CN112242198B - 基于大数据的失语症个性化治疗方案推荐方法及系统 - Google Patents
基于大数据的失语症个性化治疗方案推荐方法及系统 Download PDFInfo
- Publication number
- CN112242198B CN112242198B CN202010975564.2A CN202010975564A CN112242198B CN 112242198 B CN112242198 B CN 112242198B CN 202010975564 A CN202010975564 A CN 202010975564A CN 112242198 B CN112242198 B CN 112242198B
- Authority
- CN
- China
- Prior art keywords
- training
- personalized
- source information
- personalized treatment
- data
- 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
- 238000011282 treatment Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 36
- 201000007201 aphasia Diseases 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 112
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 42
- 238000011269 treatment regimen Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000926 separation method 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
Abstract
本发明涉及医疗信息处理技术领域,具体涉及一种基于大数据的失语症个性化治疗方案推荐方法及系统,所述方法包括:抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;根据所述训练数据生成患者训练模型;根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;将所述用户设置的个性化参数对应的个性化治疗方案进行展示,本发明可以提高个性化诊疗方案的推荐效率。
Description
技术领域
本发明涉及医疗信息处理技术领域,具体涉及一种基于大数据的失语症个性化治疗方案推荐方法及系统。
背景技术
目前失语症辅助康复人员在处理医疗数据时,需要查询各种各样相关的医疗数据,查阅相关的医学资料,得出更准确的医疗结果,同时数据处理过程中需要注意对患者隐私信息的保护。但是我国的康复医护人员数量较少,专业的语言康复治疗师更是稀缺,人手严重不足。相反地,我国失语症患者目前有400万的存量,并且每年有40万-80万的增量,相关医疗资源非常紧缺,很多失语症患者因此得不到有效治疗而错过了黄金治疗期。
发明内容
为解决上述问题,本发明提供一种基于大数据的失语症个性化治疗方案推荐方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,本发明提供以下技术方案:
一种基于大数据的失语症个性化治疗方案推荐方法,所述方法包括:
抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;所述源信息为患者进行训练时产生的训练信息;
根据所述训练数据生成患者训练模型;
根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
将所述用户设置的个性化参数对应的个性化治疗方案进行展示。
进一步,所述将所述源信息进行预处理,包括:
对所述源信息进行链接去重、特征词提取和数据格式转换其中至少一种。
进一步,所述基于所述预处理后的源信息得到训练数据,包括:
将所述训练信息的格式转换成文本文档,以获取所述训练信息的文本数据;
将所述文本数据进行降维处理,得到训练数据。
进一步,所述根据所述训练数据生成患者训练模型,包括:
采用向量空间模型对训练数据中的特征词和该特征词的权重进行训练,对每一个特征词的权重按大小进行排序,得到特征向量集:
基于特征向量集生成患者训练模型。
进一步,所述特征词的权重通过以下公式计算得到:
式中,表示特征词t在训练数据/>中归一化后的权重,/>表示特征词t在训练数据/>中的词频,N为训练数据的文本总数,ni为训练数据中出现特征词t的文本数,i为训练数据/>的元素,该计算式中的分母为归一化因子。
进一步,所述根据用户设置的个性化参数和患者训练模型生成个性化治疗方案,包括:
将特征向量集根据主题进行分类,将特征词相同的特征向量集聚在一起;
读取用户设置的个性化参数,将所述个性化参数分别与聚类后的特征向量集做匹配计算,将计算得到的相似度值和预设阈值进行比较,匹配大于预设阈值的特征向量集所对应的源信息,将所述源信息作为个性化治疗方案。
进一步,所述预设阈值的取值范围为[0.7,1.0]。
一种基于大数据的失语症个性化治疗方案推荐系统,所述系统包括:预处理层、模型训练层、方案推荐层和信息展示层;
所述预处理层,用于抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;所述源信息为患者进行训练时产生的训练信息;
所述模型训练层,用于根据所述训练数据生成患者训练模型;
所述方案推荐层,用于根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
所述信息展示层,用于将所述用户设置的个性化参数对应的个性化治疗方案进行展示。
一种基于大数据的失语症个性化治疗方案推荐系统,所述系统包括: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,所述计算机程序被所述处理器执行时实现如上述任一项所述的基于大数据的失语症个性化治疗方案推荐方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的基于大数据的失语症个性化治疗方案推荐方法的步骤。
本发明的有益效果是:本发明申请一种基于大数据的失语症个性化治疗方案推荐方法及系统,本发明根据训练数据生成患者训练模型,通过用户设置的个性化参数和患者训练模型生成个性化治疗方案,可以辅助医生快速的为患者定制个性化诊疗方案,本发明提高了个性化诊疗方案的推荐效率。
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是本发明实施例中一种基于大数据的失语症个性化治疗方案推荐方法的流程示意图;
图2是本发明实施例中步骤S100的一个流程示意图;
图3是本发明实施例中一种基于大数据的失语症个性化治疗方案推荐系统的结构框图。
具体实施方式
以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本申请的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,本申请实施例提供一种基于大数据的失语症个性化治疗方案推荐方法,所述方法包括以下步骤:
步骤S100、抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;
其中,所述源信息为患者进行训练时产生的训练信息;
步骤S200、根据所述训练数据生成患者训练模型;
步骤S300、根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
步骤S400、将所述用户设置的个性化参数对应的个性化治疗方案进行展示。
其中,所述训练信息可以是以网页、文档或文本等形式作为载体。
在一个改进的实施例中,步骤S100中,所述将所述源信息进行预处理,包括:对所述源信息进行链接去重、特征词提取和数据格式转换其中至少一种。本实施例中,所述特征词包括分词和停用词。
参考图2,在一个改进的实施例中,步骤S100中,所述基于所述预处理后的源信息得到训练数据,包括:
步骤S110、将所述训练信息的格式转换成文本文档,以获取所述训练信息的文本数据;
从而易于对所述训练信息进行处理,以所述训练信息是以网页作为载体为例,通过调用html解析模块将训练信息转换为文本文档。
步骤S120、将所述文本数据进行降维处理,得到训练数据。
从而减少后续推荐算法处理所述文本数据的维数,提高计算效率。
本实施例中,先进行源信息预处理,再进行信息解析,最后进行特征提取。从而保证提取得到的特征词的准确性和有效性,保证最终推荐输出的失语症个性化治疗方案具有实用性。
在一个改进的实施例中,步骤S200包括:
步骤S210、采用向量空间模型对训练数据中的特征词和该特征词的权重进行训练,对每一个特征词的权重按大小进行排序,得到特征向量集:
步骤S220、基于特征向量集生成患者训练模型。
本实施例中,特征向量集表示为:
D(w)={(t1,w1),(t2,w2),...,(tj,wj),...,(tm,wm)}
其中,tj表示文档中的编号为j的特征词,wj表示特征词tj的权重,D(w)表示特征向量集,m表示特征向量集中特征词的总数。
本实施例中,对训练数据中的特征词和该特征词的权重进行训练的目的在于增强对特征词的区分度,训练完成后得到的特征向量集趋于稳定,可以更准确地为患者推荐个性化治疗方案。
在一个改进的实施例中,所述特征词的权重通过以下公式计算得到:
式中,表示特征词t在训练数据/>中归一化后的权重,/>表示特征词t在训练数据/>中的词频,N为训练数据的文本总数,ni为训练数据中出现特征词t的文本数,i为训练数据/>的元素,该计算式中的分母为归一化因子。
本实施例中,所述特征词为预先设置,通过将训练数据中的文本和预先设置的特征词进行匹配得到。示例性的,预先设置的特征词有:哎、啊、吧、当、到、的、地。
在一个改进的实施例中,所述步骤S300包括:
步骤S310、将特征向量集根据主题进行分类,将特征词相同的特征向量集聚在一起;
其中,该部分通过BP神经网络算法来实现;本实施例利用基于内容的信息推荐算法的思想,使得推荐算法的结果更为精准。
步骤S320、读取用户设置的个性化参数,将所述个性化参数分别与聚类后的特征向量集做匹配计算,将计算得到的相似度值和预设阈值进行比较,匹配大于预设阈值的特征向量集所对应的源信息,将所述源信息作为个性化治疗方案。
其中,该部分是通过SOM神经网络来实现的。本实施例利用了基于项目的协同过滤推荐算法思想,使得推荐算法的结果更为精准。本实施例中,所述预设阈值的取值范围为[0.7,1.0],以保证推荐结果的准确性,优选的,将所述预设阈值设置为0.8。
需要说明的是,本实施例步骤S400中,读取用户设置的个性化参数后,生成个性化治疗方案,接着,将所述用户设置的个性化参数对应的个性化治疗方案进行展示。示例性的,当训练信息以网页作为载体时,则以网页的形式展示该个性化治疗方案。另外,本实施例还包括:将所述源信息和索引文件进行存储。
所述用户设置的个性化参数包括患者对医疗主题的定制信息、主题小窗口的位置和颜色等用户喜好信息,然后将方案推荐层生成的个性化治疗方案结合所述用户设置的个性化参数生成一个可视化的页面展现给患者,从而提供友好的用户体验。
参考图3,本发明实施例还提供一种基于大数据的失语症个性化治疗方案推荐系统,所述系统包括:预处理层、模型训练层、方案推荐层和信息展示层;
所述预处理层,用于抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;所述源信息为患者进行训练时产生的训练信息;
所述模型训练层,用于根据所述训练数据生成患者训练模型;
所述方案推荐层,用于根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
所述信息展示层,用于将所述用户设置的个性化参数对应的个性化治疗方案进行展示。
在一个改进的实施例中,所述预处理层包括源信息抓取模块、源信息预处理模块、信息解析模块和特征提取模块。
所述源信息抓取模块,用于抓取源信息,所述源信息为患者进行训练时产生的训练信息;
在一个实施例中,当接收到患者输入的请求信息时,所述源信息抓取模块响应所述请求信息,调用其抓取服务功能,抓取源信息,以获取患者进行训练时产生的训练信息,所述训练信息可以是以网页、文档或文本等形式作为载体。
所述源信息预处理模块,用于将所述源信息进行预处理,将预处理后的源信息以索引文件的形式发送给所述信息展示层保存;
其中,将所述源信息进行预处理,包括:对所述源信息进行链接去重、特征词提取和数据格式转换其中至少一种。本实施例中,所述特征词包括分词和停用词。
所述信息解析模块,用于将所述训练信息的格式转换成文本文档,以获取所述训练信息的文本数据;从而易于对所述训练信息进行处理,以所述训练信息是以网页作为载体为例,通过调用html解析模块将训练信息转换为文本文档。
所述特征提取模块,用于将所述文本数据进行降维处理,得到训练数据。从而减少后续推荐算法处理所述文本数据的维数,提高计算效率。
在一个改进的实施例中,所述模型训练层包括特征向量生成模块和信息推荐模块;
所述特征向量生成模块,用于采用向量空间模型对训练数据中的特征词和该特征词的权重进行训练,对每一个特征词的权重按大小进行排序,得到特征向量集:
所述信息推荐模块,用于基于特征向量集生成患者训练模型。
本实施例中,特征向量集表示为:
D(w)={(t1,w1),(t2,w2),...,(tj,wj),...,(tm,wm)}
其中,tj表示文档中的编号为j的特征词,wj表示特征词tj的权重,D(w)表示特征向量集,m表示特征向量集中特征词的总数。
本实施例中,对训练数据中的特征词和该特征词的权重进行训练的目的在于增强对特征词的区分度,训练完成后得到的特征向量集趋于稳定,可以更准确地为患者推荐个性化治疗方案。
在一个或多个实施例中,首先通过多种渠道获取所述训练信息,接着经过中文分词后进行特征提取,其中,特征词的权重计算公式如下:
式中,表示特征词t在训练数据/>中归一化后的权重,/>表示特征词t在训练数据/>中的词频,N为训练数据的文本总数,ni为训练数据中出现特征词t的文本数,i为训练数据/>的元素,该计算式中的分母为归一化因子。
本实施例中,所述特征词为预先设置,通过将训练数据中的文本和预先设置的特征词进行匹配得到。示例性的,预先设置的特征词有:哎、啊、吧、当、到、的、地。
在一个改进的实施例中,所述方案推荐层包括:
分类模块,用于将特征向量集根据主题进行分类,将特征词相同的特征向量集聚在一起;
该部分通过BP神经网络算法来实现;本实施例利用基于内容的信息推荐算法的思想,使得推荐算法的结果更为精准。
匹配模块,用于读取用户设置的个性化参数,将所述个性化参数分别与聚类后的特征向量集做匹配计算,将计算得到的相似度值和预设阈值进行比较,匹配大于预设阈值的特征向量集所对应的源信息,将所述源信息作为个性化治疗方案。
该部分是通过SOM神经网络来实现的。本实施例利用了基于项目的协同过滤推荐算法思想,使得推荐算法的结果更为精准。本实施例中,所述预设阈值的取值范围为[0.7,1.0]。
本实施例中,方案推荐层采用基于内容和基于协同过滤的混合信息推荐算法,设计了一种基于神经网络的信息推荐方法。本实施例根据患者训练模型和处理后得到的特征向量集之间的匹配度来决定该治疗方案是否要推荐给患者,使得推荐算法的结果更为精准。
需要说明的是,本实施例中,所述信息展示层读取用户设置的个性化参数后,将所述个性化参数发送给方案推荐层,之后,读取方案推荐层生成的个性化治疗方案,最后,将所述用户设置的个性化参数对应的个性化治疗方案进行展示。示例性的,当训练信息以网页作为载体时,则以网页的形式展示该个性化治疗方案。另外,所述信息展示层还提供信息存储功能,将所述源信息和索引文件进行存储。
所述用户设置的个性化参数包括患者对医疗主题的定制信息、主题小窗口的位置和颜色等用户喜好信息,然后信息展示层将方案推荐层生成的个性化治疗方案结合所述用户设置的个性化参数生成一个可视化的页面展现给患者,从而提供友好的用户体验。
需要说明的是,本发明实施例提供的基于大数据的失语症个性化治疗方案推荐系统根据应用环境选择B/S设计模式(B/S是指浏览器/服务器模式),用户通过万维网浏览器来访问本系统,本发明实施例提供的步骤在服务器端实现。在服务器端采用JAVA语言开发,在浏览器端采用JSP技术来开发。
其中,B/S设计模式大大简化了客户端的运行负担,同时减轻了系统维护和升级的成本与工作量,而且能够很好地实现用户、应用和数据的分离,使广大用户可以在web访问过程中方便的获取在线推荐结果,而不必依赖于本地机。
本发明实施例还提供一种基于大数据的失语症个性化治疗方案推荐系统,所述系统包括: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,所述计算机程序被所述处理器执行时实现上述任一实施例所述的基于大数据的失语症个性化治疗方案推荐方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的基于大数据的失语症个性化治疗方案推荐方法的步骤。
所述基于大数据的失语症个性化治疗方案推荐系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述基于大数据的失语症个性化治疗方案推荐系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是基于大数据的失语症个性化治疗方案推荐系统的示例,并不构成对基于大数据的失语症个性化治疗方案推荐系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于大数据的失语症个性化治疗方案推荐系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),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)、现场可编程门阵列(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,所述处理器是所述基于大数据的失语症个性化治疗方案推荐系统的控制中心,利用各种接口和线路连接整个基于大数据的失语症个性化治疗方案推荐系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于大数据的失语症个性化治疗方案推荐系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于大数据的失语症个性化治疗方案推荐方法,其特征在于,所述方法包括:
抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;所述源信息为患者进行训练时产生的训练信息;
根据所述训练数据生成患者训练模型;
根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
将所述用户设置的个性化参数对应的个性化治疗方案进行展示;
所述根据所述训练数据生成患者训练模型,包括:
采用向量空间模型对训练数据中的特征词和该特征词的权重进行训练,对每一个特征词的权重按大小进行排序,得到特征向量集:特征向量集表示为:
D(w)={(t1,w1),(t2,w2),…,(tj,wj),…,(tm,wm)}
其中,tj表示文档中的编号为j的特征词,wj表示特征词tj的权重,D(w)表示特征向量集,m表示特征向量集中特征词的总数;
基于特征向量集生成患者训练模型;
所述特征词的权重通过以下公式计算得到:
式中,表示特征词t在训练数据/>中归一化后的权重,/>表示特征词t在训练数据/>中的词频,N为训练数据的文本总数,ni为训练数据中出现特征词t的文本数,i为训练数据/>的元素,该计算式中的分母为归一化因子;
所述根据用户设置的个性化参数和患者训练模型生成个性化治疗方案,包括:
将特征向量集根据主题进行分类,将特征词相同的特征向量集聚在一起;
读取用户设置的个性化参数,将所述个性化参数分别与聚类后的特征向量集做匹配计算,将计算得到的相似度值和预设阈值进行比较,匹配大于预设阈值的特征向量集所对应的源信息,将所述源信息作为个性化治疗方案;所述预设阈值的取值范围为[0.7,1.0]。
2.根据权利要求1所述的基于大数据的失语症个性化治疗方案推荐方法,其特征在于,所述将所述源信息进行预处理,包括:
对所述源信息进行链接去重、特征词提取和数据格式转换其中至少一种。
3.根据权利要求2所述的基于大数据的失语症个性化治疗方案推荐方法,其特征在于,所述基于所述预处理后的源信息得到训练数据,包括:
将所述训练信息的格式转换成文本文档,以获取所述训练信息的文本数据;
将所述文本数据进行降维处理,得到训练数据。
4.一种基于大数据的失语症个性化治疗方案推荐系统,其特征在于,所述系统包括: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,所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的基于大数据的失语症个性化治疗方案推荐方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的基于大数据的失语症个性化治疗方案推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975564.2A CN112242198B (zh) | 2020-09-16 | 2020-09-16 | 基于大数据的失语症个性化治疗方案推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975564.2A CN112242198B (zh) | 2020-09-16 | 2020-09-16 | 基于大数据的失语症个性化治疗方案推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112242198A CN112242198A (zh) | 2021-01-19 |
CN112242198B true CN112242198B (zh) | 2024-02-02 |
Family
ID=74171495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010975564.2A Active CN112242198B (zh) | 2020-09-16 | 2020-09-16 | 基于大数据的失语症个性化治疗方案推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112242198B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113010783A (zh) * | 2021-03-17 | 2021-06-22 | 华南理工大学 | 基于多模态心血管疾病信息的医疗推荐方法、系统及介质 |
CN117311709A (zh) * | 2023-09-18 | 2023-12-29 | 深圳市联医科技有限公司 | 一种应用于互联网护理软件的页面设计系统及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222160A (zh) * | 2019-05-06 | 2019-09-10 | 平安科技(深圳)有限公司 | 智能语义文档推荐方法、装置及计算机可读存储介质 |
WO2019207573A1 (en) * | 2018-04-25 | 2019-10-31 | Ninispeech Ltd. | Diagnosis and treatment of speech and language pathologies by speech to text and natural language processing |
CN111128380A (zh) * | 2019-12-24 | 2020-05-08 | 郑州科技学院 | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 |
CN111415652A (zh) * | 2020-03-31 | 2020-07-14 | 汕头大学 | 一种用于失语症患者康复训练专用的语音识别方法 |
CN111524571A (zh) * | 2020-05-21 | 2020-08-11 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐方法 |
-
2020
- 2020-09-16 CN CN202010975564.2A patent/CN112242198B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019207573A1 (en) * | 2018-04-25 | 2019-10-31 | Ninispeech Ltd. | Diagnosis and treatment of speech and language pathologies by speech to text and natural language processing |
CN110222160A (zh) * | 2019-05-06 | 2019-09-10 | 平安科技(深圳)有限公司 | 智能语义文档推荐方法、装置及计算机可读存储介质 |
CN111128380A (zh) * | 2019-12-24 | 2020-05-08 | 郑州科技学院 | 模拟医生诊断和精准干预策略的慢性病健康管理模型的构建方法及系统 |
CN111415652A (zh) * | 2020-03-31 | 2020-07-14 | 汕头大学 | 一种用于失语症患者康复训练专用的语音识别方法 |
CN111524571A (zh) * | 2020-05-21 | 2020-08-11 | 电子科技大学 | 一种脑卒中患者个性化治疗方案推荐方法 |
Non-Patent Citations (6)
Title |
---|
"一种基于特征提取的二级文本分类方法";邹丽娜 等;《广东工业大学学报》;第29卷(第4期);第69-72页 * |
"失语症训练软件的设计与使用";秦冰 等;《中国临床康复》;第9卷(第41期);第20-22页 * |
Using technology to overcome the language barrier: the Cognitive Assessment for Aphasia App;Kylie, et al.;《Disability & Rehabilitation》;第1333-1344页 * |
基于TF-IDF特征词提取的不平衡文本分类;陈欢 等;《智能计算机与应用》;第10卷(第9期);第73-76页 * |
孤独症谱系障碍儿童情绪表达能力干预系统研制;陈鸿雁 等;《现代生物医学进展》;第16卷(第16期);第3164-3167页 * |
秦冰 等."失语症训练软件的设计与使用".《中国临床康复》.2005,第9卷(第41期),第20-22页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112242198A (zh) | 2021-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608477B (zh) | 一种人物画像与职位匹配的方法及系统 | |
US11113323B2 (en) | Answer selection using a compare-aggregate model with language model and condensed similarity information from latent clustering | |
CN106095845B (zh) | 文本分类方法和装置 | |
US8874590B2 (en) | Apparatus and method for supporting keyword input | |
JP6033697B2 (ja) | 画像評価装置 | |
EP3716099A1 (en) | Document classification device | |
JP6569183B2 (ja) | 情報処理装置、方法及びプログラム | |
CN112242198B (zh) | 基于大数据的失语症个性化治疗方案推荐方法及系统 | |
CN113722438B (zh) | 基于句向量模型的句向量生成方法、装置及计算机设备 | |
CN107807968A (zh) | 基于贝叶斯网络的问答装置、方法及存储介质 | |
CN110781273A (zh) | 文本数据处理方法、装置、电子设备及存储介质 | |
CN113707299A (zh) | 基于问诊会话的辅助诊断方法、装置及计算机设备 | |
CN113627797A (zh) | 入职员工画像生成方法、装置、计算机设备及存储介质 | |
JP7280705B2 (ja) | 機械学習装置、プログラム及び機械学習方法 | |
CN116774973A (zh) | 数据渲染方法、装置、计算机设备及存储介质 | |
WO2021012958A1 (zh) | 原创文本甄别方法、装置、设备与计算机可读存储介质 | |
US20210406451A1 (en) | Systems and Methods for Extracting Information from a Physical Document | |
JP6842789B1 (ja) | 介護に関する計画書の作成を支援する装置、方法及びプログラム | |
CN116383363A (zh) | 一种虚拟宠物聊天系统 | |
US11663215B2 (en) | Selectively targeting content section for cognitive analytics and search | |
CN115146025A (zh) | 一种问答语句分类方法、终端设备及存储介质 | |
CN114780678A (zh) | 文本检索方法、装置、设备及存储介质 | |
CN113821669A (zh) | 搜索方法、装置、电子设备和存储介质 | |
JP7273442B1 (ja) | 情報処理システム、情報処理方法及びプログラム | |
CN113536169B (zh) | 一种网页的文字排版方法、装置、设备和存储介质 |
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 |