CN110890157A - 一种分析模型建立方法、辅助诊断装置及设备、介质 - Google Patents

一种分析模型建立方法、辅助诊断装置及设备、介质 Download PDF

Info

Publication number
CN110890157A
CN110890157A CN201911128059.8A CN201911128059A CN110890157A CN 110890157 A CN110890157 A CN 110890157A CN 201911128059 A CN201911128059 A CN 201911128059A CN 110890157 A CN110890157 A CN 110890157A
Authority
CN
China
Prior art keywords
sign information
information
analysis model
characteristic information
quantization
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
Application number
CN201911128059.8A
Other languages
English (en)
Inventor
韩立通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201911128059.8A priority Critical patent/CN110890157A/zh
Publication of CN110890157A publication Critical patent/CN110890157A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请公开了一种分析模型建立方法、辅助诊断装置及设备、介质。该分析模型建立方法包括：建立初始分析模型，包括多个用于接收体征信息以及与所述体征信息关联的特征信息的输入端、连接所述输入端的转换层、以及神经网络层，所述转换层用于将输入端的体征信息和及其关联的特征信息量化生成量化组，根据疾病及其体征信息、所述体征信息关联的特征信息确定训练样本集，将所述体征信息及其关联的特征信息作为所述初始分析模型的输入，所述疾病与所述初始分析模型的输出对应，使用所述训练样本集对所述初始分析模型进行训练，得到分析模型。本实施例提供的方案，根据体征信息及其关联的特征信息建立分析模型，信息更为全面，便于更准确的进行诊断。

Description

一种分析模型建立方法、辅助诊断装置及设备、介质
技术领域
本发明涉及疾病分析设备技术，尤指一种分析模型建立方法、辅助诊断装置及设备、介质。
背景技术
在疾病诊断、健康分析等过程中，存在的一个较为常见的问题是现实中测量生理状况所得的结果往往很难与某个具体或者特定的疾病相对应。例如，咳嗽、头疼有可能是发烧此一疾病的后果，也可能是普通感冒的后果，还可能是急性流感的后果，因此，在基于各种传感器测量进行推断的辅助性疾病诊断领域，由于缺少类似医生这样可以结合自身临床经验、用药经验等进行综合诊断的条件，无法给出拟合真实临床诊断的结果。
发明内容
本发明至少一实施例提供了一种分析模型建立方法、辅助诊断装置及设备、介质。
为了达到本发明目的，本发明至少一实施例提供了一种分析模型建立方法，包括：
建立初始分析模型，所述初始分析模型包括多个用于接收体征信息以及与所述体征信息关联的特征信息的输入端、连接所述输入端的转换层、以及神经网络层，所述转换层用于将输入端的体征信息和及其关联的特征信息量化生成量化组，所述量化组包括所述体征信息的值和所述体征信息关联的特征信息量化得到的量化值，所述量化组的每个参数作为所述神经网络层的一个输入量；
根据疾病及其体征信息、所述体征信息关联的特征信息确定训练样本集，将所述体征信息及其关联的特征信息作为所述初始分析模型的输入，所述疾病与所述初始分析模型的输出对应，使用所述训练样本集对所述初始分析模型进行训练，得到分析模型。
在一实施例中，所述与所述体征信息关联的特征信息包括以下至少之一：所述体征信息异常时其异常的持续时间、所述体征信息异常时其异常程度。
在一实施例中，每个量化组包括的量化值的数量相同。
在一实施例中，所述体征信息关联一种或多种类型的特征信息，且不同的体征信息关联相同类型的特征信息。
在一实施例中，所述量化值根据如下方式获得：根据所述体征信息关联的特征信息，通过高斯递归确定所述量化值。
在一实施例中，所述通过高斯递归确定所述量化值包括：
Figure BDA0002277466160000021
其中，x为所述特征信息，μ(x)为所述量化值，b、c为已知参数。
在一实施例中，所述通过高斯递归确定所述量化值包括：
Figure BDA0002277466160000022
其中，x为所述特征信息，μ(x)为所述量化值，b1、c1、b2、c2为已知参数。
本发明至少一实施例提供一种辅助诊断装置，包括：
信息获取单元，用于获取用户的体征信息以及与所述体征信息关联的特征信息；
分析单元，用于将获取的所述体征信息以及与所述体征信息关联的特征信息输入到上述分析模型，获得疾病信息。
本发明至少一实施例提供一种介质，其上存储有可在处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述分析模型建立方法的步骤。
本发明至少一实施例提供一种辅助诊断设备，包括存储器和处理器，所述存储器存储有程序，所述程序在被所述处理器读取执行时，实现任一实施例所述的分析模型建立方法。
与相关技术相比，本发明一实施例包括一种分析模型建立方法，建立初始分析模型，所述初始分析模型包括多个用于接收体征信息以及与所述体征信息关联的特征信息的输入端、连接所述输入端的转换层、以及神经网络层，所述转换层用于将输入端的体征信息和及其关联的特征信息量化生成量化组，根据疾病及其体征信息、所述体征信息关联的特征信息确定训练样本集，将所述体征信息及其关联的特征信息作为所述初始分析模型的输入，所述疾病与所述初始分析模型的输出对应，使用所述训练样本集对所述初始分析模型进行训练，得到分析模型。本实施例提供的方案，根据体征信息及其关联的特征信息建立分析模型，相比只通过体征信息建立的模型，信息更为全面，便于更准确的进行诊断。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1为本发明一实施例提供的分析模型建立方法流程图；
图2为本发明一实施例提供的分析模型示意图；
图3为本发明一具体实例提供的分析模型示意图；
图4为本发明一实施例提供的高斯递归示意图；
图5为本发明另一实施例提供的高斯递归示意图；
图6为本发明一实施例提供的辅助诊断装置框图；
图7为本发明一实施例提供的辅助诊断设备框图；
图8为本发明一实施例提供的介质框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
除非另外定义，本公开使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
本公开提供了一种分析模型建立方法，根据体征信息及其关联的特征信息得到一组量化值后输入训练好的神经网络中，得到疾病信息。
如图1所示，本发明一实施例提供一种分析模型建立方法，包括：
步骤101，建立初始分析模型，所述初始分析模型包括多个用于接收体征信息以及与所述体征信息关联的特征信息的输入端、连接所述输入端的转换层、以及神经网络层，所述转换层用于将输入端的体征信息和及其关联的特征信息量化生成量化组，所述量化组包括所述体征信息的值和所述体征信息关联的特征信息量化得到的量化值，所述量化组的每个参数作为所述神经网络层的一个输入量；
步骤102，根据疾病及其体征信息、所述体征信息关联的特征信息确定训练样本集，将所述体征信息及其关联的特征信息作为所述初始分析模型的输入，所述疾病与所述初始分析模型的输出对应，使用所述训练样本集对所述初始分析模型进行训练，得到分析模型。
本实施例提供的方案，根据体征信息及其关联的特征信息建立分析模型，相比只通过体征信息建立的模型，信息更为全面，便于更准确的进行诊断。
其中，所述体征信息为用户的体征数据，比如心跳、体温、血压、血氧、心音、肺音等，可以通过MTX、智能手表等生理参数测量装置获得。采集体征信息后，将重要与否、比较与否等形容词性表述转换为数值范围的表述。例如，可以将轻微发烧定义为1、有些发烧定义为2、常见发烧定义为3、有些高烧定义为4、严重高烧定义为5。当然此处是一个口头列举。为了广泛的使用各种应用场合，要建立一个输入到输出的逻辑集合，例如，输入为x1、x2、x3…..等输入，其可能会对应多个不同的输出结果，这些输入与输出之间的对应关系，称之为逻辑规则，以下表1简单示意：
表1对应关系表
Figure BDA0002277466160000051
逻辑规则r1：如果X1是a1，X2是b1.....，则输出y1；
逻辑规则r2：如果x1是a2，x2是b2.....，则输出y2。
用这样一种方式就可以得到对某个病理所依赖的各种发病原因的模糊推理规则。从传统统计学的做法来看，上述逻辑规则(r1.。。。rk)的数量、定义等都是需要找大量的本领域专家人工制定，对专家的经验、能力、知识的依赖性特别强，这种靠人工制定逻辑规则的方式在mtx能够输出14种参数且可以关联到多种健康、亚健康疾病的情况下，基本上是不太可行的。除非只是明确利用两三个指标关联到一两个疾病，这种情况下由于有限的组合较少，才具有一些应用价值。因此，有必要建立分析模型实现自动诊断。
其中，体征信息关联的特征信息是和体征信息有关的一些参数。在一实施例中，所述与所述体征信息关联的特征信息包括以下至少之一：所述体征信息异常时其异常的持续时间、所述体征信息异常时其异常程度。举例来说，体征信息为体温时，其关联的特征信息比如为体温异常持续的时间，体温异常的严重程度(可以用是否嗜睡来衡量，当然，也可以使用其他方式衡量)。需要说明的是，此处仅为示例，体征信息关联的特征信息还可包括其他信息，比如，当前体温是否为发烧。需要说明的是，当体征信息正常时，其关联的特征信息可以是无，此时，该特征信息对应的量化值设置为预设值，预设值比如为0。另外，多少度的体温为异常体温可以设置，比如，高于36.5度就设为异常体温，当然，可以根据需要设置为其他体温。
步骤102中，可以通过建立知识库获得训练样本集。从医生、文献、病历等学习经验和知识以建立知识库。知识库指的是根据医生问诊的病例、pubmed中发表的医学文献、卫生部发布的各种疾病诊疗手册等所形成的关于疾病的知识。例如，医生一般是按照如下方式判断患者是否患有流行性感冒：发生的时间、是否突然发生、体温多少、肌肉是否疼痛、是否咳嗽、是否流鼻涕等，这样一些条件与疾病的关联性就是一种知识。由于患者一般缺少专业的医学知识，可以通过制定一个表格，比如肌肉是否疼痛按照0-3分级，0表示毫无疼痛，3表示明显感觉到酸疼，类似这样的方式；而是否突然发生这种y or n(是或否)择一，表格中可以记录成是、否选项即可。
图2为分析模型架构示意图。如图2所示，分析模型包括输入端21，转换层22、神经网络层23和输出端24。输入端21输入体征信息及其关联的特征信息，转换层输出量化组中的量化值以及体征信息的值至神经网络层23，神经网络层23包括一神经网络，即从量化组中的值通过逻辑推理得到一输出信息。
图3为分析模型的一示意图。如图3所示，本实施例中，输入端Xi，包括两个：X1，X2，X1经过转换层后得到量化组μ11，μ12，μ13，μ14，X2经过转换层后得到量化组μ21，μ22，μ23，μ24，其中，μ11是体征信息，μ12，μ13，μ14为体征信息关联的特征信息量化得到的量化值，μ21是体征信息，μ22，μ23，μ24为体征信息关联的特征信息量化得到的量化值，r1～r16为逻辑规则，输出y可以是某种疾病的概率，比如感冒的概率值，y值也可以代表具体的疾病，比如y为y1时代表一种疾病，y为y2时代表另一种疾病，等等。输入端的个数可以根据需要设定，比如，建立感冒的分析模型时，根据与感冒有关的体征信息的个数设定输入端数目。当然，也可以建立多疾病的分析模型，根据多个疾病有关的体征信息的个数设定输入端数目。
本实施例中，每个Xi的输入都要经过同样的量化方式，例如无论Xi是哪种指标，都将其按照该指标的值、该指标持续的时间、该指标的严重程度等将其量化为μij。
从μij经过逻辑推理r获得其对应的输出y，本实施例中，神经网络为全连接的，所有的μij可能的组合都做连接，每条推理规则rk随机给它分配一个初始权重(该初始权重比如为0-1之间的值)，后续神经网络训练时训练出每个逻辑规则r的权重w。
本实施例中，逻辑规则r的数目k为：k＝n^m，其中n为每个X的量化方式的种类数目(比如本实施例中是4个)，m为输入神经元的个数(本实施例中为2)。需要说明的是，此处仅为示例，神经网络层的连接方式也可根据需要设置为其他连接方法，神经网络层的架构也可作改动，本申请对此不作限定。
在理想情况下，对于某个疾病，无论推理的过程是如何的，患者要么是患病，要么是没患病，也就是说y-Y的对应方式应该是y-Y是0，患者未患某病；y-Y是1，患者患有某病。但我们知道，在随机给予权重的情况下，
Figure BDA0002277466160000071
Figure BDA0002277466160000072
这个地方Y表示的含义是基于患者所描述的情况，患者患有某个病Y的概率y。很容易知道初始随机赋值权重不可能正好碰到这种理想的情况，这就需要对神经网络进行训练。对神经网络的训练使用常规的训练方法即可，比如随机梯度下降训练方法等，训练时的损失函数比如使用均方差这种经典的统计学方法(比如MSE Loss)等等，本申请对此不作限定。
在一实施例中，每个量化组包括的量化值的数量相同。具体的，体征信息Xi其关联的特征信息为Xi2，Xi3，…,Xin)，相应的量化值为μi2，μi3，…,μin，即每个量化组包括n-1个量化值，另外，还包括体征信息的值，即共n个值。
在一实施例中，所述体征信息关联一种或多种类型的特征信息，且不同的体征信息关联相同类型的特征信息。具体的，比如，体征信息关联的特征信息包括：所述体征信息异常时其异常的持续时间、所述体征信息异常时其异常程度。此时，体征信息关联两种类型的特征信息，一种是体征信息异常时其异常的持续时间，另一种是所述体征信息异常时其异常程度。每个体征信息均关联这两张特征信息。以体温和血压为例，体温关联的特征信息包括：体温异常的持续时间，体温异常时的严重程度(比如用是否嗜睡衡量等等)；血压关联的特征信息包括血压异常的持续时间，血压异常时的严重程度(比如用眩晕发作频率衡量等等)。其余体征信息关联的体征信息类似，不再赘述。
在一实施例中，所述量化值根据如下方式获得：根据所述体征信息关联的特征信息，通过高斯递归确定所述量化值。
在一实施例中，所述通过高斯递归确定所述量化值包括：
Figure BDA0002277466160000081
其中，x为所述特征信息，μ(x)为所述量化值，b、c为已知参数。
在一实施例中，所述通过高斯递归确定所述量化值包括：
Figure BDA0002277466160000082
其中，x为所述特征信息，μ(x)为所述量化值，b1、c1、b2、c2为已知参数。
需要说明的是，通过高斯递归确定量化值包括：单个量化值的高斯递归。比如，体温异常持续的时间，这个时间一定是一个确定的概念，因此在设计分类的时候只可能作为一个明确的量化值，例如把突然出现定义为0，持续时间低于12h定义为1，12-24h定义为2，24h以上定义为3，那么给定一个症状持续的时间则其量化值一定是明确的0，1，2，3中的一个，那么这个时候表现为单个量化值的高斯递归，即量化值为0，1，2，3中的一个。
下面通过具体示例说明量化的实现。为了更形象的说明此部分的问题，以一个日常生活中常见的发烧的例子进行说明。
1)指标的具体值，即体征信息，本实施例中，为体温值。
2)指标持续的时间
比如，体温异常持续的时间，这个时间一定是一个确定的概念，因此在设计分类的时候只可能作为一个明确的量化值，例如把突然出现定义为0，持续时间低于12h定义为1，12-24h定义为2，24h以上定义为3，那么给定一个症状持续的时间则其量化值一定是明确的0，1，2，3中的一个，那么这个时候表现为单个量化值的高斯递归，即量化值为0，1，2，3中的一个。
3)指标的严重程度
比如把严重程度分成10级，患者不嗜睡，可以定义为0。稍微有点困，这种轻度的情况定义为1-4。感觉到困的，这种中度的情况定义为3-7(这个地方是因为以感冒发烧而论，通常也就是有点困到感觉到困这个范围，所以这个部分划分的更细致一些)。困得睁不开眼睛，这种严重程度定义为6-9(每个范围中有端点局部交叉是因为要考虑到患者对边界情况判断的失误)，这个时候就表现为图4这种4个分段高斯递归的情况。
4)体温是否属于发烧。
例如定义体温低于37.5°属于不发烧，值为0；体温高于36.8°属于发烧，值为1。此时出现了某些温度范围的交叉，具有两个量化范围的情况，如图5所示。这个地方可以看到，由于具体的对是否导致了相关病症的判断出现了二值交叉，在这个地方对于37度是还是不是发烧，是将其在两个高斯递归上的值做差，得出结果为0.2，形象的可以理解成37度这个体温有20％的概率导致可以判断为发烧。
又比如，患者的心率升高时何时出现的，没有心率升高定义为0，2小时内定义为1，4小时内定义为2，8小时内定义为3，诸如此类，这种情况下由于每种情况是不交叉的，高斯递归输出的就是具体的定义的值；还有一种情况就是出现了交叉定义这时候就会出现诸如37°到底算什么的问题，利用前面的高斯递归，将这种情况的值计算出来输入为0.2。利用这样的方式实现输入的量化。
如图6所示，本发明一实施例提供一种辅助诊断装置，包括：
信息获取单元601，用于获取用户的体征信息以及与所述体征信息关联的特征信息；
分析单元602，用于将获取的所述体征信息以及与所述体征信息关联的特征信息输入到根据任一实施例所获得的所述分析模型，获得疾病信息。
其中，信息获取单元601比如为MTX等便携式生理传感器，分析单元602比如为服务器，。可以使用MTX等便携式生理传感器采集用户的体征信息(持续或间断进行采集)，如心跳、体温、血压、血氧、心音、肺音等，持续的采集这些数据并将其传输给服务器(本地或者云端均可)，其中，可以通过无线方式如zigbee、蓝牙、wifi等进行传输，比如以蓝牙传输给配套的终端(比如移动终端)，然后移动终端传输给云端的服务器进行分析，其中，可以通过4g或者wifi传输给服务器，当然，服务器在本地时，也可以直接传输给服务器。
本发明一实施例提供一种辅助诊断设备70，包括存储器710和处理器720，所述存储器710存储有程序，所述程序在被所述处理器720读取执行时，实现任一实施例所述的分析模型建立方法。
本发明一实施例提供一种介质80，其上存储有可在处理器上运行的计算机程序810，所述计算机程序810被所述处理器执行时实现任一实施例所述的分析模型建立方法的步骤。
需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。
虽然本发明所揭露的实施方式如上，但所述的内容仅为便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式及细节上进行任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种分析模型建立方法，其特征在于，包括：
建立初始分析模型，所述初始分析模型包括多个用于接收体征信息以及与所述体征信息关联的特征信息的输入端、连接所述输入端的转换层、以及神经网络层，所述转换层用于将输入端的体征信息和及其关联的特征信息量化生成量化组，所述量化组包括所述体征信息的值和所述体征信息关联的特征信息量化得到的量化值，所述量化组的每个参数作为所述神经网络层的一个输入量；
根据疾病及其体征信息、所述体征信息关联的特征信息确定训练样本集，将所述体征信息及其关联的特征信息作为所述初始分析模型的输入，所述疾病与所述初始分析模型的输出对应，使用所述训练样本集对所述初始分析模型进行训练，得到分析模型。
2.根据权利要求1所述的分析模型建立方法，其特征在于，所述与所述体征信息关联的特征信息包括以下至少之一：所述体征信息异常时其异常的持续时间、所述体征信息异常时其异常程度。
3.根据权利要求1所述的分析模型建立方法，其特征在于，每个量化组包括的量化值的数量相同。
4.根据权利要求1所述的分析模型建立方法，其特征在于，所述体征信息关联一种或多种类型的特征信息，且不同的体征信息关联相同类型的特征信息。
5.根据权利要求1至4任一所述的分析模型建立方法，其特征在于，所述量化值根据如下方式获得：根据所述体征信息关联的特征信息，通过高斯递归确定所述量化值。
6.根据权利要求5所述的分析模型建立方法，其特征在于，所述通过高斯递归确定所述量化值包括：
Figure FDA0002277466150000011
其中，x为所述特征信息，μ(x)为所述量化值，b、c为已知参数。
7.根据权利要求5所述的分析模型建立方法，其特征在于，所述通过高斯递归确定所述量化值包括：
Figure FDA0002277466150000021
其中，x为所述特征信息，μ(x)为所述量化值，b1、c1、b2、c2为已知参数。
8.一种辅助诊断装置，其特征在于，包括：
信息获取单元，用于获取用户的体征信息以及与所述体征信息关联的特征信息；
分析单元，用于将获取的所述体征信息以及与所述体征信息关联的特征信息输入到根据权利要求1至7任一所获得的所述分析模型，获得疾病信息。
9.一种介质，其特征在于，其上存储有可在处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的分析模型建立方法的步骤。
10.一种辅助诊断设备，其特征在于，包括存储器和处理器，所述存储器存储有程序，所述程序在被所述处理器读取执行时，实现如权利要求1至7任一所述的分析模型建立方法。
CN201911128059.8A 2019-11-18 2019-11-18 一种分析模型建立方法、辅助诊断装置及设备、介质 Pending CN110890157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911128059.8A CN110890157A (zh) 2019-11-18 2019-11-18 一种分析模型建立方法、辅助诊断装置及设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911128059.8A CN110890157A (zh) 2019-11-18 2019-11-18 一种分析模型建立方法、辅助诊断装置及设备、介质

Publications (1)

Publication Number Publication Date
CN110890157A true CN110890157A (zh) 2020-03-17

Family

ID=69747789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911128059.8A Pending CN110890157A (zh) 2019-11-18 2019-11-18 一种分析模型建立方法、辅助诊断装置及设备、介质

Country Status (1)

Country Link
CN (1) CN110890157A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269540A (zh) * 2021-07-14 2021-08-17 支付宝(杭州)信息技术有限公司 专家系统的更新方法、业务处理方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107887024A (zh) * 2017-12-14 2018-04-06 华子昂 基于中医机器人的智能诊断系统及中医机器人
US20180137941A1 (en) * 2015-06-02 2018-05-17 Infervision Co., Ltd. Method For Analysing Medical Treatment Data Based On Deep Learning and Intelligence Analyser Thereof
CN109192299A (zh) * 2018-08-13 2019-01-11 中国科学院计算技术研究所 一种基于卷积神经网络的医疗分析辅助系统
CN110444263A (zh) * 2019-08-21 2019-11-12 深圳前海微众银行股份有限公司 基于联邦学习的疾病数据处理方法、装置、设备及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180137941A1 (en) * 2015-06-02 2018-05-17 Infervision Co., Ltd. Method For Analysing Medical Treatment Data Based On Deep Learning and Intelligence Analyser Thereof
CN107887024A (zh) * 2017-12-14 2018-04-06 华子昂 基于中医机器人的智能诊断系统及中医机器人
CN109192299A (zh) * 2018-08-13 2019-01-11 中国科学院计算技术研究所 一种基于卷积神经网络的医疗分析辅助系统
CN110444263A (zh) * 2019-08-21 2019-11-12 深圳前海微众银行股份有限公司 基于联邦学习的疾病数据处理方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269540A (zh) * 2021-07-14 2021-08-17 支付宝(杭州)信息技术有限公司 专家系统的更新方法、业务处理方法及装置
CN113269540B (zh) * 2021-07-14 2021-10-22 支付宝(杭州)信息技术有限公司 专家系统的更新方法、业务处理方法及装置

Similar Documents

Publication Publication Date Title
US10638965B2 (en) Method and system for monitoring stress conditions
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
Yu et al. Personalized health monitoring system of elderly wellness at the community level in Hong Kong
CN108366763A (zh) 用于评估精神状态的方法和系统
Al-Dmour et al. A fuzzy logic–based warning system for patients classification
CN104200120A (zh) 一种基于中医诊断信息的健康状态监测系统及其方法
CN102110192A (zh) 基于诊断要素数据关联的疾病辅助判断方法
CN104158914A (zh) 面向家庭的远程尿液检测与健康咨询服务系统及方法
Hannan et al. Prediction of heart disease medical prescription using radial basis function
CN109949934A (zh) 一种利用ai算法评估身体健康状态的计算方法
CN106021957A (zh) 一种基于家庭的社区健康云服务系统
Gökçay et al. Binary classification using neural and clinical features: an application in fibromyalgia with likelihood-based decision level fusion
CN117672532B (zh) 住院患者护理风险评估预警监控系统及方法
CN117617921B (zh) 基于物联网的智能血压监控系统及方法
CN117476217B (zh) 一种慢性心脏病病情发展趋势预测系统
CN114927230A (zh) 基于机器学习的重症心衰患者预后决策支持系统及方法
Pimentel et al. Human mental state monitoring in the wild: Are we better off with deeperneural networks or improved input features?
CN110890157A (zh) 一种分析模型建立方法、辅助诊断装置及设备、介质
CN112842363A (zh) 一种睡眠脑电检测方法及系统
CN116469534A (zh) 医院叫号管理系统及其方法
CN116434979A (zh) 生理状态云监测方法、监测系统及储存介质
CN116019429B (zh) 基于生理指标的健康监测方法、装置、设备及存储介质
Fontecha et al. Mobile services infrastructure for frailty diagnosis support based on Gower's similarity coefficient and treemaps
Portela et al. Pervasive real-time intelligent system for tracking critical events with intensive care patients
Kannan et al. IoT-Deep Learning Based Activity Recommendation 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