CN111540464A - 一种基于认知学习的生猪健康监测系统及其使用方法 - Google Patents
一种基于认知学习的生猪健康监测系统及其使用方法 Download PDFInfo
- Publication number
- CN111540464A CN111540464A CN202010181062.2A CN202010181062A CN111540464A CN 111540464 A CN111540464 A CN 111540464A CN 202010181062 A CN202010181062 A CN 202010181062A CN 111540464 A CN111540464 A CN 111540464A
- Authority
- CN
- China
- Prior art keywords
- disease
- pig
- module
- information
- case
- 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
- 230000036541 health Effects 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 15
- 201000010099 disease Diseases 0.000 claims abstract description 155
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 155
- 208000024891 symptom Diseases 0.000 claims abstract description 110
- 241000282898 Sus scrofa Species 0.000 claims abstract description 99
- 230000003449 preventive effect Effects 0.000 claims abstract description 20
- 208000012153 swine disease Diseases 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 10
- 238000009395 breeding Methods 0.000 claims description 17
- 230000001488 breeding effect Effects 0.000 claims description 17
- 238000011161 development Methods 0.000 claims description 11
- 230000031864 metaphase Effects 0.000 claims description 8
- 235000019789 appetite Nutrition 0.000 claims description 6
- 230000036528 appetite Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011081 inoculation Methods 0.000 claims description 6
- 230000003340 mental effect Effects 0.000 claims description 6
- 206010011224 Cough Diseases 0.000 claims description 3
- 206010011985 Decubitus ulcer Diseases 0.000 claims description 3
- 206010012735 Diarrhoea Diseases 0.000 claims description 3
- 206010037660 Pyrexia Diseases 0.000 claims description 3
- 206010047700 Vomiting Diseases 0.000 claims description 3
- 235000016709 nutrition Nutrition 0.000 claims description 3
- 230000035764 nutrition Effects 0.000 claims description 3
- 235000003715 nutritional status Nutrition 0.000 claims description 3
- 230000008673 vomiting Effects 0.000 claims description 3
- 206010061428 decreased appetite Diseases 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 241000282887 Suidae Species 0.000 description 10
- 230000000087 stabilizing effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000035143 Bacterial infection Diseases 0.000 description 1
- 206010060891 General symptom Diseases 0.000 description 1
- 208000030852 Parasitic disease Diseases 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 208000010643 digestive system disease Diseases 0.000 description 1
- 208000022602 disease susceptibility Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 235000021266 loss of appetite Nutrition 0.000 description 1
- 208000019017 loss of appetite Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015277 pork Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种基于认知学习的生猪健康监测系统及其使用方法，包括疾病数据库、疾病知识库、输入模块、匹配模块、改写模块和输出模块；疾病数据库生成历史病例进行分类储存；疾病知识库保存记录猪病的名称、猪病各阶段表现症状信息和预防措施，并建立基于症状的事件树；输入模块用于用户录入当前病例；匹配模块将当前病例与疾病数据库已保存的历史病例的内容进行匹配，将匹配结果分别发送至疾病知识库以及输出模块或者改写模块中；改写模块列出可能的进一步的匹配结果，发送到输出模块中；输出模块根据匹配模块输出的上述匹配结果、疾病知识库中猪病各阶段表现症状信息和预防措施，生成结论信息并向用户发送。
Description
技术领域
本发明涉及生猪养殖健康监测技术领域，尤其涉及一种基于认知学习的生猪健康监测系统及其使用方法。
背景技术
我国是生猪生产和消费大国，生猪的饲养量约占全球一半，猪肉消费量也较大，所以稳定生猪生产发展，对保障人民群众的生活、稳定物价、保持经济平稳运行和社会大局稳定都具有重要的意义。
生猪育龄周期中，受季节、环境、饲养方式以及流行病影响，容易多发流行性传染病、寄生虫病、消化系统疾病、细菌性疾病等影响，生猪生长发育易受较大影响甚至死亡。由于常见疾病早期或者中期均有显著的外在症状，因此有必要建立一种生猪健康监测系统，以便对生猪生长过程中的普适病例进行搜集，并通过合理的推理分析，在疾病易感时期及时向用户发出预警，降低系统用户的经济损失。
发明内容
有鉴于此，本发明提出了一种基于事件树和历史生猪病例推理进行认知学习的生猪健康监测系统及其使用方法。
本发明的技术方案是这样实现的：
一方面，本发明提供了一种基于认知学习的生猪健康监测系统，包括疾病数据库、疾病知识库、输入模块、匹配模块、改写模块和输出模块；
其中，疾病数据库搜集各种不同的生猪养殖的生猪养殖条件下的猪病症状特征信息，并分别按猪病症状特征信息生成历史病例进行分类储存；
疾病知识库保存记录猪病的名称、猪病各阶段表现症状信息和预防措施，并将具有同一初始症状的疾病分别建立基于症状的事件树；
输入模块用于用户录入包括生猪养殖条件信息和生猪表现症状信息的当前病例信息；
匹配模块将输入模块录入的当前病例信息与疾病数据库已保存的历史病例的内容进行匹配，将匹配结果分别发送至疾病知识库以及输出模块或者改写模块中；
改写模块根据匹配结果和疾病知识库的内容，根据基于症状的事件树的末端节点的严重程度按顺序列出可能的进一步的匹配结果，并将匹配结果发送到输出模块中；
输出模块根据匹配模块输出的上述匹配结果、疾病知识库中猪病各阶段表现症状信息和预防措施，生成结论信息并向用户发送；输出模块还将经过验证的改写模块的进一步的匹配结果生产新的病例发送至疾病数据库中保存。
在以上技术方案的基础上，优选的，所述输入模块录入的生猪养殖条件信息包括气候环境、生猪品种、生猪性别、养殖方式、营养状况、日龄、接种史和病史各参数及其权值；输入模块录入的生猪表现症状信息包括生猪体表状况、生猪食欲状况、生猪卧姿状况和生猪精神状况参数及其权值。
进一步优选的，所述具有同一初始症状的疾病分别建立基于症状的事件树，是将具有同一中期症状疾病归为一类，以该中期症状作为初始事件，按照后续症状的时间顺序自左向右绘制以该中期症状为起点的事件树；事件树后续节点对应一继发的后期症状，直到事件树的所有末端节点对应症状最终对应的疾病，且事件树末端节点对应的疾病的严重度或者致命性从上至下依次降低。
更进一步优选的，所述事件树起点的中期症状为发热、拉稀、呕吐、食欲不振、侧卧卧姿或者咳嗽中的一种。
再进一步优选的，所述匹配模块是将当前病例与疾病数据库的历史病例的各项内容逐项对比；匹配度计算公式如下：
上式中，表示历史案例c与当前案例c'的匹配度；Wi为案例中各参数的权值； Xi和Yi分别表示历史案例c与当前案例c'中各参数归一化后的数值；当 D(c,c')>0.90时，表示历史案例c与当前案例c'最相似，即完全匹配，匹配结果分别发送到输出模块和疾病知识库中；当D(c,c')≤0.90时，表示历史案例c与当前案例c'完全不相同，匹配结果分别发送到改写模块和疾病知识库中。
更进一步的优选的，所述改写模块利用疾病知识库中预设的基于症状的事件树结合当前案例的中期症状，对当前案例可能的发展趋势进行预测，将初始事件的发生概率分别乘以各后续节点各分支处的发生概率从而得到各末端节点的发生概率；并将末端节点发生概率大于0.3的各末端节点对应疾病预测结果发送至输出模块。
更进一步的优选的，所述结论信息包括当前案例与历史案例的匹配度、当前案例可能的发展趋势和预防措施信息。
另一方面，本发明提供了一种基于认知学习的生猪健康监测系统的使用方法，包括以下步骤：
S1：配置疾病数据库、疾病知识库、输入模块、匹配模块、改写模块和输出模块；
S2：获取气候环境、生猪品种、生猪性别、养殖方式、营养状况、日龄、接种史、病史、生猪体表状况、生猪食欲状况、生猪卧姿状况和生猪精神状况参数及其权值，在疾病数据库构建生猪的历史病例；疾病知识库记录猪病的名称、猪病各阶段表现症状信息和预防措施，并将具有同一初始症状的疾病分别建立基于症状的事件树；
S3：用户通过输入模块交互输入当前生猪病例信息；
S4：匹配模块将当前病例与疾病数据库的历史病例的各项内容逐项对比，进行匹配度计算，匹配度>0.90时，表示当前病例与存储在疾病数据库中的历史病例完全相同，疾病知识库将对应症状的疾病的名称、猪病各阶段表现症状信息和预防措施发送给输出模块生产结论信息，返回用户参考；匹配度≤0.90时，执行步骤S5；
S5：改写模块利用疾病知识库中预设的基于症状的事件树结合当前案例的中期症状，对当前案例可能的发展趋势进行预测，将初始事件的发生概率分别乘以各后续节点各分支处的发生概率从而得到各末端节点的发生概率；并将末端节点发生概率大于0.3的各末端节点对应疾病预测结果发送至输出模块，末端节点发生概率大于0.3的各末端节点对应疾病将被舍弃；
S6：疾病知识库将步骤S5中预测疾病对应症状的疾病的名称、猪病各阶段表现症状信息和预防措施发送给输出模块生产结论信息，返回用户参考；
S7：上一步骤中验证后的最终结果会由改写模块生成新的病例发送到疾病数据库中形成历史病例进行保存。
本发明提供的一种基于认知学习的生猪健康监测系统及其使用方法，相对于现有技术，具有以下有益效果：
(1)本发明通过分别建立疾病数据库和疾病知识库，先进行快速匹配，在快速匹配无法得到确切结果时利用基于症状的事件树进行二次的匹配，通过计算寻找疾病与症状之间的因果关系，来预测不同环境气候和养殖条件下的生猪的患病概率，达到预测和分析的目的；
(2)匹配模块能够寻找疾病数据库内的历史病例进行快速的匹配度计算，高匹配度的当前病例可以与相似或相同的历史病例合并，从而直接从疾病数据库中寻找相应的记录，并从疾病知识库获取相应的疾病的患病概率及预防方法；
(3)与历史病例不符的当前病例进一步通过改写模块结合事件树进行患病概率的进一步计算，得到可能的疾病预测结果；
(4)经验证后的疾病经改写模块生成新的病例作为历史病例存储在疾病数据库，完成自我学习的循环，以提高系统的可靠性和准确性。
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为本发明一种基于认知学习的生猪健康监测系统及其使用方法的系统框图；
图2为本发明一种基于认知学习的生猪健康监测系统及其使用方法的疾病知识库中构建的基于症状的事件树一种结构示意图。
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，本发明提供了一种基于认知学习的生猪健康监测系统，其包括疾病数据库、疾病知识库、输入模块、匹配模块、改写模块和输出模块；
其中，疾病数据库搜集各种不同的生猪养殖的生猪养殖条件下的猪病症状特征信息，并分别按猪病症状特征信息生成历史病例进行分类储存；
疾病知识库保存记录猪病的名称、猪病各阶段表现症状信息和预防措施，并将具有同一初始症状的疾病分别建立基于症状的事件树；
输入模块用于用户录入包括生猪养殖条件信息和生猪表现症状信息的当前病例信息；
匹配模块将输入模块录入的当前病例信息与疾病数据库已保存的历史病例的内容进行匹配，将匹配结果分别发送至疾病知识库以及输出模块或者改写模块中；
改写模块根据匹配结果和疾病知识库的内容，根据基于症状的事件树的末端节点的严重程度按顺序列出可能的进一步的匹配结果，并将匹配结果发送到输出模块中；
输出模块根据匹配模块输出的上述匹配结果、疾病知识库中猪病各阶段表现症状信息和预防措施，生成结论信息并向用户发送；输出模块还将经过验证的改写模块的进一步的匹配结果生产新的病例发送至疾病数据库中保存。
上述的输入模块录入的生猪养殖条件信息包括气候环境、生猪品种、生猪性别、养殖方式、营养状况、日龄、接种史和病史各参数及其权值；输入模块录入的生猪表现症状信息包括生猪体表状况、生猪食欲状况、生猪卧姿状况和生猪精神状况参数及其权值。可以按照上述顺序将各信息进行依次排列，形成顺序记录的历史病例的各项内容。后续对比时，也可按此顺序依次对比。
上述疾病知识库中的具有同一初始症状的疾病分别建立基于症状的事件树，是将具有同一中期症状疾病归为一类，以该中期症状作为初始事件，按照后续症状的时间顺序自左向右绘制以该中期症状为起点的事件树；事件树后续节点对应一继发的后期症状，直到事件树的所有末端节点对应症状最终对应的疾病，且事件树末端节点对应的疾病的严重度或者致命性从上至下依次降低。
事件树起点的中期症状为发热、拉稀、呕吐、食欲不振、侧卧卧姿或者咳嗽中的一种。事件树起点的症状遵循以下5个原则：1、主要症状与次要症状，以主要症状作为事件树的起点；2、多数猪的症状与少数猪的症状，以多数猪的症状作为事件树的起点；3、发病早、晚期症状与中期症状，以中期症状作为事件树的起点；4、固有症状和偶发症状，以固有症状作为事件树的起点；5、特殊症状与一般症状，以特殊症状作为事件树的起点。以上原则可以尽量提高事件树的准确性。
匹配模块是将当前病例与疾病数据库的历史病例的各项内容逐项对比；匹配度计算公式如下：
上式中，表示历史案例c与当前案例c'的匹配度；Wi为案例中各参数的权值； Xi和Yi分别表示历史案例c与当前案例c'中各参数归一化后的数值；当 D(c,c')>0.90时，表示历史案例c与当前案例c'最相似，即存在相同或者相似的案例可以完全匹配，匹配结果分别发送到输出模块和疾病知识库中；当 D(c,c')≤0.90时，表示历史案例c与当前案例c'完全不相同，匹配结果分别发送到改写模块和疾病知识库中。针对不同类型的疾病，不同参数的权值不必不同。
如图2所示，改写模块利用疾病知识库中预设的基于症状的事件树结合当前案例的中期症状，对当前案例可能的发展趋势进行预测，将初始事件的发生概率分别乘以各后续节点各分支处的发生概率从而得到各末端节点的发生概率；并将末端节点发生概率大于0.3的各末端节点对应疾病预测结果发送至输出模块。通过设置阈值0.3，可以缩小疾病的排查的范围。小于该阈值的计算结果将被舍弃。如图所示，如果初始状态的发病概率为IN1，第一个后续节点发病概率为1T，第一个后续节点不发病概率为1F；以此类推，后续第二、第三和第四节点发病概率分别为2T、3T和4T，后续第二、第三和第四节点不发病概率分别为2F、3F和4F。那么根据致命性或者严重度排名，结论OUT1的发病概率为IN1×1T×2T×3T×4T；结论OUT2的发病概率为IN1×1T×2T×3T×4F；结论OUT3的发病概率为IN1×1T×2T×3F；结论OUT4的发病概率为IN1× 1T×2F；结论OUT5的发病概率为IN1×1F。以上是具有4个后续节点的事件树的计算方式。当然后续节点可以根据需要增加或减少。通过筛选上述结论发病概率较高的事件树分支，如果均大于0.3，则可选取概率得分最高的5个分支，作为结论，进行后续的进一步验证，反过来调整事件树各后续节点的发病概率。
结论信息包括当前案例与历史案例的匹配度、当前案例可能的发展趋势和预防措施信息，以便系统用户及时作出应对策略。
另外，本发明还提供了一种基于认知学习的生猪健康监测系统的使用方法，该方法包括以下步骤：
S1：配置疾病数据库、疾病知识库、输入模块、匹配模块、改写模块和输出模块；
S2：获取气候环境、生猪品种、生猪性别、养殖方式、营养状况、日龄、接种史、病史、生猪体表状况、生猪食欲状况、生猪卧姿状况和生猪精神状况参数及其权值，在疾病数据库构建生猪的历史病例；疾病知识库记录猪病的名称、猪病各阶段表现症状信息和预防措施，并将具有同一初始症状的疾病分别建立基于症状的事件树；
S3：用户通过输入模块交互输入当前生猪病例信息；
S4：匹配模块将当前病例与疾病数据库的历史病例的各项内容逐项对比，进行匹配度计算，匹配度>0.90时，表示当前病例与存储在疾病数据库中的历史病例完全相同，疾病知识库将对应症状的疾病的名称、猪病各阶段表现症状信息和预防措施发送给输出模块生产结论信息，返回用户参考；匹配度≤0.90时，执行步骤S5；
S5：改写模块利用疾病知识库中预设的基于症状的事件树结合当前案例的中期症状，对当前案例可能的发展趋势进行预测，将初始事件的发生概率分别乘以各后续节点各分支处的发生概率从而得到各末端节点的发生概率；并将末端节点发生概率大于0.3的各末端节点对应疾病预测结果发送至输出模块，末端节点发生概率大于0.3的各末端节点对应疾病将被舍弃；
S6：疾病知识库将步骤S5中预测疾病对应症状的疾病的名称、猪病各阶段表现症状信息和预防措施发送给输出模块生产结论信息，返回用户参考；
S7：上一步骤中验证后的最终结果会由改写模块生成新的病例发送到疾病数据库中形成历史病例进行保存，疾病知识库中基于症状的事件树中后续节点的发生概率也会根据新的病例进行调整。
通过以上循环，或者不断进行训练，可以不断强化健康系统的可靠性。
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 (8)
1.一种基于认知学习的生猪健康监测系统，其特征在于：包括疾病数据库、疾病知识库、输入模块、匹配模块、改写模块和输出模块；
其中，疾病数据库搜集各种不同的生猪养殖的生猪养殖条件下的猪病症状特征信息，并分别按猪病症状特征信息生成历史病例进行分类储存；
疾病知识库保存记录猪病的名称、猪病各阶段表现症状信息和预防措施，并将具有同一初始症状的疾病分别建立基于症状的事件树；
输入模块用于用户录入包括生猪养殖条件信息和生猪表现症状信息的当前病例信息；
匹配模块将输入模块录入的当前病例信息与疾病数据库已保存的历史病例的内容进行匹配，将匹配结果分别发送至疾病知识库以及输出模块或者改写模块中；
改写模块根据匹配结果和疾病知识库的内容，根据基于症状的事件树的末端节点的严重程度按顺序列出可能的进一步的匹配结果，并将匹配结果发送到输出模块中；
输出模块根据匹配模块输出的上述匹配结果、疾病知识库中猪病各阶段表现症状信息和预防措施，生成结论信息并向用户发送；输出模块还将经过验证的改写模块的进一步的匹配结果生产新的病例发送至疾病数据库中保存。
2.如权利要求1所述的一种基于认知学习的生猪健康监测系统，其特征在于：所述输入模块录入的生猪养殖条件信息包括气候环境、生猪品种、生猪性别、养殖方式、营养状况、日龄、接种史和病史各参数及其权值；输入模块录入的生猪表现症状信息包括生猪体表状况、生猪食欲状况、生猪卧姿状况和生猪精神状况参数及其权值。
3.如权利要求2所述的一种基于认知学习的生猪健康监测系统，其特征在于：所述具有同一初始症状的疾病分别建立基于症状的事件树，是将具有同一中期症状疾病归为一类，以该中期症状作为初始事件，按照后续症状的时间顺序自左向右绘制以该中期症状为起点的事件树；事件树后续节点对应一继发的后期症状，直到事件树的所有末端节点对应症状最终对应的疾病，且事件树末端节点对应的疾病的严重度或者致命性从上至下依次降低。
4.如权利要求3所述的一种基于认知学习的生猪健康监测系统，其特征在于：所述事件树起点的中期症状为发热、拉稀、呕吐、食欲不振、侧卧卧姿或者咳嗽中的一种。
5.如权利要求3所述的一种基于认知学习的生猪健康监测系统，其特征在于：所述匹配模块是将当前病例与疾病数据库的历史病例的各项内容逐项对比；匹配度计算公式如下：
上式中，表示历史案例c与当前案例c'的匹配度；Wi为案例中各参数的权值；Xi和Yi分别表示历史案例c与当前案例c'中各参数归一化后的数值；当D(c,c')>0.90时，表示历史案例c与当前案例c'最相似，即完全匹配，匹配结果分别发送到输出模块和疾病知识库中；当D(c,c')≤0.90时，表示历史案例c与当前案例c'完全不相同，匹配结果分别发送到改写模块和疾病知识库中。
6.如权利要求5所述的一种基于认知学习的生猪健康监测系统，其特征在于：所述改写模块利用疾病知识库中预设的基于症状的事件树结合当前案例的中期症状，对当前案例可能的发展趋势进行预测，将初始事件的发生概率分别乘以各后续节点各分支处的发生概率从而得到各末端节点的发生概率；并将末端节点发生概率大于0.3的各末端节点对应疾病预测结果发送至输出模块。
7.如权利要求5所述的一种基于认知学习的生猪健康监测系统，其特征在于：所述结论信息包括当前案例与历史案例的匹配度、当前案例可能的发展趋势和预防措施信息。
8.一种基于认知学习的生猪健康监测系统的使用方法，其特征在于：包括以下步骤：
S1：配置疾病数据库、疾病知识库、输入模块、匹配模块、改写模块和输出模块；
S2：获取气候环境、生猪品种、生猪性别、养殖方式、营养状况、日龄、接种史、病史、生猪体表状况、生猪食欲状况、生猪卧姿状况和生猪精神状况参数及其权值，在疾病数据库构建生猪的历史病例；疾病知识库记录猪病的名称、猪病各阶段表现症状信息和预防措施，并将具有同一初始症状的疾病分别建立基于症状的事件树；
S3：用户通过输入模块交互输入当前生猪病例信息；
S4：匹配模块将当前病例与疾病数据库的历史病例的各项内容逐项对比，进行匹配度计算，匹配度>0.90时，表示当前病例与存储在疾病数据库中的历史病例完全相同，疾病知识库将对应症状的疾病的名称、猪病各阶段表现症状信息和预防措施发送给输出模块生产结论信息，返回用户参考；匹配度≤0.90时，执行步骤S5；
S5：改写模块利用疾病知识库中预设的基于症状的事件树结合当前案例的中期症状，对当前案例可能的发展趋势进行预测，将初始事件的发生概率分别乘以各后续节点各分支处的发生概率从而得到各末端节点的发生概率；并将末端节点发生概率大于0.3的各末端节点对应疾病预测结果发送至输出模块，末端节点发生概率大于0.3的各末端节点对应疾病将被舍弃；
S6：疾病知识库将步骤S5中预测疾病对应症状的疾病的名称、猪病各阶段表现症状信息和预防措施发送给输出模块生产结论信息，返回用户参考；
S7：上一步骤中验证后的最终结果会由改写模块生成新的病例发送到疾病数据库中形成历史病例进行保存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010181062.2A CN111540464A (zh) | 2020-03-16 | 2020-03-16 | 一种基于认知学习的生猪健康监测系统及其使用方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010181062.2A CN111540464A (zh) | 2020-03-16 | 2020-03-16 | 一种基于认知学习的生猪健康监测系统及其使用方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111540464A true CN111540464A (zh) | 2020-08-14 |
Family
ID=71976673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010181062.2A Pending CN111540464A (zh) | 2020-03-16 | 2020-03-16 | 一种基于认知学习的生猪健康监测系统及其使用方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111540464A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724878A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于机器学习的医疗风险信息推送方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537592A (zh) * | 2014-09-26 | 2015-04-22 | 尉子旺 | 自我诊疗及预防保健引导系统 |
| CN105069505A (zh) * | 2015-08-14 | 2015-11-18 | 北京农信互联科技有限公司 | 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 |
| CN106339449A (zh) * | 2016-08-24 | 2017-01-18 | 成都旅美科技有限公司 | 一种依赖环境分析的对象筛选方法 |
-
2020
- 2020-03-16 CN CN202010181062.2A patent/CN111540464A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104537592A (zh) * | 2014-09-26 | 2015-04-22 | 尉子旺 | 自我诊疗及预防保健引导系统 |
| CN105069505A (zh) * | 2015-08-14 | 2015-11-18 | 北京农信互联科技有限公司 | 一种猪病知识库自动训练学习方法及猪病辅助诊断装置 |
| CN106339449A (zh) * | 2016-08-24 | 2017-01-18 | 成都旅美科技有限公司 | 一种依赖环境分析的对象筛选方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张广斌等: "案例推理式输电线单端电流行波故障测距", 《中国电机工程学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113724878A (zh) * | 2021-08-31 | 2021-11-30 | 平安科技（深圳）有限公司 | 基于机器学习的医疗风险信息推送方法及装置 |
| CN113724878B (zh) * | 2021-08-31 | 2024-05-10 | 平安科技（深圳）有限公司 | 基于机器学习的医疗风险信息推送方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
| CN116383364B (zh) | 一种基于医生反馈与强化学习的医疗问答回复方法及系统 | |
| US20030212663A1 (en) | Neural network feedback for enhancing text search | |
| CN111540464A (zh) | 一种基于认知学习的生猪健康监测系统及其使用方法 | |
| CN106407699A (zh) | 一种基于增量式神经网络模型的冠心病预测方法和预测系统 | |
| CN109389497A (zh) | 产品销售的智能推荐方法、装置、计算机设备和存储介质 | |
| CN113918727B (zh) | 一种基于知识图谱和迁移学习的施工项目知识转移方法 | |
| Thinsungnoen et al. | Deep autoencoder networks optimized with genetic algorithms for efficient ECG clustering | |
| CN116861001A (zh) | 一种基于元学习的医学常识知识图谱自动化构建方法 | |
| CN114780740A (zh) | 一种茶叶知识图谱的构建方法 | |
| CN112990584B (zh) | 一种基于深度强化学习的自动生产决策系统及方法 | |
| CN117453929A (zh) | 知识图谱补全方法、系统、设备及存储介质 | |
| CN117253629A (zh) | 导医信息推送方法、装置、设备、介质和计算机程序产品 | |
| CN101706488A (zh) | 一种建立婴儿奶产品感官品评专家系统的方法 | |
| Chen et al. | A new approach to generate weighted fuzzy rules using genetic algorithms for estimating null values | |
| CN110196865A (zh) | 一种工艺资源检索方法 | |
| CN117573963A (zh) | 食材推荐方法、食材推荐装置、冰箱和存储介质 | |
| CN113254468B (zh) | 一种装备的故障查询及推理方法 | |
| CN106407694A (zh) | 一种基于增量式神经网络模型的神经衰弱预测方法和预测系统 | |
| Sun et al. | Application of neural network model combining information entropy and ant colony clustering theory for short-term load forecasting | |
| Patterson et al. | Towards automated case knowledge discovery in the M 2 case-based reasoning system | |
| Nilpanich et al. | A lazy processing approach to user relevance feedback for content-based image retrieval | |
| Keskar et al. | Time-recurrent HMM decision tree to generate alerts for heart-guard wearable computer | |
| CN118588233B (zh) | 一种知识图谱驱动的神经退行性疾病药物推荐方法 | |
| CN113158389B (zh) | 一种基于机器学习算法的中压配网馈线分类方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |
|
| RJ01 | Rejection of invention patent application after publication |