CN112053779B - 疾病检测模型的构建方法、构建装置及终端设备 - Google Patents
疾病检测模型的构建方法、构建装置及终端设备 Download PDFInfo
- Publication number
- CN112053779B CN112053779B CN202010543754.7A CN202010543754A CN112053779B CN 112053779 B CN112053779 B CN 112053779B CN 202010543754 A CN202010543754 A CN 202010543754A CN 112053779 B CN112053779 B CN 112053779B
- Authority
- CN
- China
- Prior art keywords
- disease
- parameter
- value
- data set
- processed
- 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.)
- Active
Links
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 422
- 201000010099 disease Diseases 0.000 title claims abstract description 421
- 238000001514 detection method Methods 0.000 title claims abstract description 123
- 238000010276 construction Methods 0.000 title description 5
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000004590 computer program Methods 0.000 claims description 20
- 206010003694 Atrophy Diseases 0.000 description 17
- 230000037444 atrophy Effects 0.000 description 17
- 210000001652 frontal lobe Anatomy 0.000 description 11
- 238000012216 screening Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 210000004556 brain Anatomy 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 210000000869 occipital lobe Anatomy 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 210000003478 temporal lobe Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 210000001152 parietal lobe Anatomy 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000001936 parietal effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000024806 Brain atrophy Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 208000037919 acquired disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请适用于检测技术领域，提供了一种疾病检测模型的构建方法、构建装置及终端设备，包括：获取第一疾病数据集和第二疾病数据集，其中，所述第一疾病数据集包括目标疾病参数的第一数值，所述第二疾病数据集包括所述目标疾病参数的第二数值，所述第一数值用于表征第一疾病，所述第二数值用于表征第二疾病，所述目标疾病参数包括至少2个疾病参数；根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数；根据所述第一参数和所述第二参数建立检测模型，所述检测模型用于区分所述第一疾病和所述第二疾病。利用上述方法得到的检测模型的对相似疾病的检测精度较高。
Description
技术领域
本申请属于检测技术领域，尤其涉及一种疾病检测模型的构建方法、构建装置及终端设备。
背景技术
随着云时代的发展，各行各业开始引入大数据技术，以实现对各自领域中大量数据的专业处理。例如，在医学领域，可以利用大数据技术，对大量的疾病数据进行专业分析，以实现对疾病的自动检测。
目前，疾病自动检测方法通常是利用大量的疾病数据建立疾病检测模型，然后利用建立好的疾病检测模型对未知疾病进行自动检测。但是，现有的疾病检测模型通常用于区分具有明显病征的疾病，却无法有效区分具有相似病征的疾病。换言之，现有的疾病检测模型对相似疾病的检测精度较低。
发明内容
本申请实施例提供了一种疾病检测模型的构建方法、构建装置及终端设备，可以解决现有的疾病检测模型对相似疾病的检测精度较低的问题。
第一方面，本申请实施例提供了一种疾病检测模型的构建方法，包括：
获取第一疾病数据集和第二疾病数据集，其中，所述第一疾病数据集包括目标疾病参数的第一数值，所述第二疾病数据集包括所述目标疾病参数的第二数值，所述第一数值用于表征第一疾病，所述第二数值用于表征第二疾病，所述目标疾病参数包括至少2个疾病参数；
根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数；
根据所述第一参数和所述第二参数建立检测模型，所述检测模型用于区分所述第一疾病和所述第二疾病。
在第一方面的一种可能的实现方式中，在所述获取第一疾病数据集和第二疾病数据集的步骤中，任意一个疾病数据集的获取方式，包括：
对于每个待处理参数，根据所述疾病数据集中所述目标疾病参数的数值计算所述待处理参数的偏度值，其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数；
将所述疾病数据集中所述待处理参数的数值更新为所述待处理参数的偏度值。
在第一方面的一种可能的实现方式中，所述根据所述疾病数据集中所述目标疾病参数的数值计算所述待处理参数的偏度值，包括：
计算所述疾病数据集中所述目标疾病参数的数值的加权平均值和加权方差；
根据所述加权平均值和所述加权方差，计算所述待处理参数的偏度值。
在第一方面的一种可能的实现方式中，所述根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数，包括：
对于每个待处理参数，将所述待处理参数的第一数值和第二数值进行比对，得到比对结果，其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数；
若所述比对结果满足第一预设条件，则将所述待处理参数记为所述第一参数；
若所述比对结果满足第二预设条件，则将所述待处理参数记为所述第二参数。
在第一方面的一种可能的实现方式中，所述第一预设条件为所述待处理参数的第一数值大于所述待处理参数的第二数值；
所述第二预设条件为所述待处理参数的第一数值小于所述待处理参数的第二数值。
在第一方面的一种可能的实现方式中，在根据所述第一参数和所述第二参数建立检测模型之后，所述方法还包括：
获取待检测疾病的第三疾病数据集，其中，所述第三疾病数据集包括所述目标疾病参数的第三数值；
将所述第三疾病数据集中所述第一参数的第三数值记为第四数值，将所述第三疾病数据集中所述第二参数的第三数值记为第五数值；
将所述第四数值和所述第五数值输入所述检测模型，得到所述待检测疾病的疾病类型。
在第一方面的一种可能的实现方式中，所述将所述第四数值和所述第五数值输入所述检测模型，得到所述待检测疾病的疾病类型，包括：
计算所述第四数值的总和得到第一总和，计算所述第五数值的总和得到第二总和；
计算所述第一总和与所述第二总和的比值；
若所述比值在第一预设范围内，则将所述待检测疾病确定为所述第一疾病；
若所述比值在第二预设范围内，则将所述待检测疾病确定为所述第二疾病。
第二方面，本申请实施例提供了一种疾病检测模型的构建装置，包括：
获取单元，用于获取第一疾病数据集和第二疾病数据集，其中，所述第一疾病数据集包括目标疾病参数的第一数值，所述第二疾病数据集包括所述目标疾病参数的第二数值，所述第一数值用于表征第一疾病，所述第二数值用于表征第二疾病，所述目标疾病参数包括至少2个疾病参数；
分类单元，用于根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数；
建立单元，用于根据所述第一参数和所述第二参数建立检测模型，所述检测模型用于区分所述第一疾病和所述第二疾病。
第三方面，本申请实施例提供了一种终端设备，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上述第一方面中任一项所述的疾病检测模型的构建方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例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，其特征在于，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的疾病检测模型的构建方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的疾病检测模型的构建方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例获取第一疾病数据集和第二疾病数据集，其中，第一疾病数据集包括目标疾病参数的第一数值，第二疾病数据集包括目标疾病参数的第二数值，目标疾病参数包括至少2个疾病参数；由于第一数值用于表征第一疾病，第二数值用于表征第二疾病，因此，根据第一数值和第二数值将目标疾病参数中的至少2个疾病参数划分为第一参数和第二参数，相当于根据特征数据(即目标疾病参数的数值)确定用于区分第一疾病和第二疾病的特征参数(即第一参数和第二参数)；然后再根据特征参数(即第一参数和第二参数)建立检测模型。由于该检测模型是基于用于区分第一疾病和第二疾病的特征参数建立的，因此，该检测模型能够较准确地区分第一疾病和第二疾病；尤其当第一疾病和第二疾病具有相似病征时，无法通过病征对两种相似疾病进行区分，而利用上述的检测模型则可以根据特征参数对疾病进行检测，进而能够实现对两种相似疾病的有效区分。
附图说明
为了更清楚地说明本申请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地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的疾病检测系统的示意图；
图2是本申请一实施例提供的疾病检测模型的构建方法的流程示意图；
图3是本申请一实施例提供的疾病检测方法的流程示意图；
图4是本申请一实施例提供的疾病检测模型的构建装置的结构框图；
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
如在本申请说明书和所附权利要求书中所使用的那样，术语“若”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
参见图1，是本申请一实施例提供的疾病检测系统的示意图。如图1所示，疾病检测系统可以包括中心服务器101和至少一个终端设备102，每个终端设备中均存储有疾病数据。中心服务器与每个终端设备通信连接。当疾病检测系统中有多个终端设备时，疾病检测系统相当于一个分布式系统。
在一个应用场景中，用户可以通过各自的终端设备随时随地上传疾病数据；而中心服务器可以从多个终端设备中搜集疾病数据，并对搜集到的疾病数据进行区分，区分出第一疾病的疾病数据和第二疾病的疾病数据，然后将第一疾病的疾病数据生成第一疾病数据集、将第二疾病的疾病数据生成第二疾病数据集，然后利用本申请实施例提供的疾病检测模型的构建方法，根据获取到的第一疾病数据集和第二疾病数据集建立用于区分第一疾病和第二疾病的检测模型。在该应用场景中，中心服务器则可以获取到大量的、多样的疾病数据，为疾病检测模型的构建提供了丰富的数据。
在建立好检测模型后，各个终端设备可以将待检测疾病的疾病数据集上传给中心服务器；中心服务器根据获取到的待检测疾病的疾病数据集和检测模型对待检测疾病进行检测，并将检测结果反馈给终端设备。通过这种方法，用户可以在不同的终端设备上查看检测结果，实现检测结果的共享。
在另一个应用场景中，各个终端设备可以从中心服务器获取建立好的检测模型，然后根据本地存储的待检测疾病的疾病数据集和获取到的检测模型对待检测疾病进行检测；在得到检测结果后，可以将检测结果显示给用户，也可以将检测结果上传给中心服务器进行存储。通过这种方法，多个终端设备可以同时进行检测，相当于实现了分布式检测，分担了中心服务器的计算量，提高了检测效率和检测的灵活性。
参见图2，是本申请一实施例提供的疾病检测模型的构建方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
S201，获取第一疾病数据集和第二疾病数据集。
其中，所述第一疾病数据集包括目标疾病参数的第一数值，所述第二疾病数据集包括所述目标疾病参数的第二数值，所述第一数值用于表征第一疾病，所述第二数值用于表征第二疾病，所述目标疾病参数包括至少2个疾病参数。
在实际应用中，目标疾病参数可以设置为第一疾病和第二疾病共同的疾病参数。示例性的，假设第一疾病为帕金森症，第二疾病为阿尔兹海默症，第一疾病和第二疾病均为脑萎缩疾病，两种疾病的疾病参数中都包含脑叶的萎缩度，所以，可以将脑叶的萎缩度作为目标疾病参数。其中，脑叶又可以分为额叶、顶叶、枕叶和颞叶，因此目标疾病参数可以包括额叶的萎缩度、顶叶的萎缩度、枕叶的萎缩度和颞叶的萎缩度。目标疾病参数中包含的疾病参数的个数越多，越有利于找到用于区分第一疾病和第二疾病的特征参数，进而保证检测模型的精度。
为了保证数据量足够大、数据足够多样化，第一疾病数据集和第二疾病数据集中均可包括多个病人的疾病数据。每个病人的疾病数据中可以包括目标疾病参数中每个疾病参数的数值；也可以只包括目标疾病参数中部分疾病参数的数值，但是此种情况下、需要保证第一疾病数据集和第二疾病数据集中均包含目标疾病参数中每个疾病参数的数值。
可选的，在所述获取第一疾病数据集和第二疾病数据集的步骤中，任意一个疾病数据集的获取方式，包括：
1)对于每个待处理参数，根据所述疾病数据集中所述目标疾病参数的数值计算所述待处理参数的偏度值。
其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数。
偏度，是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征。某个待处理参数的偏度值用于表征该待处理参数的数值相对于疾病数据集中数据的平均值的不对称程度。因此，计算待处理参数的偏度值的一种方式可以是：计算疾病数据集中目标疾病参数的数值的平均值，然后计算疾病数据集中待处理参数的数值与平均值的绝对差值，将这个绝对差值作为这个待处理参数的偏度值。
可选的，计算待处理参数的偏度值的另一种方式可以是：计算所述疾病数据集中所述目标疾病参数的数值的加权平均值和加权方差；根据所述加权平均值和所述加权方差，计算所述待处理参数的偏度值。
计算目标疾病参数的数值的加权平均值可以通过公式计算。计算目标疾病参数的数值的加权方差可以通过公式/>计算。其中，ωi为目标疾病参数中第i个疾病参数的权重，Ai为目标疾病参数中第i个疾病参数在疾病数据集中的数值，μ为目标疾病参数的数值的加权平均值，σ为目标疾病参数的数值的加权方差。
根据加权平均值和加权方差计算待处理参数的偏度值，可以通过公式计算。其中，κi为目标疾病参数中第i个疾病参数的偏度值。
示例性的，假设目标疾病参数包括额叶的萎缩度、顶叶的萎缩度、枕叶的萎缩度和颞叶的萎缩度；相应的，疾病数据集中包括额叶的萎缩值、顶叶的萎缩值、枕叶的萎缩值和颞叶的萎缩值，待处理参数为额叶的萎缩度。计算额叶的萎缩度的偏度值的步骤为：利用计算额叶的萎缩值、顶叶的萎缩值、枕叶的萎缩值和颞叶的萎缩值的加权平均值，利用/>计算额叶的萎缩值、顶叶的萎缩值、枕叶的萎缩值和颞叶的萎缩值的加权方差，可选的，ωi可以设置为各脑叶的体积的倒数；然后将额叶的萎缩值代入公式/>中计算额叶的萎缩度的偏度值。
2)将所述疾病数据集中所述待处理参数的数值更新为所述待处理参数的偏度值。
继续上述步骤1)中的示例，计算出额叶的萎缩度的偏度值之后，将疾病数据集中额叶的萎缩值更新为额叶的萎缩度的偏度值。
当获取第一疾病数据集时，上述步骤1)和2)为：对于每个待处理参数，根据第一疾病数据集中目标疾病参数的第一数值计算待处理参数的偏度值；将第一疾病数据集中待处理参数的第一数值更新为待处理参数的偏度值。
当获取第二疾病数据集时，上述步骤1)和2)为：对于每个待处理参数，根据第二疾病数据集中目标疾病参数的第二数值计算待处理参数的偏度值；将第二疾病数据集中待处理参数的第二数值更新为待处理参数的偏度值。
当然，也可以采用其他方法计算偏度值，只要计算出的数值能够表征该待处理参数的数值相对于疾病数据集中数据的平均值的不对称程度即可，并不对具体的计算方法做限定。
S202，根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数。
可选的，对目标疾病参数进行划分的一种方式为：设置预设值，将待处理参数的第一数值和第二数值分别与预设值进行比对；若待处理参数的第一数值大于预设值、且第二数值小于预设值，则将待处理参数记为第一参数；若待处理参数的第一数值小于预设值、且第二数值大于预设值，则将待处理参数记为第二参数。
可以为不同的疾病参数设置不同的预设值。预设值可以根据实际需要和经验进行设置，只有预设值能够用于区分待处理参数的第一数值和第二数值即可。
上述的划分方式需要预先设置每个疾病参数的预设值，准备工作较为繁琐；而且，当第一数值和第二数值较为接近时，通常无法找到合适的预设值，进而无法根据上述划分方式对待处理参数进行划分。
为了解决上述问题，可选的，对目标疾病参数进行划分可以采用另一种方式，具体的：
对于每个待处理参数，将所述待处理参数的第一数值和第二数值进行比对，得到比对结果；若所述比对结果满足第一预设条件，则将所述待处理参数记为所述第一参数；若所述比对结果满足第二预设条件，则将所述待处理参数记为所述第二参数。
其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数。
上述划分方式无需设置预设值，而是直接将第一数值和第二数值进行比较，方式较简单，容易实现。
进一步的，所述第一预设条件为所述待处理参数的第一数值大于所述待处理参数的第二数值；所述第二预设条件为所述待处理参数的第一数值小于所述待处理参数的第二数值。
当待处理参数的第一数值等于待处理参数的第二数值时，一种划分方式是，可以将待处理参数记为第一参数或第二参数；例如：只要待处理参数的第一数值等于第二数值，即将待处理参数记为第一参数；或者，只要待处理参数的第一数值等于第二数值，即将待处理参数记为第二参数。另一种划分方式是，可以将待处理参数同时记为第一参数和第二参数。第三种划分方式是，既不将待处理参数记为第一参数，又不将待处理参数记为第二参数。当然，还可以有其他的划分方式，只要预先定义好划分方式，以保证遇到数值相同的情况时所采用的划分方式一致即可。
由于第一数值用于表征第一疾病，第二数值用于表征第二疾病，因此，根据第一数值和第二数值将目标疾病参数中的至少2个疾病参数划分为第一参数和第二参数，相当于根据特征数据(即目标疾病参数的数值)确定用于区分第一疾病和第二疾病的特征参数(即第一参数和第二参数)。
在实际应用中，目标疾病参数中的部分疾病参数对应的第一数值和第二数值可能相似，那么这部分疾病参数是无法表征第一疾病和第二疾病之间的区别的。为了较准确地区分第一疾病和第二疾病，可以先从目标疾病参数中找到具有显著差异的疾病参数。具体的，在对目标疾病参数进行划分之前，还可以包括以下步骤：
根据第一疾病数据集和第二疾病数据集，从目标疾病参数的至少2个疾病参数中筛选出满足第三预设条件的疾病参数，并将满足第三预设条件的疾病参数记为筛选参数。
其中，第三预设条件为：第一疾病数据集中筛选参数的第一数值与第二疾病数据集中筛选参数的第二数值的差异值大于预设差异值。
可选的，可以利用统计方法从目标疾病参数的至少2个疾病参数中筛选出在统计上具有显著差异的(即满足第三预设条件)筛选参数。统计方法可以采用t检验、f检验或卡方检验等方法。
示例性的，假设统计法采用t检验方法。将目标疾病参数中的每个疾病参数记为待处理参数，对于每个待处理参数，首先，计算第一疾病数据集中待处理参数对应的第一均值和第一方差，计算第二疾病数据集中待处理参数对应的第二均值和第二方差；然后利用第一均值和第二均值、以及第一方差和第二方差计算待处理参数对应的第一数值和第二数值之间的差异值；如果差异值大于预设差异值，则说明待处理参数在第一疾病数据集中的第一数值和待处理参数在第二疾病数据集中的第二数值存在显著差异，进一步说明该待处理参数为在统计上具有显著差异的参数(即满足第三预设条件的参数)；反之，如果差异值小于或等于预设差异值，则说明待处理参数在第一疾病数据集中的第一数值和待处理参数在第二疾病数据集中的第二数值存在不明显差异，进一步说明该待处理参数为在统计上具有不明显差异的参数(即不满足第三预设条件的参数)。
通过上述方法，可以从目标疾病参数中筛选出在统计上具有显著差异的筛选参数。在获得筛选参数之后，相应的，对目标疾病参数进行划分的步骤包括：
对于每个待处理参数，将所述待处理参数的第一数值和第二数值进行比对，得到比对结果；若所述比对结果满足第一预设条件，则将所述待处理参数记为所述第一参数；若所述比对结果满足第二预设条件，则将所述待处理参数记为所述第二参数；其中，待处理参数为筛选参数中的任意一个参数。
通过上述方法，对具有显著差异的筛选参数进行划分，使得第一数值和第二数值的比对结果更具差异性，进而可以保证划分后的第一参数和第二参数之间的差异更加明显。
S203，根据所述第一参数和所述第二参数建立检测模型，所述检测模型用于区分所述第一疾病和所述第二疾病。
检测模型中可以包含第一参数和第二参数，当需要进行检测时，只要将实际数值代入到检测模型中相应的参数位置即可。
可选的，检测模型可以有以下两种形式，一种形式的检测模型的输出值无法直接表示最终的检测结果、还需要进一步进行判断，另一种形式的检测模型的输出值可以直接表示最终的检测结果。
示例性的，第一种形式的检测模型为：
其中，P为检测模型的输出值，κi为第i个第一参数，κj为第j个第二参数，I为第一参数的个数，II为第二参数的个数。也可以是κi为第i个第二参数，κj为第j个第一参数，I为第二参数的个数，II为第一参数的个数。
上述检测模型表示的是第一参数的数值之和与第二参数的数值之和的比值。当然，检测模型也可以设置为其他形式，例如，检测模型可以表示第一参数的数值之和与第二参数的数值之和的绝对差值，等等，在此不做限定。
上述检测模型的输出值并不能直接用于确定最后的检测结果，通常还要根据检测模型的输出值做进一步的判断。
第二种形式的检测模型可以是：
其中，A为第一结果、用于表示检测结果为第一疾病，B为第二结果、用于表示检测结果为第二疾病，R1为第一预设范围，R2为第二预设范围。A和B可以是两个不同的常数、也可以是两条内容不同的预设信息(例如A为“第一疾病”，B为“第二疾病”)，只要能够区分两种检测结果即可。当然，其中的P可以是其他形式，如检测模型可以表示第一参数的数值之和与第二参数的数值之和的绝对差值，等等。
这种形式的检测模型的输出结果可以直接表示出最终的检测结果，更加智能，有效提高了疾病检测的自动化程度。
由于检测模型是基于用于区分第一疾病和第二疾病的特征参数建立的，因此，该检测模型能够较准确地区分第一疾病和第二疾病；尤其当第一疾病和第二疾病具有相似病征时，无法通过病征对两种相似疾病进行区分，而利用上述的检测模型则可以根据特征参数对疾病进行检测，进而能够实现对两种相似疾病的有效区分。
参见图3，是本申请一实施例提供的疾病检测方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
S301，获取待检测疾病的第三疾病数据集。
其中，所述第三疾病数据集包括所述目标疾病参数的第三数值。第三疾病数据集的目标疾病参数中包括的疾病参数与第一疾病数据集/第二疾病数据集的目标疾病参数中包括的疾病参数相同。
获取第三疾病数据集的方法与步骤S201中获取第一疾病数据集和获取第二疾病数据集的方法相同，具体可以参见步骤S201中的描述，在此不再赘述。需要说明的是，如果第一疾病数据集/第二疾病数据集中为更新后的疾病参数的偏度值，那么在获取第三疾病数据集时，也需要计算每个疾病参数的偏度值、并将第三疾病数据集中各个疾病参数的第三数值更新为各自对应的偏度值。
S302，将所述第三疾病数据集中所述第一参数的第三数值记为第四数值，将所述第三疾病数据集中所述第二参数的第三数值记为第五数值。
本申请实施例中的第一数值、第二数值、第三数值、第四数值和第五数值，并不用于计数和区分先后顺序，只是用于区分不同的数值。例如，第四数值和第五数值用于区分不同的第三数值。
S303，将所述第四数值和所述第五数值输入所述检测模型，得到所述待检测疾病的疾病类型。
将第四数值和第五数值输入检测模型，相当于将第四数值和第五数值替换检测模型中各自对应的疾病参数。S303可以包括以下步骤：
a、计算所述第四数值的总和得到第一总和，计算所述第五数值的总和得到第二总和；b、计算所述第一总和与所述第二总和的比值；c、若所述比值在第一预设范围内，则将所述待检测疾病确定为所述第一疾病；d、若所述比值在第二预设范围内，则将所述待检测疾病确定为所述第二疾病。
如步骤S203中实施例所述，检测模型有两种形式。
当检测模型为第一种形式时，相应的，上述步骤a和b相当于计算的过程，在获得检测模型的输出值(即P)后，还需要进一步的判断，即进行后续的步骤c和d。
当检测模型为第二种形式时，相应的，上述步骤a和b相当于检测模型中计算P值的过程，步骤c和d相当于检测模型中获取A和B值的过程。可见，这种形式的检测模型可以直接输出最终的检测结果。
通过本申请实施例中的方法，可以根据特征参数对疾病进行检测，进而能够实现对两种相似疾病的有效区分。
应理解，上述实施例中各步骤的序号的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，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的方法，图4是本申请一实施例提供的疾病检测模型的构建装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该装置包括：
获取单元41，用于获取第一疾病数据集和第二疾病数据集，其中，所述第一疾病数据集包括目标疾病参数的第一数值，所述第二疾病数据集包括所述目标疾病参数的第二数值，所述第一数值用于表征第一疾病，所述第二数值用于表征第二疾病，所述目标疾病参数包括至少2个疾病参数。
分类单元42，用于根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数。
建立单元43，用于根据所述第一参数和所述第二参数建立检测模型，所述检测模型用于区分所述第一疾病和所述第二疾病。
可选的，获取单元41包括：
计算模块，用于对于每个待处理参数，根据所述疾病数据集中所述目标疾病参数的数值计算所述待处理参数的偏度值，其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数。
更新模块，用于将所述疾病数据集中所述待处理参数的数值更新为所述待处理参数的偏度值。
可选的，计算模块还用于：
计算所述疾病数据集中所述目标疾病参数的数值的加权平均值和加权方差；根据所述加权平均值和所述加权方差，计算所述待处理参数的偏度值。
可选的，分类单元42包括：
比对模块，用于对于每个待处理参数，将所述待处理参数的第一数值和第二数值进行比对，得到比对结果，其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数。
第一分类模块，用于若所述比对结果满足第一预设条件，则将所述待处理参数记为所述第一参数。
第二分类模块，用于若所述比对结果满足第二预设条件，则将所述待处理参数记为所述第二参数。
可选的，所述第一预设条件为所述待处理参数的第一数值大于所述待处理参数的第二数值；所述第二预设条件为所述待处理参数的第一数值小于所述待处理参数的第二数值。
可选的，装置4还包括：
待测数据获取单元44，用于在根据所述第一参数和所述第二参数建立检测模型之后，获取待检测疾病的第三疾病数据集，其中，所述第三疾病数据集包括所述目标疾病参数的第三数值。
数据提取单元45，用于将所述第三疾病数据集中所述第一参数的第三数值记为第四数值，将所述第三疾病数据集中所述第二参数的第三数值记为第五数值。
检测单元46，用于将所述第四数值和所述第五数值输入所述检测模型，得到所述待检测疾病的疾病类型。
可选的，检测单元46包括：
求和模块，用于计算所述第四数值的总和得到第一总和，计算所述第五数值的总和得到第二总和。
比值计算模块，用于计算所述第一总和与所述第二总和的比值。
第一结果模块，用于若所述比值在第一预设范围内，则将所述待检测疾病确定为所述第一疾病；。
第二结果模块，用于若所述比值在第二预设范围内，则将所述待检测疾病确定为所述第二疾病。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
另外，图4所示的装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图5是本申请一实施例提供的终端设备的结构示意图。如图5所示，该实施例的终端设备5包括：至少一个处理器50(图5中仅示出一个)处理器、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个疾病检测模型的构建方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图5仅仅是终端设备5的举例，并不构成对终端设备5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器50可以是中央处理单元(Central Processing Unit，CPU)，该处理器50还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51在一些实施例中可以是所述终端设备5的内部存储单元，例如终端设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述终端设备5的外部存储设备，例如所述终端设备5上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (9)
1.一种疾病检测模型的构建方法，其特征在于，包括：
获取第一疾病数据集和第二疾病数据集，其中，所述第一疾病数据集包括目标疾病参数的第一数值，所述第二疾病数据集包括所述目标疾病参数的第二数值，所述第一数值用于表征第一疾病，所述第二数值用于表征第二疾病，所述目标疾病参数包括至少2个疾病参数；
根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数；
根据所述第一参数和所述第二参数建立检测模型，所述检测模型用于区分所述第一疾病和所述第二疾病；
在所述获取第一疾病数据集和第二疾病数据集的步骤中，任意一个疾病数据集的获取方式，包括：
对于每个待处理参数，根据所述疾病数据集中所述目标疾病参数的数值计算所述待处理参数的偏度值，其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数；
将所述疾病数据集中所述待处理参数的数值更新为所述待处理参数的偏度值。
2.如权利要求1所述的疾病检测模型的构建方法，其特征在于，所述根据所述疾病数据集中所述目标疾病参数的数值计算所述待处理参数的偏度值，包括：
计算所述疾病数据集中所述目标疾病参数的数值的加权平均值和加权方差；
根据所述加权平均值和所述加权方差，计算所述待处理参数的偏度值。
3.如权利要求1至2任一项所述的疾病检测模型的构建方法，其特征在于，所述根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数，包括：
对于每个待处理参数，将所述待处理参数的第一数值和第二数值进行比对，得到比对结果，其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数；
若所述比对结果满足第一预设条件，则将所述待处理参数记为所述第一参数；
若所述比对结果满足第二预设条件，则将所述待处理参数记为所述第二参数。
4.如权利要求3所述的疾病检测模型的构建方法，其特征在于，所述第一预设条件为所述待处理参数的第一数值大于所述待处理参数的第二数值；
所述第二预设条件为所述待处理参数的第一数值小于所述待处理参数的第二数值。
5.如权利要求3所述的疾病检测模型的构建方法，其特征在于，在根据所述第一参数和所述第二参数建立检测模型之后，所述方法还包括：
获取待检测疾病的第三疾病数据集，其中，所述第三疾病数据集包括所述目标疾病参数的第三数值；
将所述第三疾病数据集中所述第一参数的第三数值记为第四数值，将所述第三疾病数据集中所述第二参数的第三数值记为第五数值；
将所述第四数值和所述第五数值输入所述检测模型，得到所述待检测疾病的疾病类型。
6.如权利要求5所述的疾病检测模型的构建方法，其特征在于，所述将所述第四数值和所述第五数值输入所述检测模型，得到所述待检测疾病的疾病类型，包括：
计算所述第四数值的总和得到第一总和，计算所述第五数值的总和得到第二总和；
计算所述第一总和与所述第二总和的比值；
若所述比值在第一预设范围内，则将所述待检测疾病确定为所述第一疾病；
若所述比值在第二预设范围内，则将所述待检测疾病确定为所述第二疾病。
7.一种疾病检测模型的构建装置，其特征在于，包括：
获取单元，用于获取第一疾病数据集和第二疾病数据集，其中，所述第一疾病数据集包括目标疾病参数的第一数值，所述第二疾病数据集包括所述目标疾病参数的第二数值，所述第一数值用于表征第一疾病，所述第二数值用于表征第二疾病，所述目标疾病参数包括至少2个疾病参数；
分类单元，用于根据所述第一数值和所述第二数值将所述目标疾病参数中的所述至少2个疾病参数划分为第一参数和第二参数；
建立单元，用于根据所述第一参数和所述第二参数建立检测模型，所述检测模型用于区分所述第一疾病和所述第二疾病；
所述获取单元包括：
对于每个待处理参数，根据所述疾病数据集中所述目标疾病参数的数值计算所述待处理参数的偏度值，其中，所述待处理参数为所述目标疾病参数中的任意一个疾病参数；
将所述疾病数据集中所述待处理参数的数值更新为所述待处理参数的偏度值。
8.一种终端设备，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6任一项所述的方法。
9.一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6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010543754.7A CN112053779B (zh) | 2020-06-15 | 2020-06-15 | 疾病检测模型的构建方法、构建装置及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010543754.7A CN112053779B (zh) | 2020-06-15 | 2020-06-15 | 疾病检测模型的构建方法、构建装置及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112053779A CN112053779A (zh) | 2020-12-08 |
| CN112053779B true CN112053779B (zh) | 2024-01-26 |
Family
ID=73601766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010543754.7A Active CN112053779B (zh) | 2020-06-15 | 2020-06-15 | 疾病检测模型的构建方法、构建装置及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112053779B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4941474A (en) * | 1988-07-01 | 1990-07-17 | Massachusetts Institute Of Technology | Multivariable analysis of bone condition |
| US8880174B1 (en) * | 2007-03-07 | 2014-11-04 | University Of Mississippi Medical Center | Medical diagnostic and predictive therapeutic method using discriminant analysis |
| CN106599553A (zh) * | 2016-11-29 | 2017-04-26 | 中国科学院深圳先进技术研究院 | 疾病预警方法及装置 |
| CN109378066A (zh) * | 2018-12-20 | 2019-02-22 | 翼健(上海)信息科技有限公司 | 一种基于特征向量实现疾病预测的控制方法及控制装置 |
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
| CN110338820A (zh) * | 2019-06-13 | 2019-10-18 | 四川大学 | 一种抑郁症和精神分裂症识别方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8010295B1 (en) * | 2000-11-06 | 2011-08-30 | IB Security Holders LLC | System and method for selectively classifying a population |
| US7720267B2 (en) * | 2005-07-15 | 2010-05-18 | Siemens Medical Solutions Usa, Inc. | Method and apparatus for classifying tissue using image data |
| US10226227B2 (en) * | 2013-05-24 | 2019-03-12 | Sunnybrook Research Institute | System and method for classifying and characterizing tissues using first-order and second-order statistics of quantitative ultrasound parametric maps |
-
2020
- 2020-06-15 CN CN202010543754.7A patent/CN112053779B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4941474A (en) * | 1988-07-01 | 1990-07-17 | Massachusetts Institute Of Technology | Multivariable analysis of bone condition |
| US8880174B1 (en) * | 2007-03-07 | 2014-11-04 | University Of Mississippi Medical Center | Medical diagnostic and predictive therapeutic method using discriminant analysis |
| CN106599553A (zh) * | 2016-11-29 | 2017-04-26 | 中国科学院深圳先进技术研究院 | 疾病预警方法及装置 |
| CN109378066A (zh) * | 2018-12-20 | 2019-02-22 | 翼健(上海)信息科技有限公司 | 一种基于特征向量实现疾病预测的控制方法及控制装置 |
| CN110211690A (zh) * | 2019-04-19 | 2019-09-06 | 平安科技（深圳）有限公司 | 疾病风险预测方法、装置、计算机设备及计算机存储介质 |
| CN110338820A (zh) * | 2019-06-13 | 2019-10-18 | 四川大学 | 一种抑郁症和精神分裂症识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112053779A (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
| CN116188805B (zh) | 海量图像的图像内容分析方法、装置和图像信息网络 | |
| CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
| CN115730605B (zh) | 基于多维信息的数据分析方法 | |
| CN112488297B (zh) | 一种神经网络剪枝方法、模型生成方法及装置 | |
| CN109597745B (zh) | 异常数据处理方法及装置 | |
| CN113155784A (zh) | 水体透明度检测方法、终端设备及存储介质 | |
| CN112053779B (zh) | 疾病检测模型的构建方法、构建装置及终端设备 | |
| CN109840246A (zh) | 一种用于计算目标特征的历史数据的方法及装置 | |
| CN112598228B (zh) | 企业竞争力的分析方法、装置、设备及存储介质 | |
| CN114913567A (zh) | 口罩佩戴的检测方法、装置、终端设备及可读存储介质 | |
| CN113704236A (zh) | 政务系统数据质量评估方法、装置、终端及存储介质 | |
| CN113705625A (zh) | 异常生活保障申请家庭的识别方法、装置及电子设备 | |
| CN111027824A (zh) | 一种风险评分的方法及装置 | |
| CN113673268B (zh) | 一种用于不同亮度下的识别方法、系统及设备 | |
| CN117370331B (zh) | 小区用水总数据清洗方法及装置、终端设备、存储介质 | |
| CN112465007B (zh) | 目标识别模型的训练方法、目标识别方法及终端设备 | |
| CN110232708B (zh) | 海马硬化程度的定量计算方法、装置、介质及终端设备 | |
| CN112445769B (zh) | 基于区块链的链上存储方法、装置、终端设备及介质 | |
| CN113283448B (zh) | 一种脑电影像特征提取模型的训练方法及装置 | |
| CN110377592B (zh) | 定量变量到虚拟变量的数据预处理方法、装置及终端设备 | |
| CN112328878B (zh) | 事件推荐方法、装置、设备及存储介质 | |
| CN109344210B (zh) | 一种网格校正方法、装置及终端设备 | |
| CN116184324A (zh) | 雷达数据关联方法及装置、雷达、可读存储介质 | |
| CN116468807A (zh) | 图像偏色检测方法、装置、可读存储介质及终端设备 |
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 |