CN112669972A - 基于大数据深度学习的中医个人风险分合协同预测方法 - Google Patents
基于大数据深度学习的中医个人风险分合协同预测方法 Download PDFInfo
- Publication number
- CN112669972A CN112669972A CN202011629894.2A CN202011629894A CN112669972A CN 112669972 A CN112669972 A CN 112669972A CN 202011629894 A CN202011629894 A CN 202011629894A CN 112669972 A CN112669972 A CN 112669972A
- Authority
- CN
- China
- Prior art keywords
- disease
- target
- target user
- user
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 329
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000003814 drug Substances 0.000 title abstract description 23
- 230000010354 integration Effects 0.000 title description 10
- 201000010099 disease Diseases 0.000 claims abstract description 753
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 753
- 230000036541 health Effects 0.000 claims abstract description 301
- 238000003745 diagnosis Methods 0.000 claims abstract description 138
- 238000007689 inspection Methods 0.000 claims abstract description 112
- 238000003062 neural network model Methods 0.000 claims description 301
- 238000011835 investigation Methods 0.000 claims description 203
- 238000002555 auscultation Methods 0.000 claims description 146
- 238000012549 training Methods 0.000 claims description 87
- 238000004364 calculation method Methods 0.000 claims description 66
- 238000013473 artificial intelligence Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 13
- 239000008280 blood Substances 0.000 claims description 8
- 210000004369 blood Anatomy 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 5
- 210000004072 lung Anatomy 0.000 claims description 5
- 210000000056 organ Anatomy 0.000 claims description 5
- 229910052760 oxygen Inorganic materials 0.000 claims description 5
- 239000001301 oxygen Substances 0.000 claims description 5
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000002559 palpation Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 9
- 208000035473 Communicable disease Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000011580 syndromic disease Diseases 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000013058 risk prediction model Methods 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
基于大数据深度学习的中医个人风险分合协同预测方法，包括：目标用户确定步骤；目标疾病确定步骤；目标疾病望闻问切步骤；疾病排查望闻问切步骤；健康状况望闻问切步骤。上述方法、系统和机器人，通过借鉴中医的综合辩证的思想将望闻问切融为一体，能够分别获取望、闻、问、切的特征数据用于融合得到望闻问切的综合性特征数据，并输入深度学习模型进行疾病的诊断，充分借鉴了中医的综合辩证的思想，能够极大地提高疾病诊断的效果和准确率。
Description
技术领域
本发明涉及人工智能技术领域，特别是涉及一种基于大数据深度学习的中医个人风险分合协同预测方法。
背景技术
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：中医辨证的诊法虽然是体外检测，成本低、而且方便，可以随处(例如在家里)进行，但如果不是老中医亲自当面诊断，可能不如西医抽血化验那种准确，很难保证基于大数据深度学习的自助时空预测模型的准确率。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术的缺陷或不足，提供基于大数据深度学习的中医个人风险分合协同预测方法，以解决现有技术中中西医难以智能地自动地综合进行疾病个人风险预测的问题。
第一方面，本发明实施例提供一种人工智能方法，所述方法包括：
目标用户确定步骤：将待监测的用户作为目标用户；
目标疾病确定步骤：将待监测的疾病作为目标疾病；
目标疾病望闻问切步骤：获取所述目标用户的目标疾病望诊的特征数据、所述目标用户的目标疾病听诊的特征数据、所述目标用户的目标疾病问诊的特征数据、所述目标用户的目标疾病切诊的特征数据作为所述目标用户的目标疾病特征；将所述目标用户的目标疾病特征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望闻问切深度学习神经网络模型；在使用时，将所述目标用户的目标疾病特征作为输入，通过目标疾病的望闻问切深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望闻问切步骤：获取所述目标用户的疾病排查望诊的特征数据、所述目标用户的疾病排查听诊的特征数据、所述目标用户的疾病排查问诊的特征数据、所述目标用户的疾病排查切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的疾病排查特征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望闻问切深度学习神经网络模型；在使用时，将所述目标用户的疾病排查特征作为输入，通过疾病排查望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户可能患有的预设数个疾病及患有所述每个疾病的概率；
健康状况望闻问切步骤：获取所述目标用户的健康状况及其可能的概率望诊的特征数据、所述目标用户的健康状况及其可能的概率听诊的特征数据、所述目标用户的健康状况及其可能的概率问诊的特征数据、所述目标用户的健康状况切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的健康状况及其可能的概率特征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望闻问切深度学习神经网络模型；在使用时，将所述目标用户的健康状况及其可能的概率特征作为输入，通过健康状况望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户的健康状况。
优选地，所述方法还包括：
用户图像获取步骤：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
目标疾病望诊步骤：将用户的图像作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过目标疾病的望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病望诊的结果，同时将目标疾病的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病望诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望诊步骤：将用户的图像作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过疾病排查望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查望诊的结果，同时将疾病排查的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查望诊的特征数据；
健康状况望诊步骤：将用户的图像作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过健康状况望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率望诊的结果，同时将健康状况的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率望诊的特征数据；
用户声音获取步骤：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
目标疾病听诊步骤：将用户的声音作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过目标疾病的听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病听诊的结果，同时将目标疾病的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病听诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查听诊步骤：将用户的声音作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过疾病排查听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查听诊的结果，同时将疾病排查的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查听诊的特征数据；
健康状况听诊步骤：将用户的声音作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过健康状况听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率听诊的结果，并作为所述目标用户的健康状况及其可能的概率听诊的结果，同时将健康状况的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率听诊的特征数据；
用户情况获取步骤：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
目标疾病问诊步骤：将用户的情况作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过目标疾病的问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病问诊的结果，同时将目标疾病的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病问诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查问诊步骤：将用户的情况作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过疾病排查问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查问诊的结果，同时将疾病排查的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查问诊的特征数据；
健康状况问诊步骤：将用户的情况作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过健康状况问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率问诊的结果，同时将健康状况的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率问诊的特征数据；
用户体征获取步骤：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
目标疾病切诊步骤：将用户的体征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过目标疾病的切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病切诊的结果，同时将目标疾病的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病切诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查切诊步骤：将用户的体征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过疾病排查切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查切诊的结果，同时将疾病排查的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查切诊的特征数据；
健康状况切诊步骤：将用户的体征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过健康状况切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况的结果，同时将健康状况的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况切诊的特征数据。
优选地，所述方法还包括：
目标疾病辩证步骤：获取所述目标用户的目标疾病望诊的结果、所述目标用户的目标疾病听诊的结果、所述目标用户的目标疾病问诊的结果、所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查辩证步骤：获取所述目标用户的疾病排查望诊的结果、所述目标用户的疾病排查听诊的结果、所述目标用户的疾病排查问诊的结果、所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有最大值大于预设可信概率阈值的所述每一疾病；
健康状况辩证步骤：获取所述目标用户的健康状况望诊的结果、所述目标用户的健康状况听诊的结果、所述目标用户的健康状况问诊的结果、所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率的最大值，若最大值大于预设可信概率阈值，则将最大值概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
优选地，所述方法还包括：
目标疾病快速诊断步骤：获取所述目标用户的目标疾病望诊的结果或/和所述目标用户的目标疾病听诊的结果或/和所述目标用户的目标疾病问诊的结果或/和所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率，若任一所述概率大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查快速诊断步骤：获取所述目标用户的疾病排查望诊的结果或/和所述目标用户的疾病排查听诊的结果或/和所述目标用户的疾病排查问诊的结果或/和所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率，若任一所述概率大于预设可信概率阈值，则所述目标用户确诊患有所述概率大于预设可信概率阈值的所述每一疾病；
健康状况快速诊断步骤：获取所述目标用户的健康状况望诊的结果或/和所述目标用户的健康状况听诊的结果或/和所述目标用户的健康状况问诊的结果或/和所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率，若任一所述概率大于预设可信概率阈值，则将大于预设可信概率阈值的所述概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
第二方面，本发明实施例提供一种人工智能系统，所述系统包括：
目标用户确定模块：将待监测的用户作为目标用户；
目标疾病确定模块：将待监测的疾病作为目标疾病；
目标疾病望闻问切模块：获取所述目标用户的目标疾病望诊的特征数据、所述目标用户的目标疾病听诊的特征数据、所述目标用户的目标疾病问诊的特征数据、所述目标用户的目标疾病切诊的特征数据作为所述目标用户的目标疾病特征；将所述目标用户的目标疾病特征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望闻问切深度学习神经网络模型；在使用时，将所述目标用户的目标疾病特征作为输入，通过目标疾病的望闻问切深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望闻问切模块：获取所述目标用户的疾病排查望诊的特征数据、所述目标用户的疾病排查听诊的特征数据、所述目标用户的疾病排查问诊的特征数据、所述目标用户的疾病排查切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的疾病排查特征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望闻问切深度学习神经网络模型；在使用时，将所述目标用户的疾病排查特征作为输入，通过疾病排查望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户可能患有的预设数个疾病及患有所述每个疾病的概率；
健康状况望闻问切模块：获取所述目标用户的健康状况及其可能的概率望诊的特征数据、所述目标用户的健康状况及其可能的概率听诊的特征数据、所述目标用户的健康状况及其可能的概率问诊的特征数据、所述目标用户的健康状况切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的健康状况及其可能的概率特征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望闻问切深度学习神经网络模型；在使用时，将所述目标用户的健康状况及其可能的概率特征作为输入，通过健康状况望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户的健康状况。
优选地，所述系统还包括：
用户图像获取模块：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
目标疾病望诊模块：将用户的图像作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过目标疾病的望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病望诊的结果，同时将目标疾病的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病望诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望诊模块：将用户的图像作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过疾病排查望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查望诊的结果，同时将疾病排查的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查望诊的特征数据；
健康状况望诊模块：将用户的图像作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过健康状况望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率望诊的结果，同时将健康状况的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率望诊的特征数据；
用户声音获取模块：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
目标疾病听诊模块：将用户的声音作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过目标疾病的听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病听诊的结果，同时将目标疾病的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病听诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查听诊模块：将用户的声音作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过疾病排查听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查听诊的结果，同时将疾病排查的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查听诊的特征数据；
健康状况听诊模块：将用户的声音作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过健康状况听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率听诊的结果，并作为所述目标用户的健康状况及其可能的概率听诊的结果，同时将健康状况的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率听诊的特征数据；
用户情况获取模块：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
目标疾病问诊模块：将用户的情况作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过目标疾病的问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病问诊的结果，同时将目标疾病的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病问诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查问诊模块：将用户的情况作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过疾病排查问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查问诊的结果，同时将疾病排查的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查问诊的特征数据；
健康状况问诊模块：将用户的情况作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过健康状况问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率问诊的结果，同时将健康状况的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率问诊的特征数据；
用户体征获取模块：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
目标疾病切诊模块：将用户的体征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过目标疾病的切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病切诊的结果，同时将目标疾病的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病切诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查切诊模块：将用户的体征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过疾病排查切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查切诊的结果，同时将疾病排查的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查切诊的特征数据；
健康状况切诊模块：将用户的体征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过健康状况切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况的结果，同时将健康状况的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况切诊的特征数据。
优选地，所述系统还包括：
目标疾病辩证模块：获取所述目标用户的目标疾病望诊的结果、所述目标用户的目标疾病听诊的结果、所述目标用户的目标疾病问诊的结果、所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查辩证模块：获取所述目标用户的疾病排查望诊的结果、所述目标用户的疾病排查听诊的结果、所述目标用户的疾病排查问诊的结果、所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有最大值大于预设可信概率阈值的所述每一疾病；
健康状况辩证模块：获取所述目标用户的健康状况望诊的结果、所述目标用户的健康状况听诊的结果、所述目标用户的健康状况问诊的结果、所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率的最大值，若最大值大于预设可信概率阈值，则将最大值概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
优选地，所述系统还包括：
目标疾病快速诊断模块：获取所述目标用户的目标疾病望诊的结果或/和所述目标用户的目标疾病听诊的结果或/和所述目标用户的目标疾病问诊的结果或/和所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率，若任一所述概率大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查快速诊断模块：获取所述目标用户的疾病排查望诊的结果或/和所述目标用户的疾病排查听诊的结果或/和所述目标用户的疾病排查问诊的结果或/和所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率，若任一所述概率大于预设可信概率阈值，则所述目标用户确诊患有所述概率大于预设可信概率阈值的所述每一疾病；
健康状况快速诊断模块：获取所述目标用户的健康状况望诊的结果或/和所述目标用户的健康状况听诊的结果或/和所述目标用户的健康状况问诊的结果或/和所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率，若任一所述概率大于预设可信概率阈值，则将大于预设可信概率阈值的所述概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
第三方面，本发明实施例提供一种人工智能装置，所述装置包括第二方面实施例任意一项所述系统的模块。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面，本发明实施例提供一种机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的基于大数据深度学习的中医个人风险分合协同预测方法，包括：目标用户确定步骤；目标疾病确定步骤；目标疾病望闻问切步骤；疾病排查望闻问切步骤；健康状况望闻问切步骤。上述方法、系统和机器人，通过借鉴中医的综合辩证的思想将望闻问切融为一体，能够分别获取望、闻、问、切的特征数据用于融合得到望闻问切的综合性特征数据，并输入深度学习模型进行疾病的诊断，充分借鉴了中医的综合辩证的思想，能够极大地提高疾病诊断的效果和准确率。
附图说明
图1为本发明的实施例提供的人工智能方法的流程图；
图2为本发明的实施例提供的人工智能方法包括的流程图；
图3为本发明的实施例提供的人工智能方法包括的流程图；
图4为本发明的实施例提供的人工智能方法包括的流程图；
图5为本发明的实施例提供的基于大数据深度学习的自助的传染病个人风险预测的系统结构图；
图6为本发明的实施例提供的基于大数据深度学习的自助的传染病个人风险分合协同预测模型路线图。
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
本发明的基本实施例
本发明的一种实施例提供一种人工智能方法，如图1所示，所述方法包括：目标用户确定步骤；目标疾病确定步骤；目标疾病望闻问切步骤；疾病排查望闻问切步骤；健康状况望闻问切步骤。技术效果：所述方法通过借鉴中医的综合辩证的思想将望闻问切融为一体，能够分别获取望、闻、问、切的特征数据用于融合得到望闻问切的综合性特征数据，并输入深度学习模型进行疾病的诊断，充分借鉴了中医的综合辩证的思想，能够极大地提高疾病诊断的效果和准确率。
在一个优选的实施例中，如图2所示，所述方法还包括：用户图像获取步骤；目标疾病望诊步骤；疾病排查望诊步骤；健康状况望诊步骤；用户声音获取步骤；目标疾病听诊步骤；疾病排查听诊步骤；健康状况听诊步骤；用户情况获取步骤；目标疾病问诊步骤；疾病排查问诊步骤；健康状况问诊步骤；用户体征获取步骤；目标疾病切诊步骤；疾病排查切诊步骤；健康状况切诊步骤。技术效果：所述方法通过深度学习模型分别获取望、闻、问、切的特征数据，同时能够学习专家诊断的结果作为望、闻、问、切的结果，从而使得从望、闻、问、切的四个维度都能进行诊断，使得望、闻、问、切的四个模型中所提取的特征向量不但经过了无监督训练，而且经过了有诊断结果的有监督训练，使得各个模型中所提取的特征向量(即深度学习神经网络模型的预设隐层的输出数据)能够充分地反映出望、闻、问、切过程中能决定诊断结果的本质特征，进而提高望闻问切深度学习神经网络模型的预测效果，从而能够极大地提高望闻问切深度学习的方式进行疾病诊断的效果和准确率。
在一个优选的实施例中，如图3所示，所述方法还包括：目标疾病辩证步骤；疾病排查辩证步骤；健康状况辩证步骤。技术效果：所述方法通过从望、闻、问、切的4个模型的诊断结果的概率进行分析，得到最优的诊断结果，从而充分望、闻、问、切各自的诊断结果，来提高疾病诊断的效果和准确率。
在一个优选的实施例中，如图4所示，所述方法还包括：目标疾病快速诊断步骤；疾病排查快速诊断步骤；健康状况快速诊断步骤。技术效果：所述方法在望、闻、问、切的4个模型中任一个模型的预测结果的概率达到预设条件时就能够给出诊断结果，这使得望、闻、问、切这4个过程无需全部完成就能得到诊断结果，从而可以极大地提高诊断的速度和效率。
本发明的优选实施例
用户图像获取步骤：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
目标疾病望诊步骤：将用户的图像作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过目标疾病的望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病望诊的结果，同时将目标疾病的望诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的目标疾病望诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望诊步骤：将用户的图像作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过疾病排查望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查望诊的结果，同时将疾病排查的望诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的疾病排查望诊的特征数据；
健康状况望诊步骤：将用户的图像作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过健康状况望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率望诊的结果，同时将健康状况的望诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的健康状况及其可能的概率望诊的特征数据；
用户声音获取步骤：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
目标疾病听诊步骤：将用户的声音作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过目标疾病的听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病听诊的结果，同时将目标疾病的听诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的目标疾病听诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查听诊步骤：将用户的声音作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过疾病排查听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查听诊的结果，同时将疾病排查的听诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的疾病排查听诊的特征数据；
健康状况听诊步骤：将用户的声音作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过健康状况听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率听诊的结果，并作为所述目标用户的健康状况及其可能的概率听诊的结果，同时将健康状况的听诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的健康状况及其可能的概率听诊的特征数据；
用户情况获取步骤：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
目标疾病问诊步骤：将用户的情况作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过目标疾病的问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病问诊的结果，同时将目标疾病的问诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的目标疾病问诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查问诊步骤：将用户的情况作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过疾病排查问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查问诊的结果，同时将疾病排查的问诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的疾病排查问诊的特征数据；
健康状况问诊步骤：将用户的情况作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过健康状况问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率问诊的结果，同时将健康状况的问诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的健康状况及其可能的概率问诊的特征数据；
用户体征获取步骤：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
目标疾病切诊步骤：将用户的体征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过目标疾病的切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病切诊的结果，同时将目标疾病的切诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的目标疾病切诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查切诊步骤：将用户的体征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过疾病排查切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查切诊的结果，同时将疾病排查的切诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的疾病排查切诊的特征数据；
健康状况切诊步骤：将用户的体征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过健康状况切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况的结果，同时将健康状况的切诊深度学习神经网络模型的预设隐层的输出数据(优选地，预设隐层为最后一层隐层，即离输出层最近的隐层)作为所述目标用户的健康状况切诊的特征数据。
目标用户确定步骤：将待监测的用户作为目标用户；
目标疾病确定步骤：将待监测的疾病作为目标疾病；
目标疾病望闻问切步骤：获取所述目标用户的目标疾病望诊的特征数据、所述目标用户的目标疾病听诊的特征数据、所述目标用户的目标疾病问诊的特征数据、所述目标用户的目标疾病切诊的特征数据作为所述目标用户的目标疾病特征；将所述目标用户的目标疾病特征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望闻问切深度学习神经网络模型；在使用时，将所述目标用户的目标疾病特征作为输入，通过目标疾病的望闻问切深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望闻问切步骤：获取所述目标用户的疾病排查望诊的特征数据、所述目标用户的疾病排查听诊的特征数据、所述目标用户的疾病排查问诊的特征数据、所述目标用户的疾病排查切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的疾病排查特征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望闻问切深度学习神经网络模型；在使用时，将所述目标用户的疾病排查特征作为输入，通过疾病排查望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户可能患有的预设数个疾病及患有所述每个疾病的概率；
健康状况望闻问切步骤：获取所述目标用户的健康状况及其可能的概率望诊的特征数据、所述目标用户的健康状况及其可能的概率听诊的特征数据、所述目标用户的健康状况及其可能的概率问诊的特征数据、所述目标用户的健康状况切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的健康状况及其可能的概率特征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望闻问切深度学习神经网络模型；在使用时，将所述目标用户的健康状况及其可能的概率特征作为输入，通过健康状况望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户的健康状况。
目标疾病辩证步骤：获取所述目标用户的目标疾病望诊的结果、所述目标用户的目标疾病听诊的结果、所述目标用户的目标疾病问诊的结果、所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查辩证步骤：获取所述目标用户的疾病排查望诊的结果、所述目标用户的疾病排查听诊的结果、所述目标用户的疾病排查问诊的结果、所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有最大值大于预设可信概率阈值的所述每一疾病；
健康状况辩证步骤：获取所述目标用户的健康状况望诊的结果、所述目标用户的健康状况听诊的结果、所述目标用户的健康状况问诊的结果、所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率的最大值，若最大值大于预设可信概率阈值，则将最大值概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
目标疾病快速诊断步骤：获取所述目标用户的目标疾病望诊的结果或/和所述目标用户的目标疾病听诊的结果或/和所述目标用户的目标疾病问诊的结果或/和所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率，若任一所述概率大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查快速诊断步骤：获取所述目标用户的疾病排查望诊的结果或/和所述目标用户的疾病排查听诊的结果或/和所述目标用户的疾病排查问诊的结果或/和所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率，若任一所述概率大于预设可信概率阈值，则所述目标用户确诊患有所述概率大于预设可信概率阈值的所述每一疾病；
健康状况快速诊断步骤：获取所述目标用户的健康状况望诊的结果或/和所述目标用户的健康状况听诊的结果或/和所述目标用户的健康状况问诊的结果或/和所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率，若任一所述概率大于预设可信概率阈值，则将大于预设可信概率阈值的所述概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
本发明的其他实施例
中医辨证的诊法虽然是体外检测，成本低、而且方便，可以随处(例如在家里)进行，但如果不是老中医亲自当面诊断，可能不如西医抽血化验那种准确，如果才能保证基于大数据深度学习的自助时空预测模型的准确率？解决方法是从望、闻、问、切几个方面基于大数据深度学习分别建立预测模型，同时，再基于大数据深度学习建立一个接受个人的其他数据的预测模型，例如体温测量数据、抽血化验数据、家族病史数据、历史病情数据、等，但这些数据不是必须的，而是可选的，从而提高了灵活性，借助其他数据的辅助可以进一步提高个人风险预测模型的准确性。然后将五种预测模型进行综合，形成综合预测模型，来得到综合辩证的结果，其原理如同老中医的综合辩证的过程。这里的关键难点有两个，第一是如何综合集成各子模型来形成综合模型，第二是老中医如果通过一种或几种诊断确定个人是否有病后可能就不需要再进行其他诊断了，那如何做到这点来减少个人的检测项并加快预测的速度。
最后将几种诊断预测结果通过决策树等大数据机器学习的方法综合得到最终诊断预测结果。一种基于深度学习的自助的新发重大传染病个人风险预测系统，图5展示的是采用的系统结构图：
基于大数据深度学习的望闻问切综合辩证预测：通过基于大数据的决策树等机器学习算法进行综合预测得到最终感染了新发重大传染病的概率，如果该概率超过一定的阈值(系统刚开始运行阶段，该阈值应该设的比较低，以免耽误用户就诊的时间)，就建议用户前往医院检查。同时接受用户医院检查的结果，来验证本系统的准确率，并对本系统的算法和模型进行自动地智能地校正，使得本系统日趋准确(系统运行很久后准确率较高时，阈值可以设的相对高，来减少用户盲目就诊带来的成本和时间损失)。
望闻问切数据的综合辩证：多个数据之间可以起到相互佐证的效果。因为有时通过一个数据无法确切地预测，那么通过多个数据协同预测时，就能极大地提高预测的准确率，但传统的做法是这几种多源数据分开预测，然后再将其预测的结果进行综合评判，但这样实事上是将各个多源数据隔离开来进行预测后再综合，不符合中医辩证的思想。图6展示的是基于大数据深度学习的自助的新发重大传染病个人风险分合协同预测模型路线图。
基于大数据深度学习的自助的新发重大传染病个人风险分合协同预测模型构建的主要步骤：
1)将个人望诊输入数据集输入到基于大数据深度学习的望诊个人自助预测子模型进行训练和测试。
2)将个人闻诊输入数据集输入到基于大数据深度学习的闻诊个人自助预测子模型进行训练和测试。
3)将个人问诊输入数据集输入到基于大数据深度学习的问诊个人自助预测子模型进行训练和测试。
4)将个人切诊输入数据集输入到基于大数据深度学习的切诊个人自助预测子模型进行训练和测试。
5)将个人切诊输入数据集输入到基于大数据深度学习的其他个人自助预测子模型进行训练和测试。
6)将基于大数据深度学习的望诊个人自助预测子模型、基于大数据深度学习的闻诊个人自助预测子模型、基于大数据深度学习的问诊个人自助预测子模型、基于大数据深度学习的切诊个人自助预测子模型、基于大数据深度学习的其他个人自助预测子模型的顶层特征进行融合后输入到基于大数据深度学习的综合辩证个人自助预测子模型进行训练和测试。
上面各个步骤中的训练，既包括无监督训练，又包括有监督训练，在训练过程中既存在前馈又存在反馈，各分诊子模型和综合模型之间有着共同的部分，这个部分受相互训练的共同影响，从而能相互提高、相得益彰。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，则对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种人工智能方法，其特征在于，所述方法包括：
目标用户确定步骤：将待监测的用户作为目标用户；
目标疾病确定步骤：将待监测的疾病作为目标疾病；
目标疾病望闻问切步骤：获取所述目标用户的目标疾病望诊的特征数据、所述目标用户的目标疾病听诊的特征数据、所述目标用户的目标疾病问诊的特征数据、所述目标用户的目标疾病切诊的特征数据作为所述目标用户的目标疾病特征；将所述目标用户的目标疾病特征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望闻问切深度学习神经网络模型；在使用时，将所述目标用户的目标疾病特征作为输入，通过目标疾病的望闻问切深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望闻问切步骤：获取所述目标用户的疾病排查望诊的特征数据、所述目标用户的疾病排查听诊的特征数据、所述目标用户的疾病排查问诊的特征数据、所述目标用户的疾病排查切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的疾病排查特征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望闻问切深度学习神经网络模型；在使用时，将所述目标用户的疾病排查特征作为输入，通过疾病排查望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户可能患有的预设数个疾病及患有所述每个疾病的概率；
健康状况望闻问切步骤：获取所述目标用户的健康状况及其可能的概率望诊的特征数据、所述目标用户的健康状况及其可能的概率听诊的特征数据、所述目标用户的健康状况及其可能的概率问诊的特征数据、所述目标用户的健康状况切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的健康状况及其可能的概率特征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望闻问切深度学习神经网络模型；在使用时，将所述目标用户的健康状况及其可能的概率特征作为输入，通过健康状况望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户的健康状况。
2.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：
用户图像获取步骤：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
目标疾病望诊步骤：将用户的图像作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过目标疾病的望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病望诊的结果，同时将目标疾病的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病望诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望诊步骤：将用户的图像作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过疾病排查望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查望诊的结果，同时将疾病排查的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查望诊的特征数据；
健康状况望诊步骤：将用户的图像作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过健康状况望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率望诊的结果，同时将健康状况的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率望诊的特征数据；
用户声音获取步骤：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
目标疾病听诊步骤：将用户的声音作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过目标疾病的听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病听诊的结果，同时将目标疾病的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病听诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查听诊步骤：将用户的声音作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过疾病排查听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查听诊的结果，同时将疾病排查的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查听诊的特征数据；
健康状况听诊步骤：将用户的声音作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过健康状况听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率听诊的结果，并作为所述目标用户的健康状况及其可能的概率听诊的结果，同时将健康状况的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率听诊的特征数据；
用户情况获取步骤：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
目标疾病问诊步骤：将用户的情况作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过目标疾病的问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病问诊的结果，同时将目标疾病的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病问诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查问诊步骤：将用户的情况作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过疾病排查问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查问诊的结果，同时将疾病排查的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查问诊的特征数据；
健康状况问诊步骤：将用户的情况作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过健康状况问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率问诊的结果，同时将健康状况的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率问诊的特征数据；
用户体征获取步骤：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
目标疾病切诊步骤：将用户的体征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过目标疾病的切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病切诊的结果，同时将目标疾病的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病切诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查切诊步骤：将用户的体征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过疾病排查切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查切诊的结果，同时将疾病排查的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查切诊的特征数据；
健康状况切诊步骤：将用户的体征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过健康状况切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况的结果，同时将健康状况的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况切诊的特征数据。
3.根据权利要求2所述的人工智能方法，其特征在于，所述方法还包括：
目标疾病辩证步骤：获取所述目标用户的目标疾病望诊的结果、所述目标用户的目标疾病听诊的结果、所述目标用户的目标疾病问诊的结果、所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查辩证步骤：获取所述目标用户的疾病排查望诊的结果、所述目标用户的疾病排查听诊的结果、所述目标用户的疾病排查问诊的结果、所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有最大值大于预设可信概率阈值的所述每一疾病；
健康状况辩证步骤：获取所述目标用户的健康状况望诊的结果、所述目标用户的健康状况听诊的结果、所述目标用户的健康状况问诊的结果、所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率的最大值，若最大值大于预设可信概率阈值，则将最大值概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
4.根据权利要求2所述的人工智能方法，其特征在于，所述方法还包括：
目标疾病快速诊断步骤：获取所述目标用户的目标疾病望诊的结果或/和所述目标用户的目标疾病听诊的结果或/和所述目标用户的目标疾病问诊的结果或/和所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率，若任一所述概率大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查快速诊断步骤：获取所述目标用户的疾病排查望诊的结果或/和所述目标用户的疾病排查听诊的结果或/和所述目标用户的疾病排查问诊的结果或/和所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率，若任一所述概率大于预设可信概率阈值，则所述目标用户确诊患有所述概率大于预设可信概率阈值的所述每一疾病；
健康状况快速诊断步骤：获取所述目标用户的健康状况望诊的结果或/和所述目标用户的健康状况听诊的结果或/和所述目标用户的健康状况问诊的结果或/和所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率，若任一所述概率大于预设可信概率阈值，则将大于预设可信概率阈值的所述概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
5.一种人工智能系统，其特征在于，所述系统包括：
目标用户确定模块：将待监测的用户作为目标用户；
目标疾病确定模块：将待监测的疾病作为目标疾病；
目标疾病望闻问切模块：获取所述目标用户的目标疾病望诊的特征数据、所述目标用户的目标疾病听诊的特征数据、所述目标用户的目标疾病问诊的特征数据、所述目标用户的目标疾病切诊的特征数据作为所述目标用户的目标疾病特征；将所述目标用户的目标疾病特征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望闻问切深度学习神经网络模型；在使用时，将所述目标用户的目标疾病特征作为输入，通过目标疾病的望闻问切深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望闻问切模块：获取所述目标用户的疾病排查望诊的特征数据、所述目标用户的疾病排查听诊的特征数据、所述目标用户的疾病排查问诊的特征数据、所述目标用户的疾病排查切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的疾病排查特征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望闻问切深度学习神经网络模型；在使用时，将所述目标用户的疾病排查特征作为输入，通过疾病排查望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户可能患有的预设数个疾病及患有所述每个疾病的概率；
健康状况望闻问切模块：获取所述目标用户的健康状况及其可能的概率望诊的特征数据、所述目标用户的健康状况及其可能的概率听诊的特征数据、所述目标用户的健康状况及其可能的概率问诊的特征数据、所述目标用户的健康状况切诊的特征数据作为所述目标用户的疾病排查特征；将所述目标用户的健康状况及其可能的概率特征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望闻问切深度学习神经网络模型；在使用时，将所述目标用户的健康状况及其可能的概率特征作为输入，通过健康状况望闻问切深度学习神经网络模型的计算，得到的输出作为所述用户的健康状况。
6.根据权利要求5所述的人工智能系统，其特征在于，所述系统还包括：
用户图像获取模块：获取目标用户的舌部图像或/和面部图像或/和手部图像或和身体其他部位的图像，作为目标用户的图像；
目标疾病望诊模块：将用户的图像作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过目标疾病的望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病望诊的结果，同时将目标疾病的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病望诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查望诊模块：将用户的图像作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过疾病排查望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查望诊的结果，同时将疾病排查的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查望诊的特征数据；
健康状况望诊模块：将用户的图像作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况望诊深度学习神经网络模型；在使用时，将目标用户的图像作为输入，通过健康状况望诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率望诊的结果，同时将健康状况的望诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率望诊的特征数据；
用户声音获取模块：获取目标用户的说话声音或/和呼吸声音或/和肺音或和身体其他器官发出或产生的声音，作为目标用户的声音；
目标疾病听诊模块：将用户的声音作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过目标疾病的听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病听诊的结果，同时将目标疾病的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病听诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查听诊模块：将用户的声音作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过疾病排查听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查听诊的结果，同时将疾病排查的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查听诊的特征数据；
健康状况听诊模块：将用户的声音作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况听诊深度学习神经网络模型；在使用时，将目标用户的声音作为输入，通过健康状况听诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率听诊的结果，并作为所述目标用户的健康状况及其可能的概率听诊的结果，同时将健康状况的听诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率听诊的特征数据；
用户情况获取模块：获取目标用户的对预设问题集合的回答，作为目标用户的情况；
目标疾病问诊模块：将用户的情况作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过目标疾病的问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病问诊的结果，同时将目标疾病的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病问诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查问诊模块：将用户的情况作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过疾病排查问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查问诊的结果，同时将疾病排查的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查问诊的特征数据；
健康状况问诊模块：将用户的情况作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况问诊深度学习神经网络模型；在使用时，将目标用户的情况作为输入，通过健康状况问诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况及其可能的概率问诊的结果，同时将健康状况的问诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况及其可能的概率问诊的特征数据；
用户体征获取模块：获取目标用户的脉搏数据或/和心跳数据或/和血氧数据，作为目标用户的体征；
目标疾病切诊模块：将用户的体征作为输入，将所述用户患有目标疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到目标疾病的切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过目标疾病的切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户患有目标疾病的概率，并作为所述目标用户的目标疾病切诊的结果，同时将目标疾病的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的目标疾病切诊的特征数据；若所述目标用户患有目标疾病的概率超过预设概率阈值，则所述目标用户患有目标疾病；
疾病排查切诊模块：将用户的体征作为输入，将所述用户可能患有的预设数个疾病及患有所述每个疾病的概率作为预期输出，对深度学习神经网络模型进行训练，得到疾病排查切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过疾病排查切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户可能患有的预设数个疾病及患有所述每个疾病的概率，并作为所述目标用户的疾病排查切诊的结果，同时将疾病排查的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的疾病排查切诊的特征数据；
健康状况切诊模块：将用户的体征作为输入，将所述用户的健康状况作为预期输出，对深度学习神经网络模型进行训练，得到健康状况切诊深度学习神经网络模型；在使用时，将目标用户的体征作为输入，通过健康状况切诊深度学习神经网络模型的计算，得到的输出作为所述目标用户的健康状况及其可能的概率，并作为所述目标用户的健康状况的结果，同时将健康状况的切诊深度学习神经网络模型的预设隐层的输出数据作为所述目标用户的健康状况切诊的特征数据。
7.根据权利要求6所述的人工智能系统，其特征在于，所述系统还包括：
目标疾病辩证模块：获取所述目标用户的目标疾病望诊的结果、所述目标用户的目标疾病听诊的结果、所述目标用户的目标疾病问诊的结果、所述目标用户的目标疾病切诊的结果中所述目标用户患有目标疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有目标疾病；
疾病排查辩证模块：获取所述目标用户的疾病排查望诊的结果、所述目标用户的疾病排查听诊的结果、所述目标用户的疾病排查问诊的结果、所述目标用户的疾病排查切诊的结果中所述目标用户可能患有的每一疾病的概率的最大值，若最大值大于预设可信概率阈值，则所述目标用户确诊患有最大值大于预设可信概率阈值的所述每一疾病；
健康状况辩证模块：获取所述目标用户的健康状况望诊的结果、所述目标用户的健康状况听诊的结果、所述目标用户的健康状况问诊的结果、所述目标用户的健康状况切诊的结果中所述目标用户的健康状况的可能的概率的最大值，若最大值大于预设可信概率阈值，则将最大值概率对应的所述目标用户的健康状况作为所述目标用户的健康状况。
8.一种人工智能装置，其特征在于，所述装置用于实现权利要求1-4任意一项所述方法的步骤。
9.一种机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011629894.2A CN112669972B (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的中医个人风险分合协同预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011629894.2A CN112669972B (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的中医个人风险分合协同预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112669972A true CN112669972A (zh) | 2021-04-16 |
| CN112669972B CN112669972B (zh) | 2024-09-27 |
Family
ID=75412842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011629894.2A Active CN112669972B (zh) | 2020-12-30 | 2020-12-30 | 基于大数据深度学习的中医个人风险分合协同预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112669972B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114639478A (zh) * | 2022-03-09 | 2022-06-17 | 曜立科技(北京)有限公司 | 一种基于心脏瓣膜病的超声监测系统 |
| CN116821779A (zh) * | 2023-08-31 | 2023-09-29 | 中南大学湘雅医院 | 一种针对胃肠健康的大数据识别方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951688A (zh) * | 2017-03-01 | 2017-07-14 | 新绎健康科技有限公司 | 一种中医四诊分型辨证系统 |
| CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
| CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
| CN109411087A (zh) * | 2018-12-28 | 2019-03-01 | 博奥生物集团有限公司 | 一种多诊合参系统 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
| CN111369547A (zh) * | 2020-03-10 | 2020-07-03 | 上海鹰瞳医疗科技有限公司 | 基于风险权重评估医学机器学习模型性能的方法和设备 |
| CN111724895A (zh) * | 2020-05-16 | 2020-09-29 | 张东 | 一种基于人工智能的个性化中医诊疗机器人系统 |
| CN111785374A (zh) * | 2020-06-15 | 2020-10-16 | 山东省玖玖医养健康产业有限公司 | 一种基于大数据的健康状况分析预测方法及系统 |
-
2020
- 2020-12-30 CN CN202011629894.2A patent/CN112669972B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951688A (zh) * | 2017-03-01 | 2017-07-14 | 新绎健康科技有限公司 | 一种中医四诊分型辨证系统 |
| CN107506602A (zh) * | 2017-09-07 | 2017-12-22 | 北京海融兴通信息安全技术有限公司 | 一种大数据健康预测系统 |
| CN108986912A (zh) * | 2018-07-12 | 2018-12-11 | 北京三医智慧科技有限公司 | 基于深度学习的中医胃病舌像信息智能化处理方法 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| CN109411087A (zh) * | 2018-12-28 | 2019-03-01 | 博奥生物集团有限公司 | 一种多诊合参系统 |
| CN110111888A (zh) * | 2019-05-16 | 2019-08-09 | 闻康集团股份有限公司 | 一种XGBoost疾病概率预测方法、系统及存储介质 |
| CN111369547A (zh) * | 2020-03-10 | 2020-07-03 | 上海鹰瞳医疗科技有限公司 | 基于风险权重评估医学机器学习模型性能的方法和设备 |
| CN111724895A (zh) * | 2020-05-16 | 2020-09-29 | 张东 | 一种基于人工智能的个性化中医诊疗机器人系统 |
| CN111785374A (zh) * | 2020-06-15 | 2020-10-16 | 山东省玖玖医养健康产业有限公司 | 一种基于大数据的健康状况分析预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| JIANHONG CHEN 等: "A machine learning method correlating pulse pressure wave data with pregnancy", 《INTERNATIONAL JOURNAL FOR NUMERICAL METHODS IN BIOMEDICAL ENGINEERING》, vol. 36, no. 1, 10 November 2019 (2019-11-10), pages 90 - 10, XP072450834, DOI: 10.1002/cnm.3272 * |
| 刘勇 等: "《装甲车辆协同作战辅助决策技术 Aided Decision-Making Techniques for Armored Vehicles Collaborative Operations》", 北京理工大学出版社, pages: 90 - 91 * |
| 谢佳澄: "深度学习在中医舌象分类中的应用与实践", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, no. 12, 15 December 2019 (2019-12-15), pages 056 - 11 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114639478A (zh) * | 2022-03-09 | 2022-06-17 | 曜立科技(北京)有限公司 | 一种基于心脏瓣膜病的超声监测系统 |
| CN114639478B (zh) * | 2022-03-09 | 2023-01-10 | 曜立科技(北京)有限公司 | 一种基于心脏瓣膜病的超声监测系统 |
| CN116821779A (zh) * | 2023-08-31 | 2023-09-29 | 中南大学湘雅医院 | 一种针对胃肠健康的大数据识别方法 |
| CN116821779B (zh) * | 2023-08-31 | 2023-11-14 | 中南大学湘雅医院 | 一种针对胃肠健康的大数据识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112669972B (zh) | 2024-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111133526B (zh) | 发掘可用于机器学习技术中的新颖特征，例如用于诊断医疗状况的机器学习技术 | |
| CN110838118B (zh) | 用于医疗过程中异常检测的系统和方法 | |
| Al-Shayea | Artificial neural networks in medical diagnosis | |
| KR102446376B1 (ko) | 사망 또는 패혈증 위험도 예측 방법 및 이를 이용한 사망 또는 패혈증 위험도 예측용 디바이스 | |
| CN112669972A (zh) | 基于大数据深度学习的中医个人风险分合协同预测方法 | |
| CN115547500B (zh) | 血液透析病人的健康监测设备及系统 | |
| CN110473615A (zh) | 一种信息处理方法及装置 | |
| CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
| US20220406036A1 (en) | Analysis apparatus, analysis method, and computer-readable storage medium storing an analysis program | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| Begic et al. | FROM HEART MURMUR TO ECHOCARDIOGRAPHY CONGENITAL HEART DEFECTS DIAGNOSTICS USING MACHINELEARNING ALGORITHMS | |
| CN112183572A (zh) | 一种生成预测肺炎严重程度的预测模型的方法及装置 | |
| CN112102940A (zh) | 一种屈光检测方法、装置、计算机设备及存储介质 | |
| CN116705300A (zh) | 基于体征数据分析的医疗决策辅助方法、系统及存储介质 | |
| CN113469218A (zh) | 基于深度学习的心电信号危急值处理方法、系统及介质 | |
| CN114202772B (zh) | 基于人工智能和智慧医疗的参考信息生成系统及方法 | |
| CN115778403A (zh) | 心电图分析方法、装置、电子设备和存储介质 | |
| CN111317458A (zh) | 一种基于深度学习的血压检测系统 | |
| CN117079807A (zh) | 一种针对中老年常见疾病的智能诊断支持系统和方法 | |
| Phankokkruad | Evaluation of deep transfer learning models in glaucoma detection for clinical application | |
| CN112669973B (zh) | 基于大数据深度学习的疾病协同递进预测方法和机器人 | |
| KR20190043494A (ko) | 복합적인 안과 진료를 수행하는 시스템 및 방법 | |
| CN111611893B (zh) | 应用神经网络深度学习的智能测判方法 | |
| US20240032885A1 (en) | Lung sound analysis system | |
| US20220262516A1 (en) | Atrial Fibrillation Prediction Model And Prediction System Thereof |
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 |