CN111563891A - 基于颜色认知的疾病预测系统 - Google Patents

Abstract

本发明提出了一种基于颜色认知的疾病预测系统。包括：文本描述模块、数据库构建模块、颜色学习模型构建模块以及诊断模块，用于通过获取人体某一具体排泄物、分泌物或者身体某一具体部位的颜色状况，将该颜色情况与正常情况下的颜色进行判断，从而推断出身体健康问题或者是疾病征兆情况，并及时生成健康报告，本发明通过提前对正常颜色和异常颜色进行区分，然后构建颜色学习模型，最后实现对人体健康情况以及疾病征兆的预测，提高了模型对颜色识别的正确率，加快了运算速度。

Description

基于颜色认知的疾病预测系统

技术领域

本发明涉及人工智能领域，尤其涉及一种基于颜色认知的疾病预测系统。

背景技术

对于一个人的身体健康状况，人体有自己的颜色，包括体相、其排泄物、分泌物等。人体异常颜色，往往是疾病提前发出的信号。看颜色，一直是医疗健康机构辅助诊断方法。比如尿液，在正常的饮食饮水状态下，尿液颜色偏淡，有点黄，也就是说，尿液的正常颜色就是清亮微黄，但有时颜色会过浓、过深，呈酱油色，甚至出现血尿。如果颜色过深，就要考虑是否是代谢问题或者疾病，及时到医院诊治；再比如，正常的指甲应该是有淡粉红色，而且色泽光滑。如果您的指甲苍白且指甲盖中间出现凹陷，指甲边缘翘起，看上去是个“勺状”的话，很可能是缺铁性贫血；如果指甲苍白严重，甚至没有血色，并伴有疼痛，可能是雷诺氏病，需及时就医；指甲一半白色一半粉红色，要当心肾病；如果出现指甲发黄且根部淡红，则需要当心糖尿病；指甲颜色晦暗，看上去呈深紫色，常为淤滞体质，往往意味着血液循环不好，可能是心脑血管疾病和肺部疾病的征兆；指甲发黑多为外伤挤压后的淤血堆积，如果不是外伤所致，就要怀疑黑色素瘤等严重疾病的可能性。

但是，现有的诊断方法不仅诊断过程慢，而且因为是依靠颜色进行诊断，所以对颜色的判断可信度并不高，所以亟需一种基于颜色认知的疾病预测系统，能够提高颜色判断的可信度，来实现对疾病快速预测以及诊断。

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，本发明提出了一种基于颜色认知的疾病预测系统，旨在解决现有技术无法通过对自然语言算法提高的颜色判断可信度的技术问题。

本发明的技术方案是这样实现的：

一方面，本发明提供了一种基于颜色认知的疾病预测系统，所述基于颜色认知的疾病预测系统包括：

文本描述模块，用于对待诊断物体进行识别，并获取该待诊断物体对应的颜色文本描述；

数据库构建模块，用于从网络获取不同颜色数据以及对应的疾病数据，根据该颜色数据以及对应的疾病数据建立相应的数据库；

颜色学习模型构建模块，用于将所述不同颜色数据分成不同的集合，并建立线性回归决策树分类器，通过该不同的集合，利用该线性回归决策树分类器获取颜色学习模型；

诊断模块，通过颜色学习模型对待诊断物体对应的颜色文本描述进行诊断。

在以上技术方案的基础上，优选的，文本描述模块包括收集模块，用于实时收集待诊断物体的图片，所述待诊断物体的图片包括：人体各种排泄物、分泌物以及身体各个部位的图片，并根据该待诊断物体的图片对待诊断物体进行识别。

在以上技术方案的基础上，优选的，文本描述模块还包括颜色描述模块，用于通过标准比色卡对待诊断物体的图片颜色进行识别，并通过文本描述对该待诊断物体的图片颜色进行描述，获取待诊断物体的颜色文本描述，所述文本描述为基本的颜色描述，包括：黄、红、粉红、淡粉红。

在以上技术方案的基础上，优选的，数据库构建模块还包括数据收集模块，用于从网络收集待诊断物体的颜色文本描述、该颜色对应的健康状况描述以及该颜色对应的疾病征兆描述。

在以上技术方案的基础上，优选的，数据库构建模块还包括库建立模块，用于通过将待诊断物体的颜色文本描述、该颜色对应的健康状况描述以及该颜色对应的疾病征兆描述进行归一化处理，获取正常颜色对应的健康状况数据、正常颜色对应的疾病征兆数据、异常颜色对应的健康状况数据以及异常颜色对应的疾病征兆数据，并建立数据库。

在以上技术方案的基础上，优选的，颜色学习模型构建模块包括颜色判断模块，用于设定正常颜色文本描述范围，并根据该正常颜色文本描述范围对待判断的颜色文本描述进行判断，当待判断的颜色文本描述满足该正常颜色文本描述范围时，该待判断的颜色文本描述为正常颜色文本描述；当待判断的颜色文本描述不满足该正常颜色文本描述范围时，该待判断的颜色文本描述为异常颜色文本描述。

在以上技术方案的基础上，优选的，颜色学习模型构建模块包括集合构建模块，用于将从网络收集待诊断物体的颜色文本描述分成正常颜色和异常颜色两个组别，并按照颜色出现频率高低进行排序，分别从正常颜色和异常颜色两个组别中抽取出现频率高的颜色建立不同的两个集合，其中，从正常颜色中抽取出现频率高的颜色建立的集合为A，从异常颜色中抽取出现频率高的颜色建立的集合为B。

在以上技术方案的基础上，优选的，颜色学习模型构建模块包括学习模型构建模块，用于将该不同的两个集合进行组合，获取新的集合，然后利用性回归决策树分类器对该新的集合进行计算，获取新的颜色集合，该颜色集合包括：正常颜色以及异常颜色，并根据该新的颜色集合构建颜色学习模型，所述组合公式为：

Z＝(A∪B)-(A∩B)；

其中，Z为新集合，A为从正常颜色中抽取出现频率高的颜色建立的集合，B为从异常颜色中抽取出现频率高的颜色建立的集合。

在以上技术方案的基础上，优选的，诊断模块包括诊断报告生成模块，用于通过颜色学习模型对该待诊断物体对应的颜色文本描述进行判断，当判断结构为该待诊断物体对应的颜色文本描述为异常颜色时，通过数据库建立模块建立的数据库找到对应的健康状况数据以及疾病征兆数据，并生成对应报告；当判断结构为该待诊断物体对应的颜色文本描述为正常颜色时，生成对应健康报告。

更进一步优选的，所述基于认知云系统的血压监护设备包括：

文本描述单元，用于对待诊断物体进行识别，并获取该待诊断物体对应的颜色文本描述；

数据库构建单元，用于从网络获取不同颜色数据以及对应的疾病数据，根据该颜色数据以及对应的疾病数据建立相应的数据库；

颜色学习模型构建单元，用于将所述不同颜色数据分成不同的集合，并建立线性回归决策树分类器，通过该不同的集合，利用该线性回归决策树分类器获取颜色学习模型；

诊断单元，通过颜色学习模型对待诊断物体对应的颜色文本描述进行诊断。

本发明的一种基于颜色认知的疾病预测系统相对于现有技术具有以下有益效果：

(1)通过提前将颜色分成正常颜色和异常颜色，然后根据分类后的颜色构建相对应的正常颜色集合和异常颜色集合，再通过集合建立颜色学习模型，相对于传统的自然语言算法，提前将颜色分成正常颜色和异常颜色不仅可以提高模型对颜色识别的正确率，而且还可以降低算法对内存空间的需求，加快运算速度；

(2)通过提高对颜色识别的正确率，能够提高对人体身体健康情况以及疾病征兆预测的效率以及正确率，同时也提高了整个系统运行的效率，提高了用户体验。

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是本发明基于颜色认知的疾病预测系统第一实施例的结构框图；

图2为本发明基于颜色认知的疾病预测系统的第二实施例结构框图；

图3为本发明基于颜色认知的疾病预测系统的第三实施例结构框图；

图4为本发明基于颜色认知的疾病预测系统的第四实施例结构框图；

图5为本发明基于颜色认知的疾病预测系统的五实施例结构框图；

图6为本发明基于颜色认知的疾病预测系统结构框图。

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为本发明基于颜色认知的疾病预测系统第一实施例的结构框图。其中，所述基于颜色认知的疾病预测系统包括：文本描述模块10、数据库构建模块20、颜色学习模型构建模块30和诊断模块40。

文本描述模块10，用于对待诊断物体进行识别，并获取该待诊断物体对应的颜色文本描述；

数据库构建模块20，用于从网络获取不同颜色数据以及对应的疾病数据，根据该颜色数据以及对应的疾病数据建立相应的数据库；

颜色学习模型构建模块30，用于将所述不同颜色数据分成不同的集合，并建立线性回归决策树分类器，通过该不同的集合，利用该线性回归决策树分类器获取颜色学习模型；

诊断模块40，通过颜色学习模型对待诊断物体对应的颜色文本描述进行诊断。

进一步地，如图2所示，基于上述各实施例提出本发明基于颜色认知的疾病预测系统的第二实施例结构框图，在本实施例中，文本描述模块10还包括：

收集模块101，用于实时收集待诊断物体的图片，所述待诊断物体的图片包括：人体各种排泄物、分泌物以及身体各个部位的图片，并根据该待诊断物体的图片对待诊断物体进行识别；

颜色描述模块102，用于通过标准比色卡对待诊断物体的图片颜色进行识别，并通过文本描述对该待诊断物体的图片颜色进行描述，获取待诊断物体的颜色文本描述，所述文本描述为基本的颜色描述，包括：黄、红、粉红、淡粉红；

需要说明的是，本实施例会收集人体各种排泄物、分泌物以及身体各个部位的颜色状况，然后根据系统给出的颜色情况进行相对应的文本描述，所述文本描述是指对于颜色的一系列描述，比如：“尿液颜色偏淡，有点黄”、“指甲淡粉红色,而且色泽光滑”以及“指甲一半白色一半粉红色”等。

进一步地，如图3所示，基于上述各实施例提出本发明基于颜色认知的疾病预测系统的第三实施例结构框图，在本实施例中，数据库构建模块20还包括：

数据收集模块201，用于从网络收集待诊断物体的颜色文本描述、该颜色对应的健康状况描述以及该颜色对应的疾病征兆描述。

库建立模块202，用于通过将待诊断物体的颜色文本描述、该颜色对应的健康状况描述以及该颜色对应的疾病征兆描述进行归一化处理，获取正常颜色对应的健康状况数据、正常颜色对应的疾病征兆数据、异常颜色对应的健康状况数据以及异常颜色对应的疾病征兆数据，并建立数据库。

应当理解的是，本实施会从网络获取人体各种排泄物、分泌物或者身体各个部位的颜色状况以及该颜色状况对应的健康状况和疾病征兆关系数据和知识，并对这些知识进行归一化处理，从而构建出正常颜色、异常颜色与健康状况和疾病征兆关系的数据库和知识库。

进一步地，如图4所示，基于上述各实施例提出本发明基于颜色认知的疾病预测系统的第四实施例结构框图，在本实施例中，颜色学习模型构建模块30还包括：

颜色判断模块301，用于设定正常颜色文本描述范围，并根据该正常颜色文本描述范围对待判断的颜色文本描述进行判断，当待判断的颜色文本描述满足该正常颜色文本描述范围时，该待判断的颜色文本描述为正常颜色文本描述；当待判断的颜色文本描述不满足该正常颜色文本描述范围时，该待判断的颜色文本描述为异常颜色文本描述。

集合构建模块302，用于将从网络收集待诊断物体的颜色文本描述分成正常颜色和异常颜色两个组别，并按照颜色出现频率高低进行排序，分别从正常颜色和异常颜色两个组别中抽取出现频率高的颜色建立不同的两个集合，其中，从正常颜色中抽取出现频率高的颜色建立的集合为A，从异常颜色中抽取出现频率高的颜色建立的集合为B。

学习模型构建模块303，用于将该不同的两个集合进行组合，获取新的集合，然后利用性回归决策树分类器对该新的集合进行计算，获取新的颜色集合，该颜色集合包括：正常颜色以及异常颜色，并根据该新的颜色集合构建颜色学习模型，所述组合公式为：

Z＝(A∪B)-(A∩B)；

其中，Z为新集合，A为从正常颜色中抽取出现频率高的颜色建立的集合，B为从异常颜色中抽取出现频率高的颜色建立的集合。

需要说明的是，正常颜色的文本描述与异常颜色的文本描述都有系统决定，在判断颜色是否正常时，系统会建立一个正常颜色判断标准，只有满足这个标准的颜色才是正常颜色，比如：尿液的正常颜色就是清亮微黄，但有时颜色会过浓、过深，呈酱油色，甚至出现血尿，如果颜色过深，就要考虑是否是代谢问题或者疾病，及时到医院诊治；正常的指甲应该是有淡粉红色，而且色泽光滑，如果指甲苍白且指甲盖中间出现凹陷，指甲边缘翘起，看上去是个“勺状”的话，很可能是缺铁性贫血；如果指甲苍白严重，甚至没有血色，并伴有疼痛，可能是雷诺氏病，需及时就医；指甲一半白色一半粉红色，要当心肾病；如果出现指甲发黄且根部淡红，则需要当心糖尿病；指甲颜色晦暗，看上去呈深紫色，常为淤滞体质，往往意味着血液循环不好，可能是心脑血管疾病和肺部疾病的征兆；指甲发黑多为外伤挤压后的淤血堆积，如果不是外伤所致，就要怀疑黑色素瘤等严重疾病的可能性。

应当理解的是，一般来说，某一对象的正常颜色是基本固定的、标准的，基本不会有什么大的变化。因此，系统只需要考虑待判断的颜色与正常颜色发生了变化的变化，或者说出现了不是一样的颜色，那么系统就应该视待判断的颜色为异常颜色。异常颜色的不同，自然就会对应不同疾病的征兆特征。或者说，不同征兆特征中的描述如果与正常颜色描述发生了不同，那么，就说明健康状况出现了问题。

应当理解的是，本实例中，会将人体各种排泄物、分泌物或者身体各个部位颜色状况的学习样本，按照正常颜色和异常颜色的标签分类成A、B两个组，此处人体各种排泄物、分泌物或者身体各个部位颜色状况的学习样本可以是从网络收集而来，也可以是从本地诊断数据库中提取而来。

应当理解的是，这里会建立不同的分类，比如：把人体体相分为：鼻子、眼睛、耳朵、嘴唇等；排泄物分为：尿液、痰液、月经、白带、鼻涕等；这里面，有的只有两级分类：比如，尿液，只有正常颜色和不同于正常颜色的异常颜色；有的要做三级分类：比如耳朵，它又分为耳垂、耳廓、耳轮等；耳垂又有正常颜色和不同于正常颜色的异常颜色等。分类越多，系统可以诊断的范围越全面，同时正确率越高。

应当理解的是，本实施会将文本中颜色(包括正常颜色、异常颜色)的词汇按照出现频率高低排序。对排泄物、分泌物或者身体各个部位中某一类正常颜色组抽取前X个高频词，构成集合A；对排泄物、分泌物或者身体各个部位中某一类异常颜色组抽取前Y个高频词，构成集合B，然后根据组合公式，获得新的集合Z。

应当理解的是，本实施例中利用了线性回归决策树分类器，即通过新的集合Z建立决策分类树，这里则是进行相似度计算，引进对象本体的概念(比如手指甲颜色作为一种本体)，因为对象类型属性所关联的是本体中其他的概念。比如，对于有N个对象属性的概念A，可以表示为：

同理，概念B(疾病征兆特征)可以表示为：

计算过程为将概念A中的每一个对象属性与B中的全部对象属性进行相似度计算，这样就得到一个N×M的矩阵。得到相似度矩阵之后，我们就可以利用类似表上作业法的方法进行处理，首先找到矩阵中数值最大的数值，并将其所在的行、列划掉，在余下的元素中继续按照此方法进行操作，直到矩阵为空。此时，我们就可以得到两个概念的对象类型属性的最大相似度序列：

最后，两个概念的对象类型属性的相似度为：

即根据相似度，就可以对颜色进行判断。

应当理解的是，本实施例针对的是颜色判断可信度高的一类疾病，比如皮肤病、泌尿系统疾病或者肛肠疾病这类，可以直观通过颜色来进行判断的疾病，这类疾病本实施例可以提供一个很高的颜色判断可信度，从而使疾病预测的正确率提高。

进一步地，如图5所示，基于上述各实施例提出本发明基于颜色认知的疾病预测系统的第五实施例结构框图，在本实施例中，诊断模块40还包括：

诊断报告生成模块401，用于通过颜色学习模型对该待诊断物体对应的颜色文本描述进行判断，当判断结构为该待诊断物体对应的颜色文本描述为异常颜色时，通过数据库建立模块建立的数据库找到对应的健康状况数据以及疾病征兆数据，并生成对应报告；当判断结构为该待诊断物体对应的颜色文本描述为正常颜色时，生成对应健康报告。

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基于颜色认知的疾病预测系统，包括：文本描述模块、数据库构建模块、颜色学习模型构建模块以及诊断模块，用于通过获取人体某一具体排泄物、分泌物或者身体某一具体部位的颜色状况，将该颜色情况与正常情况下的颜色进行判断，从而推断出身体健康问题或者是疾病征兆情况，并及时生成健康报告，本实施例通过提前对正常颜色和异常颜色进行区分，然后构建颜色学习模型，最后实现对人体健康情况以及疾病征兆的预测，提高了模型对颜色识别的正确率，加快了运算速度。

此外，本发明实施例还提出一种基于颜色认知的疾病预测设备。如图6所示，该基于颜色认知的疾病预测设备包括：文本描述单元10、数据库构建单元20、颜色学习模型构建单元30以及诊断单元40。

文本描述单元10，用于对待诊断物体进行识别，并获取该待诊断物体对应的颜色文本描述；

数据库构建单元20，用于从网络获取不同颜色数据以及对应的疾病数据，根据该颜色数据以及对应的疾病数据建立相应的数据库；

颜色学习模型构建单元30，用于将所述不同颜色数据分成不同的集合，并建立线性回归决策树分类器，通过该不同的集合，利用该线性回归决策树分类器获取颜色学习模型；

诊断单元40，通过颜色学习模型对待诊断物体对应的颜色文本描述进行诊断。

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基于颜色认知的疾病预测系统，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 (10)

1.一种基于颜色认知的疾病预测系统，其特征在于，所述基于颜色认知的疾病预测系统包括：

文本描述模块，用于对待诊断物体进行识别，并获取该待诊断物体对应的颜色文本描述；

数据库构建模块，用于从网络获取不同颜色数据以及对应的疾病数据，根据该颜色数据以及对应的疾病数据建立相应的数据库；

颜色学习模型构建模块，用于将所述不同颜色数据分成不同的集合，并建立线性回归决策树分类器，通过该不同的集合，利用该线性回归决策树分类器获取颜色学习模型；

诊断模块，通过颜色学习模型对待诊断物体对应的颜色文本描述进行诊断。

2.如权利要求1所述的基于颜色认知的疾病预测系统，其特征在于：文本描述模块包括收集模块，用于实时收集待诊断物体的图片，所述待诊断物体的图片包括：人体各种排泄物、分泌物以及身体各个部位的图片，并根据该待诊断物体的图片对待诊断物体进行识别。

3.如权利要求2所述的基于颜色认知的疾病预测系统，其特征在于：文本描述模块还包括颜色描述模块，用于通过标准比色卡对待诊断物体的图片颜色进行识别，并通过文本描述对该待诊断物体的图片颜色进行描述，获取待诊断物体的颜色文本描述，所述文本描述为基本的颜色描述，包括：黄、红、粉红、淡粉红。

4.如权利要求1所述的基于颜色认知的疾病预测系统，其特征在于：数据库构建模块还包括数据收集模块，用于从网络收集待诊断物体的颜色文本描述、该颜色对应的健康状况描述以及该颜色对应的疾病征兆描述。

5.如权利要求4所述的基于颜色认知的疾病预测系统，其特征在于：数据库构建模块还包括库建立模块，用于通过将待诊断物体的颜色文本描述、该颜色对应的健康状况描述以及该颜色对应的疾病征兆描述进行归一化处理，获取正常颜色对应的健康状况数据、正常颜色对应的疾病征兆数据、异常颜色对应的健康状况数据以及异常颜色对应的疾病征兆数据，并建立数据库。

6.如权利要求4所述的基于颜色认知的疾病预测系统，其特征在于：颜色学习模型构建模块包括颜色判断模块，用于设定正常颜色文本描述范围，并根据该正常颜色文本描述范围对待判断的颜色文本描述进行判断，当待判断的颜色文本描述满足该正常颜色文本描述范围时，该待判断的颜色文本描述为正常颜色文本描述；当待判断的颜色文本描述不满足该正常颜色文本描述范围时，该待判断的颜色文本描述为异常颜色文本描述。

7.如权利要求4所述的基于颜色认知的疾病预测系统，其特征在于：颜色学习模型构建模块包括集合构建模块，用于将从网络收集待诊断物体的颜色文本描述分成正常颜色和异常颜色两个组别，并按照颜色出现频率高低进行排序，分别从正常颜色和异常颜色两个组别中抽取出现频率高的颜色建立不同的两个集合，其中，从正常颜色中抽取出现频率高的颜色建立的集合为A，从异常颜色中抽取出现频率高的颜色建立的集合为B。

8.如权利要求7所述的基于颜色认知的疾病预测系统，其特征在于：颜色学习模型构建模块包括学习模型构建模块，用于将该不同的两个集合进行组合，获取新的集合，然后利用性回归决策树分类器对该新的集合进行计算，获取新的颜色集合，该颜色集合包括：正常颜色以及异常颜色，并根据该新的颜色集合构建颜色学习模型，所述组合公式为：

Z＝(A∪B)-(A∩B)；

其中，Z为新集合，A为从正常颜色中抽取出现频率高的颜色建立的集合，B为从异常颜色中抽取出现频率高的颜色建立的集合。

9.如权利要求8所述的基于颜色认知的疾病预测系统，其特征在于：诊断模块包括诊断报告生成模块，用于通过颜色学习模型对该待诊断物体对应的颜色文本描述进行判断，当判断结构为该待诊断物体对应的颜色文本描述为异常颜色时，通过数据库建立模块建立的数据库找到对应的健康状况数据以及疾病征兆数据，并生成对应报告；当判断结构为该待诊断物体对应的颜色文本描述为正常颜色时，生成对应健康报告。

10.一种基于颜色认知的疾病预测设备，其特征在于，所述基于颜色认知的疾病预测设备包括：

文本描述单元，用于对待诊断物体进行识别，并获取该待诊断物体对应的颜色文本描述；

数据库构建单元，用于从网络获取不同颜色数据以及对应的疾病数据，根据该颜色数据以及对应的疾病数据建立相应的数据库；

颜色学习模型构建单元，用于将所述不同颜色数据分成不同的集合，并建立线性回归决策树分类器，通过该不同的集合，利用该线性回归决策树分类器获取颜色学习模型；

诊断单元，通过颜色学习模型对待诊断物体对应的颜色文本描述进行诊断。

Images