CN111413492A - 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 - Google Patents
一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 Download PDFInfo
- Publication number
- CN111413492A CN111413492A CN202010365814.0A CN202010365814A CN111413492A CN 111413492 A CN111413492 A CN 111413492A CN 202010365814 A CN202010365814 A CN 202010365814A CN 111413492 A CN111413492 A CN 111413492A
- Authority
- CN
- China
- Prior art keywords
- pneumonia
- detecting
- data
- subject
- novel coronavirus
- 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
- 206010035664 Pneumonia Diseases 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 51
- 241000711573 Coronaviridae Species 0.000 title claims abstract description 45
- 238000013178 mathematical model Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 9
- 230000000391 smoking effect Effects 0.000 claims description 9
- 210000004369 blood Anatomy 0.000 claims description 8
- 239000008280 blood Substances 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 8
- 208000019693 Lung disease Diseases 0.000 claims description 7
- 210000004072 lung Anatomy 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 208000018569 Respiratory Tract disease Diseases 0.000 claims 2
- 208000025721 COVID-19 Diseases 0.000 abstract description 7
- 108020004707 nucleic acids Proteins 0.000 abstract description 3
- 150000007523 nucleic acids Chemical class 0.000 abstract description 3
- 102000039446 nucleic acids Human genes 0.000 abstract description 3
- 238000005070 sampling Methods 0.000 abstract description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 21
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000003993 interaction Effects 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 235000005911 diet Nutrition 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 208000023504 respiratory system disease Diseases 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000241 respiratory effect Effects 0.000 description 3
- 206010006322 Breath holding Diseases 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 230000035622 drinking Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013123 lung function test Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003757 reverse transcription PCR Methods 0.000 description 2
- 210000002966 serum Anatomy 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 210000000115 thoracic cavity Anatomy 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001678559 COVID-19 virus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 230000037396 body weight Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012268 genome sequencing Methods 0.000 description 1
- 238000012826 global research Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000405 serological effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
-
- 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
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Neurology (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明提供一种用于检测新型冠状病毒COVID‑2019肺炎的方法及系统，属于生物医学和数据处理技术领域。本发明通过对非新冠肺炎患者进行呼气NO浓度检测，以及基本人体特征信息统计，建立呼气NO浓度与人体基本特征间的数学模型，再用该数学模型分析疑似新冠肺炎患者的呼气NO数据，从而判断受试者是否患病，有效解决了传统核酸检测取样造成的人体不适，具有成本低、快速、无损等优点，受试者无痛苦，顺从性好，因此特别适合应用于对疑似COVID‑19患者的大规模初筛工作，具有良好的实际应用之价值。
Description
技术领域
本发明属于生物医学和数据处理技术领域，具体涉及一种用于检测新型冠状病毒COVID-2019肺炎的方法及系统。
背景技术
公开该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不必然被视为承认或以任何形式暗示该信息构成已经成为本领域一般技术人员所公知的现有技术。
一种新型冠状病毒，国际病毒分类学委员会将其命名为“SARS-CoV-2”。这是目前在人体中发现的第七种冠状病毒。2020年2月11日，世界卫生组织在日内瓦召开的全球研究与创新论坛将新型冠状病毒导致的疾病正式命名为COVID-19。
根据当前新型冠状病毒肺炎诊疗方案(试行第七版)的规定，疑似病例同时具备以下病原学或血清学证据者之一：实时荧光RT-PCR检测新型冠状病毒核酸阳性、病毒基因测序，与已知新型冠状病毒高度同源、血清新型冠状病毒特异性IgM和IgG抗体阳性、血清新型冠状病毒特异性抗体IgG抗体由阴性转为阳性或恢复期较急性期4倍及以上升高，即可确诊为新型冠状病毒肺炎患者。但是发明人发现，采用实时荧光RT-PCR或者病毒基因组测序对技术、设备，操作人员的要求较高，且耗时较长，同时采样过程繁琐极易引起人体不适；而特异性抗体检测则需要较长窗口期。
发明内容
针对上述现有技术的不足，本发明提供一种用于检测新型冠状病毒 COVID-2019肺炎的方法及系统，本发明通过对非新冠肺炎患者进行呼气 NO浓度检测，以及基本人体特征信息统计，建立呼气NO浓度与人体基本特征间的数学模型，再用该数学模型分析疑似新冠肺炎患者的呼气NO数据，从而判断受试者是否患病。解决了传统核酸检测取样造成的人体不适，并且可以带来检测效率数量级的提高、正确率可以达到70％，因此可作为初筛用于广泛检测COVID-19。本发明检测成本低，速度快，因此具有良好的实际应用之价值。
本发明是通过如下技术方案实现的：
本发明的第一个方面，提供一种用于检测新型冠状病毒COVID-2019 肺炎的方法，所述检测方法包括：
获取受试者的人体基本体征信息和呼气NO浓度数据；
根据预先建立的非新型肺炎患者的人体基本体征信息和呼气NO浓度数据之间的关系，检测受试者是否患病。
所述受试者可以是新冠肺炎疑似患者。
其中，非新型肺炎患者的人体基本体征信息和呼气NO浓度数据之间关系的具体构建方法包括：基于算法建立非新冠肺炎患者呼气NO浓度数据和人体基本体征信息间的数学模型。
所述算法是本领域技术人员公知的。例如，学习统计分类系统包括能够适用于复杂数据集并且基于此类数据集做出决策的机器学习算法技术。
优选的，基于算法建立非新冠肺炎患者呼气NO浓度和人体基本体征间的数学模型具体方法包括：采用人工神经网络BP算法对采集到的数据进行反复训练，获得数学模型。
所述人工神经网络BP算法的神经网络共包含四层：输入层、第一隐藏层、第二隐藏层以及输出层。输入层为I个神经元，I的数目由输入的数据决定，中间两个隐藏层分别有J、K个神经元，J、K的个数可由学习结果自行调整，输出层神经元个数为L个，L由训练数据决定。
所述人体基本体征信息包括但不限于身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病等；
所述检测受试者是否患病具体方法为：将受试者基本体征信息和呼气 NO浓度数据导入上述构建获得的数学模型中，基于数学模型判断该受试者是否患病。
本发明的第二个方面，提供一种用于检测新型冠状病毒COVID-2019 肺炎的系统，所述检测系统至少包括：
数据处理模块，用于对受试者的医疗数据进行处理，以获得所述受试者的医疗特征数据，其中，所述医疗特征数据包括受试者呼气NO浓度数据和人体基本体征信息；
数据分析模块，用于通过预设分析模型处理所述医疗特征数据，以确定所述受试者的新冠肺炎检测结果；
所述预设分析模型，其是通过应用算法，建立非新冠肺炎患者的呼气 NO浓度数据和人体基本体征信息之间关系获得。
其中，NO浓度数据可通过呼出气NO检测仪获得；
所述基本体征信息包括但不限于身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病等；
所述算法是本领域技术人员公知的。例如，学习统计分类系统包括能够适用于复杂数据集并且基于此类数据集做出决策的机器学习算法技术。
本发明的一个具体实施方式中，学习统计学分类器系统是NN(例如人工NN等)；优选为人工神经网络BP算法。BP算法理论上可以逼近任意函数，其基本的结构由非线性变化单元组成，具有很强的非线性映射能力，网络层数以及各层数的神经元个数等都可以视情况自行调节，灵活性大，在本发明的应用中表现出了巨大的优势。
本发明的一个具体实施方式中，所述预设分析模型，其应用算法，建立非新冠肺炎患者的呼气NO浓度数据和人体基本体征信息间关系具体为采用人工神经网络BP算法对采集到的数据进行反复训练，获得上述预设分析模型。
所述人工神经网络BP算法的神经网络共包含四层：输入层、第一隐藏层、第二隐藏层以及输出层。输入层为I个神经元，I的数目由输入的数据决定，中间两个隐藏层分别有J、K个神经元，J、K的个数可由学习结果自行调整，输出层神经元个数为L个，L由训练数据决定。
本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的用于检测新型冠状病毒 COVID-2019肺炎的方法。
本发明的第四个方面，提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述用于检测新型冠状病毒COVID-2019 肺炎的方法。
以上一个或多个技术方案的有益技术效果：
上述技术方案提出的检测用于检测新型冠状病毒COVID-2019肺炎的方法及系统与一般疾病预测模型存在明显不同，其首先构建的是非新冠肺炎患者的呼气NO浓度与人体基本特征信息间的数学模型，即检测的指标参数并未直接与新冠肺炎疾病之间建立关系，然后将受试者的呼气NO浓度与人体基本特征信息导入该数学模型来诊断或辅助诊断是否为新冠肺炎患者。
上述技术方案具有成本低、快速、无损等优点，受试者无痛苦，顺从性好，因此特别适合应用于对疑似COVID-19患者的大规模初筛工作，具有良好的实际应用之价值。
附图说明
构成本发明的一部分的说明书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。
图1为本发明新型冠状病毒肺炎检测的流程示意图。
图2为本发明实施例1中呼气NO浓度与身高间的关系图。
图3为本发明实施例1中呼气NO浓度与体重间的关系图。
图4为本发明实施例1中呼气NO浓度与体重身高指数间的关系图。
图5为本发明实施例1中呼气NO浓度与体表面积间的关系图。
图6为本发明实施例1中呼气NO浓度与年龄间的关系图。
图7为本发明实施例1中采用的神经网络模型。
图8为本发明实施例1中建立的非新冠患者呼气NO浓度与身高、体重间的函数模型图以及基于该模型检测新型冠状病毒肺炎患者的检测效果图；其中，(a)为建立的呼气NO浓度与身高、体重间的函数关系图，(b)为采用该模型检测新型冠状病毒肺炎患者的检测效果图。
图9为本发明实施例2中建立的非新冠患者呼气NO浓度与身高、体重、体重身高指数、体表面积、年龄、性别间的函数关系图和基于该模型检测新型冠状病毒肺炎患者的检测效果图；其中，(a)为建立的呼气NO浓度与身高、体重、体重身高指数、体表面积、年龄、性别间的函数关系图，(b)为采用该模型检测新型冠状病毒肺炎患者的检测效果图。
图10为本发明实施案例1中采用机器学习中的主成分分析(PCA)方法对患 COVID-19病和非患病进行分类的结果图。1代表健康，2代表患病。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。应理解，本发明的保护范围不局限于下述特定的具体实施方案；还应当理解，本发明实施例中使用的术语是为了描述特定的具体实施方案，而不是为了限制本发明的保护范围。
本发明的一个具体实施方式中，提供一种用于检测新型冠状病毒 COVID-2019肺炎的方法，所述检测方法包括：
获取受试者的人体基本体征信息和呼气NO浓度数据；
根据预先建立的非新型肺炎患者的人体基本体征信息和呼气NO浓度数据之间的关系，检测受试者是否患病。
在一些实施方式中，所述受试者可以是新冠肺炎疑似患者。
在一些实施方式中，非新型肺炎患者的基本体征信息和呼气NO浓度数据之间关系的具体构建方法包括：基于算法建立非新冠肺炎患者呼气NO浓度数据和人体基本体征信息间的数学模型。
在一些实施方式中，人体基本体征信息包括但不限于身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病等。
所述算法是本领域技术人员公知的。例如，学习统计分类系统包括能够适用于复杂数据集并且基于此类数据集做出决策的机器学习算法技术。
在一些实施方式中，使用单一学习统计分类系统例如分类树(例如，随机森林)。在其它实施方式中，也可以使用2、3、4、5、6、7、8、9、10种或更多学习统计分类系统的组合，优选以串联方式。
学习统计分类系统的实例统计学算法是学习统计学分类器系统。学习统计学分类器系统可以选自随机森林(RF)、分类和回归树(C&RT)、boosted 树、神经网络(NN)、支持向量机(SVM)、一般卡方自动交互式检测器模型(general chi-squared automaticinteraction detector model)、交互树(interactive tree)、多元自适应回归样条(mutiadaptive regression spline)、机器学习分类器、及其组合。
在一些实施方式中，学习统计学分类器系统是NN(例如人工NN等)；优选为人工神经网络BP算法。BP算法理论上可以逼近任意函数，其基本的结构由非线性变化单元组成，具有很强的非线性映射能力，网络层数以及各层数的神经元个数等都可以视情况自行调节，灵活性大，在本发明的应用中表现出了巨大的优势。
所述人工神经网络BP算法的神经网络共包含四层：输入层、第一隐藏层、第二隐藏层以及输出层。输入层为I个神经元，I的数目由输入的数据决定，中间两个隐藏层分别有J、K个神经元，J、K的个数可由学习结果自行调整，输出层神经元个数为L个，L由训练数据决定。
在一些实施方式中，所述检测受试者是否患病具体方法为：将受试者基本体征信息和呼气NO浓度数据导入上述构建获得的数学模型中，基于数学模型判断该受试者是否患病。
在一些实施方式中，提供一种用于检测新型冠状病毒COVID-2019肺炎的方法，包括：采集非新冠肺炎患者的人体基本体征信息，包括身高、体重、年龄、性别、血型有无吸烟史、有无其他肺部或呼吸道疾病等，然后测试非新冠肺炎患者的的呼气NO浓度数据，利用人工神经网络BP算法建立非新冠肺炎患者呼气NO浓度数据和人体基本体征信息间的函数关系模型；然后采集疑似新冠肺炎患者的基本人体体征信息以及测试疑似患者的呼气NO 浓度，利用训练好的呼气NO浓度与人体基本特征间的基本函数模型分析疑似患者的数据，比较受试者实际呼气NO浓度和预测呼气NO浓度，最后得出该疑似患者是否患病。
其中非新冠肺炎患者信息采集的时候要注意严格排除新冠肺炎患者。呼气NO浓度的测定需要严格遵照美国胸科学会(ATS)与欧洲呼吸学会(ERS) 2005年共同制定的技术标准。
饮食方面：要求测试者前3小时不得饮食；环境方面：要求测试者测试时避免吸入NO>10ppb的空气。
其他方面：测试前1小时不得吸烟、饮酒，避免运动或做其他肺部功能检测或其他检测，除此之外测试时还应避免漏气、换气、憋气以及喷口水等。
关于仪器方面，测试时需要监控呼气压力、时间以及流速，呼出气NO 检测仪的检测限要低于5ppb，分析准确性/重复性小于等于5(10)ppb或 10％(20％)。仪器必须定期及时标定，保证仪器的准确性与稳定性。
本发明的一个具体实施方式中，提供一种用于检测新型冠状病毒 COVID-2019肺炎的系统，所述检测系统至少包括：
数据处理模块，用于对受试者的医疗数据进行处理，以获得所述受试者的医疗特征数据，其中，所述医疗特征数据包括受试者呼气NO浓度数据和人体基本体征信息；
数据分析模块，用于通过预设分析模型处理所述医疗特征数据，以确定所述受试者的新冠肺炎检测结果；
所述预设分析模型，其是通过应用算法，建立非新冠肺炎患者的呼气NO浓度数据和人体基本体征信息之间关系获得。
在一些实施方式中，NO浓度数据可通过呼出气NO检测仪获得；
在一些实施方式中，所述基本体征信息包括但不限于身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病等。
在一些实施方式中，所述算法是本领域技术人员公知的。例如，学习统计分类系统包括能够适用于复杂数据集并且基于此类数据集做出决策的机器学习算法技术。
在一些实施方式中，使用单一学习统计分类系统例如分类树(例如，随机森林)。在其它实施方式中，也可以使用2、3、4、5、6、7、8、9、10种或更多学习统计分类系统的组合，优选以串联方式。
学习统计分类系统的实例统计学算法是学习统计学分类器系统。学习统计学分类器系统可以选自随机森林(RF)、分类和回归树(C&RT)、boosted 树、神经网络(NN)、支持向量机(SVM)、一般卡方自动交互式检测器模型(general chi-squared automaticinteraction detector model)、交互树 (interactive tree)、多元自适应回归样条(mutiadaptive regression spline)、机器学习分类器、及其组合。
在一些实施方式中，学习统计学分类器系统是NN(例如人工NN等)；优选为人工神经网络BP算法。BP算法理论上可以逼近任意函数，其基本的结构由非线性变化单元组成，具有很强的非线性映射能力，网络层数以及各层数的神经元个数等都可以视情况自行调节，灵活性大，在本发明的应用中表现出了巨大的优势。
在一些实施方式中，所述预设分析模型，其应用算法，建立非新冠肺炎患者的呼气NO浓度数据和人体基本体征信息间关系具体为采用人工神经网络BP算法对采集到的数据进行反复训练，获得上述预设分析模型。
所述人工神经网络BP算法的神经网络共包含四层：输入层、第一隐藏层、第二隐藏层以及输出层。输入层为I个神经元，I的数目由输入的数据决定，中间两个隐藏层分别有J、K个神经元，J、K的个数可由学习结果自行调整，输出层神经元个数为L个，L由训练数据决定。
本发明的一个具体实施方式中，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的用于检测新型冠状病毒COVID-2019肺炎的方法。
本发明的一个具体实施方式中，提供一种电子设备，包括：
存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-5任一项用于检测新型冠状病毒 COVID-2019肺炎的方法。
以下通过实施例对本发明做进一步解释说明，但不构成对本发明的限制。应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。另外，实施例中未详细说明的生物学方法均为本领域常规的方法，具体操作可参看生物指南或产品说明书。下述实施例在华中科技大学同济医学院附属梨园医院进行，于2020年3月7号开始采集，包括24个未患COVID-19的样本和 71个罹患COVID-19的样本。记录了他们的身高、体重、年龄、性别、血型、患病时间、有无其他肺部疾病等信息。然后通过对样本进行处理得到了分析的结果。呼气NO浓度的测定需要严格遵照美国胸科学会(ATS)与欧洲呼吸学会(ERS)2005年共同制定的技术标准。饮食方面：要求测试者前 3小时不得饮食；环境方面：要求测试者测试时避免吸入NO>10ppb的空气。其他方面：测试前1小时不得吸烟、饮酒，避免运动或做其他肺部功能检测或其他检测，除此之外测试时还应避免漏气、换气、憋气以及喷口水等。关于仪器方面，测试时需要监控呼气压力、时间以及流速，呼出气NO检测仪的检测限要低于5ppb，分析准确性/重复性小于等于5(10)ppb或10％ (20％)。仪器必须定期及时标定，保证仪器的准确性与稳定性。
实施例1
首先采集非新冠肺炎患者的基本体征信息并测得呼气NO浓度。NO浓度测试参数设置及流程为：
NO浓度由呼出气NO检测仪在室温，相对湿度范围不大于80％的环境下测试得到。测试人员分别记录了非新冠肺炎患者人群的身高、体重、年龄、性别等基本体征信息，同时测量了呼出气中NO浓度等信息。
测试人员同时测定了新冠肺炎患者人群的身高、体重、年龄、性别等，同时也测量了他们的呼出气中NO浓度等信息。
采用如图7所示的BP神经网络对采集到的数据进行训练。该神经网络共包含四层：输入层、第一隐藏层、第二隐藏层以及输出层。输入层为I 个神经元，I的数目由输入的数据决定，中间两个隐藏层分别有J、K个神经元，J、K的个数可由学习结果自行调整，输出层神经元个数为L个，L 由训练数据决定。在进行神经网络训练的过程中，需要进行平行多次反复训练，最后取可靠的结果作为最终的数学模型。
图8中(a)是本发明采用非新冠肺炎患者人群身高、体重为描述符建立的呼气NO浓度数学模型，由图可得，训练精度的相关系数达到了R＝0.913。图8中(b)是采用该模型判定疑似冠状病毒肺炎患者的示意图。由模拟结果可得该模型鉴定正确率可达到78.6％。
实施例2
首先采集非新冠肺炎患者的基本体征信息并测得呼气NO浓度。NO浓度测试参数设置及流程为：
NO浓度由呼出气NO检测仪在室温，相对湿度范围不大于80％的环境下测试得到。测试人员分别记录了非新冠肺炎患者人群的身高、体重、年龄、性别等基本体征信息，同时测量了呼出气中NO浓度等信息。
测试人员同时测定了新冠肺炎患者人群的身高、体重、年龄、性别等，同时也测量了他们的呼出气中NO浓度等信息。
采用如图7所示的BP神经网络对采集到的数据进行训练。该神经网络共包含四层：输入层、第一隐藏层、第二隐藏层以及输出层。输入层为I 个神经元，I的数目由输入的数据决定，中间两个隐藏层分别有J、K个神经元，J、K的个数可由学习结果自行调整，输出层神经元个数为L个，L 由训练数据决定。在进行神经网络训练的过程中，需要进行平行多次反复训练，最后取可靠的结果作为最终的数学模型。图9中(a)是本发明采用非新冠肺炎患者人群身高、体重、体重身高指数、体表面积、年龄、性别为描述符建立的呼气NO浓度数学模型，训练精度高达R＝1。图9中(b)是采用该训练模型检测冠状病毒肺炎患者。由此得到检测正确率为71.4％
采用机器学习中的PCA分类方法对是否患病进行了分类，如图10所示，PCA方法并不适用于本申请技术方案。这也进一步说明了BP算法在本发明中的优越性。
在另一实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如图1所示的检测新型冠状病毒 COVID-2019肺炎方法中的步骤。
在另一实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1所示的检测新型冠状病毒COVID-2019肺炎方法中的步骤。
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、系统、或计算机程序产品。因此，本发明可采用硬件实施例、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和光学存储器等)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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体 (Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory， RAM)等。
应注意的是，以上实例仅用于说明本发明的技术方案而非对其进行限制。尽管参照所给出的实例对本发明进行了详细说明，但是本领域的普通技术人员可根据需要对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种用于检测新型冠状病毒COVID-2019肺炎的方法，其特征在于，所述检测方法包括：
获取受试者的人体基本体征信息和呼气NO浓度数据；
根据预先建立的非新型肺炎患者的人体基本体征信息和呼气NO浓度数据之间的关系，检测受试者是否患病。
2.如权利要求1所述的用于检测新型冠状病毒COVID-2019肺炎的方法，其特征在于，所述受试者是新冠肺炎疑似患者。
3.如权利要求1所述的用于检测新型冠状病毒COVID-2019肺炎的方法，其特征在于，非新型肺炎患者的人体基本体征信息和呼气NO浓度数据之间关系的具体构建方法包括：基于算法建立非新冠肺炎患者呼气NO浓度数据和人体基本体征信息间的数学模型；
优选的，基于算法建立非新冠肺炎患者呼气NO浓度和人体基本体征信息间的数学模型具体方法包括：采用人工神经网络BP算法对采集到的数据进行反复训练，获得数学模型。
4.如权利要求1所述的用于检测新型冠状病毒COVID-2019肺炎的方法，其特征在于，所述人体基本体征信息包括身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病。
5.如权利要求1所述的用于检测新型冠状病毒COVID-2019肺炎的方法，其特征在于，所述检测受试者是否患病具体方法为：将受试者基本体征信息和呼气NO浓度数据导入构建获得的数学模型中，基于数学模型判断该受试者是否患病。
6.一种用于检测新型冠状病毒COVID-2019肺炎的系统，其特征在于，所述检测系统至少包括：
数据处理模块，用于对受试者的医疗数据进行处理，以获得所述受试者的医疗特征数据，其中，所述医疗特征数据包括受试者呼气NO浓度数据和人体基本体征信息；
数据分析模块，用于通过预设分析模型处理所述医疗特征数据，以确定所述受试者的新冠肺炎检测结果；
所述预设分析模型，其是通过应用算法，建立非新冠肺炎患者的呼气NO浓度数据和人体基本体征信息之间关系获得。
7.如权利要求6所述的用于检测新型冠状病毒COVID-2019肺炎的系统，其特征在于，所述基本体征信息包括身高、体重、年龄、性别、体重身高指数、体表面积、血型、有无吸烟史、有无其他肺部或呼吸道疾病。
8.如权利要求6所述的用于检测新型冠状病毒COVID-2019肺炎的系统，其特征在于，所述预设分析模型，其应用算法，建立非新冠肺炎患者的呼气NO浓度数据和人体基本体征信息间关系具体为采用人工神经网络BP算法对采集到的数据进行反复训练，获得预设分析模型。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-5任一项所述用于检测新型冠状病毒COVID-2019肺炎的方法。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-5任一项用于检测新型冠状病毒COVID-2019肺炎的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010365814.0A CN111413492A (zh) | 2020-04-30 | 2020-04-30 | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 |
| PCT/CN2020/090909 WO2021217747A1 (zh) | 2020-04-30 | 2020-05-18 | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010365814.0A CN111413492A (zh) | 2020-04-30 | 2020-04-30 | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111413492A true CN111413492A (zh) | 2020-07-14 |
Family
ID=71492320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010365814.0A Pending CN111413492A (zh) | 2020-04-30 | 2020-04-30 | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111413492A (zh) |
| WO (1) | WO2021217747A1 (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862075A (zh) * | 2020-07-30 | 2020-10-30 | 西南医科大学 | 一种基于深度学习的肺部图像分析系统及其分析方法 |
| CN111951964A (zh) * | 2020-07-30 | 2020-11-17 | 山东大学 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
| CN113140326A (zh) * | 2020-12-31 | 2021-07-20 | 上海明品医学数据科技有限公司 | 一种新冠肺炎检测装置、干预装置及检测干预系统 |
| CN114983352A (zh) * | 2021-03-01 | 2022-09-02 | 浙江远图互联科技股份有限公司 | 一种基于注意力机制的新冠肺炎识别方法及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102469954A (zh) * | 2009-07-30 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 确定呼出一氧化氮的方法和设备 |
| CN102507358A (zh) * | 2011-12-05 | 2012-06-20 | 中铁第五勘察设计院集团有限公司 | 动态变形模量测试仪校准装置 |
| CN104833600A (zh) * | 2015-05-21 | 2015-08-12 | 江苏理工学院 | 一种用于测试材料的疲劳强度的试验方法 |
| CN108318590A (zh) * | 2017-12-25 | 2018-07-24 | 浙江大学 | 基于采用呼出气体标记物谱的常见病原菌感染所致的肺炎的诊断系统 |
| CN108742630A (zh) * | 2018-07-05 | 2018-11-06 | 河北工业大学 | 一种呼气纳米传感健康预警系统及实现方法 |
| DE102017209909A1 (de) * | 2017-06-13 | 2018-12-13 | Robert Bosch Gmbh | Mundstück, System und Verfahren für eine Freigabe einer Messung von Analyten in Ausatemluft |
| WO2019099946A1 (en) * | 2017-11-17 | 2019-05-23 | Renovion, Inc. | Stable ascorbic acid compositions and methods of using the same |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111074005A (zh) * | 2020-01-17 | 2020-04-28 | 西安博睿康宁生物医学中心有限公司 | 一种检测2019新型冠状病毒的双靶位点反转录荧光pcr引物、探针及试剂盒 |
| CN111057797B (zh) * | 2020-01-19 | 2020-09-15 | 华中科技大学同济医学院附属同济医院 | 新型冠状病毒2019-nCoV实时荧光定量PCR检测引物和探针、试剂盒和方法 |
| CN110982944A (zh) * | 2020-03-03 | 2020-04-10 | 中国农业科学院北京畜牧兽医研究所 | 新型冠状病毒可视化恒温快速检测试剂盒 |
-
2020
- 2020-04-30 CN CN202010365814.0A patent/CN111413492A/zh active Pending
- 2020-05-18 WO PCT/CN2020/090909 patent/WO2021217747A1/zh active Application Filing
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102469954A (zh) * | 2009-07-30 | 2012-05-23 | 皇家飞利浦电子股份有限公司 | 确定呼出一氧化氮的方法和设备 |
| CN102507358A (zh) * | 2011-12-05 | 2012-06-20 | 中铁第五勘察设计院集团有限公司 | 动态变形模量测试仪校准装置 |
| CN104833600A (zh) * | 2015-05-21 | 2015-08-12 | 江苏理工学院 | 一种用于测试材料的疲劳强度的试验方法 |
| DE102017209909A1 (de) * | 2017-06-13 | 2018-12-13 | Robert Bosch Gmbh | Mundstück, System und Verfahren für eine Freigabe einer Messung von Analyten in Ausatemluft |
| WO2019099946A1 (en) * | 2017-11-17 | 2019-05-23 | Renovion, Inc. | Stable ascorbic acid compositions and methods of using the same |
| CN108318590A (zh) * | 2017-12-25 | 2018-07-24 | 浙江大学 | 基于采用呼出气体标记物谱的常见病原菌感染所致的肺炎的诊断系统 |
| CN108742630A (zh) * | 2018-07-05 | 2018-11-06 | 河北工业大学 | 一种呼气纳米传感健康预警系统及实现方法 |
Non-Patent Citations (16)
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111862075A (zh) * | 2020-07-30 | 2020-10-30 | 西南医科大学 | 一种基于深度学习的肺部图像分析系统及其分析方法 |
| CN111951964A (zh) * | 2020-07-30 | 2020-11-17 | 山东大学 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
| WO2022021664A1 (zh) * | 2020-07-30 | 2022-02-03 | 山东大学 | 一种快速检测新型冠状病毒肺炎的方法及系统 |
| CN113140326A (zh) * | 2020-12-31 | 2021-07-20 | 上海明品医学数据科技有限公司 | 一种新冠肺炎检测装置、干预装置及检测干预系统 |
| CN114983352A (zh) * | 2021-03-01 | 2022-09-02 | 浙江远图互联科技股份有限公司 | 一种基于注意力机制的新冠肺炎识别方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021217747A1 (zh) | 2021-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111413492A (zh) | 一种用于检测新型冠状病毒covid-2019肺炎的方法及系统 | |
| Kumar et al. | A novel multimodal fusion framework for early diagnosis and accurate classification of COVID-19 patients using X-ray images and speech signal processing techniques | |
| Kazeminejad et al. | The importance of anti-correlations in graph theory based classification of autism spectrum disorder | |
| CN106725532A (zh) | 基于语音特征与机器学习的抑郁症自动评估系统和方法 | |
| JP2011516046A5 (zh) | ||
| CN112331344B (zh) | 免疫状态评估方法及应用 | |
| CN112786203A (zh) | 一种机器学习糖尿病视网膜病变发病风险预测方法及应用 | |
| CN112466402A (zh) | 一种使用血液标志物预测年龄的方法 | |
| CN113539475A (zh) | 一种仅使用血常规检验数据的疾病筛查和诊断方法 | |
| CN111951964A (zh) | 一种快速检测新型冠状病毒肺炎的方法及系统 | |
| Infante et al. | Classification of voluntary coughs applied to the screening of respiratory disease | |
| CN109223006A (zh) | 一种精神分裂症诊断系统 | |
| Asl et al. | The assessment of alexithymia across positive and negative emotions: The psychometric properties of the Iranian version of the Perth alexithymia questionnaire | |
| 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 | |
| CN111175480A (zh) | 一种血液生化指标计算性别和年龄的方法 | |
| JP5963198B2 (ja) | 動的ネットワークバイオマーカーの検出装置、検出方法及び検出プログラム | |
| KR101785788B1 (ko) | 호흡가스 분석에 기반하여 미병 분류를 보조하는 컴퓨팅 시스템 및 방법 | |
| CN113796873A (zh) | 穿戴式动态心电信号分类方法及系统 | |
| CN117936077A (zh) | 一种智能分析血常规检验数据在血流变预测中的应用 | |
| JP2023145811A (ja) | 学習モデルの生成方法、プログラム、演算装置 | |
| CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
| Shapiro | Guidelines for developing and testing clinical decision rules | |
| EP2743852A1 (en) | Use of artificial neuronal networks for detecting the formation of kidney stones and for ascertaining the composition of said stones | |
| JP6948722B2 (ja) | 検出装置及び検出プログラム | |
| Wilson | Advanced methods for teaching electronic-nose technologies to diagnosticians and clinical laboratory technicians |
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: 20200714 |
|
| RJ01 | Rejection of invention patent application after publication |