CN113052205A - 基于机器学习的产妇数据分类方法、装置、设备及介质 - Google Patents

基于机器学习的产妇数据分类方法、装置、设备及介质 Download PDF

Info

Publication number
CN113052205A
CN113052205A CN202110248951.0A CN202110248951A CN113052205A CN 113052205 A CN113052205 A CN 113052205A CN 202110248951 A CN202110248951 A CN 202110248951A CN 113052205 A CN113052205 A CN 113052205A
Authority
CN
China
Prior art keywords
data
machine learning
maternal
data classification
case
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
Application number
CN202110248951.0A
Other languages
English (en)
Other versions
CN113052205B (zh
Inventor
陈敦金
贺昀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Mooney Internet Information Co ltd
Original Assignee
Guangzhou Mooney Internet Information Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Mooney Internet Information Co ltd filed Critical Guangzhou Mooney Internet Information Co ltd
Priority to CN202110248951.0A priority Critical patent/CN113052205B/zh
Publication of CN113052205A publication Critical patent/CN113052205A/zh
Application granted granted Critical
Publication of CN113052205B publication Critical patent/CN113052205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明实施例涉及产检技术领域，公开了一种基于机器学习的产妇数据分类方法、装置、电子设备及存储介质。该方法包括：接收产妇不同场景下的病例数据，并对所述病例数据进行预处理；将预处理后的病例数据输入预先训练的机器学习模型中，以输出数据分类结果；根据所述数据分类结果确定所述产妇的诊断权重。实施本发明实施例，不仅能提高产妇数据分类的正确率和鲁棒性，而且还能提升对各类产妇数据分类的理解，提供一种辅助手段帮助医生客观理解不同场景下产妇诊断安排的合理性。

Description

基于机器学习的产妇数据分类方法、装置、设备及介质
技术领域
本发明涉及产检技术领域，具体涉及一种基于机器学习的产妇数据分类方法、装置、电子设备及存储介质。
背景技术
现有技术中，产妇病例数据测量分类方法主要基于统计学回归分析法实现，其是通过统计学回归拟合的静态算法获得医生治疗研判时所需的产妇数据分类的辅助信息，其主要存在以下缺陷：在不同的使用场景下误差较大，临床可靠性和准确性较低，由于采用静态算法，鲁棒性较差。
发明内容
针对所述缺陷，本发明实施例公开了一种基于机器学习的产妇数据分类方法、装置、电子设备及存储介质，其在考虑连接数的基础上，也考虑节点的负载能力，从而更加合理利用集群资源，提高服务质量。
本发明实施例第一方面公开一种基于机器学习的产妇数据分类方法，所述方法包括：
接收产妇不同场景下的病例数据，并对所述病例数据进行预处理；
将预处理后的病例数据输入预先训练的机器学习模型中，以输出数据分类结果；
根据所述数据分类结果确定所述产妇的诊断权重。
作为一种可选的实施方式，在本发明实施例第一方面中，所述预先训练的机器学习模型的构建，包括：
创建机器学习初始模型；
利用产妇病例样本对所述机器学习初始模型进行训练，所述产妇病例样本包括产妇病例样本数据以及产妇病例样本标签，基于所述产妇病例样本数据对机器学习初始模型内部的各个参数进行训练；
在所述机器学习初始模型的输出结果与产妇病例样本标签的差值小于预设阈值时，得到所述机器学习模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述数据分类结果包括数据正常和数据异常两个类别，每个产妇每次的数据分类结果中的数据正常值和数据异常值之和等于1。
作为一种可选的实施方式，在本发明实施例第一方面中，所述根据所述数据分类结果确定所述产妇的诊断权重，包括：
根据所述数据异常值的大小确定产妇的诊断权重，所述数据异常值越大，对应的诊断权重越大；
根据所述诊断权重确定所述产妇的诊断顺序或/和诊断医师级别。
作为一种可选的实施方式，在本发明实施例第一方面中，所述场景为产前病例数据、剖宫产病例数据和阴道分娩病例数据中的任一种。
作为一种可选的实施方式，在本发明实施例第一方面中，所述机器学习模型为支持向量机、极端梯度提升以及人工神经网络中的一种或多种；
当所述机器学习模型包括支持向量机、极端梯度提升以及人工神经网络中的两种或两种以上时，所述数据分类结果为所述两种或两种以上的机器学习模型的数据分类结果的平均值或加权平均值。
作为一种可选的实施方式，在本发明实施例第一方面中，所述预处理包括归并处理、补全处理、标准化处理、对称化处理、独热码转换以及KPCA处理中的一种或多种。
本发明实施例第二方面公开一种基于机器学习的产妇数据分类装置，其包括：
接收单元，用于接收产妇的病例数据，并对所述病例数据进行预处理；
分类单元，用于将预处理后的病例数据输入预先训练的机器学习模型中，以输出数据分类结果；
评估单元，用于根据所述数据分类结果确定所述产妇的诊断权重。
本发明实施例第三方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的一种基于机器学习的产妇数据分类方法。
本发明实施例第四方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于机器学习的产妇数据分类方法。
本发明实施例第五方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于机器学习的产妇数据分类方法。
本发明实施例第六方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于机器学习的产妇数据分类方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，接收产妇不同场景下的病例数据，并对所述病例数据进行预处理；将预处理后的病例数据输入预先训练的机器学习模型中，以输出数据分类结果；根据所述数据分类结果确定所述产妇的诊断权重。可见，实施本发明实施例，一方面能提高产妇数据分类的正确率和鲁棒性，另一方面能提升对各类产妇数据分类的理解，提供一种辅助手段帮助医生客观理解不同场景下产妇诊断安排的合理性。
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体来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于机器学习的产妇数据分类方法的流程示意图；
图2是本发明实施例公开的一种基于机器学习的产妇数据分类装置的结构示意图；
图3是本发明实施例公开的一种电子设备的结构示意图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人体在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，示例性地，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种基于机器学习的产妇数据分类方法、装置、电子设备及存储介质，其一方面能提高产妇数据分类的正确率和鲁棒性，另一方面能提升对各类产妇数据分类的理解，提供一种辅助手段帮助医生客观理解不同场景下产妇诊断安排的合理性，以下结合附图进行详细描述。
实施例一
请参阅图1，图1是本发明实施例公开的一种基于机器学习的产妇数据分类方法的流程示意图。如图1所示，该基于机器学习的产妇数据分类方法包括以下步骤：
110，接收产妇不同场景下的病例数据，并对所述病例数据进行预处理。
本发明较佳的实施例中，基于机器学习的产妇数据分类方法的执行主体为具有处理和存储功能的处理设备，其可以通过软件或/和硬件组成。示例性地，通过本地计算机、本地服务器或者云端服务器等实现，在处理能力达到一定程度时，也可以采用手机、平板电脑等智能终端组成医用的产妇数据分类设备。
在不同的使用场景分别采集产妇病例数据，可以针对性地实现辅助医生客观理解不同场景下产妇诊断安排的合理性。在本发明较佳的实施例中，主要涉及产前和围分娩期，而围分娩期按照产妇不同生育状态又可分为剖宫产和阴道分娩。所以，不同的场景为产前场景、剖宫产场景和阴道分娩场景，每个场景对应的病例数据分别称为产前病例数据、剖宫产病例数据和阴道分娩病例数据。
病例数据主要包括原始产妇病例数据以及相关附加信息(最终产妇生理指标状态数据)。在本发明较佳的实施例中，针对不同的场景，可以收集每个场景在某个或某些时间片段的原始产妇病例数据和相关附加信息，并根据原始产妇病例数据进行病例特征信息的筛选，保留与产妇最终数据分类结果有关联的相关特征数据，并根据每个特征的实际生理性质意义获取最终有效的产妇病例数据。
在本发明较佳的实施例中，原始产妇病例数据为不同时间的时序片段数据。时序片段数据是一种时间随机采样的数据，产妇病例数据从数据库中提取时，其每条数据实际对应的时间点是随机的，一般适用于通用型分类方法，使得本发明的鲁棒性更加强，使用范围更广。
产前和围分娩期的产妇病例数据(即原始产妇生理指标体检数据)分别具有数量充足的生理特征信息，使得优化提取后的产妇生理状态指标信息和相应的代表性特征更加准确，使得后续分析中能够综合利用的产妇状态信息和用于最终诊断安排的评估更加准确。
其中代表产前场景的数据，其状态的35个特征项能够有效减小非分类要素如转ICU，分娩孕周和总产程等带来的特征变化影响，同时由于代表产前场景状态的35个特征项的特征数目相对于原始的产妇体检数据的特征数量要少很多，其特征更加紧凑，且这些特征项之间的主观独立性更加强，可以大幅度降低后期机器学习算法的数据规模，并且有效的避免特征冗余或者特征之间存在相关性，特别是现行相关性而产生的分类误差。这些筛选后的特征不但可以提高机器学习算法的计算效率，而且还能够提高供给医生的产妇数据辅助分类信息的质量。
而围分娩期特征的提取能够用来提高相关的产妇最终状态分类信息的精确度。围分娩期特征按照产妇不同生育状态分为剖宫产场景下有46个特征项，阴道分娩场景下有55个特征项。这些不同场景下的特征也是根据特征本身重要程度，出现频次和特征值的稳定程度进行筛选的。其中：
围分娩期剖宫产场景下的46个特征项除了包含产前的35个特征项，还囊括了围分娩期内特有的特征9个，包括：新生儿体重，子宫状态和胎盘状态等生理指标。这些指标用于补充围分娩期的特有生理状态数据，从而可以更加精准的描述产妇数据分类场景状态。
围分娩期阴道分娩场景下包含55个特征项，其中前35个与围分娩期剖宫产场景一致，其余的18个特征项是阴道分娩场景特有的数据特征，包括生育辅助手段，产妇阴道状态数据，胎盘数据和子宫状态数据等，这些额外特征与剖宫产基本不同，可以帮助提高在围分娩期阴道分娩产妇数据分类精度。不同场景数据分别按照各自的数据集排列成一维数据后通过机器学习算法进行产妇数据分类，能够让机器学习废分析这些信息之间的关联性，从而提高最终的产妇数据分类的准确率。
具体地：
产前病例数据的35个特征项分别为年龄、BMI(Body Mass Index身体质量指数)、妊娠次数、分娩次数、流产清宫史、引产史、早产史、巨大儿史、剖宫产史、子宫肌瘤剔除史、产后出血史、前置胎盘史、胎盘早剥史、子宫破裂史、本次受孕方式、本次阴道流血、未足月PROM(Premature Rupture Of Membranes胎膜早破)、足月PROM、胎位异常、羊水过多、胎儿数目、死胎、子宫畸形、妊娠合并子宫肌瘤、前置胎盘、妊娠期高血压疾病、妊娠合并糖尿病、妊娠期急性脂肪肝、妊娠合并血液系统疾病、妊娠合并免疫性疾病、分娩前Hb、分娩前Plt、曾用抗凝剂、曾用宫缩抑制剂、临产前后使用镇静剂；
所述剖宫产病例数据的46个特征项分别为包括年龄、BMI、妊娠次数、分娩次数、流产清宫史、引产史、早产史、巨大儿史、剖宫产史、子宫肌瘤剔除史、产后出血史、前置胎盘史、胎盘早剥史、子宫破裂史、本次受孕方式、本次阴道流血、未足月PROM、足月PROM、胎位异常、羊水过多、胎儿数目、死胎、子宫畸形、妊娠合并子宫肌瘤、前置胎盘、妊娠期高血压疾病、妊娠合并糖尿病、妊娠期急性脂肪肝、妊娠合并血液系统疾病、妊娠合并免疫性疾病、分娩前Hb、分娩前Plt、曾用抗凝剂、曾用宫缩抑制剂、临产前后使用镇静剂、子宫切口延裂、胎盘植入、胎盘滞留、胎盘残留、胎盘早剥、子宫破裂、宫腔感染、羊水栓塞、新生儿出生体重1、新生儿出生体重2、新生儿出生体重3；
所述阴道分娩病例数据的55个特征项分别为年龄、BMI、妊娠次数、分娩次数、流产清宫史、引产史、早产史、巨大儿史、剖宫产史、子宫肌瘤剔除史、产后出血史、前置胎盘史、胎盘早剥史、子宫破裂史、本次受孕方式、本次阴道流血、未足月PROM、足月PROM、胎位异常、羊水过多、胎儿数目、死胎、子宫畸形、妊娠合并子宫肌瘤、前置胎盘、妊娠期高血压疾病、妊娠合并糖尿病、妊娠期急性脂肪肝、妊娠合并血液系统疾病、妊娠合并免疫性疾病、分娩前Hb、分娩前Plt、曾用抗凝剂、曾用宫缩抑制剂、临产前后使用镇静剂、引产、催产、会阴切开、会阴裂伤、软产道裂伤、阴道助产、胎盘植入、胎盘滞留、胎盘残留、胎盘早剥、子宫破裂、子宫内翻、宫腔感染、羊水栓塞、第一产程、第二产程、第三产程、新生儿出生体重1、新生儿出生体重2、新生儿出生体重3(这里的新生儿出生体重1、2、3分别表示：如果存在某一次生育时有多胎的情况下，按照出生时间顺序生育的第一胎新生儿体重，第二胎新生儿体重和第三胎新生儿体重，可以理解的是，如果某一次生育时仅为一胎，则新生儿出生体重2、新生儿出生体重3均为0)。
原始产妇病例数据可以使用多数据来源型数据。示例性地，原始产妇病例数据由各个不同的医院来源构成。不同来源的原始产妇数据具有更加充分的信息，能够提升相关的产妇数据分类辅助信息的精确度，而由各个特征集组成的不同场景产妇数据信息组成的数据子集在通过不同的机器学习算法进行产妇数据最终状态分类时，各个数据子集的相关特征在经过充分的训练后可以得到有效总结，能够进一步提升最终的产妇数据在不同场景下分类辅助信息的精确度。
在不同来源的情况下，最难保证的是数据特征的一致性和采集标准的一致性，在本发明较佳的实施例中，使用同一的采集标准，再通过对病例数据的预处理，实现数据特征的一致性。经过预处理的病例数据按照一定的顺序串联成一维数据形式，即代表不同场景下产妇数据由不同的数据特征组合串联成一维数据。
在本发明较佳的实施例中，预处理可以包括归并处理、补全处理、标准化处理、对称化处理以及独热码转换中的一种或多种。其中：
归并处理主要涉及：
1、对妊娠次数特征项进行其数值归并，其值归并为1，2和大于等于3三种特征数据取值方式；
2、对分娩次数特征项进行数值归并操作，其值归并为0，1和大于等于2三种取值方式；
3、对流产清宫史特征项进行数值归并操作，其值归并为0，1和大于等于2三种取值方式；
4、对前置胎盘特征项进行归并操作，其值归并为0表示没有，1代表边缘或、和部分，2代表完全；
5、对除了数值型的年龄、BMI、分娩前Hb、分娩前Plt、新生儿出生体重和不同阶段产程、以及上述的妊娠次数、分娩次数、流产清宫史和前置胎盘之外的其他特征项，都归并为0表示没有，1表示出现过；
所述补全处理主要涉及对特征异常值采用取其所在特征其他正常值项的均值填充方式进行补全，对于特征缺失项采用0值填充的方法进行补全。
所述标准化处理主要涉及对原始产妇病例数据中的所有数值项特征进行数据标准化处理，利用标准差标准化进行数据同趋化处理和无量纲化处理。数据同趋化处理主要解决不同性质数据问题，例如数据集中包含的特征之间性质差异非常大，对这类数据集不同性质指标直接训练或者加权不能正确反映不同特征影响力的综合结果，因此须先考虑改变逆指标数据性质，使所有指标对测评方案的作用效果同趋化，再综合处理才能得出正确结果。数据无量纲化处理主要解决数据的可比性。当各指标间的数值范围相差很大时，如果直接用原始特征值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。
通过以上步骤，能够有效对原始产妇数据中年龄、BMI、第一、二、三产程，第一胎新生儿体重，第二胎新生儿体重和第三台新生儿体重等特征进行处理。通过将原始产妇数据中所有数值项进行数据标准化处理，能够有效出去原始产妇数据中收到不同特征之间取值范围和数值大小干扰，保证得到的代表不同场景的数值型特征能够传递更加准确的有效信息进行产妇数据分类。
所述对称化处理主要涉及对布尔型特征将进行最大最小值对称化处理，即当特征取值为0，1，2时，我们将该特征对称化为-1，0，1；当特征取值为0，1时，我们则将此类特征化为-0.5与0.5进行处理。对称化处理后可以使得不同的特征具有相同的尺度(Scale)。这样，在使用梯度下降法学习参数的时候，不同特征对参数的影响程度就一样。
所述独热码转换主要涉及对不同场景病例数据中的枚举型特征进行独热码转换，使其特征进行扩展，用一个特殊的特征组合来表示原特征，这个新的组合特征只有一位有效编码。保证了枚举型特征取值的原始意义，即其离散取值之间在这些特征中仅仅是作为类别符号，而不具备传统意义上的大小的意义。而分类器往往默认数据是连续的(即常用于计算距离)，并且是有序的(而在我们实际数据中某些特征的数值所包含的0项并不是说比1项要高级，或者比1小)。因此枚举型特征中的所有数字并不是有序的，而是随机分配的。同时由于大部分算法是基于向量空间中的度量来进行计算的，为了使非偏序关系的变量取值不具有偏序性，并且到圆点是等距的。独热码转换后的特征可以更加进一步提升最终的产妇数据分类的精确度。
所述KPCA处理主要是对所述的病例数据的全部都经过KPCA(核主成分分析)处理。传统的PCA是利用特征的协方差矩阵判断变量间的方差一致性，即利用筛选方差最大的特征寻找出变量之间的最佳的线性组合，来代替特征，从而达到降维的目的，但其本质上是一种线性降维的方法，并且它仅是去除特征之间的线性相关性，如果特征之间的关系是非线性的，那么用线性关系去筛选他们就会显得低效或者不适用。而KPCA利用核化的思想，将样本的空间非线性的映射到更高维度的空间，再利用这个更高的维度空间进行线性降维，从而将特征间的非线性转化为其所在空间的非线性，再进行处理。
此外，由于上述处理可能会在类别的数量很多时，特别是独热码转换，将特征空间会变得非常大。因此，我们这里假定数据中所有特征之间的关系是非线性的，所有处理完成的数据，将进行KPCA自动进行特征筛选和转换，保留至少35个最重要的特征作为产妇数据分类的模型实际输入数据。所有不同的场景均有数据正常和数据异常两种类别。不同类别的评估结果就是指分类结果的概率值最终会提供给医生，医生可以根据这些辅助信息安排诊断的先后次序。
以上信息与产妇数据分类基准有关，对最终的分类结果又较大影响，考虑以上信息能提升产妇数据分类结果的精确度。
120，将预处理后的病例数据输入预先训练的机器学习模型中，以输出数据分类结果。
机器学习算法是一种多领域交叉学科，用于专门研究计算机怎样模拟或实现人类的学习行为，从大量数据中分析其特定的规律或者联系，从而能够认识到事务的本质，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的一种方法。特别是人工神经网络算法，其本质是由包含多个隐藏层的多层感知机，通过组合多层神经元集合形成更加抽象的高级表征方式或者用一种映射后的数据来表示原有的属性类别或者特征，通过对大量数据进行分析和投影拟合，从输入数据中发现数据的本质分布表示，人工神经网络的有效性目前已经在图像识别，语音处理和自然语言处理等应用领域里被证明，其高效，高精度，智能化等特点相比传统的统计学回归方法可以大幅度提高识别精度。
对机器学习模型进行训练的数据即产妇病例样本包括两部分，一部分是与步骤110中产妇不同场景下的病例数据类似，称之为产妇病例样本数据，其也采用步骤110类似的接收方法和预处理方法，使得产妇病例样本数据的一致性，另一部分是每个产妇病例样本数据的标签，标签包括数据正常概率(数据正常值)和数据异常概率(数据异常值)，其中，数据正常概率和数据异常概率之和等于1，示例性地，当数据正常概率为0.1时，则数据异常概率为0.9。这里的标签用于保证生理状况有风险概率，当标签中的数据异常类别的概率越大，那么生理状况有风险概率越大，标签可以通过人工标注的方式实现，主要由相应的专家进行标注，当使用多个专家标注时，可以使用平均值或加权平均值确定最终的标签。
训练前，先创建机器学习初始模型，机器学习初始模型内的各个参数使用随机赋值的方式实现，然后通过所述产妇病例样本数据对机器学习初始模型内部的各个参数进行训练，从而在所述机器学习初始模型的输出结果与产妇病例样本标签的差值小于预设阈值时，得到所述机器学习模型。
需要说明的是，训练过程中，可以将产妇病例样本分为训练样本和测试样本，其中，训练样本和测试样本的比例可以设置为3:1，当训练样本满足输入机器学习初始模型后的输出结果与产妇病例样本标签的差值小于预设阈值的比例大于第一预设比例，且，测试样本满足输入机器学习模型后的输出结果与产妇病例样本标签的差值小于预设阈值的比例大于第二预设比例时，才得到最终的机器学习模型。
本发明较佳的实施例中，可以把一种或多种机器学习方法导入产妇数据分类领域，合理的结合妇科数据分类特点，并通过以上步骤对相关机器学习方法进行训练并用对应的机器学习方法进行妇科数据分类，能够大幅度提高给医生提供产妇数据分类辅助信息的信息质量和产妇最终诊断安排的评估。
示例性地，可以采用单一的机器学习模型例如人工神经网络输出得到数据分类结果，例如采用支持向量机(SVM)、极端梯度提升(XGBoost)和人工神经网络(ANN)种的任一种实现。当然，也可以采用多个机器学习模型共同输出得到最终的数据分类结果。例如，采用支持向量机，极端梯度提升和人工神经网络三种预先训练的机器学习模型共同输出得到最终的数据分类结果。
共同输出得到的数据分类结果，可以是该多个机器学习模型分别输出的数据分类结果的平均值，也可以是该多个机器学习模型分别输出的数据分类结果的加权平均值，以上述支持向量机、极端梯度提升和人工神经网络三种预先训练的机器学习模型共同输出得到最终的数据分类结果为例：
Pi＝α1Si1+α2Si2+α3Si3
其中，i为0或1，分别代表数据正常和数据异常，P0为最终的数据分类结果中的数据正常值，S01、S02、S03则分别代表支持向量机、极端梯度提升和人工神经网络输出端数据正常类型的分类结果的概率值，α1-α3分别是支持向量机、极端梯度提升和人工神经网络的权重，α1+α2+α3＝1。假设人工神经网络的输出结果更为准确，则三者的权重可以分别设置为0.2、0.2和0.6。
支持向量机(SVM)是一种核映射技术，其一般基于核函数构建而成，可以把数据从原空间投影到新的核空间，特别是非线性核函数能够有效分离原数据，从而达到对数据进行预测和分类的目的。本发明采用高斯核函数构建模型。
极端梯度提升(XGBoost)利用树型学习方法处理稀疏数据；理论上合理的加权分位数分裂过程，使得能够在近似树学习中处理实例权重；并行和分布式计算使得学习更快，从而能够更快的进行模型探索；支持列抽样，这样不仅能防止过拟合，还能降低计算；代价函数引入正则化项，控制了模型的复杂度，正则化项包含全部叶子节点的个数，每个叶子节点输出的score的L2模的平方和；模型每次迭代之后，为叶子结点分配学习速率，降低每棵树的权重，减少每棵树的影响，为后面提供更好的学习空间。这里采用交叉验证对其进行参数筛选。在我们的参数筛选过程中，我们先把数据分成3等分，然后从中随机挑选一部分用于建模。每个子数据集在2次的模型结果上的平均错误率作为模型的最终错误率用于评估模型参数。我们把训练用的产妇数据按照3折方式进行参数选择，挑选出最佳的模型参数。
人工神经网络(ANN)是一种仿生设计的模型，其利用特定的函数组合叠加后用于拟合和逼近任何形式的数据分布，从而能够对多变量特征的数据进行分类。实际中对多层神经元训练来达到构建特定函数的目的，神经元的层数至少大于等于3层。这里我们采用7层对称结构构建人工神经网络，其优化方法分别采用Adamax、SGD、RMSprop、Adagrad、Adadelta、Adam和Nadam一共7种优化方法进行模型筛选，最后确定使用Adamax优化函数作为模型的优化方法。
以上三种机器学习算法具有更高的准确率，能够保证最终的产妇数据分类结果的精确度。
130，根据所述数据分类结果确定所述产妇的诊断权重。
通过步骤120可以看出，数据分类结果中的数据异常概率值越大，则产妇生理状况有风险概率越大，因此，可以将数据分类结果中的数据异常概率值作为辅助信息，用于确定产妇的诊断权重，从而实现对产妇的诊断安排，这里的诊断安排主要涉及两个方面，一个是诊断的顺序，即诊断的先后，一个是诊断医生的级别，即是普通医生还是主任医生等。可以理解的是，当产妇生理状况有风险概率越大时，其产妇的诊断权重越大，诊断越靠前，且为其诊断的医生级别越高。
在本发明较佳的实施例中，由于针对不同场景下对每个产妇的数据分类结果进行输出，则可以针对上述场景对医生进行分类，即分为产前医生、剖宫产医生和阴道分娩医生，然后对每个场景下的数据分类结果对应的医生分类中选择相应的诊断顺序和诊断医生级别。
本发明将机器学习领域最新的不同机器学习算法和传统产妇数据分类算法进行了合理的结合，能够大幅度提高最终的产妇数据分类辅助信息的精确度。本发明利用了在传统产妇数据分类方法里已经被证明的有效信息数据，同时又利用机器学习算法的超强学习能力、特征自动提取、特征分布关系自动分类等优势能力来弥补传统产妇数据分类方法里存在的特征提取不够精确，特征间相关性分类不充分的缺点，本发明通过机器学习算法能够自动学习大量的产妇数据，并总结出各产妇数据分类的敏感的特征及其分布，从而大幅度提高最终的产妇数据分类辅助信息的精确度。
本发明能够更有效地提供治疗研判时医生所需的产妇数据分类的辅助信息，从而确定诊断安排。传统的产妇数据分类算法是一种基于统计学回归拟合的静态算法，不具备自我学习能力，而本发明通过将传统产妇数据分类算法与机器学习相结合，一方面能提高产妇数据分类的正确率和鲁棒性，另一方面能提升对各类产妇数据分类的理解，提供一种辅助手段帮助医生客观理解不同场景下产妇诊断安排的合理性。
实施例二
请参阅图2，图2是本发明实施例公开的一种基于机器学习的产妇数据分类装置的结构示意图。如图2所示，该基于机器学习的产妇数据分类装置，可以包括：
接收单元210，用于接收产妇的病例数据，并对所述病例数据进行预处理；
分类单元220，用于将预处理后的病例数据输入预先训练的机器学习模型中，以输出数据分类结果；
评估单元230，用于根据所述数据分类结果确定所述产妇的诊断权重。
作为优选，所述预先训练的机器学习模型的构建，包括：
创建机器学习初始模型；
利用产妇病例样本对所述机器学习初始模型进行训练，所述产妇病例样本包括产妇病例样本数据以及产妇病例样本标签，基于所述产妇病例样本数据对机器学习初始模型内部的各个参数进行训练；
在所述机器学习初始模型的输出结果与产妇病例样本标签的差值小于预设阈值时，得到所述机器学习模型。
作为优选，所述数据分类结果包括数据正常和数据异常两个类别，每个产妇每次的数据分类结果中的数据正常值和数据异常值之和等于1。
作为优选，所述根据所述数据分类结果确定所述产妇的诊断权重，包括：
根据所述数据异常值的大小确定产妇的诊断权重，所述数据异常值越大，对应的诊断权重越大；
根据所述诊断权重确定所述产妇的诊断顺序或/和诊断医师级别。
作为优选，所述场景为产前病例数据、剖宫产病例数据和阴道分娩病例数据中的任一种。
作为优选，所述机器学习模型为支持向量机、极端梯度提升以及人工神经网络中的一种或多种；
当所述机器学习模型包括支持向量机、极端梯度提升以及人工神经网络中的两种或两种以上时，所述数据分类结果为所述两种或两种以上的机器学习模型的数据分类结果的平均值或加权平均值。
作为优选，所述预处理包括归并处理、补全处理、标准化处理、对称化处理、独热码转换以及KPCA处理中的一种或多种。
实施例三
请参阅图3，图3是本发明实施例公开的一种电子设备的结构示意图。如图3所示，该电子设备可以包括：
存储有可执行程序代码的存储器310；
与存储器310耦合的处理器320；
其中，处理器320调用存储器310中存储的可执行程序代码，执行实施例一中的一种基于机器学习的产妇数据分类方法中的部分或全部步骤。
本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一中的一种基于机器学习的产妇数据分类方法中的部分或全部步骤。
本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的一种基于机器学习的产妇数据分类方法中的部分或全部步骤。
本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的一种基于机器学习的产妇数据分类方法中的部分或全部步骤。
在本发明的各种实施例中，应理解，各过程的序号的大小并不意味着执行顺序的必然先后，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。
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单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元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。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。
集成的单元若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获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例方法的部分或全部步骤。
在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。
本领域普通技术人体可以理解实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上对本发明实施例公开的一种基于机器学习的产妇数据分类方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人体，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于机器学习的产妇数据分类方法，其特征在于，包括：
接收产妇不同场景下的病例数据，并对所述病例数据进行预处理；
将预处理后的病例数据输入预先训练的机器学习模型中，以输出数据分类结果；
根据所述数据分类结果确定所述产妇的诊断权重。
2.根据权利要求1所述的基于机器学习的产妇数据分类方法，其特征在于，所述预先训练的机器学习模型的构建，包括：
创建机器学习初始模型；
利用产妇病例样本对所述机器学习初始模型进行训练，所述产妇病例样本包括产妇病例样本数据以及产妇病例样本标签，基于所述产妇病例样本数据对机器学习初始模型内部的各个参数进行训练；
在所述机器学习初始模型的输出结果与产妇病例样本标签的差值小于预设阈值时，得到所述机器学习模型。
3.根据权利要求1所述的基于机器学习的产妇数据分类方法，其特征在于，所述数据分类结果包括数据正常和数据异常两个类别，每个产妇每次的数据分类结果中的数据正常值和数据异常值之和等于1。
4.根据权利要求3所述的基于机器学习的产妇数据分类方法，其特征在于，所述根据所述数据分类结果确定所述产妇的诊断权重，包括：
根据所述数据异常值的大小确定产妇的诊断权重，所述数据异常值越大，对应的诊断权重越大；
根据所述诊断权重确定所述产妇的诊断顺序或/和诊断医师级别。
5.根据权利要求1-4任一项所述的基于机器学习的产妇数据分类方法，其特征在于，所述场景为产前病例数据、剖宫产病例数据和阴道分娩病例数据中的任一种。
6.根据权利要求1-4任一项所述的基于机器学习的产妇数据分类方法，其特征在于，所述机器学习模型为支持向量机、极端梯度提升以及人工神经网络中的一种或多种；
当所述机器学习模型包括支持向量机、极端梯度提升以及人工神经网络中的两种或两种以上时，所述数据分类结果为所述两种或两种以上的机器学习模型的数据分类结果的平均值或加权平均值。
7.根据权利要求1-4任一项所述的基于机器学习的产妇数据分类方法，其特征在于，所述预处理包括归并处理、补全处理、标准化处理、对称化处理、独热码转换以及KPCA处理中的一种或多种。
8.一种基于机器学习的产妇数据分类装置，其特征在于，其包括：
接收单元，用于接收产妇的病例数据，并对所述病例数据进行预处理；
分类单元，用于将预处理后的病例数据输入预先训练的机器学习模型中，以输出数据分类结果；
评估单元，用于根据所述数据分类结果确定所述产妇的诊断权重。
9.一种电子设备，其特征在于，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1至7任一项所述的一种基于机器学习的产妇数据分类方法。
10.一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存储计算机程序，其中，所述计算机程序使得计算机执行权利要求1至7任一项所述的一种基于机器学习的产妇数据分类方法。
CN202110248951.0A 2021-03-05 2021-03-05 基于机器学习的产妇数据分类方法、装置、设备及介质 Active CN113052205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110248951.0A CN113052205B (zh) 2021-03-05 2021-03-05 基于机器学习的产妇数据分类方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110248951.0A CN113052205B (zh) 2021-03-05 2021-03-05 基于机器学习的产妇数据分类方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN113052205A true CN113052205A (zh) 2021-06-29
CN113052205B CN113052205B (zh) 2022-07-12

Family

ID=76510396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110248951.0A Active CN113052205B (zh) 2021-03-05 2021-03-05 基于机器学习的产妇数据分类方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN113052205B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822841A (zh) * 2022-03-24 2022-07-29 川北医学院附属医院 基层适用的严重产后出血风险预测模型及其构建方法
CN117648607A (zh) * 2023-11-13 2024-03-05 南京金鼎嘉崎信息科技有限公司 一种基于云计算的数据综合研判分析系统及方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389465A (zh) * 2015-10-29 2016-03-09 徐翼 病历数据处理方法、装置以及系统
CN105708426A (zh) * 2016-04-15 2016-06-29 北京工业大学 健康孕妇中等强度运动心脏储备功能的动态评估方法
CN106156886A (zh) * 2016-06-30 2016-11-23 亿阳安全技术有限公司 一种基于运营商系统数据补全规则应用流程的方法及系统
CN106407721A (zh) * 2016-11-10 2017-02-15 上海电机学院 一种可实现分级诊疗的医生预约挂号方法
CN106529127A (zh) * 2016-10-21 2017-03-22 大连千松科技有限公司 一种基于互联网的高危妊娠管理方法和装置
US20170323078A1 (en) * 2006-04-27 2017-11-09 Wellstat Vaccines, Llc Automated Systems and Methods for Obtaining, Storing, Processing and Utilizing Immunologic Information of an Individual or Population for Various Uses
US20180291427A1 (en) * 2016-12-23 2018-10-11 Cs Genetics Limited Reagents and methods for the analysis of linked nucleic acids
CN108986908A (zh) * 2018-05-31 2018-12-11 平安医疗科技有限公司 问诊数据处理方法、装置、计算机设备和存储介质
CN109214437A (zh) * 2018-08-22 2019-01-15 湖南自兴智慧医疗科技有限公司 一种基于机器学习的ivf-et早孕胚胎发育预测系统
CN111000551A (zh) * 2019-12-05 2020-04-14 常州市第一人民医院 一种基于深度卷积神经网络模型的心脏病发风险诊断方法
CN111144658A (zh) * 2019-12-30 2020-05-12 医渡云（北京）技术有限公司 医疗风险预测方法、装置、系统、存储介质与电子设备
US20200160934A1 (en) * 2012-06-22 2020-05-21 Sequenom, Inc. Methods and processes for non-invasive assessment of genetic variations
CN111863255A (zh) * 2020-07-09 2020-10-30 南京市妇幼保健院 一种高危孕产妇风险评估预警系统及其方法
CN112133451A (zh) * 2020-08-27 2020-12-25 杭州和乐科技有限公司 缩宫素智能注射方法、装置、设备及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170323078A1 (en) * 2006-04-27 2017-11-09 Wellstat Vaccines, Llc Automated Systems and Methods for Obtaining, Storing, Processing and Utilizing Immunologic Information of an Individual or Population for Various Uses
US20200160934A1 (en) * 2012-06-22 2020-05-21 Sequenom, Inc. Methods and processes for non-invasive assessment of genetic variations
CN105389465A (zh) * 2015-10-29 2016-03-09 徐翼 病历数据处理方法、装置以及系统
CN105708426A (zh) * 2016-04-15 2016-06-29 北京工业大学 健康孕妇中等强度运动心脏储备功能的动态评估方法
CN106156886A (zh) * 2016-06-30 2016-11-23 亿阳安全技术有限公司 一种基于运营商系统数据补全规则应用流程的方法及系统
CN106529127A (zh) * 2016-10-21 2017-03-22 大连千松科技有限公司 一种基于互联网的高危妊娠管理方法和装置
CN106407721A (zh) * 2016-11-10 2017-02-15 上海电机学院 一种可实现分级诊疗的医生预约挂号方法
US20180291427A1 (en) * 2016-12-23 2018-10-11 Cs Genetics Limited Reagents and methods for the analysis of linked nucleic acids
CN108986908A (zh) * 2018-05-31 2018-12-11 平安医疗科技有限公司 问诊数据处理方法、装置、计算机设备和存储介质
CN109214437A (zh) * 2018-08-22 2019-01-15 湖南自兴智慧医疗科技有限公司 一种基于机器学习的ivf-et早孕胚胎发育预测系统
CN111000551A (zh) * 2019-12-05 2020-04-14 常州市第一人民医院 一种基于深度卷积神经网络模型的心脏病发风险诊断方法
CN111144658A (zh) * 2019-12-30 2020-05-12 医渡云（北京）技术有限公司 医疗风险预测方法、装置、系统、存储介质与电子设备
CN111863255A (zh) * 2020-07-09 2020-10-30 南京市妇幼保健院 一种高危孕产妇风险评估预警系统及其方法
CN112133451A (zh) * 2020-08-27 2020-12-25 杭州和乐科技有限公司 缩宫素智能注射方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIN LI 等: ""Diagnosis of Methylmalonic Acidemia using Machine Learning Methods"", 《ICMLT》 *
王和勇 等: "《面向大数据的高维数据挖掘技术》", 31 March 2018, 西安电子科技大学出版社 *
石丹 等: "《第26届全国电磁兼容会议论文集》", 31 May 2015, 北京邮电大学出版社 *
程光旭: "《综合与集成》", 31 October 2004, 西安交通大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114822841A (zh) * 2022-03-24 2022-07-29 川北医学院附属医院 基层适用的严重产后出血风险预测模型及其构建方法
CN117648607A (zh) * 2023-11-13 2024-03-05 南京金鼎嘉崎信息科技有限公司 一种基于云计算的数据综合研判分析系统及方法
CN117648607B (zh) * 2023-11-13 2024-05-14 南京金鼎嘉崎信息科技有限公司 一种基于云计算的数据综合研判分析系统及方法

Also Published As

Publication number Publication date
CN113052205B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
Georgieva et al. Artificial neural networks applied to fetal monitoring in labour
Islam et al. Exploring machine learning algorithms to find the best features for predicting modes of childbirth
CN113052205B (zh) 基于机器学习的产妇数据分类方法、装置、设备及介质
WO1999009507A1 (en) Methods for selecting, developing and improving diagnostic tests for pregnancy-related conditions
Amini et al. Prevalence and determinants of preterm birth in Tehran, Iran: a comparison between logistic regression and decision tree methods
CN112582076B (zh) 一种胎盘病理学送检评估方法、装置、系统及存储介质
CN113077900B (zh) 糖尿病早期风险评估方法、装置、计算机设备及介质
Ahammad et al. Maternity Risk Prediction Using IOT Module with Wearable Sensor and Deep Learning Based Feature Extraction and Classification Technique
Manzanares et al. An integrated model with classification criteria to predict vaginal delivery success after cesarean section
Haritopoulos et al. Survey on cardiotocography feature extraction algorithms for foetal welfare assessment
Kamat et al. Implementation of classification algorithms to predict mode of delivery
Spairani et al. A deep learning mixed-data type approach for the classification of FHR signals
Das et al. Cardiotocograph-based labor stage classification from uterine contraction pressure during ante-partum and intra-partum period: a fuzzy theoretic approach
Liang et al. Automatic evaluation of fetal heart rate based on deep learning
CN113611419A (zh) 基于胎监宫缩图和高危因素的产后出血风险预测方法及预警系统
CN117116477A (zh) 基于随机森林和XGBoost的前列腺癌患病风险预测模型的构建方法及系统
Tahir et al. Neural networks algorithm to inquire previous preeclampsia factors in women with chronic hypertension during pregnancy in childbirth process
da Silva Neto et al. Towards an efficient prognostic model for fetal state assessment
CN112992353A (zh) 预产期精准预测方法、装置、计算机设备及存储介质
Frize et al. Effectiveness of a hybrid pattern classifier for medical applications
CN117116475A (zh) 缺血性脑卒中的风险预测方法、系统、终端及存储介质
Bahar et al. Model Structure of Fetal Health Status Prediction
Harper et al. Classification trees: A possible method for maternity risk grouping
Gorthi et al. Automated risk assessment tool for pregnancy care
Alonso-Betanzos et al. Applying statistical, uncertainty-based and connectionist approaches to the prediction of fetal outcome: a comparative study

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
PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Maternity data classification method, device, equipment and medium based on machine learning

Effective date of registration: 20220919

Granted publication date: 20220712

Pledgee: Bank of China Limited by Share Ltd. Guangzhou Liwan branch

Pledgor: Guangzhou Mooney Internet Information Co.,Ltd.

Registration number: Y2022440000242