系统 |
CN108399951A (zh) * | 2018-03-12 | 2018-08-14 | 东南大学 | 呼吸机相关性肺炎决策辅助方法、装置、设备及介质 |
CN109065171A (zh) * | 2018-11-05 | 2018-12-21 | 苏州贝斯派生物科技有限公司 | 基于集成学习的川崎病风险评估模型的构建方法及系统 |
Non-Patent Citations (1)
Title |
---|
尚凌月: "疾病辅助诊断方法的研究与应用", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chinthrajah et al. | Development of a tool predicting severity of allergic reaction during peanut challenge | |
Chamberlain et al. | Application of semi-supervised deep learning to lung sound analysis | |
CN109817328A (zh) | 一种判别哮喘的方法及装置 | |
CN108597601B (zh) | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 | |
CN106339593A (zh) | 基于医疗数据建模的川崎病分类预测方法 | |
CN106529110A (zh) | 一种用户数据分类的方法和设备 | |
Sankaranarayanan et al. | A predictive approach for diabetes mellitus disease through data mining technologies | |
CN109582797A (zh) | 获取疾病分类推荐的方法、装置、介质及电子设备 | |
Manzak et al. | Automated classification of Alzheimer’s disease using deep neural network (DNN) by random forest feature elimination | |
CN111785366A (zh) | 患者治疗方案的确定方法、装置及计算机设备 | |
JP7466914B2 (ja) | 健康度ポジショニングマップおよび健康関数を作成する方法、システム、およびプログラム、ならびにそれらの使用方法 | |
CN110464303A (zh) | 睡眠质量评估方法及装置 | |
Yun et al. | Prediction of critical care outcome for adult patients presenting to emergency department using initial triage information: an XGBoost algorithm analysis | |
CN108877924A (zh) | 一种哮喘概率的确定方法及装置 | |
Xiong et al. | Prediction of hemodialysis timing based on LVW feature selection and ensemble learning | |
Chang et al. | Machine learning–based triage to identify low-severity patients with a short discharge length of stay in emergency department | |
Mishra et al. | Autism spectrum disorder detection using surface morphometric feature of smri in machine learning | |
Kelarev et al. | Improving Classifications for Cardiac Autonomic Neuropathy Using Multi-level Ensemble Classifier and Feature Selection Based on Random Forest | |
KR101653502B1 (ko) | 미병 분류를 보조하는 컴퓨팅 장치 및 방법 | |
CN109785960A (zh) | 一种判别哮喘的方法及装置 | |
CN110120264A (zh) | 一种哮喘的预后评估方法及装置 | |
CN109785961A (zh) | 一种判别哮喘的设备 | |
Perry et al. | Utility of a clinical support tool for outpatient evaluation of pediatric chest pain | |
Malehi | Diagnostic classification scheme in Iranian breast cancer patients using a decision tree | |
Tsiouris et al. | Mining motor symptoms UPDRS data of Parkinson's disease patients for the development of Hoehn and Yahr estimation decision support system |
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: 20190521 |
|
RJ01 | Rejection of invention patent application after publication |