CN112017773A - 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 - Google Patents
一种基于噩梦的疾病认知模型构建方法及疾病认知系统 Download PDFInfo
- Publication number
- CN112017773A CN112017773A CN202010900074.6A CN202010900074A CN112017773A CN 112017773 A CN112017773 A CN 112017773A CN 202010900074 A CN202010900074 A CN 202010900074A CN 112017773 A CN112017773 A CN 112017773A
- Authority
- CN
- China
- Prior art keywords
- nightmare
- disease
- characteristic information
- model
- knowledge base
- 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
- 206010029412 Nightmare Diseases 0.000 title claims abstract description 146
- 201000010099 disease Diseases 0.000 title claims abstract description 96
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 96
- 230000019771 cognition Effects 0.000 title claims abstract description 12
- 238000010276 construction Methods 0.000 title claims abstract description 8
- 210000005079 cognition system Anatomy 0.000 title abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 14
- 208000012902 Nervous system disease Diseases 0.000 claims description 8
- 208000025966 Neurological disease Diseases 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000012216 screening Methods 0.000 abstract description 7
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 238000012790 confirmation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 4
- 231100000915 pathological change Toxicity 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 206010013647 Drowning Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 208000006454 hepatitis Diseases 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 208000003174 Brain Neoplasms Diseases 0.000 description 1
- 206010008909 Chronic Hepatitis Diseases 0.000 description 1
- 206010013954 Dysphoria Diseases 0.000 description 1
- 206010014561 Emphysema Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 206010033557 Palpitations Diseases 0.000 description 1
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 1
- 206010042444 Suffocation feeling Diseases 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000002876 beta blocker Substances 0.000 description 1
- 229940097320 beta blocking agent Drugs 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 210000004351 coronary vessel Anatomy 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 230000009429 distress Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 231100000283 hepatitis Toxicity 0.000 description 1
- 206010022437 insomnia Diseases 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- 208000020685 sleep-wake disease Diseases 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 210000003437 trachea Anatomy 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 230000002618 waking 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Pathology (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于噩梦的疾病认知模型构建方法及疾病认知系统，该方法包括：收集噩梦的相关描述文本，将描述文本作为训练语料切分为噩梦特征信息分词；对噩梦特征信息分词进行归一化，得到对应的归一化样本及分词集合；基于最大熵模型对噩梦特征信息分词进行训练，得到噩梦特征的预分类模型；建立噩梦语义特征集合所对应的疾病以及疾病知识库；通过预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案。可以提高疾病初始筛查确认的效率，降低医生工作强度，并保障临床诊疗的准确性，减少漏诊和误诊几率。
Description
技术领域
本发明涉及人工智能领域，尤其涉及一种基于噩梦的疾病认知模型构建方法及疾病认知系统。
背景技术
现代医学研究表明，经常做噩梦和身体健康状况的恶化有极大的关联，噩梦往往是某些疾病的先兆信号，人体病理变化产生的刺激一般会在梦中得到反映。当人在清醒状态时，疾病微弱的刺激大多被外界的各种刺激所掩盖。晚上进入睡眠状态后，外界传递给人体的信息量大为减少，而来自内脏器官的刺激则在大脑占据了优势，从而引起无意识的警惕和反应。因此，做梦可以说是窥视人体健康与否的一个窗口。虽然噩梦在普通人群中相当普遍，但只有当噩梦伴随着严重的痛苦时，临床上才会诊断为噩梦(睡眠障碍)。
当前，由于缺乏基于噩梦的疾病认知模型，已有的参考案例及噩梦相关资料难以为疾病的初步判断提供可靠依据，导致病人的疾病初步筛查确认效率较低。
发明内容
有鉴于此，本发明实施例提供了一种基于噩梦的疾病认知模型构建方法及疾病认知系统，以解决现有疾病初步筛查效率低的问题。
在本发明实施例的第一方面，提供了一种基于噩梦的疾病认知模型构建方法，包括：
收集噩梦的相关描述文本，将所述相关描述文本作为训练语料切分为噩梦特征信息分词；
对噩梦特征信息分词进行归一化，得到多个噩梦特征信息分词对应的归一化样本及分词集合；
基于最大熵模型对噩梦特征信息分词进行训练，得到噩梦特征的预分类模型；
建立噩梦语义特征集合所对应的疾病以及疾病知识库；
通过所述预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案。
在本发明实施例的第二方面，提供了一种基于噩梦的疾病认知系统，包括：
语料获取模块，用于获取噩梦的相关描述文本，将所述相关描述文本作为训练语料切分为噩梦特征信息分词；
归一化模块，用于对噩梦特征信息分词进行归一化，得到多个噩梦特征信息分词对应的归一化样本及分词集合；
模型训练模块，用于基于最大熵模型对噩梦特征信息分词进行训练，得到噩梦特征的预分类模型；
知识库建立模块，用于建立噩梦语义特征集合所对应的疾病以及疾病知识库；
疾病匹配输出模块，用于通过所述预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案。
在本发明实施例的第三方面，提供了一种电子设备，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运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面，提供了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，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中，收集噩梦相关描述文本，进过分词和归一化处理后，得到归一化样本和分类，基于最大熵模型对噩梦语义特征训练，通过预分类模型对输入的噩梦语义特征分类后，基于噩梦语义特征与疾病的对应关系及疾病知识库输出疾病及解决方案。通过基于噩梦预设分类模型对噩梦语义特征进行分类，只需对训练语料分词进行归一化处理，无需频繁增加训练语料对模型进行重新训练，可以降低工作量和人工成本。通过噩梦特征信息认知疾病，可以为医疗和健康机构提供快速精准的医疗辅助诊断，从而提高临床诊疗的精准性与效率，降低医生工作强度的同时，减少漏诊与误诊几率，还可以为体检机构提供高质量的筛查，快速全面提升筛查诊断水平，并有效地缓解医疗资源紧张的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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介绍，显而易见地，下面描述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取其他附图。
图1为本发明的一个实施例提供的一种基于噩梦的疾病认知模型构建方法的流程示意图；
图2为本发明的一个实施例提供的一种基于噩梦的疾病认知系统的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。
请参阅图1，图1为本发明实施例提供的一种基于噩梦的疾病认知模型构建方法的流程示意图，包括：
S101、收集噩梦的相关描述文本，将所述相关描述文本作为训练语料切分为噩梦特征信息分词；
所述噩梦的相关描述文本指的是关于噩梦的词句、文章等，如梦到从高处坠落、梦中被追逐、梦到火的场景、梦到在天空中飞翔的场景等，对收集的相关描述文本进行分词，得到噩梦特征信息分词。其中，噩梦描述语句可以由一个或多个分词向量表示。
S102、对噩梦特征信息分词进行归一化，得到多个噩梦特征信息分词对应的归一化样本及分词集合；
对噩梦的描述特征根据内容的不同进行归一化处理，将关联、相近的特征信息分类作为归一化样本。如将噩梦进行特征分类，分为做梦的时间、做梦的频率、梦到的地点、梦到的事件、梦到的场景、梦到的人物等。梦到水的场景可包括：梦到洪水、梦到沼泽、梦到溺水等；梦到火的场景包括：梦到被烧伤、掉进火坑中、大火追着自己跑等。
其中，噩梦特征归一化时，可以按照特定的种类进行划分，也可以进行自由定义，选取特征信息间的共性。
S103、基于最大熵模型对噩梦特征信息分词进行训练，得到噩梦特征的预分类模型；
建立噩梦特征的预分类模型，将噩梦特征信息分词及分词集合作为样本，对预分类模型进行训练，以便对未知的特征信息分词进行分类。
其中，所述最大熵模型是基于最大熵原理的分类模型，对于随机变量X，其概率分布为P(X)，一般在约束条件下会有无数P(X)存在，最大熵原理即是在符合所有约束条件下的P(X)中，熵最大模型即为最优模型。
具体的，从人工标注的训练数据中抽取的噩梦特征信息训练样本集T＝{(x1,y1),(x2,y2)，…，(xn,yn)},(xi，yi)表示在语料库中出现yi时其上下文信息为xi。
以最大熵目标，找到最大熵对应的全部约束条件。从训练集中抽取部分样本，要求样本服从联合经验分布
以及边缘经验分布
可以表示为：
其中，v(X＝x,Y＝y)表示训练集中x与y出现的频数，v(X＝x)表示输入x出现的频数。
通过特征函数f(x，y)表示训练数据中样本输入x与输出y之间是否为对应关系，其定义为：
如果模型能够获取训练数据中的信息，那么应该满足：
f(x,y)表示二值函数。
特征函数f(x,y)关于联合经验分布
在样本上的期望可以表示为：
特征函数f(x,y)关于模型P(Y|X＝x)的期望可以表示为：
式中,
应为边缘分布P(x)，而实际上，P(x)无法计算得到所以用
代替。P(x|y)为所求的模型。
根据约束条件，两个期望相等，即：
其中，P(Y|X)表示要学习的条件概率。
假设满足所有约束条件的模型集合为
1,2,…,n}
定义在条件概率分布P(Y|X)P(Y|X)上的条件熵为:
则模型集合C中条件熵H(P)最大的模型称为最大熵模型。
在一个实施例中，训练集为(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))，其中x为n维特征向量，y为类别输出。训练集总体联合分布P(X,Y)的经验分布
和边缘分布P(X)的经验分布
即为训练集中X，Y同时出现次数除以样本总数m，
为训练集中X出现次数除以样本总数m。
用特征函数f(x,y)描述x和y的关系为：
可以认为训练集只要出现(x(i),y(i))，其f(x(i),y(i))＝1。同一个训练集可以有多个约束特征函数。
特征函数f(x,y)关于经验分布
期望值，用
表示为：
特征函数f(x,y)关于条件分布P(Y|X)和经验分布的期望值
用EP(f)表示为：
下式就是最大熵模型学习的约束条件，假如有M个特征函数fi(x,y)(i＝1,2,3...M)就有M个约束条件。可以理解为如果训练集里有m个样本，就有和这m个样本对应的M个约束条件。
S104、建立噩梦语义特征集合所对应的疾病以及疾病知识库；
将相同或类似的语义噩梦特征作为集合与对应的疾病关联，或将噩梦信息特征以及关联的症状结合与对应疾病进行关联。
示例性的，如果经常感到多梦，并伴有头晕、失眠、抑郁烦躁等症状，则可能是肝炎或慢性肝炎的信号；如果噩梦的发生是有规律的，则可能是肺部疾病的信号；肺气肿患者常常会出现规律性的噩梦；某些药物的副作用也可能会导致噩梦，如β-受体阻滞剂一类的药物等。
所述疾病知识库中包括疾病名称、疾病的症状及对应的诊断治疗方案，还可以包括各种疾病对应的噩梦特征。
S105、通过所述预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案。
输入待识别噩梦的文本描述内容，通过预分类模型对噩梦特征信息分类，基于疾病与噩梦语义特征的对应关系、疾病知识库，可以输出识别结果及相应的诊断治疗方案。优选的，建立疾病识别模型，对识别模型进行训练后，可以根据输入的噩梦语义特征匹配识别出对应的疾病及解决方案。
在一个实施例中，所述建立噩梦语义特征集合所对应的疾病可以包括如：1、梦到人或怪物敲打你的头部，或是向你的五官灌流质等，可能患脑部肿瘤和神经系统疾病；2、梦到气管被卡住，呼吸不顺畅、窒息，呼吸系统可能存在病变；3、梦中被追逐，心中恐惧，叫不出来，跑不动，惊醒后心有余悸、大汗、心跳加快，可能是心脏冠状动脉供血不足；4、梦中走路不稳、身体扭曲、肢体沉重，并伴随窒息感，且会突然惊醒，可能是心绞痛的前兆；5、梦到从高处坠落，但始终是还没落到地面就已惊醒，可能是心脏病的先兆；6、梦到火的场景，例如自己被烧伤等，可能患有高血压；7、梦到水的场景，例如洪水、沼泽、溺水等，肝胆系统和肾脏可能有病变；8、梦到飞翔的场景，循环系统可能有病变；9、梦到面目狰狞的恶人，消化系统可能存在病变；10、梦中被殴打，醒后感觉梦中被打部位疼痛，对应脏腑可能有潜伏病变。
优选的，将患者的性别、年龄和神经质等外部因素作为噩梦识别模型的一种特征因子或变量进行加权，考虑患者本身身体因素对疾病判断的影响，建立患者性别、年龄、神经类疾病与匹配输出疾病的关联关系，保障识别结果的准确可靠。
在本发明实施例中，每个训练语料均对应归属噩梦的一种特征信息类别，可被看作为一个噩梦事件，大量的训练语料和对应的类别可构成一个噩梦事件集。基于训练语料生成噩梦的语义特征可作为噩梦事件发生的环境。基于上述环境条件去求解噩梦特征信息最优的概率分布，使得噩梦特征信息概率分布最大化的满足已知的分类约束条件，从而对这些训练语料进行分类，进而建立噩梦的特征信息分类模型，分类结果与所对应的疾病以及疾病知识库进行匹配，预测出可能的疾病和健康问题，实现对患者疾病的初步筛选，提高诊断治疗效率。
需要注意的是，所述疾病认知模型根据患者噩梦相关描述输出可能的疾病，方便对患者可能患有的疾病作出初步筛选，并不作为最终的确诊结果，最终确诊需要根据医生的判断以及相应的诊断检测过程进行确定。所述疾病认知模型用于为医生提供参考，方便快速确定病因。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种基于噩梦的疾病认知系统的结构示意图，该装置包括：
预料获取模块210，用于获取噩梦的相关描述文本，将所述相关描述文本作为训练语料切分为噩梦特征信息分词；
其中，通过一个或多个分词向量表示噩梦特征信息。
归一化模块220，用于对噩梦特征信息分词进行归一化，得到多个噩梦特征信息分词对应的归一化样本及分词集合；
在一个实施例中，所述归一化模块220包括：
存储单元，用于存储噩梦的特征信息以及特征信息分词对应的归一化样本和分词集合；
模型训练模块230，用于基于最大熵模型对噩梦特征信息分词进行训练，得到噩梦特征的预分类模型；
知识库建立模块240，用于建立噩梦语义特征集合所对应的疾病以及疾病知识库；
疾病匹配输出模块250，用于通过所述预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案。
优选的，将患者性别、年龄和神经类疾病作为特征因子或变量进行加权，建立患者性别、年龄、神经类疾病与噩梦对应的疾病的关联关系。
可以理解的是，在一个实施例中，所述电子设备包括存储器、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，所述处理器执行所述计算机程序时实现步骤S101至S105以基于噩梦自动识别确定对应的疾病。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤S101至S105，所述的存储介质包括如：ROM/RAM、磁碟、光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于噩梦的疾病认知模型构建方法，其特征在于，包括：
收集噩梦的相关描述文本，将所述相关描述文本作为训练语料切分为噩梦特征信息分词；
对噩梦特征信息分词进行归一化，得到多个噩梦特征信息分词对应的归一化样本及分词集合；
基于最大熵模型对噩梦特征信息分词进行训练，得到噩梦特征的预分类模型；
建立噩梦语义特征集合所对应的疾病以及疾病知识库；
通过所述预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案。
2.根据权利要求1所述的方法，其特征在于，所述将所述相关描述文本作为训练语料切分为噩梦特征信息分词包括：
通过一个或多个分词向量表示噩梦特征信息。
3.根据权利要求1所述的方法，其特征在于，所述通过所述预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案还包括：
将患者性别、年龄和神经类疾病作为特征因子或变量进行加权，建立患者性别、年龄、神经类疾病与噩梦对应的疾病的关联关系。
4.一种基于噩梦的疾病认知系统，其特征在于，包括：
语料获取模块，用于获取噩梦的相关描述文本，将所述相关描述文本作为训练语料切分为噩梦特征信息分词；
归一化模块，用于对噩梦特征信息分词进行归一化，得到多个噩梦特征信息分词对应的归一化样本及分词集合；
模型训练模块，用于基于最大熵模型对噩梦特征信息分词进行训练，得到噩梦特征的预分类模型；
知识库建立模块，用于建立噩梦语义特征集合所对应的疾病以及疾病知识库；
疾病匹配输出模块，用于通过所述预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案。
5.根据权利要求4所述的系统，其特征在于，所述将所述相关描述文本作为训练语料切分为噩梦特征信息分词包括：
通过一个或多个分词向量表示噩梦特征信息。
6.根据权利要求4所述的系统，其特征在于，所述通过所述预分类模型对输入的待识别噩梦特征信息分类，基于噩梦语义特征与疾病的对应关系、疾病知识库，匹配输出噩梦对应的疾病及解决方案还包括：
将患者性别、年龄和神经类疾病作为特征因子或变量进行加权，建立患者性别、年龄、神经类疾病与噩梦对应的疾病的关联关系。
7.一种电子设备，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如权利要求1至3中任一项所述基于噩梦的疾病认知模型构建方法的步骤。
8.一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至3任一项所述基于噩梦的疾病认知模型构建方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010900074.6A CN112017773B (zh) | 2020-08-31 | 2020-08-31 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010900074.6A CN112017773B (zh) | 2020-08-31 | 2020-08-31 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112017773A true CN112017773A (zh) | 2020-12-01 |
| CN112017773B CN112017773B (zh) | 2024-03-26 |
Family
ID=73515302
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010900074.6A Active CN112017773B (zh) | 2020-08-31 | 2020-08-31 | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017773B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
| CN113892909A (zh) * | 2021-09-13 | 2022-01-07 | 吾征智能技术(北京)有限公司 | 一种基于认知状态的慢性疾病智能筛查系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120130705A1 (en) * | 2010-11-22 | 2012-05-24 | Alibaba Group Holding Limited | Text segmentation with multiple granularity levels |
| US20150148621A1 (en) * | 2013-11-22 | 2015-05-28 | Grant Joseph Sier | Methods and systems for creating a preventative care plan in mental illness treatment |
| CN104834718A (zh) * | 2015-05-11 | 2015-08-12 | 苏州大学 | 基于最大熵模型的事件论元识别方法及系统 |
| CN106874643A (zh) * | 2016-12-27 | 2017-06-20 | 中国科学院自动化研究所 | 基于词向量自动构建知识库实现辅助诊疗的方法和系统 |
| CN108363487A (zh) * | 2018-01-29 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 梦境重现模型的构建方法、梦境重现方法及装置 |
| CN108549639A (zh) * | 2018-04-20 | 2018-09-18 | 山东管理学院 | 基于多特征模板修正的中医医案命名识别方法及系统 |
| CN109770896A (zh) * | 2019-01-08 | 2019-05-21 | 平安科技（深圳）有限公司 | 梦境图像重现方法、装置及存储介质、服务器 |
| CN110379508A (zh) * | 2019-06-27 | 2019-10-25 | 苏州浪潮智能科技有限公司 | 识别病情陈述中疾病参考信息的装置、方法、设备及介质 |
| CN110472049A (zh) * | 2019-07-19 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 疾病筛查文本分类方法、计算机设备和可读存储介质 |
| CN111415740A (zh) * | 2020-02-12 | 2020-07-14 | 东北大学 | 问诊信息的处理方法、装置、存储介质及计算机设备 |
-
2020
- 2020-08-31 CN CN202010900074.6A patent/CN112017773B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120130705A1 (en) * | 2010-11-22 | 2012-05-24 | Alibaba Group Holding Limited | Text segmentation with multiple granularity levels |
| US20150148621A1 (en) * | 2013-11-22 | 2015-05-28 | Grant Joseph Sier | Methods and systems for creating a preventative care plan in mental illness treatment |
| CN104834718A (zh) * | 2015-05-11 | 2015-08-12 | 苏州大学 | 基于最大熵模型的事件论元识别方法及系统 |
| CN106874643A (zh) * | 2016-12-27 | 2017-06-20 | 中国科学院自动化研究所 | 基于词向量自动构建知识库实现辅助诊疗的方法和系统 |
| CN108363487A (zh) * | 2018-01-29 | 2018-08-03 | 阿里巴巴集团控股有限公司 | 梦境重现模型的构建方法、梦境重现方法及装置 |
| WO2019144709A1 (zh) * | 2018-01-29 | 2019-08-01 | 阿里巴巴集团控股有限公司 | 梦境重现模型的构建方法、梦境重现方法及装置 |
| CN108549639A (zh) * | 2018-04-20 | 2018-09-18 | 山东管理学院 | 基于多特征模板修正的中医医案命名识别方法及系统 |
| CN109770896A (zh) * | 2019-01-08 | 2019-05-21 | 平安科技（深圳）有限公司 | 梦境图像重现方法、装置及存储介质、服务器 |
| CN110379508A (zh) * | 2019-06-27 | 2019-10-25 | 苏州浪潮智能科技有限公司 | 识别病情陈述中疾病参考信息的装置、方法、设备及介质 |
| CN110472049A (zh) * | 2019-07-19 | 2019-11-19 | 上海联影智能医疗科技有限公司 | 疾病筛查文本分类方法、计算机设备和可读存储介质 |
| CN111415740A (zh) * | 2020-02-12 | 2020-07-14 | 东北大学 | 问诊信息的处理方法、装置、存储介质及计算机设备 |
Non-Patent Citations (3)
| Title |
|---|
| DE LA TORRE: "Does artificial intelligence dream of non-terrestrial techno-signatures?", ACTA ASTRONAUTICA, vol. 167, 29 February 2020 (2020-02-29), pages 280 - 285, XP086006252, DOI: 10.1016/j.actaastro.2019.11.013 * |
| 董丽丽;程炯;张翔;叶娜;: "融合知识图谱与深度学习的疾病诊断方法研究", 计算机科学与探索, no. 05, 17 June 2020 (2020-06-17), pages 99 - 108 * |
| 陈日益;: "噩梦――疾病的先兆", 科学养生, no. 10, pages 1 - 22 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113488183A (zh) * | 2021-06-30 | 2021-10-08 | 南京云上数融技术有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
| CN113488183B (zh) * | 2021-06-30 | 2023-10-31 | 吾征智能技术(北京)有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
| CN113892909A (zh) * | 2021-09-13 | 2022-01-07 | 吾征智能技术(北京)有限公司 | 一种基于认知状态的慢性疾病智能筛查系统 |
| CN113892909B (zh) * | 2021-09-13 | 2023-06-06 | 吾征智能技术(北京)有限公司 | 一种基于认知状态的慢性疾病智能筛查系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112017773B (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105393252B (zh) | 生理数据采集和分析 | |
| CN106251880B (zh) | 识别生理声音的方法以及系统 | |
| CN111340819A (zh) | 图像分割方法、装置和存储介质 | |
| CN111563891B (zh) | 基于颜色认知的疾病预测系统 | |
| CN112017773A (zh) | 一种基于噩梦的疾病认知模型构建方法及疾病认知系统 | |
| Kuo et al. | An EEG spectrogram-based automatic sleep stage scoring method via data augmentation, ensemble convolution neural network, and expert knowledge | |
| US20230329646A1 (en) | Classifying biomedical acoustics based on image representation | |
| SenthilPandi et al. | Multi-Level Interpretable and Adaptive Representation of EEG Signals for Sleep Scoring Using Ensemble Learning Multi Classifiers | |
| CN115359576A (zh) | 一种多模态情绪识别方法、装置、电子设备及存储介质 | |
| CN114847905B (zh) | 一种心率失常数据检测识别方法及系统 | |
| CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
| Shi et al. | Artificial neural networks: current applications in modern medicine | |
| CN112599245A (zh) | 心理健康指数评估方法及系统 | |
| Hu et al. | Unsupervised feature learning for heart sounds classification using autoencoder | |
| CN111243728A (zh) | 一种智能中医四诊信息融合系统、方法及存储介质 | |
| CN116269426A (zh) | 一种十二导联ecg辅助的心脏疾病多模态融合筛查方法 | |
| CN115273176A (zh) | 一种基于生命体征和表情的疼痛多算法客观评估方法 | |
| Dibartolo | Psychological considerations in the attainment of esophageal speech | |
| CN114842972A (zh) | 确定用户状态的方法、装置、电子设备及介质 | |
| JP2006130121A (ja) | 生体情報に基づく感情認識方法 | |
| Abdel-Latif et al. | Achieving information security by multi-modal iris-retina biometric approach using improved mask R-CNN | |
| Yassine | Weakly-supervised learning for emboli characterization with Transcranial Doppler (TCD) monitoring | |
| Hong et al. | Improving automatic pain level recognition using pain site as an auxiliary task | |
| Mashiat et al. | Comparison of different CNN architectures for brain tumor detection using fMRI | |
| Pandey et al. | Skin Cancer Prediction Comparative Analysis using TL and NNs |
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 | ||
| GR01 | Patent grant |