CN111710409A - 基于人体汗液异常变化的智能筛查系统 - Google Patents

基于人体汗液异常变化的智能筛查系统 Download PDF

Info

Publication number
CN111710409A
CN111710409A CN202010476532.8A CN202010476532A CN111710409A CN 111710409 A CN111710409 A CN 111710409A CN 202010476532 A CN202010476532 A CN 202010476532A CN 111710409 A CN111710409 A CN 111710409A
Authority
CN
China
Prior art keywords
characteristic information
abnormal change
sweat
screening
change characteristic
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
Application number
CN202010476532.8A
Other languages
English (en)
Inventor
杜乐
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
Wuzheng Intelligent Technology Beijing 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 Wuzheng Intelligent Technology Beijing Co ltd filed Critical Wuzheng Intelligent Technology Beijing Co ltd
Priority to CN202010476532.8A priority Critical patent/CN111710409A/zh
Publication of CN111710409A publication Critical patent/CN111710409A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提出了一种基于人体汗液异常变化的智能筛查系统。包括：采集模块，用于采集人体汗液异常变化对应的异常变化特征信息；网络模型建立模块，用于建立异常变化特征信息词条与对应的疾病特征信息的关联网络模型；筛选标准建立模块，用于建立余弦相似度算法，通过余弦相似度算法对异常变化特征信息词条与对应的疾病特征信息之间的相似度进行计算，获取相似度数据，根据该相似度数据建立特征信息筛选标准；筛查模块，用于根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查。本发明通过利用余弦相似度算法进行语义相似度计算，实现汗液异常变化风险评估以及疾病筛查，推测可能的疾病，为辅助诊断服务。

Description

基于人体汗液异常变化的智能筛查系统
技术领域
本发明涉及人工智能领域，尤其涉及一种基于人体汗液异常变化的智能筛查系统。
背景技术
正常情况下，人排出的汗液是有条件的。比如，身体健康的人排出的汗液是无色的，但是当人排出的汗液出现异常颜色时，那就是疾病出现的信号。目前，国际国内观汗液辨疾病的方法，主要是通过传感器设备来实现。这种传感设备一般由柔性传感器和微处理器组成，贴在皮肤上可刺激汗腺分泌汗液，然后根据相关电信号测量汗液中存在的分子与离子。
但是，传统的基于传感器收集汗液成分进行汗液分析的方法分析过程复杂，等待时间长，而且资源耗费大，所以，亟需一种新的汗液分析方法，能够耗费少量资源的同时，快速方便对疾病进行辅助诊断。
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人体汗液异常变化的智能筛查系统，旨在解决现有技术无法通过建立评估筛查模型以及余弦相似度算法来提高汗液分析速度的技术问题。
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人体汗液异常变化的智能筛查系统，所述基于人体汗液异常变化的智能筛查系统包括：
采集模块，用于采集人体汗液异常变化对应的异常变化特征信息；
网络模型建立模块，用于对异常变化特征信息进行聚类，并从聚类后的异常变化特征信息中提取异常变化特征信息词条，根据待异常变化特征信息词条获取对应的疾病特征信息，并建立异常变化特征信息词条与对应的疾病特征信息的关联网络模型；
筛选标准建立模块，用于建立余弦相似度算法，通过余弦相似度算法对异常变化特征信息词条与对应的疾病特征信息之间的相似度进行计算，获取相似度数据，根据该相似度数据建立特征信息筛选标准；
筛查模块，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查。
在以上技术方案的基础上，优选的，采集模块包括自然语言处理模块，用于通过自然语言对人体汗液异常变化对应的异常变化特征信息进行处理，获取汗液异常变化特征信息的属性信息，所述属性信息包括：汗液异常变化的部位、颜色、数量以及气味。
在以上技术方案的基础上，优选的，网络模型建立模块包括聚类模块，用于对汗液异常变化特征信息的属性信息进行聚类，获取聚类后的属性信息作为异常变化特征信息词条，所述异常变化特征信息词条包括：出现时间、出现数量、汗液状态、汗液颜色以及汗液气味，并建立各异常变化特征信息词条之间的对应关系。
在以上技术方案的基础上，优选的，网络模型建立模块还包括关联网络模型模块，用于根据异常变化特征信息词条获取对应的常见疾病特征信息，并根据异常变化特征信息词条以及对应的常见疾病特征信息建立关联网络模型。
在以上技术方案的基础上，优选的，筛选标准建立模块包括相似度计算模块，用于建立余弦相似度算法，通过余弦相似度算法计算异常变化特征信息词条与对应的疾病特征信息之间的相似度，并根据该相似度对关联网络模型进行验证并修改，获取新的关联网络模型。
在以上技术方案的基础上，优选的，筛选标准建立模块包括余弦相似度算法单元，所述余弦相似度算法为：
Figure BDA0002516042300000021
其中，cos(θ)代表余弦相似度，向量a和向量b代表异常变化特征信息词条与对应的疾病特征信息，c代表向量a和向量b之间的距离，且
Figure BDA0002516042300000031
x1和y1是向量a的坐标，x2和y2是向量b的坐标。
在以上技术方案的基础上，优选的，筛查模块包括报告生成模块，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查，根据筛查结果生成对应报告。
更进一步优选的，所述基于人体汗液异常变化的智能筛查设备包括：
采集单元，用于采集人体汗液异常变化对应的异常变化特征信息；
网络模型建立单元，用于对异常变化特征信息进行聚类，并从聚类后的异常变化特征信息中提取异常变化特征信息词条，根据待异常变化特征信息词条获取对应的疾病特征信息，并建立异常变化特征信息词条与对应的疾病特征信息的关联网络模型；
筛选标准建立单元，用于建立余弦相似度算法，通过余弦相似度算法对异常变化特征信息词条与对应的疾病特征信息之间的相似度进行计算，获取相似度数据，根据该相似度数据建立特征信息筛选标准；
筛查单元，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查。
本发明的一种基于人体汗液异常变化的智能筛查系统相对于现有技术具有以下有益效果：
(1)通过利用余弦相似度算法进行语义相似度计算，实现汗液异常变化风险评估以及疾病筛查，推测可能的疾病，为辅助诊断服务；
(2)通过利用余弦相似度算法进行语义相似度计算，能够加快对汗液的分析速度，提高疾病辅助诊断精度。
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是本发明基于人体汗液异常变化的智能筛查系统第一实施例的结构框图；
图2为本发明基于人体汗液异常变化的智能筛查系统的第二实施例结构框图；
图3为本发明基于人体汗液异常变化的智能筛查系统的第三实施例结构框图；
图4为本发明基于人体汗液异常变化的智能筛查系统的第四实施例结构框图；
图5为本发明基于人体汗液异常变化的智能筛查系统的第五实施例结构框图；
图6为本发明基于人体汗液异常变化的智能筛查系统基于人体汗液异常变化的智能筛查设备结构框图。
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为本发明基于人体汗液异常变化的智能筛查系统第一实施例的结构框图。其中，所述基于人体汗液异常变化的智能筛查系统包括：采集模块10、网络模型建立模块20、筛选标准建立模块30和筛查模块40。
采集模块10，用于采集人体汗液异常变化对应的异常变化特征信息；
网络模型建立模块20，用于对异常变化特征信息进行聚类，并从聚类后的异常变化特征信息中提取异常变化特征信息词条，根据待异常变化特征信息词条获取对应的疾病特征信息，并建立异常变化特征信息词条与对应的疾病特征信息的关联网络模型；
筛选标准建立模块30，用于建立余弦相似度算法，通过余弦相似度算法对异常变化特征信息词条与对应的疾病特征信息之间的相似度进行计算，获取相似度数据，根据该相似度数据建立特征信息筛选标准；
筛查模块40，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查。
进一步地，如图2所示，基于上述各实施例提出本发明基于人体汗液异常变化的智能筛查系统的第二实施例结构框图，在本实施例中，采集模块10还包括：
自然语言处理模块101，用于通过自然语言对人体汗液异常变化对应的异常变化特征信息进行处理，获取汗液异常变化特征信息的属性信息，所述属性信息包括：汗液异常变化的部位、颜色、数量以及气味；
应当理解的是，首先，系统会密集采样得到人体汗液异常变化所呈现出来的多个异常变化特征信息，然后通过自然语言处理，对汗液的各异常变化的特征信息依据其特点进行相应的表达，以得到汗液异常变化特征信息的属性信息。例如：汗液异常变化的部位、颜色、数量以及气味等。
进一步地，如图3所示，基于上述各实施例提出本发明基于人体汗液异常变化的智能筛查系统的第三实施例结构框图，在本实施例中，网络模型建立模块20还包括：
聚类模块201，用于对汗液异常变化特征信息的属性信息进行聚类，获取聚类后的属性信息作为异常变化特征信息词条，所述异常变化特征信息词条包括：出现时间、出现数量、汗液状态、汗液颜色以及汗液气味，并建立各异常变化特征信息词条之间的对应关系。
关联网络模型模块202，用于根据异常变化特征信息词条获取对应的常见疾病特征信息，并根据异常变化特征信息词条以及对应的常见疾病特征信息建立关联网络模型。
应当理解的是，系统通过对汗液这些特征点的描述信息进行聚类，聚集出显著类别，并建立它们之间的关联。例如：汗液异常变化出现的部位(例如，额头出汗、胸口大汗等)、出现的时间(例如，夜晚出汗、早上出汗，而且是冷汗等)、出现的数量(例如，大汗淋漓或者无汗等)、以及汗液的状态(例如，一个劲儿地出汗或者出汗不止等)、汗液的颜色(例如，出黄汗、出红汗等)、汗液的气味(例如，汗液气味发酸、汗液有羽毛气味、汗液有鱼腥臭味等)等。
应当理解的是，这里具体聚类操作步骤包括：根据线性融合相似度构建汗液特征点融合度矩阵，依据汗液特征点融合度矩阵获得汗液特征点的预设值K个类簇；根据汗液特征点的预设值K个类簇进行聚类收敛条件的判断，若满足其中任意一项条件即可获得新的用户规范化汗液特征点。根据汗液特征点的预设值K个类簇进行聚类收敛条件的判断，若不满足其中任意一项条件即执行所述线性融合相似度构建汗液特征点融合度矩阵的步骤。聚类收敛条件包括：没有异常变化特征点被重新分配给不同的类，或者新的聚类中心与原类聚中心相同。
应当理解的是，之后，系统会从所有汗液异常变化特征点的所有描述信息中聚类得到多个分词或者词条，以组成汗液的异常变化特征信息词典。简单地举例，假设一个汗液异常变化特征点信息M的描述信息包括“大量出汗(汗多)、发热、口渴、饮水多、舌头发红、舌苔发黄”等；另一个特征点信息N的描述信息包括“汗多、面色苍白、淋漓不止、四肢厥冷、神志不清、脉搏极弱”等，并且又一个特征点信息Z的描述信息包括“汗多、头晕、浑身无力、明显饥饿感”等。那么，可以通过上述步骤来聚类所有的描述信息以得到如下汗液的“汗多”词条：“汗多(或者大量出汗)、发热、口渴、饮水多、舌头发红、舌苔发黄、面色苍白、淋漓不止、四肢厥冷、神志不清、脉搏极弱、头晕、浑身无力、明显饥饿感”等，并归于“汗液异常变化，数量”一类，从而组成汗液异常变化特征信息词典。
应当理解的是，之后会采集与汗液异常变化特征信息有对应关系的常见疾病特征信息(症状或者征兆)，例如“手心出热汗”，归于“汗液异常变化，部位”一类，那么对应的疾病可能为“阴虚”。而阴虚的主要症状(或者征兆)一般有“手心、脚心出热汗、五心烦热，或者手心、脚心出热汗、午后潮热、盗汗、颧红”等，由此，可以建立起常见疾病和对应症状(或者征兆)分词或者词条库。
应当理解的是，在经过上述实施例的步骤之后，系统会构建汗液异常变化特征信息与疾病以及疾病症状(或者征兆)关联网络模型(例如，汗液异常颜色特征信息与疾病以及疾病症状特征信息关系等)。这里，汗液异常变化文本描述中的分词或者短语识别和分词或者短语标记的主要方法为：将分词或者短语中的分词与疾病词词库中的分词或者短语进行匹配，若匹配成功则标记该分词或者短语为疾病分词或者短语，否则，标记该分词或者短语为描述分词或者短语；这里描述分词或者短语是指疾病症状描述分词或者短语；疾病词词库包含人体运动系统、消化系统、呼吸系统、泌尿系统、生殖系统、内分泌系统、免疫系统、神经系统、循环系统九大系统中各个疾病症状(或者征兆)分词或者短语。
进一步地，如图4所示，基于上述各实施例提出本发明基于人体汗液异常变化的智能筛查系统的第四实施例结构框图，在本实施例中，筛选标准建立模块30还包括：
相似度计算模块301，用于建立余弦相似度算法，通过余弦相似度算法计算异常变化特征信息词条与对应的疾病特征信息之间的相似度，并根据该相似度对关联网络模型进行验证并修改，获取新的关联网络模型。
余弦相似度算法单元302，所述余弦相似度算法为：
Figure BDA0002516042300000071
其中，cos(θ)代表余弦相似度，向量a和向量b代表异常变化特征信息词条与对应的疾病特征信息，c代表向量a和向量b之间的距离，且
Figure BDA0002516042300000072
x1和y1是向量a的坐标，x2和y2是向量b的坐标。
应当理解的是，系统会使用余弦相似度算法计算汗液异常变化特征信息分词或者词条与疾病症状(或者征兆)分词或者词条语义关系的相似度，并对该关联网络模型进行内部验证。
应当立即的是，在直角坐标系中，向量a用坐标(x1,y1)表示，向量b用坐标(x2,y2)表示，向量a和向量b在直角坐标中的长度为
Figure BDA0002516042300000081
向量a和向量b之间的距离我们用向量c，所以
Figure BDA0002516042300000082
由此可以得到2维空间中余弦函数的公式：
Figure BDA0002516042300000083
应当理解的是，假设有3个词条，item1，item2和item3，用向量表示分别为：
item1[1,1,0,0,1]，item2[0,0,1,2,1]，item3[0,0,1,2,0]，即五维空间中的3个点。用欧式距离公式计算item1、itme2之间的距离，以及item2和item3之间的距离，分别是：
item1-item2＝7，item2-item3＝1；
用余弦函数计算item1和item2夹角间的余弦值为：
Figure BDA0002516042300000084
用余弦函数计算item2和item3夹角间的余弦值为：
Figure BDA0002516042300000085
由此可得出item1和item2相似度小，两个之间的距离大(距离为7)，item2和itme3相似度大，两者之间的距离小(距离为1)。
下面举例说明使用余弦相似度计算两个词条的相似度：
列出所有词；分词编码；词频向量化；套用余弦函数计量两个词条的相似度；
患者主诉特征词条A：黄汗、肝区不适、黄疸、经常水肿、乏力、大小便不利等；
疾病肝硬化症状词条B：黄汗、肝区不适、黄疸、腹水、水肿、出血、乏力、尿黄等；
列出所有词，将listA和listB放在一个set中，得到：set＝{黄汗、肝区不适，黄疸、经常水肿、乏力、大小便不利、腹水、出血、尿黄}。将上述set转换为dict，key为set中的词，value为set中词出现的位置，即‘尿黄’:1这样的形式；
将listA和listB进行编码，将每个词转换为出现在set中的位置；
对listAcode和listBcode进行oneHot编码，计算每个分词出现的次数；
得出两个词条的词频向量之后，就变成了计算两个向量之间夹角的余弦值，值越大相似度越高。根据余弦相似度，词条A和词条B相似度很高。
应当理解的是，根据上述其匹配度获得汗液特征信息与疾病症状(或者征兆)特征信息筛查的基本标准；同时将线性融合相似度进行聚类操作，并进行协同过滤推荐。例如，词条A和词条B与汗液有关的分词或者短语只有一个：“黄汗”，通过线性融合相似度进行聚类操作，那它属于汗液的颜色范畴，归入此类。
进一步地，如图5所示，基于上述各实施例提出本发明基于人体汗液异常变化的智能筛查系统的第五实施例结构框图，在本实施例中，筛查模块40还包括：
报告生成模块401，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查，根据筛查结果生成对应报告。
应当理解的是，将该筛查标准用于模型应用域内汗液异常情况的筛查和分析，本实施例在建立汗液特征信息筛查模型时，除了考虑汗液词典模型，还考虑到汗液的各个性状点(包括汗液颜色、汗液气味、汗液状态、汗液数量、出汗时间、身体出汗部位等)之间的空间位置关系，以便更准确地构造用于汗液特征分类的分类模型，从而更准确地对汗液性状进行分类。
应当理解的是，下面是一个实施例，比如说：一种疾病，其症状(或者征兆)表现包括主要症状(或者征兆)和次要症状(或者征兆)。主要症状(或者征兆)是指该种疾病一定会表现的症状(或者征兆)；次要症状(或者征兆)是指可能由该疾病引起的并发症。因此对于词条的语义相似性计算，还需要考虑症状(或者征兆)的主次地位，而不能一概而论。例如感冒主要症状(或者征兆)是发热，而出汗、咳嗽等则是次要症状(或者征兆)，对于两个感冒患者的病情描述“发热、出汗、且咳嗽”和“发热、不出汗、没有咳嗽”，在计算汗液异常变化特征信息的语义相似度时，如果不考虑主次性，则两个病情的描述，那么它们的相似性很低，但实际上，这两个病情有可能都是感冒，是极为相似的。
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人体汗液异常变化的智能筛查系统，包括：采集模块，用于采集人体汗液异常变化对应的异常变化特征信息；网络模型建立模块，用于建立异常变化特征信息词条与对应的疾病特征信息的关联网络模型；筛选标准建立模块，用于建立余弦相似度算法，通过余弦相似度算法对异常变化特征信息词条与对应的疾病特征信息之间的相似度进行计算，获取相似度数据，根据该相似度数据建立特征信息筛选标准；筛查模块，用于根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查。本实施例通过利用余弦相似度算法进行语义相似度计算，实现汗液异常变化风险评估以及疾病筛查，推测可能的疾病，为辅助诊断服务。
此外，本发明实施例还提出一种基于人体汗液异常变化的智能筛查设备。如图6所示，该基于人体汗液异常变化的智能筛查设备包括：采集单元10、网络模型建立单元20、筛选标准建立单元30以及筛查单元40。
采集单元10，用于采集人体汗液异常变化对应的异常变化特征信息；
网络模型建立单元20，用于对异常变化特征信息进行聚类，并从聚类后的异常变化特征信息中提取异常变化特征信息词条，根据待异常变化特征信息词条获取对应的疾病特征信息，并建立异常变化特征信息词条与对应的疾病特征信息的关联网络模型；
筛选标准建立单元30，用于建立余弦相似度算法，通过余弦相似度算法对异常变化特征信息词条与对应的疾病特征信息之间的相似度进行计算，获取相似度数据，根据该相似度数据建立特征信息筛选标准；
筛查单元40，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查。
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人体汗液异常变化的智能筛查系统，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 (8)

1.一种基于人体汗液异常变化的智能筛查系统，其特征在于，所述基于人体汗液异常变化的智能筛查系统包括：
采集模块，用于采集人体汗液异常变化对应的异常变化特征信息；
网络模型建立模块，用于对异常变化特征信息进行聚类，并从聚类后的异常变化特征信息中提取异常变化特征信息词条，根据待异常变化特征信息词条获取对应的疾病特征信息，并建立异常变化特征信息词条与对应的疾病特征信息的关联网络模型；
筛选标准建立模块，用于建立余弦相似度算法，通过余弦相似度算法对异常变化特征信息词条与对应的疾病特征信息之间的相似度进行计算，获取相似度数据，根据该相似度数据建立特征信息筛选标准；
筛查模块，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查。
2.如权利要求1所述的基于人体汗液异常变化的智能筛查系统，其特征在于：采集模块包括自然语言处理模块，用于通过自然语言对人体汗液异常变化对应的异常变化特征信息进行处理，获取汗液异常变化特征信息的属性信息，所述属性信息包括：汗液异常变化的部位、颜色、数量以及气味。
3.如权利要求1所述的基于人体汗液异常变化的智能筛查系统，其特征在于：网络模型建立模块包括聚类模块，用于对汗液异常变化特征信息的属性信息进行聚类，获取聚类后的属性信息作为异常变化特征信息词条，所述异常变化特征信息词条包括：出现时间、出现数量、汗液状态、汗液颜色以及汗液气味，并建立各异常变化特征信息词条之间的对应关系。
4.如权利要求3所述的基于人体汗液异常变化的智能筛查系统，其特征在于：网络模型建立模块还包括关联网络模型模块，用于根据异常变化特征信息词条获取对应的常见疾病特征信息，并根据异常变化特征信息词条以及对应的常见疾病特征信息建立关联网络模型。
5.如权利要求4所述的基于人体汗液异常变化的智能筛查系统，其特征在于：筛选标准建立模块包括相似度计算模块，用于建立余弦相似度算法，通过余弦相似度算法计算异常变化特征信息词条与对应的疾病特征信息之间的相似度，并根据该相似度对关联网络模型进行验证并修改，获取新的关联网络模型。
6.如权利要求5所述的基于人体汗液异常变化的智能筛查系统，其特征在于：筛选标准建立模块包括余弦相似度算法单元，所述余弦相似度算法为：
Figure FDA0002516042290000021
其中，cos(θ)代表余弦相似度，向量a和向量b代表异常变化特征信息词条与对应的疾病特征信息，c代表向量a和向量b之间的距离，且
Figure FDA0002516042290000022
x1和y1是向量a的坐标，x2和y2是向量b的坐标。
7.如权利要求5所述的基于人体汗液异常变化的智能筛查系统，其特征在于：筛查模块包括报告生成模块，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查，根据筛查结果生成对应报告。
8.一种基于人体汗液异常变化的智能筛查设备，其特征在于，所述基于人体汗液异常变化的智能筛查设备包括：
采集单元，用于采集人体汗液异常变化对应的异常变化特征信息；
网络模型建立单元，用于对异常变化特征信息进行聚类，并从聚类后的异常变化特征信息中提取异常变化特征信息词条，根据待异常变化特征信息词条获取对应的疾病特征信息，并建立异常变化特征信息词条与对应的疾病特征信息的关联网络模型；
筛选标准建立单元，用于建立余弦相似度算法，通过余弦相似度算法对异常变化特征信息词条与对应的疾病特征信息之间的相似度进行计算，获取相似度数据，根据该相似度数据建立特征信息筛选标准；
筛查单元，用于获取待筛查汗液异常变化特征信息，根据该特征信息筛选标准对该待筛查汗液异常变化特征信息进行筛查。
CN202010476532.8A 2020-05-29 2020-05-29 基于人体汗液异常变化的智能筛查系统 Pending CN111710409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010476532.8A CN111710409A (zh) 2020-05-29 2020-05-29 基于人体汗液异常变化的智能筛查系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010476532.8A CN111710409A (zh) 2020-05-29 2020-05-29 基于人体汗液异常变化的智能筛查系统

Publications (1)

Publication Number Publication Date
CN111710409A true CN111710409A (zh) 2020-09-25

Family

ID=72536951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010476532.8A Pending CN111710409A (zh) 2020-05-29 2020-05-29 基于人体汗液异常变化的智能筛查系统

Country Status (1)

Country Link
CN (1) CN111710409A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233793A (zh) * 2020-10-20 2021-01-15 吾征智能技术(北京)有限公司 一种基于血精及疾病的自学习信息匹配系统
CN112349423A (zh) * 2020-11-04 2021-02-09 吾征智能技术(北京)有限公司 一种基于BiMPM方法的口干信息匹配系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015023187A1 (en) * 2013-08-12 2015-02-19 Your.Md As Method and arrangement for matching of diseases and detection of changes for a disease by the use of mathematical models
WO2016086442A1 (zh) * 2014-12-05 2016-06-09 深圳市共创百业科技开发有限公司 基于网络医院的皮肤病远程筛查系统及方法
CN105843947A (zh) * 2016-04-08 2016-08-10 华南师范大学 基于大数据关联规则挖掘的异常行为检测方法和系统
CN106599037A (zh) * 2016-11-04 2017-04-26 焦点科技股份有限公司 一种基于标签语义规范化推荐方法
CN107656952A (zh) * 2016-12-30 2018-02-02 青岛中科慧康科技有限公司 平行智能病例推荐模型的建模方法
CN108446260A (zh) * 2018-02-06 2018-08-24 天津艾登科技有限公司 基于语义近似匹配算法进行自动化疾病编码转换的方法及系统
CN109241246A (zh) * 2018-11-01 2019-01-18 北京京航计算通讯研究所 基于质量文本相似性的数据查询系统
US20190035506A1 (en) * 2017-07-31 2019-01-31 Hefei University Of Technology Intelligent auxiliary diagnosis method, system and machine-readable medium thereof
CN109697286A (zh) * 2018-12-18 2019-04-30 众安信息技术服务有限公司 一种基于词向量的诊断标准化方法及装置
CN111193627A (zh) * 2019-12-31 2020-05-22 中国移动通信集团江苏有限公司 信息处理方法、装置、设备及存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015023187A1 (en) * 2013-08-12 2015-02-19 Your.Md As Method and arrangement for matching of diseases and detection of changes for a disease by the use of mathematical models
WO2016086442A1 (zh) * 2014-12-05 2016-06-09 深圳市共创百业科技开发有限公司 基于网络医院的皮肤病远程筛查系统及方法
CN105843947A (zh) * 2016-04-08 2016-08-10 华南师范大学 基于大数据关联规则挖掘的异常行为检测方法和系统
CN106599037A (zh) * 2016-11-04 2017-04-26 焦点科技股份有限公司 一种基于标签语义规范化推荐方法
CN107656952A (zh) * 2016-12-30 2018-02-02 青岛中科慧康科技有限公司 平行智能病例推荐模型的建模方法
US20190035506A1 (en) * 2017-07-31 2019-01-31 Hefei University Of Technology Intelligent auxiliary diagnosis method, system and machine-readable medium thereof
CN108446260A (zh) * 2018-02-06 2018-08-24 天津艾登科技有限公司 基于语义近似匹配算法进行自动化疾病编码转换的方法及系统
CN109241246A (zh) * 2018-11-01 2019-01-18 北京京航计算通讯研究所 基于质量文本相似性的数据查询系统
CN109697286A (zh) * 2018-12-18 2019-04-30 众安信息技术服务有限公司 一种基于词向量的诊断标准化方法及装置
CN111193627A (zh) * 2019-12-31 2020-05-22 中国移动通信集团江苏有限公司 信息处理方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
常炳国;刘清星;: "基于深度学习的慢性肝病CT报告相似度分析" *
马钰;王宏志;高宏;: "基于医疗知识库的辅助诊疗系统" *
魏霖静;练智超;王联国;侯振兴;: "基于词条与语意差异度量的文档聚类算法" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112233793A (zh) * 2020-10-20 2021-01-15 吾征智能技术(北京)有限公司 一种基于血精及疾病的自学习信息匹配系统
CN112349423A (zh) * 2020-11-04 2021-02-09 吾征智能技术(北京)有限公司 一种基于BiMPM方法的口干信息匹配系统
CN112349423B (zh) * 2020-11-04 2024-05-24 吾征智能技术(北京)有限公司 一种基于BiMPM方法的口干信息匹配系统

Similar Documents

Publication Publication Date Title
Wang et al. Hybrid transfer learning and broad learning system for wearing mask detection in the COVID-19 era
Miech et al. Learning a text-video embedding from incomplete and heterogeneous data
CN102436583B (zh) 基于对标注图像学习的图像分割方法
CN107403142B (zh) 一种微表情的检测方法
CN102844766B (zh) 基于人眼图像的多特征融合身份识别方法
CN109919106B (zh) 渐进式目标精细识别与描述方法
CN105512624A (zh) 一种人脸图像的笑脸识别方法及其装置
CN113724228A (zh) 舌色苔色识别方法、装置、计算机设备及存储介质
CN102422324B (zh) 年龄估计设备和方法
CN110069779A (zh) 医疗文本的症状实体识别方法及相关装置
CN110633624B (zh) 一种基于多特征融合的机器视觉人体异常行为识别方法
CN111710409A (zh) 基于人体汗液异常变化的智能筛查系统
CN113313045A (zh) 基于多任务学习和类激活图反馈的人机不同步识别方法
JP2011039934A (ja) 感情推定システム及びそれを利用した学習システム
Zhao et al. A novel facial attractiveness evaluation system based on face shape, facial structure features and skin
CN110472605A (zh) 一种基于深度学习人脸分区的皮肤问题诊断方法
Dai et al. A co-training approach for sequential three-way decisions
Ma'arif et al. Face shape-based physiognomy in LinkedIn profiles with cascade classifier and K-means clustering
Alghieth Skin Disease Detection for Kids at School Using Deep Learning Techniques.
CN117237351B (zh) 一种超声图像分析方法以及相关装置
Lin et al. Ded: Diagnostic evidence distillation for acne severity grading on face images
Karczmarek et al. Linguistic descriptors in face recognition
Han et al. Clustering and retrieval of video shots based on natural stimulus fMRI
CN116933137A (zh) 脑电跨被试的情绪识别方法、装置、设备及介质
Zhang et al. ECMER: Edge-cloud collaborative personalized multimodal emotion recognition framework in the Internet of vehicles

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