CN111081379A - 一种疾病概率决策方法及其系统 - Google Patents
一种疾病概率决策方法及其系统 Download PDFInfo
- Publication number
- CN111081379A CN111081379A CN201911213020.6A CN201911213020A CN111081379A CN 111081379 A CN111081379 A CN 111081379A CN 201911213020 A CN201911213020 A CN 201911213020A CN 111081379 A CN111081379 A CN 111081379A
- Authority
- CN
- China
- Prior art keywords
- physiological index
- disease probability
- disease
- training
- test
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 93
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 33
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 208000017667 Chronic Disease Diseases 0.000 abstract description 15
- 230000006870 function Effects 0.000 description 19
- 238000002474 experimental method Methods 0.000 description 7
- 238000007635 classification algorithm Methods 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 3
- 208000019622 heart disease Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000011514 Familial renal glucosuria Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 241001536374 Indicator indicator Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 208000020832 chronic kidney disease Diseases 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 208000007278 renal glycosuria Diseases 0.000 description 1
- 206010038464 renal hypertension Diseases 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供了一种疾病概率决策方法及其系统,包括:获取测试生理指标集,训练测试生理指标集得到测试生理指标的潜在信息,获取当前生理指标集,训练测试生理指标集得到当前生理指标的潜在信息;使用softmax分类器,基于测试生理指标的潜在信息以及当前生理指标的潜在信息进行建模得到疾病概率模型;将当前生理指标输入疾病概率模型得到疾病概率。本发明能够通过实时采集的生理指标数据,实时得到慢性病的概率,为医生的决策提供辅助依据。
Description
技术领域
本发明涉及医疗领域,具体公开了一种疾病概率决策方法及其系统。
背景技术
人口老龄化问题是一个全球性的问题。中国老龄化人口的快速增长,正成为一个日益突出的社会问题。截至2014年底,我国60岁以上老年人口已经达到2.12亿,占总人口的15.5%。据预测,本世纪中叶老年人口数量将达到峰值,超过4亿,届时每3人中就会有一个老年人。老年人作为这个社会的特殊群体,面临行动不便、慢性疾病较多、就医困难等特点。根据中国卫生部2015年的统计数据,一个人口超过13亿的国家,平均只有5300人只有一名医生,而医生每天最多只能治疗50名患者。由于医疗资源有限和人口众多,老年人慢性病管理面临挑战。医院无法迅速为老年人提供慢性病治疗。进一步的数据显示,一个大城市的医院每年平均治疗100万人,而一家先进的医院每年治疗至少350万患者。在这样的环境下,老年人希望到医院做检查和全面治疗的要求很难得到满足。
现有对老年人进行慢性疾病检测和管理多依据现场检测或者体验,其所需的时间长度较长,且检测结果存在较大的不确定性和主观性。
发明内容
本发明目的在提供一种疾病概率决策方法及其系统,以解决现有技术中存在对慢性病检测存在主观性、时间跨度大的技术缺陷。
为实现上述目的,本发明提供了一种疾病概率决策方法,包括以下步骤:
获取测试生理指标集,训练测试生理指标集得到测试生理指标的潜在信息,获取当前生理指标集,训练测试生理指标集得到当前生理指标的潜在信息;
使用softmax分类器,基于测试生理指标的潜在信息以及当前生理指标的潜在信息进行建模得到疾病概率模型;
将当前生理指标输入疾病概率模型得到疾病概率。
优选地,训练测试生理指标集的方法为:
获取测试生理指标集v={(x1,y1)...(xu,yu)};
将将其输入具有神经元a1的隐式层,并通过非线性激活函数在具有神经元u的可视层输出
hw,b(x)=h2=f(a3) (3)
优选地,在可视层输出后对该输出进行处理,包括以下步骤:
获取训练集v={(x1,y1)…(xu,yu)}的代价函数:
a1是第l层中神经元的数量,δ是一个权衡参数,公式中的第二项是正则化项,可以减轻权重并防止训练数据过度拟合;
将其他惩罚项添加到优化目标,以将稀疏约束应用于隐藏的神经元,得到稀疏自编码重构错误函数为:
使用反向传播算法训练稀疏自编码模型以获得最优权重矩阵W和偏差向量b,将从测试生理指标中提取的潜在信息表示为稀疏自编码模型{(a1,y1)…(au,yu)}。
优选地,疾病概率模型为:
其中,θ=[θ1,θ2,…,θc]是训练目标的k×n矩阵,θ1,θ2,…,θc∈Rk×1是分类器的权重参数,sm为生理指标S的潜在特征,n为疾病类别的数量
优选地,疾病概率模型的代价函数为:
其中,M=u+v,ind表示指标函数。
优选地,对代价函数权重衰减处理得到:
优选地,对进行权重衰减处理后的代价函数进行梯度下降处理得到:
优选地,得到疾病概率后设置一个警告集C,警告集C包含若干颜色标签Ci。
优选地,根据疾病概率与警告集C输出不同的颜色标签:
如果为Psingle(Ψk)=Ci∈[0,x1),则输出绿色标签;
如果为Psingle(Ψk)=Ci∈[x1,x2),则输出黄色标签;
如果是Psingle(Ψk)=Ci∈[x2,∞),则输出红色标签;
其中,x1,x2表示正常生理参数的上下线值。
依托于上述方法,本发明还提供了一种疾病概率决策系统,包括:
数据采集模块:用于获取当前生理指标集;
数据决策模块:用于获取测试生理指标集、用于训练测试生理指标集得到测试生理指标的潜在信息、用于训练测试生理指标集得到当前生理指标的潜在信息、用于使用softmax分类器,基于测试生理指标的潜在信息以及当前生理指标的潜在信息进行建模得到疾病概率模型以及用于将当前生理指标输入疾病概率模型得到疾病概率。
本发明具有以下有益效果:
本发明能够通过实时采集的生理指标数据,实时得到慢性病的概率,为医生的决策提供辅助依据。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一种疾病概率决策方法流程图;
图2为本发明优选实施例提供的湘雅医院2011至2015年间三家医院四种疾病的数据经过预处理后不同算法分类器的准确性级别;
图3是本发明优选实施例中湘雅医院2011至2015年间三家医院四种疾病的数据经过预处理后不同算法分类器的敏感性级别;
图4是本发明优选实施例中湘雅医院2011至2015年间三家医院四种疾病的数据经过预处理后不同算法分类器的特殊性级别;
图5是本发明优选实施例中用CSAE算法对相同数据再次进行实验后对三个指标的影响;
图6是本发明优选实施例中调整分类阈值后三个判断指标的变化;
图7是本发明优选实施例中每种算法预测多种疾病时的准确性;
图8是本发明一种疾病概率决策系统结构图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例1
本发明首先提供了一种疾病概率决策方法,参见图1,包括以下步骤:
S1:获取测试生理指标集,训练测试生理指标集得到测试生理指标的潜在信息,获取当前生理指标集,训练测试生理指标集得到当前生理指标的潜在信息。
测试生理指标指标可以为通过病例记录中检测到的指标、可穿戴设备监测的数据或者历史疾病经验。假设用于训练的测试生理指标集为v={(x1,y1)…(xu,yu)},将其输入具有神经元a1的隐式层,并通过非线性激活函数在具有神经元u的可视层输出
hw,b(x)=h2=f(a3) (3)
因此,测试生理指标集为v的代价函数为:
al是第l层中神经元的数量,δ是一个权衡参数,公式中的第二项是正则化项,可以减轻权重并防止训练数据过度拟合。
通过将其他约束应用于上述优化问题,隐藏的神经元可以发挥更大的作用并学习真实特征,在自编码的基础上添加稀疏约束,可以将其他惩罚项添加到优化目标,以将稀疏约束应用于隐藏的神经元。此时,稀疏自编码重构错误函数为:
最后,使用反向传播算法训练稀疏自编码模型以获得最优权重矩阵W和偏差向量b,将从测试生理指标中提取的潜在信息表示为稀疏自编码模型{(a1,y1)…(au,yu)}。
S2:使用softmax分类器,基于测试生理指标的潜在信息以及当前生理指标的潜在信息进行建模得到疾病概率模型。
由于输入特征通过分类器返回的预测值可用于检测输入特征的相似性,因此可以基于分类器返回的预测值形成新的特征,用于后续疾病分类,此功能由低复杂度的预测值组成。同时,它是通过稀疏自编码提取的分类器的潜在信息获得的,具有良好的语义表示。使用稀疏自编码器为检测指标提取潜在特征,类似地,我们假设用于训练检测指标的训练数据集为它被输入到具有神经元a1的隐藏层中,并且通过非线性激活函数在包含神经元v的可视层输出。
使用softmax分类器,同时结合测试生理指标,对携带监控设备的人员实时监控的数据与慢性疾病之间的关系进行建模。大多数老年人的疾病与一段时间内的身体状况有很大关系,可以通过监测体征及早发现并预测疾病来预防疾病的突然爆发。根据测试生理指标和一段时间内监测到的疾病状况,我们分析了某些指标异常时疾病发生的概率。假设从设备获得的监测指标数据为S,疾病类别的数量为n,在M=u+v中设置特征值M。因此,编码器提取的潜在特征被记录为Sm=[a1,…,au,a1,…,av]T,分类器可以计算在那一刻检测到的疾病类型的概率c,Pdis-type(ym=c|sm),因为分类标签ym具有不同的c值,我们可以通过输出获得患这种疾病的概率,而为最高概率的类型可能是由预测指标异常引起的疾病。因此, Softmax的输出是一个n维向量,向量的每个元素代表相应疾病的概率值,所有疾病的概率值总和等于1。设定输出函数为:
θ=[θ1,θ2,…,θc]是训练目标的k×n矩阵,θ1,θ2,…,θc∈Rk×1是分类器的权重参数,生理指标S的潜在特征sm可能导致疾病的概率c为:
用ind表示指标函数,以便对概率进行归一化,并且概率之和为1。定义为:
通过以上分析,可以实现监测数据的最大似然分类,最大概率对应的类别可以被认为是最可能遭受的疾病。然后将代价函数定义为:
在实际应用中,通常将权重衰减添加到上述代价函数中,以解决由Softmax回归参数冗余引起的数值问题。上面的公式可以改写为:
梯度下降用于求解代价函数f(·)。由于f(·)是一个凸函数,因此梯度下降可以确保收敛到全局最优值。通过推导该函数,可以得出以下梯度公式:
对于梯度下降的每次迭代,权重θ将更新如下:
其中,i是迭代次数,λ是学习率。该模块可以分析老年人最有可能发生的疾病类型,并在必要时给出相应的疾病治疗计划。
S3:将当前生理指标输入疾病概率模型得到疾病概率。
为了分析疾病的可能性,得到疾病概率后设置一个警告集C,警告集C包含若干颜色标签Ci。如果该概率高于异常值,则认为疾病严重,并发出严重警告。
根据疾病概率与警告集C输出不同的颜色标签:
如果为Psingle(Ψk)=Ci∈[0,x1),则输出绿色标签;
如果为Psingle(Ψk)=Ci∈[x1,x2),则输出黄色标签;
如果是Psingle(Ψk)=Ci∈[x2,∞),则输出红色标签;
其中,x1,x2表示正常生理参数的上下线值。
为了验证本方法的准确性,本实施例使用的医疗信息来自中国三所一流医院:湘雅医院、湘雅第二医院、湘雅第三医院。信息记录中心根据三家医院的不同系统收集、分类、预处理和集成与老年人慢性疾病相关的各类医疗数据。通过比较五种分类算法(ANN,NB,LDA,KNN 和CSAE),分析了四种慢性疾病,包括心脏病,糖尿病,慢性肾脏病和高血压。另外,已经使用机器学习数据集进行了实验。
人工神经网络分类算法由多层神经元结构组成,每个神经元层都有输入和输出。神经网络由三个元素组成:拓扑、连接和学习规则,由三种类型的层组成:输入层、输出层和隐藏层,通常,神经网络由一个输入层,多个隐藏层和一个输出层组成。设计神经网络的重要工作是设计隐藏层和神经元之间的权重。反向传播(BP)算法是最常见的网络学习算法,这是我们已知的训练神经网络的方法。BP算法是一个学习能力强的系统,其结构相对简单,是一种不同于传统数据处理的方法,其特征在于查找数据之间的相关性。从理论上讲,只要网络中的层数足够深,节点数就足以近似任何的功能关系。
朴素贝叶斯基于贝叶斯定理和特征条件的独立假设。贝叶斯定理的基础是先验概率加数据等于后验概率,它解决了X无法直接观察和测量的一些原因,我们希望使用结果Y来逆转X的问题,即了解一部分先验概率并找到后验概率。另外,特征条件独立性假设X的n个特征在类确定的条件下是条件独立的。
线性判别分析使用统计、模式识别和机器学习方法来尝试找到两种类型的对象或事件的特征的线性组合,以能够表征或区分它们。所得的组合可用作线性分类器。LDA的原理是通过投影将带有标签的数据(点)投影到低维空间上,这样投影的点将按类别形成聚类,同一类别的点在投影空间中会更靠近。
最近邻是一种通过测量不同特征值之间的距离进行分类的方法,即如果一个样本的k个最近邻居中的大多数在特征空间中属于某个类别,则该样本也将归为该类别。
此外,为了评估所选分类算法的性能,使用了8倍交叉验证方法,该方法可以提供对真实错误率的足够准确的估计。将所有数据集随机分为八个子集,一方面将其中两个用作测试集,另一方面将其余六个子集用作训练集。之后,针对不同的分类算法分别计算八个实验的平均误差,这样,测试和训练将重复八次以确保实验的准确性。下一步,使用混淆矩阵将分类算法的性能可视化,将分类模型错误类别、观察类别的数量分别分类,然后将结果显示在表格中。通过收集样本,我们可以直接知道哪些数据结果为正,哪些数据结果为负,同时,通过使用样本数据分类器,我们还可以知道分类考虑了哪些数据是正的,哪些数据是负的。
将真假性、真阴性、假阳性和假阴性四个基本指标称为分类器的第一级指标(最底层),通过将这四个指标一起显示在同一个表中,可以得到如表1所示的混淆矩阵。
表1
混淆矩阵中的统计数据是没有特定含义的数字,有时,当面对大量数据时,通过计算数字来衡量分类器的优缺点非常困难。因此,混淆矩阵在基本统计结果中扩展了以下三个指标,称这些指标为次要指标:
通过以上三个辅助指标,为了便于标准化的度量,可以将混淆矩阵中的数量结果转换为 0到1之间的比率,在这三个指标的基础上,我们将扩展并产生另一个三级指标,D值指示器结合了特殊性和灵敏度输出的结果。D值的范围是0到1,其中1代表分类器的最佳输出,0代表分类器的最坏输出。
然后,对四种疾病进行了五个分类器的比较筛选实验,通过将四种疾病各自的累积值除以累积值来计算实验的三个指标。结果如图2-4所示。从图形结果可以清楚地看出,我们提出的方法明显优于其他方法。图6显示了所有分类器的准确性级别,结果表明,CSAE和KNN 的准确度更高,分别为93.03%和91.66%,而NB和LDA的准确度较差,分别为76.81%和 73.25%。图7显示了敏感度级别,而图4显示了所有分类器的特殊性级别,可以知道CSAE分别以88.19%和91.1%占据了最高点。将疾病史与监测指标结合起来做出预测和决策时,我们可以得出一个结论,当输入数据是从原始数据中提取的潜在信息时,输入到稀疏自编码模型中可以更好地模拟来自实时监控设备的数据与慢性病之间的关系,并通过输出获得患病的概率。
为了加强验证程度,我们依靠CSAE算法再次对相同数据进行实验,获得的三个指标的结果如图5所示,不难看出第一个实验的结果几乎相同。此外,我们通过增加或减少分类阈值来调整预测值的影响。毫无疑问,我们需要评估在选择阈值时犯了多少错误。一方面,我们错误地标记了已经生病的患者,并认为他或她没有生病,这非常可怕。另一方面,尽管将未受影响的患者标记为患病降低了准确性,但是不良影响较小。因此,我们应该偏向于提高分类阈值。调整分类阈值后,三个判断指标的变化图如图6所示。增加分类阈值时,假阳性的数量将减少,但是假阴性的数量将相应增加。最后,准确率提高了,而敏感度降低了。我们在图表上绘制了6个特定的点进行比较,敏感度从86.11%降到68.75%,而准确性和特异性显示了相似的缓慢增长曲线,增加了约17%。
由于慢性疾病总是相互关联的,因此由可穿戴设备和历史记录监控的指标以及我们提出的算法,不仅可以预测患慢性疾病的可能性,而且可以预测患多种疾病的可能性。在输出的 n维向量中,向量的每个元素代表相应疾病的概率值。当概率值超过医生给出的标准时,我们可以认为患者患有多种疾病。当然,算法预测多种疾病的准确性会逐渐下降,如图7所示,几乎每种算法的准确性都下降了约30%,从以前的80%-90%下降到50%-60%。在影响因素中,学习率的影响占重要部分。然而,本研究所提出的算法的准确性仍然是最稳定的,并且在大多数情况下优于其他算法。
图2-图4中横轴代表五种分类算法:ANN、NB、LDA、KNN和CSAE,纵轴代表精准度百分比。图5横轴代表疾病种类,分别为心脏病、糖尿病、慢性肾性糖尿病以及高血压,纵轴代表比率,三个柱体分别为准确度、敏感度以及投性。图6横轴代表分类阀值,纵轴代表比率。图7轴代表疾病数量,纵轴代表准确性。
实施例2
本发明还提供了一种疾病概率决策系统,参见图8,包括:
数据采集模块:用于获取当前生理指标集;
数据决策模块:用于获取测试生理指标集、用于训练测试生理指标集得到测试生理指标的潜在信息、用于训练测试生理指标集得到当前生理指标的潜在信息、用于使用softmax分类器,基于测试生理指标的潜在信息以及当前生理指标的潜在信息进行建模得到疾病概率模型以及用于将当前生理指标输入疾病概率模型得到疾病概率。
作为医疗领域的辅助方法,移动医疗可以快速、方便地实时收集患者数据,监视患者的日常行为特征,发送预警和发布医疗指令,提高慢性疾病的管理。特别是在发展中国家,通过及时有效的家庭治疗,移动医疗可以减少医院的就诊,这样可以解决医疗资源分配不均和老年人医疗问题。为了帮助减轻医生的工作量并实现对老年人糖尿病和心脏病等慢性疾病的预测和诊断,本实施例提出了一种基于移动健康的系统,本系统利用将数据采集模块、数据决策模块采用无线网传输。
本实施例中的数据采集模块可以为可穿戴设备,从人体局域网收集生理指标数据。数据采集设备有长期身体区域设备和短期数据采集设备两种选择。
数据决策包括了电子病历或者电子健康记录,可以从电子病历获取测试生理指标集。与数据采集模块进行传输,以进行有效的数据分析。数据传输方式可以为蓝牙或Wi-Fi传输。数据决策模块的概率分析结果以无限网络通信的形式发送到医院或指定的设备。
首先通过数据采集模块采集人体各部位生理指标,经过数据传输至数据决策模块。数据决策模块分析疾病概率,经过数据传输至移动终端,通过移动终端进行显示。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种疾病概率决策方法,其特征在于,包括以下步骤:
获取测试生理指标集,训练所述测试生理指标集得到测试生理指标的潜在信息,获取当前生理指标集,训练所述测试生理指标集得到当前生理指标的潜在信息;
使用softmax分类器,基于所述测试生理指标的潜在信息以及所述当前生理指标的潜在信息进行建模得到疾病概率模型;
将当前生理指标输入所述疾病概率模型得到疾病概率。
3.根据权利要求2所述的一种疾病概率决策方法,其特征在于,在可视层输出后对该输出进行处理,包括以下步骤:
获取训练集v={(x1,y1)…(xu,yu)}的代价函数:
al是第l层中神经元的数量,δ是一个权衡参数,公式中的第二项是正则化项,可以减轻权重并防止训练数据过度拟合;
将其他惩罚项添加到优化目标,以将稀疏约束应用于隐藏的神经元,得到稀疏自编码重构错误函数为:
使用反向传播算法训练稀疏自编码模型以获得最优权重矩阵W和偏差向量b,将从测试生理指标中提取的潜在信息表示为稀疏自编码模型{(a1,y1)…(au,yu)}。
8.根据权利要求1所述的一种疾病概率决策方法,其特征在于,得到疾病概率后设置一个警告集C,所述警告集C包含若干颜色标签Ci。
9.根据权利要求8所述的一种疾病概率决策方法,其特征在于,根据所述疾病概率与所述警告集C输出不同的颜色标签:
如果为Psingle(Ψk)=Ci∈[0,x1),则输出绿色标签;
如果为Psingle(Ψk)=Ci∈[x1,x2),则输出黄色标签;
如果是Psingle(Ψk)=Ci∈[x2,∞),则输出红色标签;
其中,x1,x2表示正常生理参数的上下线值。
10.根据权利要求1-9所述的一种疾病概率决策系统,其特征在于,包括:
数据采集模块:用于获取当前生理指标集;
数据决策模块:用于获取测试生理指标集、用于训练所述测试生理指标集得到测试生理指标的潜在信息、用于训练所述测试生理指标集得到当前生理指标的潜在信息、用于使用softmax分类器,基于所述测试生理指标的潜在信息以及所述当前生理指标的潜在信息进行建模得到疾病概率模型以及用于将当前生理指标输入所述疾病概率模型得到疾病概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213020.6A CN111081379B (zh) | 2019-12-02 | 2019-12-02 | 一种疾病概率决策方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213020.6A CN111081379B (zh) | 2019-12-02 | 2019-12-02 | 一种疾病概率决策方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111081379A true CN111081379A (zh) | 2020-04-28 |
CN111081379B CN111081379B (zh) | 2023-05-16 |
Family
ID=70312413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911213020.6A Active CN111081379B (zh) | 2019-12-02 | 2019-12-02 | 一种疾病概率决策方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111081379B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113539491A (zh) * | 2021-06-16 | 2021-10-22 | 武汉大学中南医院 | 基于深度学习的良性前列腺增生评估决策辅助系统 |
CN113555110A (zh) * | 2021-07-15 | 2021-10-26 | 北京鹰瞳科技发展股份有限公司 | 一种训练多疾病转诊模型的方法及设备 |
WO2022126799A1 (zh) * | 2020-12-14 | 2022-06-23 | 谈斯聪 | 一种多数据融合疾病智能识别方法 |
CN115019973A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统及其筛查方法 |
CN117079825A (zh) * | 2023-06-02 | 2023-11-17 | 中国医学科学院阜外医院 | 一种疾病发生概率预测方法及疾病发生概率确定系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032221A1 (en) * | 2015-07-29 | 2017-02-02 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
US20180177415A1 (en) * | 2016-12-23 | 2018-06-28 | Tamas Madl | Cardiovascular disease detection |
CN109036553A (zh) * | 2018-08-01 | 2018-12-18 | 北京理工大学 | 一种基于自动抽取医疗专家知识的疾病预测方法 |
CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
-
2019
- 2019-12-02 CN CN201911213020.6A patent/CN111081379B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032221A1 (en) * | 2015-07-29 | 2017-02-02 | Htc Corporation | Method, electronic apparatus, and computer readable medium of constructing classifier for disease detection |
US20180165554A1 (en) * | 2016-12-09 | 2018-06-14 | The Research Foundation For The State University Of New York | Semisupervised autoencoder for sentiment analysis |
US20180177415A1 (en) * | 2016-12-23 | 2018-06-28 | Tamas Madl | Cardiovascular disease detection |
CN107863147A (zh) * | 2017-10-24 | 2018-03-30 | 清华大学 | 基于深度卷积神经网络的医疗诊断的方法 |
CN109036553A (zh) * | 2018-08-01 | 2018-12-18 | 北京理工大学 | 一种基于自动抽取医疗专家知识的疾病预测方法 |
CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
Non-Patent Citations (4)
Title |
---|
EMIMAL JABASON等: "Deep Structural and Clinical Feature Learning for Semi-Supervised Multiclass Prediction of Alzheimer’s Disease" * |
LONG HAO等: "Classification of Cardiovascular Disease via A New SoftMax Model" * |
SIQI LIU等: "Early diagnosis of Alzheimer\'s disease with deep learning" * |
吕鸿蒙等: "基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断" * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022126799A1 (zh) * | 2020-12-14 | 2022-06-23 | 谈斯聪 | 一种多数据融合疾病智能识别方法 |
CN113539491A (zh) * | 2021-06-16 | 2021-10-22 | 武汉大学中南医院 | 基于深度学习的良性前列腺增生评估决策辅助系统 |
CN113539491B (zh) * | 2021-06-16 | 2022-05-13 | 武汉大学中南医院 | 基于深度学习的良性前列腺增生评估决策辅助系统 |
CN113555110A (zh) * | 2021-07-15 | 2021-10-26 | 北京鹰瞳科技发展股份有限公司 | 一种训练多疾病转诊模型的方法及设备 |
CN115019973A (zh) * | 2022-08-08 | 2022-09-06 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统及其筛查方法 |
CN115019973B (zh) * | 2022-08-08 | 2022-10-25 | 四川大学华西医院 | 一种icu后综合征自评快速筛查系统 |
CN117079825A (zh) * | 2023-06-02 | 2023-11-17 | 中国医学科学院阜外医院 | 一种疾病发生概率预测方法及疾病发生概率确定系统 |
CN117079825B (zh) * | 2023-06-02 | 2024-01-19 | 中国医学科学院阜外医院 | 一种疾病发生概率预测方法及疾病发生概率确定系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111081379B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111081379B (zh) | 一种疾病概率决策方法及其系统 | |
CN111261282A (zh) | 一种基于机器学习的脓毒症早期预测方法 | |
CN110957015B (zh) | 电子医疗记录数据的缺失值填充方法 | |
CN112201330B (zh) | 结合DRGs工具和贝叶斯模型的医疗质量监测评估方法 | |
Chitra et al. | Heart attack prediction system using fuzzy C means classifier | |
Do et al. | Classification of asthma severity and medication using TensorFlow and multilevel databases | |
CN111000569B (zh) | 一种异常血糖智能认知的监护系统 | |
Merone et al. | A decision support system for tele-monitoring COPD-related worrisome events | |
CN106845140A (zh) | 一种基于尿比重和尿量监测的肾衰竭预警方法及系统 | |
Alqaysi et al. | Hybrid diagnosis models for autism patients based on medical and sociodemographic features using machine learning and multicriteria decision-making (MCDM) techniques: an evaluation and benchmarking framework | |
CN106446560A (zh) | 一种基于增量式神经网络模型的高血脂症预测方法和预测系统 | |
Shang et al. | Implicit irregularity detection using unsupervised learning on daily behaviors | |
CN114758786A (zh) | 基于无创参数的创伤后失血性休克动态早期预警系统 | |
Sivasankar et al. | Knowledge discovery in medical datasets using a fuzzy logic rule based classifier | |
CN117133464B (zh) | 一种老年人健康智能监测系统及监测方法 | |
Kalogiannis et al. | Geriatric group analysis by clustering non-linearly embedded multi-sensor data | |
CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
Thelagathoti et al. | A population analysis approach using mobility data and correlation networks for depression episodes detection | |
CN115083616B (zh) | 一种基于自监督图聚类的慢性肾病亚型挖掘系统 | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
CN113616209B (zh) | 基于时空注意力机制的精神分裂症患者甄别方法 | |
Wu | Design of intelligent nursing system based on artificial intelligence | |
CN114782234A (zh) | 一种智能化家用健康管理系统及方法 | |
CN114191665A (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
Rajmohan et al. | G-Sep: A Deep Learning Algorithm for Detection of Long-Term Sepsis Using Bidirectional Gated Recurrent Unit |
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 |