CN111986801A - 基于深度学习的康复评定方法、装置及介质 - Google Patents
基于深度学习的康复评定方法、装置及介质 Download PDFInfo
- Publication number
- CN111986801A CN111986801A CN202010676155.2A CN202010676155A CN111986801A CN 111986801 A CN111986801 A CN 111986801A CN 202010676155 A CN202010676155 A CN 202010676155A CN 111986801 A CN111986801 A CN 111986801A
- Authority
- CN
- China
- Prior art keywords
- rehabilitation
- data
- evaluation
- assessment
- deep learning
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 126
- 238000013135 deep learning Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012795 verification Methods 0.000 claims abstract description 31
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 83
- 238000000034 method Methods 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 29
- 230000003340 mental effect Effects 0.000 claims description 22
- 238000013210 evaluation model Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 230000003449 preventive effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013139 quantization Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 230000036541 health Effects 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 201000007201 aphasia Diseases 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000000366 juvenile effect Effects 0.000 description 2
- 230000005186 women's health Effects 0.000 description 2
- 208000006888 Agnosia Diseases 0.000 description 1
- 241001047040 Agnosia Species 0.000 description 1
- 206010003062 Apraxia Diseases 0.000 description 1
- 206010008428 Chemical poisoning Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000032170 Congenital Abnormalities Diseases 0.000 description 1
- 206010013887 Dysarthria Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000008238 Muscle Spasticity Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010052428 Wound Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000007698 birth defect Effects 0.000 description 1
- 230000002612 cardiopulmonary effect Effects 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003793 prenatal diagnosis Methods 0.000 description 1
- 238000009609 prenatal screening Methods 0.000 description 1
- 230000009862 primary prevention Effects 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000036299 sexual function Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 208000018198 spasticity Diseases 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
- 230000002485 urinary effect Effects 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的康复评定方法、装置及介质的技术方案，包括：采集多维度数据，建康复评定数据库；调查数据库中进行关键词提取，确定康复服务对象康复指标；对多项维度数据及康复指标进行量化并构建对应的面板数据；构建基于深度学习的时间序列预测算法模型，对时间序列预测算法模型输入验证数据集进行预运行；筛选最优康复评定的预测算法模型，将康复服务对象对应的已量化的面板数据及康复指标输入至最优康复评定的预测算法模型，得到康复服务对象对应康复阶段的康复评定结果；直至完成康复服务对象的整个康复阶段评定。本发明的有益效果为：通过分布式大数据采集相关数据，进行量化处理并进行学习计算，使得康复评定更加有效。
Description
技术领域
本发明涉及计算机领域，具体涉及了一种基于深度学习的康复评定方法、装置及介质。
背景技术
康复评定，又称为康复功能评定，是康复医学领域内一门对功能障碍进行评定的专门诊断技术，主要应用在临床检测基础上，康复评定是对病、伤、残者的功能状况与水平的客观、定性和/或定量的描述，并对结果有效影响因子加以解释，对之后是否继续进行康复过程，是否可以重返家庭和社会或进一步康复治疗，是否修改原定康复计划等提出有效的科学依据。现有技术缺乏有效的技术手段对患者的康复进行数据量化及评估。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供了一种基于深度学习的康复评定方法、装置及介质，结合大数据与深度学习技术，对患者的康复的进行有效评定。
本发明的技术方案包括一种基于深度学习的康复评定方法，其特征在于，该方法包括：S100，通过分布式采集设备及分布式存储设备对涉及康复评定的多项维度数据进行采集，根据多项所述维度数据构建康复评定数据库；S200，根据康复服务对象所处的康复时间阶段，从调查数据库中进行关键词提取，确定康复服务对象康复指标；S300，对多项所述维度数据及所述康复指标进行量化并构建对应的面板数据；S400，构建基于深度学习的时间序列预测算法模型，对所述时间序列预测算法模型输入验证数据集进行预运行；S500，根据所述预运行的结果，筛选最优康复评定的预测算法模型，将康复服务对象对应的已量化的面板数据及康复指标输入至最优康复评定的预测算法模型，得到康复服务对象对应康复阶段的康复评定结果；S600，重复执行所述S200～S500直至完成康复服务对象的整个康复阶段评定。
根据所述的基于深度学习的康复评定方法，其中分布式采集设备及所述分布式存储设备基于Hadoop、Spark及Pyspark的分布式框架的组合，所述分布式存储设备采用Hive分布式存储，以实现大数据环境搭建。
根据所述的基于深度学习的康复评定方法，其中康复评定包括躯体功能评定、精神功能评定、语言功能评定及社会功能评定。
根据所述的基于深度学习的康复评定方法，其中维度数据包括自然环境数据、康复条件数据及康复理论研究数据。
根据所述的基于深度学习的康复评定方法，其中调查数据库包括：存储有包括但不限于采用访谈法、实地观察法、问卷法对康复对象进行的访谈、实地观察及问卷文本数据。
根据所述的基于深度学习的康复评定方法，其中S200包括：通过包括但不限于TF-IDF、PKEA、PageRank、TextRank、Rake及LDA对所述文本数据进行关键词提取；以及，采用包括但不限于K-means、K-MEDOIDS、CLARANS算法对所述文本数据进行聚类，并对每一聚类结果进行关键词提取；将聚类结果中提取的关键词作为后续康复指标参考。
根据所述的基于深度学习的康复评定方法，其中S300包括：对所述维度数据进行量化及标准化，其中量化及标准化范围为0～1，其中1为程度最大；基于所述标准化范围对维度数据建三维立面板数据，三维立面板数据中X轴为时间、Z轴为康复服务对象未进行预防干预的康复评定结果、Y轴为指标数据。
根据所述的基于深度学习的康复评定方法，其中S400包括：构建深度学习的时间序列预测算法模型：采用评定模型的测试数据集及验证数据集在所述时间序列预测算法模型进行预运行，自动选用使得准确率最高、损失率最低的一组模型参数；随机选取所述维度数据作为测试数据与验证数据，测试数据与验证数据的比重可自定义设置；其中时间序列预测算法模型包括但不限于OpenAR模型。
本发明的技术方案还包括一种基于深度学习的康复评定装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现任一所述的方法步骤。
本发明的技术方案还包括一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现任一所述的方法步骤。
本发明的有益效果为：通过分布式大数据采集相关数据，进行量化处理并进行学习计算，使得康复评定更加有效。
附图说明
下面结合附图和实施例对本发明进一步地说明；
图1所示为根据本发明实施方式的总体流程图；
图2所示为根据本发明实施方式的分布式装置示意图；
图3所示为根据本发明实施方式的系统康复评定过程图；
图4所示为根据本发明实施方式的系统康复评定总体流程图；
图5所示为根据本发明实施方式的康复评定内容示意图；
图6所示为根据本发明实施方式的康复评定数据库构成示意图；
图7所示为根据本发明实施方式的卫生服务记录表单示意图；
图8所示为根据本发明实施方式的个人康复数据分类示意图；
图9所示为根据本发明实施方式的装置及介质图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。
在本发明的描述中，对方法步骤的连续标号是为了方便审查和理解，结合本发明的整体技术方案以及各个步骤之间的逻辑关系，调整步骤之间的实施顺序并不会影响本发明技术方案所达到的技术效果。
本发明的描述中，除非另有明确的限定，设置等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
图1所示为根据本发明实施方式的总体流程图，该流程包括：S100，通过分布式采集设备及分布式存储设备对涉及康复评定的多项维度数据进行采集，根据多项维度数据构建康复评定数据库；S200，根据康复服务对象所处的康复时间阶段，从调查数据库中进行关键词提取，确定康复服务对象康复指标；S300，对多项维度数据及康复指标进行量化并构建对应的面板数据；S400，构建基于深度学习的时间序列预测算法模型，对时间序列预测算法模型输入验证数据集进行预运行；S500，根据预运行的结果，筛选最优康复评定的预测算法模型，将康复服务对象对应的已量化的面板数据及康复指标输入至最优康复评定的预测算法模型，得到康复服务对象对应康复阶段的康复评定结果；S600，重复执行S200～S500直至完成康复服务对象的整个康复阶段评定。
图2所示为根据本发明实施方式的分布式装置示意图，其包括多个分布式采集设备，分布式采集设备可以是各种移动设备，如手机、笔记本、移动式医疗设备，也可以是各种具有采集功能的计算机设备，分布式存储设备可以是各种云服务器。采用Hive+Hadoop+Spark+Pyspark的大数据存储与计算环境，采用Hive分布式存储，Hadoop+Spark+Pyspark为基础的分布式计算，实现大数据环境的搭建。
图3所示为根据本发明实施方式的系统康复评定过程图，如图3所示：1个康复评定数据库和3个子系统，分别为：康复评定数据库、一级预防康复评定、二级预防康复评定、三级预防康复评定。
康复评定过程为，在指定康复计划和开始康复治疗前进行初级评定，全面了解患者功能情况和障碍程度、致残原因、康复潜力，并预计患者康复预后，以此确定康复目标和制定康复治疗计划的依据；开始康复后，在康复治疗中期进行评定，了解经过一段时间康复治疗后，患者功能变化情况，有无康复疗效，分析其原因，并以此作为调整康复治疗计划的依据，首次中期评定后，若判断为进入康复结束阶段，可直接进行末期评定，若判断不能进入康复结束阶段，则进入调整康复治疗计划阶段，调整康复治疗计划后，重新进入中期评定；末期评定是在确定康复结束后进行的评定阶段，目的是了解经过康复治疗后，患者的总体功能，评价康复疗效，该评定过程会提出两种结果：
结果一：进一步康复治疗，该结果将重复进行初期评定、中期评定、末期评定；
结果二：重返家庭和社会。
图4所示为根据本发明实施方式的系统康复评定总体流程图，包括：子系统的康复评定共分为7个步骤，分别为：大数据环境搭建、数据采集、确定主要康复预防问题、采集数据的量化与面板数据的建立、基于深度学习的时间序列预测算法模型(康复评定模型)建立、运行模型进行康复评定、优化预测模型。
图5所示为根据本发明实施方式的康复评定内容示意图，子系统中，康复评定内容如下所示，内容共分为4类，类一：躯体功能评定(包括日常生活活动能力评定、神经电生理评定、肌力评定评定、痉挛的评定、感觉疼痛评定、协调与平衡功能评定、步态分析、心肺功能评定、泌尿和性功能评定、关节活动度评定等)；类二：精神功能评定(包括认知功能评定、情绪评定、失语症评定、失用症评定、失认症评定、性格评定、智力测定等)；类三：语言功能评定(包括失语症评定、构音障碍评定、语言错乱评定、言语发育迟缓评定等)；类四：社会功能评定(包括社会生活能力评定、生活质量评定、就业能力评定等)。
图6所示为根据本发明实施方式的康复评定数据库构成示意图，对康复服务人群进行康复评定前，需建立类似案例的数据库，数据库收集数据类型如下：康复评定数据库收集数据共分为四类，分别为：
a)卫生服务记录表单数据：主要包括基本信息数据等
b)环境影响因素数据：主要包括自然环境数据(如康复服务对象所在地区室内外温度)；家庭环境数据(如家人对康复服务对象的康复支持程度)；社区环境数据(如社区康复中心相关人员数量)；社会环境数据(如当地残疾补贴金额)，等相关环境影响因素；
c)康复条件数据：个人康复条件数据；康复机构条件数据(如康复服务对象所在康复机构团队人数)；若康复服务对象存在就医，另有医疗条件数据(如康复服务对象所在就医机构的等级)，等相关康复条件因素；
d)康复理论研究数据：残疾理论治愈范围(如残疾理论治愈年龄段)；残疾理论治愈百分比(如青少年残疾治愈百分比)；残疾理论治愈时间(如青少年残疾理论治愈时长)；等其他康复理论研究数据。
图7所示为根据本发明实施方式的卫生服务记录表单示意图，
康复评定数据库中，卫生服务记录表单数据分类具体如下图所示，分别为：
a)基本信息数据(如个人基本情况登记表)；
b)儿童保健数据(如出生医学证明、新生儿疾病筛查记录表、0～6岁儿童健康体检记录表、体弱儿童管理记录表)；
c)妇女保健数据(如婚前医学检查表、婚前医学检查证明、妇女健康检查表、计划生育技术服务：计划生育技术服务记录表、产前检查记录表、分娩记录表、产后访视、记录表、产后42天检查记录表、孕产妇高危管理记录表、产前筛查与诊断记录表、医疗机构出生缺陷登记卡、伤害监测报告卡、农药中毒报告卡、行为危险因素监测记录表、居民死亡医学证明书)；
d)疾病管理慢病数据(如高血压患者随访表、糖尿病患者随访表、肿瘤报告与随访表、精神分裂症患者年检表、随访表、老年人健康管理随访表)；
e)医疗服务数据(如门诊病历、住院病历、住院病案首页、成人健康检查表)。
图8所示为根据本发明实施方式的个人康复数据分类示意图，康复评定数据库中，个人康复数据包含如下分类：
a)躯体功能数据：肢体代偿能力检测数据、肢体代偿能力检测数据及其他躯体功能数据
b)精神数据：智力监测数据(如WHO-DAS分数)、康复意愿等级(如康复自我意愿强度)及其他精神数据
c)社会功能数据：生活质量水平数据(如当前家庭人均经济水平)、社会生活水平(如社交能力)及其他社会功能数据
d)其他辅助数据：是否有过成功类似康复经历、身边是否有过成功类似康复案例、是否存在信任的人陪同康复等。
本本发明的实施方式还包括以下示例：
结合图1至图8，参照以上康复评定过程、评定步骤、评定内容，基于上述康复评定数据库的建立，实现三个子系统。康复评定数据库存储单元不仅限于hive、mysql、oracle中，便以子系统调用，三个子系统分别建立在三个大数据集群，集群结构包括“离线计算集群(MapReduce)”和“实时计算集群(Spark+Pyspark)”，功能单元包括“存储单元“、”计算组件“、”进程调度单元“、”作业调度单元“和”开发平台服务单元“，基于多线程多进程开发的大数据环境与三个子系统的康复评定过程如下：
(1)初期评定：目的：在危险因素开始前，实现对危险人群的危险性评估，并对初期评估后的一级预防康复计划做以理论支持。
实施步骤：数据采集：收集危险人群的卫生服务记录表单数据、环境影响因素数据、康复条件数据以及康复理论研究数据，作为评定模型的测试数据集。搜索数据库中相似案例(危险因素相似)的卫生服务记录表单数据、环境影响因素数据、康复条件数据以及康复理论研究数据，作为评定模型的测试及验证数据集。搜集数据库案例中，危险初步发生时(未进行预防干预)危险人群的躯体功能评定值、精神功能评定值、语言功能评定值、社会功能评定值之和(康复评定结果)，作为评定模型中测试与验证结果数据集。其中，躯体功能评定值、精神功能评定值、语言功能评定值、社会功能评定值分别由各项对应指标的均值决定。
确定主要康复预防问题：采用访谈法、实地观察法、问卷法，在目标地点对目标危险人群就危险因素进行访谈、实地观察、问卷，对访谈、观察、问卷记录文本结果去除停用词，采用但不仅限于TF-IDF、PKEA、PageRank、TextRank、Rake和LDA对其进行关键词提取，并采用但不仅限于K-means、K-MEDOIDS、CLARANS算法对文本进行聚类，并对每一聚类结果进行关键词提取，为预防康复初期评定后的制定的预防康复计划做理论支持。
采集数据的量化与面板数据的建立：对采集数据进行量化及标准化，量化及标准化范围为[0,1]，其中1为程度最大。基于标准化采集数据建立面板数据，其中X轴为时间、Z轴为危险初步发生时(未进行预防干预)的康复评定结果、Y轴为搜集的其他指标数据。
基于深度学习的时间序列预测算法模型(康复评定模型)建立：建立但不仅限于OpenAR模型，并采用评定模型的测试及验证数据集进行预运行，自动选用使得准确率最高、损失率最低的一组模型参数。其中，随机选取数据作为测试数据与验证数据，二者比重选用但不仅限于3：2。
运行模型并确定最优康复方案：将测试数据输入康复评定模型，预测康复评定结果。
实例：某工地预1月后进行破土施工。
危险因素：工地施工；
危险人群：附近社区(A、B社区)居民及施工人员
数据采集：采集危险人群的卫生服务记录表单数据、环境影响因素数据、康复条件数据以及康复理论研究数据，作为评定模型的测试数据集。搜索数据库，其中C、D社区在此前的施工伤亡重大事件，对C、D社区居民的卫生服务记录表单数据、环境影响因素数据、康复条件数据以及康复理论研究数据，作为评定模型的测试及验证数据集。搜集数据库案例中，危险初步发生时(未进行预防干预)A、B社区居民及施工人员的躯体功能评定值、精神功能评定值、语言功能评定值、社会功能评定值之和(康复评定结果)，作为评定模型中测试与验证结果数据集。其中，躯体功能评定值、精神功能评定值、语言功能评定值、社会功能评定值分别由各项对应指标的均值决定。
确定主要康复预防问题：本实例采用访谈法、实地观察法、问卷法，在A、B两个社区目标危险人群就施工问题进行访谈、实地观察、问卷，对访谈、观察、问卷记录去除停用词后，采用TF-IDF进行前50个不重复的关键词提取，并采用K-means算法对文本进行聚类，聚为3类，并对这三类的文本数据进行前10个关键词提取(结果如下表1所示)，为预防康复初期评定后的制定的预防康复计划做理论支持。即：主要预防问题有：装修噪声扰民问题、交通障碍问题和工地物品坠落危险问题。
表1前期评定康复计划理论支持
采集数据的量化与面板数据的建立：对采集数据进行量化及标准化，量化及标准化范围为[0,1]，其中1为程度最大。基于标准化采集数据建立面板数据，其中X轴为时间、Z轴为危险初步发生时(未进行预防干预)的死亡及伤残人数比率、Y轴为搜集的其他指标数据。例如：对居民肢体残疾等级数据(一级、二级、三级、四级)进行量化及标准化，肢体残疾一级强度最深，记为“1”，肢体残疾一级强度最浅，记为“0”，其他的等分分布在[0,1]范围内。
基于深度学习的时间序列预测算法模型(康复评定模型)建立：建立OpenAR模型，并采用C、D社区居民的采集数据进行预运行，自动选用使得准确率最高、损失率最低的一组模型参数。其中，随机选取数据作为测试数据与验证数据，二者比重选用3：2。
运行模型并确定最优康复方案：将A、B社区居民的采集数据输入康复评定模型，预测康复评定结果。
中期评定，目的：判断危险因素发生中期，实现危险人群的康复评定，并为下一步调整一级预防计划做出理论依据。
实施步骤：在危险发生时间段内，对危险人群的进行躯体功能评定、精神功能评定、语言功能评定、社会功能评定，求取其躯体功能评定值、精神功能评定值、语言功能评定值、社会功能评定值，并将其之和作为中期康复评定结果。
优化预测模型：中期评定按照时间段进行时实评测，并将评测结果及与其对应的采集数据作为测试和验证数据集，加入原有的测试验证数据集，并加重新加入的测试验证数据集比重，(新加入的数据集时间点越新，则比重越重)进行模型的预运行，重新选取参数，实现优化模型。
对危险人群进行及时随访，采用访谈法、实地观察法、问卷法，在目标地点对目标危险人群就危险因素进行访谈、实地观察、问卷，对访谈、观察、问卷记录文本结果去除停用词，采用但不仅限于TF-IDF、PKEA、PageRank、TextRank、Rake和LDA对其进行关键词提取，并采用但不仅限于K-means、K-MEDOIDS、CLARANS算法对文本进行聚类，并对每一聚类结果进行关键词提取，为预防康复中期评定后的预防康复计划的调整做理论支持。
案例：
在施工期间，每周六对上述A、B区域的居民及施工人员进行躯体功能评定、精神功能评定、语言功能评定、社会功能评定，求取躯体功能评定值、精神功能评定值、语言功能评定值、社会功能评定值，并将其之和作为中期康复评定结果。
将评测结果及与其对应的采集数据作为测试和验证数据集，加入原有的测试验证数据集，并加重新加入的测试验证数据集比重，(新加入的数据集时间点越新，则比重越重，例如2020.6.20进行的中期评测数据比重>2020.6.13进行的中期评测数据比重)进行模型的预运行，重新选取参数，实现优化模型。
采用访谈法、实地观察法、问卷法，在A、B两个社区目标危险人群就施工问题进行访谈、实地观察、问卷，对访谈、观察、问卷记录去除停用词后，采用TF-IDF进行前50个不重复的关键词提取，并采用K-means算法对文本进行聚类，聚为3类，并对这三类的文本数据进行前10个关键词提取，为预防康复计划调整做理论支持。
末期评定，目的：在危险因素消除时，对危险人群进行康复评定，实现对此次一级预防计划的评定。
实施步骤：危险因素消除时，对危险人群进行躯体功能评定、精神功能评定、语言功能评定、社会功能评定，求取躯体功能评定值、精神功能评定值、语言功能评定值、社会功能评定值，并将其之和作为末期康复评定结果。
优化预测模型：将末期评测结果及与其对应的采集数据作为测试和验证数据集，加入原有的测试验证数据集，并加重此测试验证数据集比重，进行模型的预运行，重新选取参数，实现优化模型。
实例：
在施工结束后，对上述A、B区域的居民及施工人员进行躯体功能评定、精神功能评定、语言功能评定、社会功能评定，求取躯体功能评定值、精神功能评定值、语言功能评定值、社会功能评定值，并将其之和作为中期康复评定结果。
将末期评测结果及与其对应的采集数据作为测试和验证数据集，加入原有的测试验证数据集，并加重新加入的测试验证数据集比重，进行模型的预运行，重新选取参数，实现优化模型。
以上为一级预防康复评定，根据需要可以对每个康复阶段进行如上的处理，本发明的技术方案还包括二，二级预防康复评定，参考以上的实施例进行，采集对应的数据，根据康复指标及采访数据，执行本发明的技术方案即可完成康复评判
图9所示为根据本发明实施方式的装置及介质图。装置包括存储器100及处理器200，其中处理器200存储有计算机程序，计算机程序用于执行：通过分布式采集设备及分布式存储设备对涉及康复评定的多项维度数据进行采集，根据多项维度数据构建康复评定数据库；根据康复服务对象所处的康复时间阶段，从调查数据库中进行关键词提取，确定康复服务对象康复指标；对多项维度数据及康复指标进行量化并构建对应的面板数据；构建基于深度学习的时间序列预测算法模型，对时间序列预测算法模型输入验证数据集进行预运行；根据预运行的结果，筛选最优康复评定的预测算法模型，将康复服务对象对应的已量化的面板数据及康复指标输入至最优康复评定的预测算法模型，得到康复服务对象对应康复阶段的康复评定结果；直至完成康复服务对象的整个康复阶段评定。其中，存储器100用于存储数据。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种基于深度学习的康复评定方法，其特征在于，该方法包括：
S100，通过分布式采集设备及分布式存储设备对涉及康复评定的多项维度数据进行采集，根据多项所述维度数据构建康复评定数据库；
S200，根据康复服务对象所处的康复时间阶段，从调查数据库中进行关键词提取，确定康复服务对象康复指标；
S300，对多项所述维度数据及所述康复指标进行量化并构建对应的面板数据；
S400，构建基于深度学习的时间序列预测算法模型，对所述时间序列预测算法模型输入验证数据集进行预运行；
S500，根据所述预运行的结果，筛选最优康复评定的预测算法模型，将康复服务对象对应的已量化的面板数据及康复指标输入至最优康复评定的预测算法模型，得到康复服务对象对应康复阶段的康复评定结果；
S600，重复执行所述S200～S500直至完成康复服务对象的整个康复阶段评定。
2.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述分布式采集设备及所述分布式存储设备基于Hadoop、Spark及Pyspark的分布式框架的组合，所述分布式存储设备采用Hive分布式存储，以实现大数据环境搭建。
3.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述康复评定包括躯体功能评定、精神功能评定、语言功能评定及社会功能评定。
4.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述维度数据包括自然环境数据、康复条件数据及康复理论研究数据。
5.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述调查数据库包括：存储有包括但不限于采用访谈法、实地观察法、问卷法对康复对象进行的访谈、实地观察及问卷文本数据。
6.根据权利要求5所述的基于深度学习的康复评定方法，其特征在于，所述S200包括：
通过包括但不限于TF-IDF、PKEA、PageRank、TextRank、Rake及LDA对所述文本数据进行关键词提取；
以及，采用包括但不限于K-means、K-MEDOIDS、CLARANS算法对所述文本数据进行聚类，并对每一聚类结果进行关键词提取；
将聚类结果中提取的关键词作为后续康复指标参考。
7.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述S300包括：
对所述维度数据进行量化及标准化，其中量化及标准化范围为0～1，其中1为程度最大；
基于所述标准化范围对维度数据建三维立面板数据，三维立面板数据中X轴为时间、Z轴为康复服务对象未进行预防干预的康复评定结果、Y轴为指标数据。
8.根据权利要求1所述的基于深度学习的康复评定方法，其特征在于，所述S400包括：
构建深度学习的时间序列预测算法模型：
采用评定模型的测试数据集及验证数据集在所述时间序列预测算法模型进行预运行，自动选用使得准确率最高、损失率最低的一组模型参数；
随机选取所述维度数据作为测试数据与验证数据，测试数据与验证数据的比重可自定义设置；
其中时间序列预测算法模型包括但不限于OpenAR模型。
9.一种基于深度学习的康复评定装置，该装置包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现权利要求1-8任一所述的方法步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010676155.2A CN111986801B (zh) | 2020-07-14 | 2020-07-14 | 基于深度学习的康复评定方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010676155.2A CN111986801B (zh) | 2020-07-14 | 2020-07-14 | 基于深度学习的康复评定方法、装置及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111986801A true CN111986801A (zh) | 2020-11-24 |
| CN111986801B CN111986801B (zh) | 2024-10-18 |
Family
ID=73439450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010676155.2A Active CN111986801B (zh) | 2020-07-14 | 2020-07-14 | 基于深度学习的康复评定方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111986801B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113707344A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于ai的患者康复跟踪方法、装置、服务器及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104851067A (zh) * | 2015-06-08 | 2015-08-19 | 成都华唯科技有限责任公司 | 基于大数据的康复临床诊疗全过程数字化管理系统 |
| CN105631188A (zh) * | 2015-12-18 | 2016-06-01 | 上海德滨康投资管理有限公司 | 神经重症康复诊疗系统 |
| US20160170996A1 (en) * | 2014-08-21 | 2016-06-16 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
| CN107007257A (zh) * | 2017-03-17 | 2017-08-04 | 深圳大学 | 面部不自然度的自动评级方法和装置 |
| CN107145704A (zh) * | 2017-03-27 | 2017-09-08 | 西安电子科技大学 | 一种面向社区的健康医疗监护、评测系统及其方法 |
| CN107958708A (zh) * | 2017-12-22 | 2018-04-24 | 北京鑫丰南格科技股份有限公司 | 院后风险趋势评估方法和系统 |
| CN109545374A (zh) * | 2018-11-26 | 2019-03-29 | 郑州大学 | 一种基于人体步态特征大数据的疾病自动跟踪、治疗及推送系统 |
| CN109843176A (zh) * | 2016-07-29 | 2019-06-04 | 诺瓦达克技术有限公司 | 用于利用机器学习来表征受验者的组织的方法和系统 |
| CN109875565A (zh) * | 2019-01-25 | 2019-06-14 | 电子科技大学 | 一种基于深度学习的脑卒中上肢运动功能自动评定方法 |
| CN109902558A (zh) * | 2019-01-15 | 2019-06-18 | 安徽理工大学 | 一种基于cnn-lstm的人体健康深度学习预测方法 |
| CN111105860A (zh) * | 2019-12-18 | 2020-05-05 | 青岛科技大学 | 面向慢性病康复的精准运动大数据智能预测、分析及优化系统 |
-
2020
- 2020-07-14 CN CN202010676155.2A patent/CN111986801B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160170996A1 (en) * | 2014-08-21 | 2016-06-16 | Affectomatics Ltd. | Crowd-based scores for experiences from measurements of affective response |
| CN104851067A (zh) * | 2015-06-08 | 2015-08-19 | 成都华唯科技有限责任公司 | 基于大数据的康复临床诊疗全过程数字化管理系统 |
| CN105631188A (zh) * | 2015-12-18 | 2016-06-01 | 上海德滨康投资管理有限公司 | 神经重症康复诊疗系统 |
| CN109843176A (zh) * | 2016-07-29 | 2019-06-04 | 诺瓦达克技术有限公司 | 用于利用机器学习来表征受验者的组织的方法和系统 |
| CN107007257A (zh) * | 2017-03-17 | 2017-08-04 | 深圳大学 | 面部不自然度的自动评级方法和装置 |
| CN107145704A (zh) * | 2017-03-27 | 2017-09-08 | 西安电子科技大学 | 一种面向社区的健康医疗监护、评测系统及其方法 |
| CN107958708A (zh) * | 2017-12-22 | 2018-04-24 | 北京鑫丰南格科技股份有限公司 | 院后风险趋势评估方法和系统 |
| CN109545374A (zh) * | 2018-11-26 | 2019-03-29 | 郑州大学 | 一种基于人体步态特征大数据的疾病自动跟踪、治疗及推送系统 |
| CN109902558A (zh) * | 2019-01-15 | 2019-06-18 | 安徽理工大学 | 一种基于cnn-lstm的人体健康深度学习预测方法 |
| CN109875565A (zh) * | 2019-01-25 | 2019-06-14 | 电子科技大学 | 一种基于深度学习的脑卒中上肢运动功能自动评定方法 |
| CN111105860A (zh) * | 2019-12-18 | 2020-05-05 | 青岛科技大学 | 面向慢性病康复的精准运动大数据智能预测、分析及优化系统 |
Non-Patent Citations (2)
| Title |
|---|
| PANWAR, M (PANWAR, MADHURI): "Rehab-Net: Deep Learning Framework for Arm Movement Classification Using Wearable Sensors for Stroke Rehabilitation", IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 66, no. 11, 24 December 2019 (2019-12-24), pages 3026 - 3037, XP011750967, DOI: 10.1109/TBME.2019.2899927 * |
| 王京: "基于深度学习的康复病人步态分析方法研究", 中国优秀硕士学位论文全文数据库 信息科技辑, no. 1, 15 January 2020 (2020-01-15), pages 138 - 1800 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113707344A (zh) * | 2021-08-30 | 2021-11-26 | 平安国际智慧城市科技股份有限公司 | 基于ai的患者康复跟踪方法、装置、服务器及介质 |
| CN113707344B (zh) * | 2021-08-30 | 2023-07-21 | 深圳平安智慧医健科技有限公司 | 基于ai的患者康复跟踪方法、装置、服务器及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111986801B (zh) | 2024-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200315518A1 (en) | Apparatus for processing data for predicting dementia through machine learning, method thereof, and recording medium storing the same | |
| ȚĂRANU | Data mining in healthcare: decision making and precision. | |
| Brennan et al. | Correctional offender management profiles for alternative sanctions (COMPAS) | |
| JP2016520228A (ja) | 医療システムにおけるコンテキスト意識予測 | |
| Shenas et al. | Identifying high-cost patients using data mining techniques and a small set of non-trivial attributes | |
| US20100185573A1 (en) | Method and Apparatus for Diagnosing an Allergy of the Upper Respiratory Tract Using a Neural Network | |
| CN107180283A (zh) | 一种基于最优特征组合的再住院行为预测系统及方法 | |
| WO2019223508A1 (zh) | 阿尔兹海默病症分级评估模型创建方法及计算机装置 | |
| CN111696673A (zh) | 一种心理健康管理模型系统及方法 | |
| CN107145715B (zh) | 一种基于推举算法的临床医学智能判别装置 | |
| Fasihi et al. | Artificial intelligence used to diagnose osteoporosis from risk factors in clinical data and proposing sports protocols | |
| CN112382388A (zh) | 一种压疮不良事件的预警方法 | |
| Hildebrand et al. | Predicting probation supervision violations. | |
| Sharanyaa et al. | Hybrid machine learning techniques for heart disease prediction | |
| Richards et al. | An examination of defendant sex disparity in capital sentencing: A propensity score matching approach | |
| Baz et al. | Fuzzy based decision making approach for evaluating the severity of COVID-19 pandemic in cities of Kingdom of Saudi Arabia | |
| Mandava | MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning | |
| CN111986801B (zh) | 基于深度学习的康复评定方法、装置及介质 | |
| Ankuda et al. | Assessing health care use trajectories after the onset of functional disability: Application of a group-based trajectory model | |
| DE202023101305U1 (de) | Ein intelligentes System zur Verwaltung von Gesundheits- und Fitnessdaten unter Verwendung künstlicher Intelligenz mit IoT-Geräten | |
| Thangarasu et al. | Prediction of hidden knowledge from clinical database using data mining techniques | |
| KR20180002229A (ko) | 치매 정보 데이터베이스 구축을 위한 에이전트 장치 및 그 운영방법 | |
| SR et al. | A review on the method of diagnosing Alzheimer’s disease using data mining | |
| Garcia-Rios et al. | Predictive machine learning applying cross industry standard process for data mining for the diagnosis of diabetes mellitus type 2 | |
| Ying et al. | Nursing scheme based on back propagation neural network and probabilistic neural network in chronic kidney disease |
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 | ||
| GR01 | Patent grant |