CN111710410A - 一种基于青筋固定部位征兆的疾病推测系统 - Google Patents
一种基于青筋固定部位征兆的疾病推测系统 Download PDFInfo
- Publication number
- CN111710410A CN111710410A CN202010476536.6A CN202010476536A CN111710410A CN 111710410 A CN111710410 A CN 111710410A CN 202010476536 A CN202010476536 A CN 202010476536A CN 111710410 A CN111710410 A CN 111710410A
- Authority
- CN
- China
- Prior art keywords
- data
- disease
- green
- establishing
- text description
- 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
- 210000003205 muscle Anatomy 0.000 title claims abstract description 91
- 201000010099 disease Diseases 0.000 title claims abstract description 90
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 90
- 208000024891 symptom Diseases 0.000 title claims abstract description 50
- 210000002435 tendon Anatomy 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012706 support-vector machine Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 7
- 241000282376 Panthera tigris Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 210000004247 hand Anatomy 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 206010019233 Headaches Diseases 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 210000002249 digestive system Anatomy 0.000 description 3
- 231100000869 headache Toxicity 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 208000002173 dizziness Diseases 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 208000008035 Back Pain Diseases 0.000 description 1
- 241000296615 Celastrus strigillosus Species 0.000 description 1
- 206010065559 Cerebral arteriosclerosis Diseases 0.000 description 1
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010058842 Cerebrovascular insufficiency Diseases 0.000 description 1
- 206010011469 Crying Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 206010049565 Muscle fatigue Diseases 0.000 description 1
- 206010050031 Muscle strain Diseases 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 208000002193 Pain Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 206010046996 Varicose vein Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000941 bile Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000023555 blood coagulation Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 201000006549 dyspepsia Diseases 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 206010016256 fatigue Diseases 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 206010020718 hyperplasia Diseases 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 201000005851 intracranial arteriosclerosis Diseases 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 210000005075 mammary gland Anatomy 0.000 description 1
- 230000004089 microcirculation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 206010039073 rheumatoid arthritis Diseases 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000003867 tiredness Effects 0.000 description 1
- 208000016255 tiredness Diseases 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 208000027185 varicose disease Diseases 0.000 description 1
- 210000000707 wrist Anatomy 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pathology (AREA)
- Evolutionary Biology (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提出了一种基于青筋固定部位征兆的疾病推测系统。包括：词典模块，用于采集青筋出现的具体部位以及对应的文本描述数据，构建青筋特征信息词典；关系库建立模块，用于根据文本描述数据获取对应的疾病征兆关系数据，根据该青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库；计算模块，用于建立支持向量机法，通过支持向量机法对文本描述数据进行计算，根据该计算后的数据建立推测分类器；推测模块，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告。本发明通过利用支持向量机方法，进行分类、聚类和权重计算，能够实现对固定青筋部位的疾病推测，加快疾病推测速度，提高了用户体验。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于青筋固定部位征兆的疾病推测系统。
背景技术
人体身上出现的青筋，表明体内废物积滞过度，是体内废物痰湿淤热毒积滞的一种外在反映。俗话说；青筋过鼻梁，无事哭三场。身体内的废物积滞越多，青筋就越明显。一般几天不通便的人，青筋就特别明显，通过青筋的形态就可以观察出体内积滞的状态。一般随着青筋的形态、颜色变化，则表示体内废物积滞越严重，所谓久积成毒。如果青筋到达凸起、扭曲、紫黑时，往往表示体内积滞的废物越毒，甚至表示大病将至。所以，身体上任何部位出现青筋，都表示相应部位所代表的问题。
但是，现有技术对于通过青筋推测疾病这一块往往需要的流程很多，需要依靠人进行辅助来实现疾病推测，而且推测速度慢，涉及专利术语很多，用户并不能第一时间知道自己的基本情况，所以亟需一种基于青筋固定部位征兆的疾病推测系统，能够快速响应，并且让用户清楚自己的情况。
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青筋固定部位征兆的疾病推测系统，旨在解决现有技术无法通过聚类算法来推测固定部位的青筋可能引发的疾病的技术问题。
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青筋固定部位征兆的疾病推测系统，所述基于青筋固定部位征兆的疾病推测系统包括：
词典模块，用于采集青筋出现的具体部位以及对应的文本描述数据，根据该青筋出现的具体部位以及对应的文本描述数据构建青筋特征信息词典；
关系库建立模块，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，根据该青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库；
计算模块，用于建立支持向量机法，通过支持向量机法对青筋特征信息词典中的文本描述数据进行计算，获取计算后的数据，根据该计算后的数据建立推测分类器；
推测模块，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告。
在以上技术方案的基础上，优选的，词典模块包括描述模块，用于采集青筋出现的具体部位以及对应的文本描述数据，所述文本描述数据包括：手背青筋暗示着腰背部有积滞，小孩手指青筋，成人手指青筋，手掌到处可见青筋以及虎口青筋。
在以上技术方案的基础上，优选的，词典模块包括词典建立模块，用于对文本描述数据进行特征提取，提取特征词，所述特征词包括：手背部有青筋、颜色黒而凸起、弯曲；手上出现青色、大小鱼际发青、甚至青筋暴露；鼻梁出现紫色的青筋，并对该特征词进行归一化处理，根据处理后的特征词建立青筋特征信息词典。
在以上技术方案的基础上，优选的，关系库建立模块还包括疾病关系库建立模块，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，并建立对应关系，根据该对应关系，通过青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库。
在以上技术方案的基础上，优选的，计算模块还包括推测分类器建立模块，用于建立支持向量机法，通过支持向量机法计算青筋特征信息词典中的文本描述数据的权重值，根据该权重值建立推测分类器。
在以上技术方案的基础上，优选的，计算模块包括支持向量机法单元，所述支持向量机法为：
其中，wk为可调权值向量，L(wk)为最大似然函数，m为文本描述数据，i为文本描述数据的个数，yi为文本描述数据中具体特征数据，xik为xi求偏导求算出的数据，xi为n维特征向量，k代表待计算数据个数。
在以上技术方案的基础上，优选的，推测模块包括报告单生成模块，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告反馈至用户。
更进一步优选的，所述基于青筋固定部位征兆的疾病推测设备包括：
词典单元，用于采集青筋出现的具体部位以及对应的文本描述数据，根据该青筋出现的具体部位以及对应的文本描述数据构建青筋特征信息词典；
关系库建立单元，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，根据该青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库；
计算单元，用于建立支持向量机法，通过支持向量机法对青筋特征信息词典中的文本描述数据进行计算，获取计算后的数据，根据该计算后的数据建立推测分类器；
推测单元，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告。
本发明的一种基于青筋固定部位征兆的疾病推测系统相对于现有技术具有以下有益效果：
(1)通过利用支持向量机方法，进行分类、聚类和权重计算，能够实现对固定部位青筋对应的疾病推测，同时也提高了整个疾病推测过程的速度；
(2)通过建立青筋与疾病的关系库，能够加快疾病推测的速度，同时随着关系库的不断扩充，也可以提高疾病推测的精度。
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是本发明基于青筋固定部位征兆的疾病推测系统第一实施例的结构框图；
图2为本发明基于青筋固定部位征兆的疾病推测系统的第二实施例结构框图；
图3为本发明基于青筋固定部位征兆的疾病推测系统的第三实施例结构框图；
图4为本发明基于青筋固定部位征兆的疾病推测系统的第四实施例结构框图；
图5为本发明基于青筋固定部位征兆的疾病推测系统的第五实施例结构框图；
图6为本发明基于青筋固定部位征兆的疾病推测系统设备结构框图。
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为本发明基于青筋固定部位征兆的疾病推测系统第一实施例的结构框图。其中，所述基于青筋固定部位征兆的疾病推测系统包括：词典模块10、关系库建立模块20、计算模块30和推测模块40。
词典模块10，用于采集青筋出现的具体部位以及对应的文本描述数据，根据该青筋出现的具体部位以及对应的文本描述数据构建青筋特征信息词典；
关系库建立模块20，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，根据该青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库；
计算模块30，用于建立支持向量机法，通过支持向量机法对青筋特征信息词典中的文本描述数据进行计算，获取计算后的数据，根据该计算后的数据建立推测分类器；
推测模块40，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告。
进一步地，如图2所示，基于上述各实施例提出本发明基于青筋固定部位征兆的疾病推测系统的第二实施例结构框图，在本实施例中，词典模块10还包括：
描述模块101，用于采集青筋出现的具体部位以及对应的文本描述数据，所述文本描述数据包括：手背青筋暗示着腰背部有积滞，小孩手指青筋，成人手指青筋，手掌到处可见青筋以及虎口青筋；
词典建立模块102，用于对文本描述数据进行特征提取，提取特征词，所述特征词包括：手背部有青筋、颜色黒而凸起、弯曲；手上出现青色、大小鱼际发青、甚至青筋暴露；鼻梁出现紫色的青筋，并对该特征词进行归一化处理，根据处理后的特征词建立青筋特征信息词典。
需要说明的是，采集医学典籍中关于青筋出现的具体部位(如，手部青筋、头部青筋、下肢青筋、胸腹部青筋等)以及对其进行的文本描述数据(比如，手有青筋有好的描述：手背青筋暗示着腰背部有积滞，容易导致腰肌劳损，疲劳乏力。常见现象有腰酸背痛，肌肉紧张、硬结节等；小孩手指青筋，提示肠胃积滞消化不良；成人手指青筋，不但提示消化系统有问题，还反映了头部血管微循环障碍，脑血管供血不足，头部不适，严重者会出现头晕、头痛、中风等；手掌到处可见青筋，表示胃肠积滞，血脂高，血粘稠，血压高，血液酸性高，含氧量低，血液容易凝聚积滞，容易出现头晕、头痛、疲倦乏力、身体虚弱等；虎口青筋：老年人如果虎口部位出现垂直于虎口、与掌纹重合的明显青筋，可能预示容易患心脑血管急症，等等)。
应当理解的是，对每一固定部位的青筋以及其特征或者征兆的文本描述进行特征(主要是描述文本的分词和短语)提取并归一化，构建身体固定部位的青筋特征信息词典(主要是分词和短语)如，手背部有青筋、颜色黒而凸起、弯曲；手上出现青色、大小鱼际发青、甚至青筋暴露；鼻梁出现紫色的青筋等。
进一步地，如图3所示，基于上述各实施例提出本发明基于青筋固定部位征兆的疾病推测系统的第三实施例结构框图，在本实施例中，关系库建立模块20还包括：
疾病关系库建立模块201，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，并建立对应关系，根据该对应关系，通过青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库。
应当理解的是，采集并提取不同部位青筋特征或者征兆以及该异常特征对应的人体健康状况和疾病征兆关系数据和知识表示(主要是分词和短语)，并进行归一化处理，构建青筋部位与青筋、青筋与健康状况以及青筋与疾病征兆关系的数据库(主要是分词和短语)和知识库。比如，小孩手部有青筋，一般提示消化受阻，有积食的现象；成人手部有青筋，不但提示消化系统出现了问题，可能还有头部血管循环受阻；年轻人在太阳穴有青筋，表示有脑动脉硬化的可能；如果鼻梁有青筋，提示消化系统有问题；如果嘴角下有青筋，则提示有妇科疾病的可能；如果青筋在膝盖附件，一定小心关节肿大、风湿性关节炎等疾病的发生；如果青筋在小腿上面，一般是由于血栓导致的静脉曲张；如果是女性在胸上有青筋的话，一定要小心乳腺增生导致血管血流不畅；如果是在腹部有比较明显的青筋，那么说明肝脏出现了问题，由于肝脏分泌胆汁不足，导致严重积食，从而引发了青筋。
应当理解的是，为实现较高准确率的特征识别,采用合并部位进行分类。主要利用相同部位进行归类的方法，把人体的31个部位，通过合并同类项，将人体的较小部位合并或者把较小部位划分到相邻的主要部位中去，并获取各部位的固定位置。比如，把手掌青筋、手指青筋、手背青筋等统一归类到“手部青筋”这一类。因为手掌青筋又可以分为：大鱼际青筋、腕部横纹线青筋、内关青筋、生命线附近有青筋、虎口生命线起端青筋、食指指掌横纹青筋、拇指指掌关节横纹青筋、中指指掌关节横纹青筋等，它们虽然属于“手掌青筋”这一类，但是由于“手掌青筋”又属于“手部青筋”类，所以上述一同合并为“手部青筋”类。只是在权重设计的时候要考虑大小。
应当理解的是，在青筋特征信息向量的提取过程中，通过设计一种青筋征兆特征信息文本描述法来实现：即按照青筋呈现出来的颜色、形态、性状、数量、范围、感知等，进行文本分词和短句描述，以便相对精确地构建特征信息向量，反映出青筋表现出来的真实征兆。比如，青筋颜色有青色、绿色、黑色、紫黑等；形态有：凸起、扭曲、曲张、暴起等；性状有水肿、肿胀等；感知有刺疼、压疼等；数量有很多、很长等；范围有一大片、一长条、一小片等。
进一步地，如图4所示，基于上述各实施例提出本发明基于青筋固定部位征兆的疾病推测系统的第四实施例结构框图，在本实施例中，计算模块30还包括：
推测分类器建立模块301，用于建立支持向量机法，通过支持向量机法计算青筋特征信息词典中的文本描述数据的权重值，根据该权重值建立推测分类器。
支持向量机法单元302，所述支持向量机法为：
其中，wk为可调权值向量，L(wk)为最大似然函数，m为文本描述数据，i为文本描述数据的个数，yi为文本描述数据中具体特征数据，xik为xi求偏导求算出的数据，xi为n维特征向量，k代表待计算数据个数。
应当理解的是，通过使用支持向量机方法，进行分类和聚类和权重计算。也就是依据算法要求，通过采集各种青筋特征样本的特征数据集，以此数据集训练分类器并进行权重计算。这里，还要注意的是，青筋颜色越黒，则表示病情越重；形态越变形，如凸起、弯曲，则表示病情越重；反之则轻，以此类推等等。所以在进行权重设置时，也遵循这个原则。具体来说，用x表示数据点(青筋部位的特征信息或者向量)，用y表示类别(主要是部位里面的类别)，比如颜色类，或者形态类，或者感知类等(y可以取1或者-1，分别代表两个不同的类)。由于线性分类器的学习目标便是要在n维的数据空间中找到一个超平面(hyperplane)，这个超平面的方程可以表示为(wT中的T代表转置)：输入是线性可分的m个样本(x1,y1),(x2,y2),...,(xm,ym)。其中x为n维特征向量，y为二元输出，值为1，或者-1。
应当理解的是，wTx+b＝0，这里x为输入向量(青筋部位的特征信息)，也就是样本集合中的向量；w是可调权值向量，每个向量可调权值；T为转置，向量的转置；b为偏置，超平面相对原点的偏移。
于是，假设函数
而
其中，x为n维特征向量，x＝w0+w1x1+...+wnxn是每个样本的n个特征。函数g就是logistic函数。可以看到，将无穷映射到了(0，1)。
而假设函数就是特征属于y＝1的概率：
P(y＝1|x；θ)＝hθ(x),P(y＝0|x；θ)＝1-hθ(x)；
由于，考虑具有n个独立变量的向量x＝(x1,x2,...xn)，设条件慨率P(y＝1|x)＝p为根据观测量相对于某事件x发生的概率。那么Logistic回归模型可以表示为：
可以看出Logistic回归都是围绕一个Logistic函数来展开的。接下来就讲如何用极大似然估计求分类器的参数。
假设有m个观测样本，观测值分别为y1,y2,...,ym，设pi＝P(yi＝1|xi)为给定条件下得到yi＝1的概率，同样地，yi＝0的概率为P(yi＝0|xi)＝1-pi，所以得到一个观测值的概率为
因为各个观测样本之间相互独立，那么它们的联合分布为各边缘分布的乘积。得到似然函数：
然后我们的目标是求出使这一似然函数的值最大的参数估计，最大似然估计就是求出参数w0,w1,...,wn，使得L(w)取得最大值，对函数L(w)取对数得到：
继续对这n+1个wi分别求偏导，得到n+1个方程，比如现在对参数wk求偏导，所以得到：
实际上在上述似然函数求最大值时，可以用梯度上升算法，一直迭代下去。
进一步地，如图5所示，基于上述各实施例提出本发明基于青筋固定部位征兆的疾病推测系统的第五实施例结构框图，在本实施例中，推测模块40还包括：
报告单生成模块401，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告反馈至用户。
应当理解的是，获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告反馈至用户。
应当理解的是，本实施例将青筋认知处理过程分为部位提取、特征向量提取、特征分类识别、病因推导与预测等四个步骤，从而实现固定场景下(人体部位)的青筋识别和病因推测和识别。也就是通过词袋技术，获取人体青筋的部位、颜色、性状、形态、范围、感知特征的文本描述，然后通过固定部位来完成青筋文本特征的分类、聚类和回归等，最后利用线性回归决策树，判断出青筋异常变化以及病情程度，实现青筋的智能认知和病因以及病情程度的预测。
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青筋固定部位征兆的疾病推测系统，包括：词典模块，用于采集青筋出现的具体部位以及对应的文本描述数据，构建青筋特征信息词典；关系库建立模块，用于根据文本描述数据获取对应的疾病征兆关系数据，根据该青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库；计算模块，用于建立支持向量机法，通过支持向量机法对文本描述数据进行计算，根据该计算后的数据建立推测分类器；推测模块，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告。本实施例通过利用支持向量机方法，进行分类、聚类和权重计算，能够实现对固定青筋部位的疾病推测，加快疾病推测速度，提高了用户体验。
此外，本发明实施例还提出一种基于青筋固定部位征兆的疾病推测设备。如图6所示，该基于青筋固定部位征兆的疾病推测设备包括：词典单元10、关系库建立单元20、计算单元30以及推测单元40。
词典单元10，用于采集青筋出现的具体部位以及对应的文本描述数据，根据该青筋出现的具体部位以及对应的文本描述数据构建青筋特征信息词典；
关系库建立单元20，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，根据该青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库；
计算单元30，用于建立支持向量机法，通过支持向量机法对青筋特征信息词典中的文本描述数据进行计算，获取计算后的数据，根据该计算后的数据建立推测分类器；
推测单元40，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告。
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青筋固定部位征兆的疾病推测系统，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 (8)
1.一种基于青筋固定部位征兆的疾病推测系统，其特征在于，所述基于青筋固定部位征兆的疾病推测系统包括：
词典模块，用于采集青筋出现的具体部位以及对应的文本描述数据，根据该青筋出现的具体部位以及对应的文本描述数据构建青筋特征信息词典；
关系库建立模块，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，根据该青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库；
计算模块，用于建立支持向量机法，通过支持向量机法对青筋特征信息词典中的文本描述数据进行计算，获取计算后的数据，根据该计算后的数据建立推测分类器；
推测模块，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告。
2.如权利要求1所述的基于青筋固定部位征兆的疾病推测系统，其特征在于：词典模块包括描述模块，用于采集青筋出现的具体部位以及对应的文本描述数据，所述文本描述数据包括：手背青筋暗示着腰背部有积滞，小孩手指青筋，成人手指青筋，手掌到处可见青筋以及虎口青筋。
3.如权利要求1所述的基于青筋固定部位征兆的疾病推测系统，其特征在于：词典模块包括词典建立模块，用于对文本描述数据进行特征提取，提取特征词，所述特征词包括：手背部有青筋、颜色黒而凸起、弯曲；手上出现青色、大小鱼际发青、甚至青筋暴露；鼻梁出现紫色的青筋，并对该特征词进行归一化处理，根据处理后的特征词建立青筋特征信息词典。
4.如权利要求3所述的基于青筋固定部位征兆的疾病推测系统，其特征在于：关系库建立模块还包括疾病关系库建立模块，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，并建立对应关系，根据该对应关系，通过青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库。
5.如权利要求4所述的基于青筋固定部位征兆的疾病推测系统，其特征在于：计算模块还包括推测分类器建立模块，用于建立支持向量机法，通过支持向量机法计算青筋特征信息词典中的文本描述数据的权重值，根据该权重值建立推测分类器。
6.如权利要求5所述的基于青筋固定部位征兆的疾病推测系统，其特征在于：计算模块包括支持向量机法单元，所述支持向量机法为：
其中，wk为可调权值向量，L(wk)为最大似然函数，m为文本描述数据，i为文本描述数据的个数，yi为文本描述数据中具体特征数据，xik为xi求偏导求算出的数据，xi为n维特征向量，k代表待计算数据个数。
7.如权利要求5所述的基于青筋固定部位征兆的疾病推测系统，其特征在于：推测模块包括报告单生成模块，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告反馈至用户。
8.一种基于青筋固定部位征兆的疾病推测设备，其特征在于，所述基于青筋固定部位征兆的疾病推测设备包括：
词典单元，用于采集青筋出现的具体部位以及对应的文本描述数据，根据该青筋出现的具体部位以及对应的文本描述数据构建青筋特征信息词典；
关系库建立单元，用于根据青筋特征信息词典中的文本描述数据获取对应的疾病征兆关系数据，根据该青筋特征信息词典与对应的疾病征兆关系数据建立疾病关系库；
计算单元，用于建立支持向量机法，通过支持向量机法对青筋特征信息词典中的文本描述数据进行计算，获取计算后的数据，根据该计算后的数据建立推测分类器；
推测单元，用于获取待推测数据，根据推测分类器对待推测数据进行推测，并生成对应报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010476536.6A CN111710410A (zh) | 2020-05-29 | 2020-05-29 | 一种基于青筋固定部位征兆的疾病推测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010476536.6A CN111710410A (zh) | 2020-05-29 | 2020-05-29 | 一种基于青筋固定部位征兆的疾病推测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111710410A true CN111710410A (zh) | 2020-09-25 |
Family
ID=72538430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010476536.6A Pending CN111710410A (zh) | 2020-05-29 | 2020-05-29 | 一种基于青筋固定部位征兆的疾病推测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111710410A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112233792A (zh) * | 2020-10-20 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于便血的疾病推导系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1545302A1 (en) * | 2002-10-03 | 2005-06-29 | Joachim Diederich | Method and apparatus for assessing psychiatric or physical disorders |
| US20110142301A1 (en) * | 2006-09-22 | 2011-06-16 | Koninklijke Philips Electronics N. V. | Advanced computer-aided diagnosis of lung nodules |
| CN102682348A (zh) * | 2012-05-14 | 2012-09-19 | 哈尔滨工业大学（威海） | 复杂装备部件维修级别优化系统及其建立方法 |
| CN106934223A (zh) * | 2017-02-28 | 2017-07-07 | 思派（北京）网络科技有限公司 | 一种基于大数据的血液病智能分类系统及方法 |
| CN108597601A (zh) * | 2018-04-20 | 2018-09-28 | 山东师范大学 | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 |
| CN111161879A (zh) * | 2020-02-24 | 2020-05-15 | 梅里医疗科技(洋浦)有限责任公司 | 一种基于大数据的疾病预测系统 |
-
2020
- 2020-05-29 CN CN202010476536.6A patent/CN111710410A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1545302A1 (en) * | 2002-10-03 | 2005-06-29 | Joachim Diederich | Method and apparatus for assessing psychiatric or physical disorders |
| US20110142301A1 (en) * | 2006-09-22 | 2011-06-16 | Koninklijke Philips Electronics N. V. | Advanced computer-aided diagnosis of lung nodules |
| CN102682348A (zh) * | 2012-05-14 | 2012-09-19 | 哈尔滨工业大学（威海） | 复杂装备部件维修级别优化系统及其建立方法 |
| CN106934223A (zh) * | 2017-02-28 | 2017-07-07 | 思派（北京）网络科技有限公司 | 一种基于大数据的血液病智能分类系统及方法 |
| CN108597601A (zh) * | 2018-04-20 | 2018-09-28 | 山东师范大学 | 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法 |
| CN111161879A (zh) * | 2020-02-24 | 2020-05-15 | 梅里医疗科技(洋浦)有限责任公司 | 一种基于大数据的疾病预测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 田艳丰;刘石磊;井艳军;杨轶;: "基于D-S证据融合的风力发电机组的故障预测" * |
| 齐滨;赵春晖;王玉磊;: "基于支持向量机与相关向量机的高光谱图像分类" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112233792A (zh) * | 2020-10-20 | 2021-01-15 | 吾征智能技术(北京)有限公司 | 一种基于便血的疾病推导系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109190113B (zh) | 一种中医理论典籍的知识图谱构建方法 | |
| Uddin et al. | Activity recognition for cognitive assistance using body sensors data and deep convolutional neural network | |
| Chen et al. | A hierarchical bidirectional GRU model with attention for EEG-based emotion classification | |
| CN108549639A (zh) | 基于多特征模板修正的中医医案命名识别方法及系统 | |
| CN109003678A (zh) | 一种仿真文本病历的生成方法及系统 | |
| Yang et al. | A multi-view multi-scale neural network for multi-label ECG classification | |
| CN108647203A (zh) | 一种中医病情文本相似度的计算方法 | |
| CN112741593B (zh) | 疼痛评估方法、系统、设备及存储介质 | |
| Mohammed et al. | A survey on emotion recognition for human robot interaction | |
| CN111710410A (zh) | 一种基于青筋固定部位征兆的疾病推测系统 | |
| Das et al. | Interpretable self-supervised facial micro-expression learning to predict cognitive state and neurological disorders | |
| Washio et al. | Bridging the defined and the defining: Exploiting implicit lexical semantic relations in definition modeling | |
| CN105843868B (zh) | 一种基于语言模型的医案搜索方法 | |
| CN111627561B (zh) | 标准症状抽取方法、装置、电子设备和存储介质 | |
| Chen et al. | An effective swimming stroke recognition system utilizing deep learning based on inertial measurement units | |
| Elgendy et al. | Pain detection/classification framework including face recognition based on the analysis of facial expressions for E-health systems. | |
| CN115024735B (zh) | 一种基于运动意图识别模型的脑卒中患者康复方法及系统 | |
| KR102323968B1 (ko) | 근막 관리에 기반한 사용자 맞춤형 체형교정 서비스 제공 장치 및 방법 | |
| Xu et al. | Multi-modal emotion recognition fusing video and audio | |
| Vågeskar | Activity recognition for stroke patients | |
| Bhattacharjee et al. | Machine Learning, Image Processing, Network Security and Data Sciences: Second International Conference, MIND 2020, Silchar, India, July 30-31, 2020, Proceedings, Part II | |
| Kulkarni et al. | Yoga pose detection using long-term recurrent convolutional network | |
| Lu et al. | Intelligent monitoring of Taijiquan exercise based on fuzzy control theory | |
| Aakant et al. | Nadi Signal Analysis: A Review | |
| Kumar et al. | Depression detection using stacked autoencoder from facial features and NLP |
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: 20200925 |