CN111000569B - 一种异常血糖智能认知的监护系统 - Google Patents

一种异常血糖智能认知的监护系统 Download PDF

Info

Publication number
CN111000569B
CN111000569B CN201911201624.9A CN201911201624A CN111000569B CN 111000569 B CN111000569 B CN 111000569B CN 201911201624 A CN201911201624 A CN 201911201624A CN 111000569 B CN111000569 B CN 111000569B
Authority
CN
China
Prior art keywords
blood sugar
data
neural network
module
blood glucose
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.)
Active
Application number
CN201911201624.9A
Other languages
English (en)
Other versions
CN111000569A (zh
Inventor
杜登斌
杜乐
杜小军
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.)
Wuzheng Intelligent Technology Beijing Co ltd
Original Assignee
Zhongrun Puda Shiyan Big Data Center 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 Zhongrun Puda Shiyan Big Data Center Co ltd filed Critical Zhongrun Puda Shiyan Big Data Center Co ltd
Priority to CN201911201624.9A priority Critical patent/CN111000569B/zh
Publication of CN111000569A publication Critical patent/CN111000569A/zh
Application granted granted Critical
Publication of CN111000569B publication Critical patent/CN111000569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/14532—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring glucose, e.g. by tissue impedance measurement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
    • 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
    • G06N3/045—Combinations of 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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

Abstract

本发明提出了一种异常血糖智能认知的监护系统。包括：数据采集模块，用于采集血糖信息数据；血糖判断模块，用于设定安全血糖数据范围，根据该安全血糖数据范围对采集血糖信息数据进行判断，确定异常血糖信息数据；神经网络模型建立模块，用于建立神经网络模型，根据神经网络模型来对血糖对应知识进行存储更新，建立血糖症状表；诊断报告生成模块，用于根据血糖症状表生成对应的诊断报告表；预警模块，用于设定血糖数据阈值，当血糖信息数据大于血糖数据阈值时，向用户发送预警信息。本发明通过神经网络模型对于血糖症状相关的知识进行更新，通过算法对血糖数据进行计算，能够精确对用户血糖进行判断并给出最新的诊断报告。

Description

一种异常血糖智能认知的监护系统
技术领域
本发明涉及计算机技术领域，尤其涉及一种异常血糖智能认知的监护系统。
背景技术
糖尿病是一种让人尴尬的疾病，但只要血糖控制的好并无大碍。治疗糖尿病的关键之处就是如何合理控制血糖，而合理控制血糖第一步则是了解血糖的变化规律。因此，血糖仪就成了糖友们必不可少的血糖监测工具。
传统血糖仪由于操作复杂、数据静态与割裂、易受环境干扰等因素而很难实现认知、分析、预测和判断。近几年兴起的电子血糖仪因其打造的智能化、动态数据监测以及防干扰等亮点深受广大消费者关注，这种主要电子血糖仪是利用多种通信手段，将电子血糖仪的测量数据通过智慧化处理上传到云端，让智能血糖仪的使用者及医护人员能够在任何时间、任何地点即时监测到使用者的测量数据。
但是，这种血糖仪目前也只是一种高血糖数据的监测和分析工具，并不能够实现对高血糖数据真正智能认知，也无法给出真正的智能分析、预测以及判断，更难以给出专业的解决方案。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
有鉴于此，本发明提出了一种异常血糖智能认知的监护系统，旨在解决现有技术无法通过建立神经网络以及朴素贝叶斯算法来实现对不同血糖状态的数据进行真正的智能分析、预测以及判断的技术问题。
本发明的技术方案是这样实现的：
一方面，本发明提供了一种异常血糖智能认知的监护系统，所述异常血糖智能认知的监护系统包括：
数据采集模块，用于采集血糖信息数据；
血糖判断模块，用于设定安全血糖数据范围，建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，根据该安全血糖数据范围对计算结果进行判断，确定异常血糖信息数据；
神经网络模型建立模块，用于建立神经网络模型，从本地获取血糖数据记录、对应的历史症状名称以及血糖症状名称对应的产生原因，通过神经网络模型进行训练，获取第一特征值，根据该第一特征值建立血糖症状表；
诊断报告生成模块，用于从神经网络模型建立模块中获取血糖症状表，根据异常血糖数据进行从该血糖症状表中获取对应的症状名称，并生成对应的诊断报告表；
预警模块，用于设定血糖数据阈值，当血糖信息数据大于血糖数据阈值时，向用户发送预警信息。
在以上技术方案的基础上，优选的，血糖判断模块包括朴素贝叶斯算法单元，用于建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，所述朴素贝叶斯算法为：
Figure BDA0002296031140000021
其中，P(x|yi)代表x在y的影响下发生的概率，P(yi)代表y发生的概率，P(am|yi)代表a在y的影响下发生的概率，i和j代表一个计数单位，m代表血糖数据名称总数量，x代表血糖信息数据中一种血糖数据名称，且x＝{a1,a2,...am}，a为x的一个特征属性，y代表与x不同血糖数据名称。
在以上技术方案的基础上，优选的，血糖判断模块包括异常血糖判断模块，用于设定安全血糖数据范围，通过安全血糖数据范围对血糖信息数据的计算结果进行判断，当计算结果满足安全血糖数据范围时，判断该计算结果对应的血糖信息数据为正常血糖数据；当计算结果不满足安全血糖数据范围时，判断该计算结果对应的血糖信息数据为异常血糖数据，并对该异常血糖数据进行标记。
在以上技术方案的基础上，优选的，血糖判断模块还包括血糖分阶模块，用于获取本地历史血糖阶段名称以及对应的血糖数据，并建立血糖阶段判断表，所述血糖阶段包括：偏低、正常、高血糖以及糖尿病，根据该血糖阶段判断表对计算结果对应的血糖阶段进行判断，将判断结果与计算结果对应的血糖信息数据进行标记。
在以上技术方案的基础上，优选的，神经网络模型建立模块包括样本集训练模块，用于设定字符串格式，建立神经网络模型，建立神经网络卷积层算法，将从本地获取血糖数据记录、对应的历史症状名称以及该症状名称对应的产生原因作为转化为字符串作为第一待训练数据，通过神经网络卷积层算法对第一待训练数据进行计算，获取第一特征值，并根据该第一特征值对应的血糖数据记录、对应的历史症状名称以及该症状名称对应的产生原因建立血糖症状表。
在以上技术方案的基础上，优选的，神经网络模型建立模块包括数据更新模块，用于根据血糖数据的症状名称从网络获取对应的信息，所述信息为该症状名称的产生原因，包括：文章，论文以及期刊，将该信息转化为字符串作为第二待训练数据，通过神经网络卷积层算法对第二待训练数据进行计算，获取第二特征值，将第二特征值与第一特征值进行比较，当第二特征值大于第一特征值时，根据第二特征值对血糖症状表进行更新；第二特征值小于第一特征值时，重新从网络获取对应的信息。
在以上技术方案的基础上，优选的，神经网络模型建立模块包括神经网络卷积层算法单元，所述神经网络卷积层算法算法为：
Figure BDA0002296031140000031
其中，字符串的大小为w，卷积核大小为k，步幅为n，补零层数为d，特征值为w'。
更进一步优选的，所述基于认知云系统的血糖监护设备包括：
数据采集单元，用于采集血糖信息数据；
血糖判断单元，用于设定安全血糖数据范围，建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，根据该安全血糖数据范围对计算结果进行判断，确定异常血糖信息数据；
神经网络模型建立单元，用于建立神经网络模型，从本地获取血糖数据记录、对应的历史症状名称以及血糖症状名称对应的产生原因，通过神经网络模型进行训练，获取第一特征值，根据该第一特征值建立血糖症状表；
诊断报告生成单元，用于从神经网络模型建立模块中获取血糖症状表，根据异常血糖数据进行从该血糖症状表中获取对应的症状名称，并生成对应的诊断报告表；
预警单元，用于设定血糖数据阈值，当血糖信息数据大于血糖数据阈值时，向用户发送预警信息。
本发明的一种异常血糖智能认知的监护系统相对于现有技术具有以下有益效果：
(1)通过朴素贝叶斯算法对采集的血糖数据进行计算，然后根据设定好的安全值，对计算结果进行判断，从而精确判断出异常血糖数据和正常血糖数据，然后将血糖不同的症状与血糖数据进行匹配，根据最终的匹配结果生成诊断报告，通过这种方式，能够对血糖的状态进行判断和预警，用户也能对自己的身体状态有一个直观的了解；
(2)通过建立神经网络模型，来实现数据的自动更新，通过神经网络模型，来使血糖各不同症状对应的病因、注意事项进行不断更新，以确保用户能够获取最新的诊断报告。
附图说明
为了更清楚地说明本发明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简单地介绍，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明异常血糖智能认知的监护系统第一实施例的结构框图；
图2为本发明异常血糖智能认知的监护系统的第二实施例结构框图；
图3为本发明异常血糖智能认知的监护系统的第三实施例结构框图；
图4为本发明异常血糖智能认知的监护设备结构框图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1所示，图1为本发明异常血糖智能认知的监护系统第一实施例的结构框图。其中，所述异常血糖智能认知的监护系统包括：数据采集模块10、血糖判断模块20、神经网络模型建立模块30、诊断报告生成模块40以及预警模块50。
数据采集模块10，用于采集血糖信息数据；
血糖判断模块20，用于设定安全血糖数据范围，建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，根据该安全血糖数据范围对计算结果进行判断，确定异常血糖信息数据；
神经网络模型建立模块30，用于建立神经网络模型，从本地获取血糖数据记录、对应的历史症状名称以及血糖症状名称对应的产生原因，通过神经网络模型进行训练，获取第一特征值，根据该第一特征值建立血糖症状表；
诊断报告生成模块40，用于从神经网络模型建立模块中获取血糖症状表，根据异常血糖数据进行从该血糖症状表中获取对应的症状名称，并生成对应的诊断报告表；
预警模块50，用于设定血糖数据阈值，当血糖信息数据大于血糖数据阈值时，向用户发送预警信息。
应当理解的是，本发明实施例提出的异常血糖智能认知的监护系统的应用场景可以是血糖测量设备，其中数据采集模块10会通过血糖计获取用户血糖信息数据。然后通过血糖判断模块20对采集的用户血糖信息数据进行判断，根据判断结果来确定异常血糖信息数据，然后通过神经网络模型建立模块30建立对应的神经网络模型实现血糖相关资讯的自动更新，并生成血糖症状表，最后通过诊断报告生成模块40，根据血糖症状表对用户血糖信息数据进行诊断，还有预警模块50，向用户发送预警信息。
应当理解的是，本实施例中，系统会采集用户的血糖信息数据，这些数据都是一些数值，系统会建立朴素贝叶斯算法来对血糖信息数据进行计算，计算血糖范围与异常值域，然后根据设定的血糖安全阈值，来判断血糖是否正常或者异常，是否存在疾病隐患或者可能的原因；之后根据症状可以推断、预测出可能的疾病或者健康问题，给出综合监护与测量评估报告、解决方案和措施。
应当理解的是，之后会建立神经网络模型，神经网络模型是用于对数据进行更新，这些数据是指与血糖症状相关的病因以及注意事项，通过神经网络模型可以按照一定的时间周期对数据进行更新，同时，会根据本地血糖的历史记录数据、对应的症状名称以及与血糖症状相关的病因和注意事项来建立一个血糖症状表，通过这个症状表可以对用户血糖数据进行判断，并生成诊断报告，以确保用户获取的诊断报告是最新，最完善的。
应当理解的是，当系统会设定一个血糖数据阈值，这个血糖数据阈值用于系统初次获取到血糖数据时，如果血糖信息数据大于血糖数据阈值时，向用户发送预警信息，对用户进行及时的预警。
进一步地，如图2所示，基于上述各实施例提出本发明异常血糖智能认知的监护系统的第二实施例结构框图，在本实施例中，血糖判断模块20还包括：
朴素贝叶斯算法单元201，用于建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，所述朴素贝叶斯算法为：
Figure BDA0002296031140000061
其中，P(x|yi)代表x在y的影响下发生的概率，P(yi)代表y发生的概率，P(am|yi)代表a在y的影响下发生的概率，i和j代表一个计数单位，m代表血糖数据名称总数量，x代表血糖信息数据中一种血糖数据名称，且x＝{a1,a2,…am}，a为x的一个特征属性，y代表与x不同血糖数据名称；
异常血糖判断模块202，用于设定安全血糖数据范围，通过安全血糖数据范围对血糖信息数据的计算结果进行判断，当计算结果满足安全血糖数据范围时，判断该计算结果对应的血糖信息数据为正常血糖数据；当计算结果不满足安全血糖数据范围时，判断该计算结果对应的血糖信息数据为异常血糖数据，并对该异常血糖数据进行标记；
血糖分阶模块203，用于获取本地历史血糖阶段名称以及对应的血糖数据，并建立血糖阶段判断表，所述血糖阶段包括：偏低、正常、高血糖以及糖尿病，根据该血糖阶段判断表对计算结果对应的血糖阶段进行判断，将判断结果与计算结果对应的血糖信息数据进行标记。
需要说明的是，朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。贝叶斯方法是以贝叶斯原理为基础，使用概率统计的知识对样本数据集进行分类。由于其有着坚实的数学基础，贝叶斯分类算法的误判率是很低的。贝叶斯方法的特点是结合先验概率和后验概率，即避免了只使用先验概率的主观偏见，也避免了单独使用样本信息的过拟合现象。贝叶斯分类算法在数据集较大的情况下表现出较高的准确率，同时算法本身也比较简单，朴素贝叶斯方法是在贝叶斯算法的基础上进行了相应的简化，即假定给定目标值时属性之间相互条件独立。也就是说没有哪个属性变量对于决策结果来说占有着较大的比重，也没有哪个属性变量对于决策结果占有着较小的比重。虽然这个简化方式在一定程度上降低了贝叶斯分类算法的分类效果，但是在实际的应用场景中，极大地简化了贝叶斯方法的复杂性。
应当理解的是，通过朴素贝叶斯法对血糖信息数据进行计算，能够将血糖信息数据量化成具体的数值，然后根据安全血糖数据范围对数值进行判断，加强整个判断过程的精确性，同时，对血糖进行分阶，有助于系统更加方便对用户血糖信息数据进行诊断。
朴素贝叶斯分类的正式定义如下：
设定x＝{a1,a2,…am}，x代表血糖信息数据中一种血糖数据名称，例如血糖以及葡萄糖等，a为x的一个特征属性，如血糖中的血浆血糖以及全血血糖等；
设定y为另外一种血糖数据名称，如空腹以及饱腹等，根据y建立集合C＝{y1,y2,…yn}；
计算概率P(y1|x),P(y2|x),…,P(yn|x)；
如果P(yk|x)＝max{P(y1|x),P(y2|x),…,P(yn|x)}，则x＝yk；
要计算各概率，则需要统计获得在各类别下各个特征属性的条件概率估计，即：
P(a1|y1),P(a2|y1),…,P(am|y1):P(a1|y2),P(a2|y2),…,P(am|y2):P(a1|yn),…,P(am|yn)；
如果各个特征属性是独立的，则根据贝叶斯定理有如下推导：
Figure BDA0002296031140000081
即可以得到：
Figure BDA0002296031140000082
其中，P(x|yi)代表x在y的影响下发生的概率，P(yi)代表y发生的概率，P(am|yi)代表a在y的影响下发生的概率，i和j代表一个计数单位，m代表血糖数据名称总数量，x代表血糖信息数据中一种血糖数据名称，且x＝{a1,a2,…am}，a为x的一个特征属性，y代表与x不同血糖数据名称。
实施例如下，不同人群，比如青少年、成人、儿童、孕妇以及老年人等，他们的空腹葡萄糖和餐后两小时血糖的正常值，也就是参考范围值是不同的。计算后的数据，如果大于或者小于参考范围值，偏高或者偏低参考范围值，统称为异常。
例如：1、空腹血糖正常值：一般空腹全血血糖为3.9～6.1毫摩尔/升(70～110毫克/分升)，血浆血糖为3.9～6.9毫摩尔/升(70～125毫克/分升)；空腹全血血糖≥6.7毫摩尔/升(120毫克/分升)、血浆血糖≥7.8毫摩尔/升(140毫克/分升)，2次重复测定可诊断为糖尿病；当空腹全血血糖在5.6毫摩尔/升(100毫克/分升)以上，血浆血糖在6.4毫摩尔/升(115毫克/分升)以上，应做糖耐量试验；当空腹全血血糖超过11.1毫摩尔/升(200毫克/分升)时，表示胰岛素分泌极少或缺乏。因此，空腹血糖显著增高时，不必进行其它检查，即可诊断为糖尿病；
2、餐后血糖正常值：餐后1小时，血糖6.7-9.4毫摩/升。最多也不超过11.1mmol/L(200mg/dl)；餐后2小时，血糖≤7.8毫摩/升；餐后3小时，第三小时后恢复正常，各次尿糖均为阴性；
3、孕妇血糖正常值：孕妇空腹不超过5.1mmol/L；孕妇餐后1小时，餐后1小时血糖值一般用于检测孕妇糖尿病检测中，权威数据表明孕妇餐后1小时不得超过10.0mmol/L才是血糖的正常水平；孕妇餐后2小时，餐后正常血糖值一般规定不得超过11.1mmol/L，而孕妇餐后2小时正常血糖值规定不得超过8.5mmol/L。
以青少年和成人空腹葡萄糖正常参考值为例，如果范围在3.9毫摩/升—6.1毫摩/升之间，一般认为血糖是正常的。如果小于3.9毫摩/升，一般认为是偏低；如果小于2.8毫摩/升，一般认为是较低；如果大于或者等于6.1毫摩/升，则为确诊高血糖；如果在6.2毫摩/升—6.9毫摩/升之间，则为空腹血糖受损；如果在7.0毫摩/升—8.4毫摩/升之间，则为轻度高血糖；如果在8.4毫摩/升-10.1毫摩/升之间，则为中度高血糖；如果大于10.1毫摩/升则为重度高血糖等等。另外，导致不同的高血糖的原因是不同的，其知识描述也有差别，解决方案也是不同的，可能的并发症也是不同的。这些认知知识或者识别的规则也是不同的。而且就是同一人群也有特殊的情况存在。比如，孕妇妊娠高血糖范围是大于5.1毫摩/升。
进一步地，如图3所示，基于上述各实施例提出本发明异常血糖智能认知的监护系统的第三实施例结构框图，在本实施例中，神经网络模型建立模块30还包括：
样本集训练模块301，用于设定字符串格式，建立神经网络模型，建立神经网络卷积层算法，将从本地获取血糖数据记录、对应的历史症状名称以及该症状名称对应的产生原因作为转化为字符串作为第一待训练数据，通过神经网络卷积层算法对第一待训练数据进行计算，获取第一特征值，并根据该第一特征值对应的血糖数据记录、对应的历史症状名称以及该症状名称对应的产生原因建立血糖症状表。
数据更新模块302，用于根据血糖数据的症状名称从网络获取对应的信息，所述信息为该症状名称的产生原因，包括：文章，论文以及期刊，将该信息转化为字符串作为第二待训练数据，通过神经网络卷积层算法对第二待训练数据进行计算，获取第二特征值，将第二特征值与第一特征值进行比较，当第二特征值大于第一特征值时，根据第二特征值对血糖症状表进行更新；第二特征值小于第一特征值时，重新从网络获取对应的信息。
神经网络卷积层算法单元303，所述神经网络卷积层算法算法为：
Figure BDA0002296031140000101
其中，字符串的大小为w，卷积核大小为k，步幅为n，补零层数为d，特征值为w'。
应当理解的是，人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。
应当理解的是，卷积神经网络是人工神经网络的一种，一共有输入层、卷积层、激活层、池化层以及全连接层这5个层级结构，输入层用于对数据进行转化，使数据的格式统一，方便后续计算；卷积层通过卷积算法来提取特征并减少参数个数；激活层用于增加网络的非线性表达能力，将特征数形成特征图；池化层用于对输入的特征图进行压缩，然后提取主要特征；最后通过全连接层对主要特征进行输出。
应当理解的是，与血糖症状相关的信息，是指该症状的产生原因，以及该症状可能出现的一些表现，这些症状表现可以作为标签由用户进行选择，系统根据用户选择的标签更够更好对用户血糖信息数据进行诊断。
例如：糖尿病可分为原发性和继发性两种，后者是由某种其他疾病引起的糖尿病人，占极少数，可以找到肯定原因，如胰腺炎、胰腺切险术糖尿病可分为原发性和继发性两种，后者是由某种其他疾病引起的糖尿病人，占极少数，可以找到肯定原因，如胰腺炎、胰腺切险术后、肢端肥大症等。而原发性糖尿病占绝大多数，其病因尚未完全阐明，一般认为是一种有遗传倾向的疾病。原发性糖尿病双分为胰岛素依赖型(Ⅰ型)和非胰岛素依赖型(Ⅱ型)两种。Ⅰ型糖尿病多发生在青少年，病人必须每天注射胰岛素。Ⅱ型糖尿病病人的体内有一定水平的自身胰岛素，主要是胰岛素的敏感性降低，作用不正常，称为胰岛素相对不足。Ⅱ型糖尿病多发生在成年，特别是老年人，起病缓慢，症状轻，不易觉察，经常延误码率诊断。Ⅱ型糖尿病可靠药物治疗和控制饮食来达到调节血糖的目的。另外，轻度低血糖症最常见的表现为心慌、手抖、出汗、饥饿、头痛、头晕以及难以集中精力等等；中度低血糖除具有轻度低血糖的症状外，还可以出现一些奇怪的行为(比如无理由地大笑或骂人、随地大小便)，没有喝酒却像喝醉了一样，脾气变坏、喜怒无常、暴力倾向的行为以及意识错乱等等，这些都是由于大脑缺乏足够的葡萄糖造成；重度低血糖可以表现为昏迷(没有意识，对外界没有反应)、抽搐、大小便失禁等等。
应当理解的是，认知技术是模仿人类大脑，能够独自完成或协助人类完成任务，协助人类决策，以及能够自动计划、推理和学习的技术，根据认知的定义，血糖测量设备要成为认知血糖系统，则需要具备某些人的特点和能力，例如感知血糖的能力、血糖信号智能处理的能力、血糖相关知识储备以及推导、预测，甚至决策能力。同时还要具备发现异常信号解决方案的能力等。也就是要理解和适应环境，具备一定的思考、推理、记忆、想象、学习、处理信息、应用知识、改变优先权等有意识的智力能力。
知识库即本实施例中构建神经网络模型的模块，主要用于存储不同领域专家系统的专门知识，系统的数据(或者信号)求解过程是通过知识库中的知识来模拟专家的思维方式的，因此，知识库是专家系统质量是否优越的关键所在，即知识库中知识的质量和数量决定着专家系统的质量水平。一般来说，认知系统中的知识库与专家系统程序是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能；综合数据库用于领域或问题的初始数据以及推理过程中得到的中间数据或信息；推理机用于所采用的规则和控制策略的程序，使整个认知系统能够以逻辑方式协调的工作，推理机针对当前问题的条件或已知数据，反复匹配知识库中的规则，获得新的结论，以得到问题求解结果；解释机制用于向用户解释认知系统的行为，解释器根据用户采集回来的数据样本，对结论、求解过程做出说明，因而使系统更具有人情味；综合数据库专门用于存储推理过程中所需的原始数据、中间结果和最终结论，往往是作为暂时的存储区。
后段应急硬件主要用于提醒和呼救服务。即是通过预设的特殊异常情况规则对采集的数据结构进行推断，给出提醒和呼救服务，每次在数据采集之后，系统如果出现了异常情况，系统就会将异常信息记录到数据库中，然后将这个异常数据呈现到显示屏上，并提醒用户查看具体异常信息。
应当理解的是，以下是一个实施例，一位40多岁中年人，测量空腹血糖数据结果为8.5mmol/L，系统和平台就会根据监测数据结果自动判断为中度高血糖。患者这个时候可以再根据系统提供的症状标签选择“视力下降”、“视网膜出血”、“眼底出血”等标签，设备可以进一步推断用户可能患有高血糖眼病。系统会给出高血糖眼病的常见症状、具体病因、并发症、治疗方法、饮食调理、护理方法和预后情况等综合信息。用户可初步判断是否需要就医。如需就医，系统会给出附近医院、药店等就诊信息。如果用户测量结果为重度高血糖(比如空腹血糖数据结果为11mmol/L)，系统会提醒监护人，告知用户血糖异常，直至监护人处理报警。
需要说明的是，以上仅为举例说明，并不对本申请的技术方案构成任何限定。
通过上述描述不难发现，本实施例提出了一种异常血糖智能认知的监护系统，包括：数据采集模块，用于采集血糖信息数据；血糖判断模块，用于设定安全血糖数据范围，建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，根据该安全血糖数据范围对计算结果进行判断，确定异常血糖信息数据；神经网络模型建立模块，用于建立神经网络模型，从本地获取血糖数据记录、对应的历史症状名称以及血糖症状名称对应的产生原因，通过神经网络模型进行训练，获取第一特征值，根据该第一特征值建立血糖症状表；诊断报告生成模块，用于从神经网络模型建立模块中获取血糖症状表，根据异常血糖数据进行从该血糖症状表中获取对应的症状名称，并生成对应的诊断报告表；预警模块，用于设定血糖数据阈值，当血糖信息数据大于血糖数据阈值时，向用户发送预警信息。本发明通过神经网络模型对于血糖症状相关的知识进行更新，通过算法对血糖数据进行计算，能够精确对用户血糖进行判断并给出最新的诊断报告。
此外，本发明实施例还提出一种异常血糖智能认知的监护设备。如图4所示，该异常血糖智能认知的监护设备包括：数据采集单元10、血糖判断单元20、神经网络模型建立单元30、诊断报告生成单元40以及预警单元50。
数据采集单元10，用于采集血糖信息数据；
血糖判断单元20，用于设定安全血糖数据范围，建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，根据该安全血糖数据范围对计算结果进行判断，确定异常血糖信息数据；
神经网络模型建立单元30，用于建立神经网络模型，从本地获取血糖数据记录、对应的历史症状名称以及血糖症状名称对应的产生原因，通过神经网络模型进行训练，获取第一特征值，根据该第一特征值建立血糖症状表；
诊断报告生成单元40，用于从神经网络模型建立模块中获取血糖症状表，根据异常血糖数据进行从该血糖症状表中获取对应的症状名称，并生成对应的诊断报告表；
预警单元50，用于设定血糖数据阈值，当血糖信息数据大于血糖数据阈值时，向用户发送预警信息。
此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的异常血糖智能认知的监护系统，此处不再赘述。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种异常血糖智能认知的监护系统，其特征在于，所述异常血糖智能认知的监护系统包括：
数据采集模块，用于采集血糖信息数据；
血糖判断模块，用于设定安全血糖数据范围，建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，根据该安全血糖数据范围对计算结果进行判断，确定异常血糖信息数据；
神经网络模型建立模块，用于建立神经网络模型，从本地获取血糖数据记录、对应的历史症状名称以及血糖症状名称对应的产生原因，通过神经网络模型进行训练，获取第一特征值，根据该第一特征值建立血糖症状表；
神经网络模型建立模块包括样本集训练模块，用于设定字符串格式，建立神经网络模型，建立神经网络卷积层算法，将从本地获取血糖数据记录、对应的历史症状名称以及该症状名称对应的产生原因作为转化为字符串作为第一待训练数据，通过神经网络卷积层算法对第一待训练数据进行计算，获取第一特征值，并根据该第一特征值对应的血糖数据记录、对应的历史症状名称以及该症状名称对应的产生原因建立血糖症状表；
神经网络模型建立模块包括数据更新模块，用于根据血糖数据的症状名称从网络获取对应的信息，所述信息为该症状名称的产生原因，包括：文章，论文以及期刊，将该信息转化为字符串作为第二待训练数据，通过神经网络卷积层算法对第二待训练数据进行计算，获取第二特征值，将第二特征值与第一特征值进行比较，当第二特征值大于第一特征值时，根据第二特征值对血糖症状表进行更新；第二特征值小于第一特征值时，重新从网络获取对应的信息；
神经网络模型建立模块包括神经网络卷积层算法单元，所述神经网络卷积层算法为：
Figure DEST_PATH_IMAGE002
；
其中，字符串的大小为
Figure DEST_PATH_IMAGE004
，卷积核大小为
Figure DEST_PATH_IMAGE006
，步幅为
Figure DEST_PATH_IMAGE008
，补零层数为
Figure DEST_PATH_IMAGE010
，特征值为
Figure DEST_PATH_IMAGE012
；
诊断报告生成模块，用于从神经网络模型建立模块中获取血糖症状表，根据异常血糖数据进行从该血糖症状表中获取对应的症状名称，并生成对应的诊断报告表；
预警模块，用于设定血糖数据阈值，当血糖信息数据大于血糖数据阈值时，向用户发送预警信息。
2.如权利要求1所述的异常血糖智能认知的监护系统，其特征在于：血糖判断模块包括朴素贝叶斯算法单元，用于建立朴素贝叶斯算法，根据朴素贝叶斯算法对血糖信息数据进行计算，获取计算结果，所述朴素贝叶斯算法为：
Figure DEST_PATH_IMAGE014
；
其中，
Figure DEST_PATH_IMAGE016
代表
Figure DEST_PATH_IMAGE018
在
Figure DEST_PATH_IMAGE020
的影响下发生的概率，
Figure DEST_PATH_IMAGE022
代表
Figure DEST_PATH_IMAGE024
发生的概率，
Figure DEST_PATH_IMAGE026
代表
Figure DEST_PATH_IMAGE028
在
Figure DEST_PATH_IMAGE030
的影响下发生的概率，
Figure DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE034
代表一个计数单位，
Figure DEST_PATH_IMAGE036
代表血糖数据名称总数量，
Figure DEST_PATH_IMAGE038
代表血糖信息数据中一种血糖数据名称，且
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE042
为
Figure DEST_PATH_IMAGE044
的一个特征属性，
Figure DEST_PATH_IMAGE046
代表与
Figure DEST_PATH_IMAGE048
不同血糖数据名称。
3.如权利要求2所述的异常血糖智能认知的监护系统，其特征在于：血糖判断模块包括异常血糖判断模块，用于设定安全血糖数据范围，通过安全血糖数据范围对血糖信息数据的计算结果进行判断，当计算结果满足安全血糖数据范围时，判断该计算结果对应的血糖信息数据为正常血糖数据；当计算结果不满足安全血糖数据范围时，判断该计算结果对应的血糖信息数据为异常血糖数据，并对该异常血糖数据进行标记。
4.如权利要求3所述的异常血糖智能认知的监护系统，其特征在于：血糖判断模块还包括血糖分阶模块，用于获取本地历史血糖阶段名称以及对应的血糖数据，并建立血糖阶段判断表，所述血糖阶段包括：偏低、正常、高血糖以及糖尿病，根据该血糖阶段判断表对计算结果对应的血糖阶段进行判断，将判断结果与计算结果对应的血糖信息数据进行标记。
CN201911201624.9A 2019-11-29 2019-11-29 一种异常血糖智能认知的监护系统 Active CN111000569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911201624.9A CN111000569B (zh) 2019-11-29 2019-11-29 一种异常血糖智能认知的监护系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911201624.9A CN111000569B (zh) 2019-11-29 2019-11-29 一种异常血糖智能认知的监护系统

Publications (2)

Publication Number Publication Date
CN111000569A CN111000569A (zh) 2020-04-14
CN111000569B true CN111000569B (zh) 2022-07-12

Family

ID=70113429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911201624.9A Active CN111000569B (zh) 2019-11-29 2019-11-29 一种异常血糖智能认知的监护系统

Country Status (1)

Country Link
CN (1) CN111000569B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563891B (zh) * 2020-05-09 2023-09-26 吾征智能技术(北京)有限公司 基于颜色认知的疾病预测系统
CN112133391B (zh) * 2020-09-17 2024-01-26 吾征智能技术(北京)有限公司 一种基于人体异常眉毛的疾病认知系统
CN112133398B (zh) * 2020-09-28 2021-09-24 上海梅斯医药科技有限公司 血糖管控方法、系统及存储介质
CN112071438B (zh) * 2020-09-29 2022-06-14 武汉东湖大数据交易中心股份有限公司 一种百日咳智能筛查方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106473722A (zh) * 2016-11-17 2017-03-08 黄劲涛 一种基于智能医疗床的健康监测系统
CN109712723A (zh) * 2019-01-25 2019-05-03 北京中器华康科技发展有限公司 一种基于血糖监测的体检系统及在糖尿病监控系统中的应用
CN109767820A (zh) * 2018-05-29 2019-05-17 深圳市智影医疗科技有限公司 一种基于影像的诊断/检测报告生成方法、装置及设备
CN110379488A (zh) * 2019-07-12 2019-10-25 深圳市预防宝科技有限公司 一种对餐后高血糖进行预警的装置及方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU739502B2 (en) * 1996-01-26 2001-10-11 Stephen L. Thaler Neural network based database scanning system and method
US6090044A (en) * 1997-12-10 2000-07-18 Bishop; Jeffrey B. System for diagnosing medical conditions using a neural network
JP6004084B2 (ja) * 2013-03-29 2016-10-05 富士通株式会社 モデル更新方法、装置、およびプログラム
CN104665840B (zh) * 2015-03-02 2017-11-21 桂林麦迪胜电子科技有限公司 无创血糖测量方法及指端测量探头
US10748658B2 (en) * 2016-05-13 2020-08-18 WellDoc, Inc. Database management and graphical user interfaces for measurements collected by analyzing blood
CN106168759A (zh) * 2016-07-12 2016-11-30 武汉长江仪器自动化研究所有限公司 一种基于人工神经网络算法的混凝投药控制方法和系统
US20180350459A1 (en) * 2017-06-05 2018-12-06 University Of Florida Research Foundation, Inc. Methods and apparatuses for implementing a semantically and visually interpretable medical diagnosis network
CN110399603A (zh) * 2018-04-25 2019-11-01 北京中润普达信息技术有限公司 一种基于意群划分的文本处理技术方法和系统
CN109712705A (zh) * 2018-12-19 2019-05-03 中国石油大学(华东) 一种基于深度学习的胆石病智能诊断app

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106473722A (zh) * 2016-11-17 2017-03-08 黄劲涛 一种基于智能医疗床的健康监测系统
CN109767820A (zh) * 2018-05-29 2019-05-17 深圳市智影医疗科技有限公司 一种基于影像的诊断/检测报告生成方法、装置及设备
CN109712723A (zh) * 2019-01-25 2019-05-03 北京中器华康科技发展有限公司 一种基于血糖监测的体检系统及在糖尿病监控系统中的应用
CN110379488A (zh) * 2019-07-12 2019-10-25 深圳市预防宝科技有限公司 一种对餐后高血糖进行预警的装置及方法

Also Published As

Publication number Publication date
CN111000569A (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN111000569B (zh) 一种异常血糖智能认知的监护系统
US20060025931A1 (en) Method and apparatus for real time predictive modeling for chronically ill patients
CN104287706B (zh) 一种人体健康状态实时监测及诊疗推荐系统
RU2757048C1 (ru) Способ и система оценки здоровья тела человека на основе данных большого объема о сне
CN111081379B (zh) 一种疾病概率决策方法及其系统
WO2005110029A2 (en) Method and apparatus for real time predictive modeling for chronically ill patients
CN109887568A (zh) 基于医嘱的健康管理系统
CN110742595A (zh) 基于认知云系统的异常血压监护系统
US11529105B2 (en) Digital twin updating
CN109767836A (zh) 一种医学诊断人工智能系统、装置及其自我学习方法
KR20200001777A (ko) 우울증 발병 예측 방법 및 이를 이용한 우울증 발병 예측 디바이스
CN111951975A (zh) 一种基于深度学习模型gpt-2的脓毒症早期预警方法
CN108652587A (zh) 一种认知功能障碍预防监测装置
CN108847284B (zh) 人体生物年龄测算装置及系统
KR102421172B1 (ko) 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템
CN117476217B (zh) 一种慢性心脏病病情发展趋势预测系统
KELEŞ Expert doctor verdis: integrated medical expert system
Ambilwade et al. Medical expert systems for diabetes diagnosis: A survey
Shuvo et al. Machine learning embedded smartphone application for early-stage diabetes risk assessment
Juang et al. Explainable fuzzy neural network with easy-to-obtain physiological features for screening obstructive sleep apnea-hypopnea syndrome
Kalatzis et al. Interactive dimensionality reduction for improving patient adherence in remote health monitoring
Liu et al. A predictive model for acute allograft rejection of liver transplantation
JP2024513618A (ja) 感染症及び敗血症の個別化された予測のための方法及びシステム
Ambilwade et al. Prognosis of diabetes using fuzzy inference system and multilayer perceptron
CN111383760A (zh) 一种神经系统疾病的医疗智能诊断系统建立方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221026

Address after: 603, Floor 6, Building 1, Yard 1, Shangdi 10th Street, Haidian District, Beijing 100089

Patentee after: Wuzheng Intelligent Technology (Beijing) Co.,Ltd.

Address before: 430000 No. 511, zone a, Guorui Qigu Tianjie, No. 57, Beijing North Road, Zhangwan District, Shiyan City, Hubei Province

Patentee before: Zhongrun Puda (Shiyan) big data center Co.,Ltd.