CN113569985B - 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统 - Google Patents

一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统 Download PDF

Info

Publication number
CN113569985B
CN113569985B CN202110946858.7A CN202110946858A CN113569985B CN 113569985 B CN113569985 B CN 113569985B CN 202110946858 A CN202110946858 A CN 202110946858A CN 113569985 B CN113569985 B CN 113569985B
Authority
CN
China
Prior art keywords
snake
vector
snakes
variable group
training
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
Application number
CN202110946858.7A
Other languages
English (en)
Other versions
CN113569985A (zh
Inventor
梁明贤
梁平
罗威
梁斌梅
许清棪
余培南
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.)
Wuzhou Traditional Chinese Medicine Hospital
Original Assignee
Wuzhou Traditional Chinese Medicine Hospital
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 Wuzhou Traditional Chinese Medicine Hospital filed Critical Wuzhou Traditional Chinese Medicine Hospital
Priority to CN202110946858.7A priority Critical patent/CN113569985B/zh
Publication of CN113569985A publication Critical patent/CN113569985A/zh
Application granted granted Critical
Publication of CN113569985B publication Critical patent/CN113569985B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • 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
    • 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
    • G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，属于智能识别系统的技术领域，利用该识别系统能够快速识别出是被烙铁头蛇咬伤还是竹叶青蛇咬伤，具有识别速度快、准确率高的特点；包括：交互建向量模块，用于通过交互方式获取患者流行病学特征、局部症状、全身症状、生命体征的临床数据构建识别特征变量组向量；识别分析模块，用于将获取的特征变量组向量构建病例库训练识别系统或者将获取的特征变量组向量识别出判断结果；所述的交互建向量模块和识别分析模块和结果输出模块电路连接。

Description

一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统
技术领域
本发明涉及智能识别系统的技术领域，更具体地说，尤其涉及一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统。
背景技术
烙铁头蛇和竹叶青蛇均在中国十大毒蛇之列，其分泌毒液主要含血循毒，其中烙铁头蛇毒性较剧烈，竹叶青蛇毒性较弱，这两种毒蛇咬伤后症状相近，除了能清楚看到或抓到蛇，一般很难准确辨别是烙铁头蛇咬伤还是竹叶青蛇咬伤。目前，临床上对毒蛇咬伤的诊断主要依靠临床医师丰富的临床诊治经验，根据蛇咬伤病史、患者生命体征、蛇形态特征、伤口局部症状和全身症状、蛇类图谱辨认，并结合实验室检查数据，综合诊断是烙铁头蛇咬伤还是竹叶青蛇咬伤，从而对症治疗。已有学者对烙铁头蛇和竹叶青蛇蛇毒机制进行研究，并提出了天然胶乳凝集抑制试验(natural latex agglutination inhibition test，NLAIT) 和酶联免疫吸附分析法(enzyme linked immunosorbent assay，ELISA)等免疫学方法对蛇毒进行快速诊断。中国台湾的林金华等开发了一款快速分辨出眼镜蛇咬伤装置，使用专用的检验试剂盒可快速检测出眼镜蛇蛇毒。也有学者利用机器学习方法对蛇类图像分类进行研究，但尚未发现利用机器学习方法对烙铁头蛇咬伤和竹叶青蛇咬伤进行分类的相关研究。因此，亟待设计出一种能更快速准确的分辨出是被烙铁头蛇咬伤还是竹叶青蛇咬伤的智能识别系统，以便辅助临床医生的对症治疗。
发明内容
本发明的目的在于提供一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，利用该识别系统能够快速识别出是被烙铁头蛇咬伤还是竹叶青蛇咬伤，具有识别速度快、准确率高的特点。
本发明采用的技术方案如下：
一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，包括：
交互建向量模块，用于通过交互方式获取患者流行病学特征、局部症状、全身症状、生命体征的临床数据构建识别特征变量组向量；
识别分析模块，用于将获取的特征变量组向量构建病例库训练识别系统或者将获取的特征变量组向量识别出判断结果；
所述的交互建向量模块和识别分析模块和结果输出模块电路连接。
进一步的，所述的交互建向量模块包括：
交互单元，用于通过交互界面获取患者的流行病学特征、局部症状、全身症状、生命体征的临床数据；
数据处理单元，用于将获得的患者的流行病学特征、局部症状、全身症状、生命体征的临床数据构建识别特征变量组向量；
所述的数据处理单元分别连接交互单元和识别分析模块。
进一步的，所述的识别分析模块包括：
病例库，用于存储各个患者的特征变量组向量数据；
训练单元，用于将病例库数据训练识别模型；
识别单元，用于将输入的患者的特征变量组向量进行分析识别后输出结果；
所述的识别单元分别连接病例库和训练单元。
进一步的，所述的交互单元中设置了多个患者流行病学特征、局部症状、全身症状以及生命体征特征信息需要输入。
进一步的，所述的特征变量组向量为Ci，
Ci＝(X1，…，X43)
其中，X1的特征为身高，X2的特征为体重，X3的特征为体温，X4的特征为脉搏，X5的特征为收缩压，X6的特征为舒张压，X7的特征为发病月份，X8 的特征为牙痕数量，X9的特征为牙痕间距，X10的特征为蛇体斑纹，X11的特征为蛇类图谱辨认，X12的特征为压痛，X13的特征为淤黑，X14的特征为瘀斑， X15的特征为溃疡或溃烂，X16的特征为呕吐，X17的特征为头晕，X18的特征为性别，X19的特征为年龄，X20的特征为呼吸，X21的特征为发病地点，X22的特征为咬伤部位，X23的特征为发病时间，X24的特征为从发病到入院时间， X25的特征为蛇体长，X26的特征为蛇体宽，X27的特征为蛇体重，X28的特征为皮肤温度，X29的特征为色泽，X30的特征为肿胀，X31的特征为疼痛，X32 的特征为麻木，X33的特征为触痛，X34的特征为血泡或水泡，X35的特征为渗血或渗液，X36的特征为恶心，X37的特征为头痛，X38的特征为眼脸下垂，X39 的特征为胸闷或心悸，X40的特征为呼吸困难或急促，X41的特征为寒颤，X42 的特征为肌肉酸痛，X43的特征为乏力。
进一步的，所述的训练单元在将病例库数据训练时，使用支持向量分类方法进行分析运算。
进一步的，所述的训练单元在将病例库数据训练时，采用主成分分析法和支持向量分类方法相结合进行分析运算。
进一步的，所述的训练单元在将病例库数据训练时，采用主成分分析法、支持向量分类方法以及网格搜索法相结合进行分析运算。
与现有技术相比，本发明具有的有益效果为：
本发明的一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，包括交互建向量模块和识别分析模块，所述的交互建向量模块和识别分析模块和结果输出模块电路连接。利用交互建向量模块获取患者流行病学特征、局部症状、全身症状以及生命体征的数据构建识别特征变量组向量，再通过将获取的特征变量组向量构建病例库并训练识别模型后，可以将需要识别的特征变量组向量识别出判断结果，识别速度快，准确率高。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本系统的结构示意图。
具体实施方式
下面结合具体实施方式，对本发明的技术方案作进一步的详细说明，但不构成对本发明的任何限制。
本发明的一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，包括：
交互建向量模块，用于通过交互方式获取患者流行病学特征、局部症状、全身症状、生命体征等临床数据构建识别特征变量组向量。
识别分析模块，用于将获取的特征变量组向量构建病例库训练识别系统或者将获取的特征变量组向量识别出判断结果。
所述的交互建向量模块和识别分析模块和结果输出模块电路连接。
其中，交互建向量模块包括：
交互单元，用于通过交互界面获取患者的流行病学特征、局部症状、全身症状、生命体征的临床数据。其中，所述的交互单元中设置了多个患者流行病学特征、局部症状、全身症状以及生命体征特征信息需要输入。
数据处理单元，用于将获得的患者的流行病学特征、局部症状、全身症状、生命体征的临床数据构建识别特征变量组向量。
所述的数据处理单元分别连接交互单元和识别分析模块。
特征变量组向量为Ci，
Ci＝(X1，…，X43)
其中，X1的特征为身高，X2的特征为体重，X3的特征为体温，X4的特征为脉搏，X5的特征为收缩压，X6的特征为舒张压，X7的特征为发病月份，X8 的特征为牙痕数量，X9的特征为牙痕间距，X10的特征为蛇体斑纹，X11的特征为蛇类图谱辨认，X12的特征为压痛，X13的特征为淤黑，X14的特征为瘀斑， X15的特征为溃疡或溃烂，X16的特征为呕吐，X17的特征为头晕，X18的特征为性别，X19的特征为年龄，X20的特征为呼吸，X21的特征为发病地点，X22的特征为咬伤部位，X23的特征为发病时间，X24的特征为从发病到入院时间， X25的特征为蛇体长，X26的特征为蛇体宽(直径)，X27的特征为蛇体重，X28 的特征为皮肤温度，X29的特征为色泽，X30的特征为肿胀，X31的特征为疼痛， X32的特征为麻木，X33的特征为触痛，X34的特征为血泡或水泡，X35的特征为渗血或渗液，X36的特征为恶心，X37的特征为头痛，X38的特征为眼脸下垂， X39的特征为胸闷或心悸，X40的特征为呼吸困难或急促，X41的特征为寒颤， X42的特征为肌肉酸痛，X43的特征为乏力。
特征变量组向量Ci的特征和特征的描述数值表示说明如下表1。
表1特征变量的特征描述数值
识别分析模块包括：
病例库，用于存储各个患者的特征变量组向量数据。
训练单元，用于将病例库数据训练识别模型。
识别单元，用于将输入的患者的特征变量组向量进行分析识别后输出结果。
所述的识别单元分别连接病例库和结果输出单元。
所述的训练单元在将病例库数据训练时，使用支持向量分类方法(supportvector classification,SVC)进行分析运算。
SVC是一种处理分类问题的SVM算法。SVM是一种基于统计学习理论的模式识别方法，在解决小样本、非线性及高维模式识别问题中表现出特有的优势。 SVM的学习策略是间隔最大化，可以形式化为一个求解凸二次规划的问题。
进一步的，所述的训练单元在将病例库数据训练时，采用主成分分析法(principal component analysis，PCA)和支持向量分类(support vectorclassification,SVC)方法相结合进行分析运算。
主成分分析法(PCA)的原理是通过坐标的旋转变换，将原有的n个变量进行重新的线性组合，生成n个新的相互独立变量，也称n个“成分”。将n个成分根据方差最大化原则从大到小排列，其中前m个成分可能就包括了原始变量的大部分方差及变异信息，这m个成分就称为原始变量的“主成分”。运用主成分分析法(PCA)方法将病例库向量组C数据进行降维，保留方差大于0.2的17 个成分，得到降维后的病例库向量组C数据，该数据能够包括病例库向量组C 矩阵数据的大部分信息。
在对特征变量组向量Ci进行主成分分析时，将特征变量组向量Ci中各个特征变量使用SPSS软件对数据进行相关性分析，计算每个特征变量与标签的相关系数r，得到对应的r值如表2所示。
表2特征与标签的相关系数表
由表2可得，特征变量X1-X17的|r|>0.1，即这些变量对分析过程贡献较大，特别是变量X10“蛇体斑纹”的|r20|值最高，说明这个变量对分析过程贡献最大，即特征变量X1-X17为特征变量组向量中的主要成分。而X36“恶心”、X38“眼脸下垂”、X43“全身或四肢乏力”这三个特征的|r|＝0，表明烙铁头蛇咬伤和竹叶青蛇咬伤均与这三个特征无关，这三个特征主要是含神经类毒素或混合类毒素的毒蛇咬伤后表现出来的全身症状。
进一步的，所述的训练单元在将病例库数据训练时，采用主成分分析法(principal component analysis，PCA)、支持向量分类(support vectorclassification,SVC)方法以及网格搜索法(grid search，GS)相结合进行分析运算。先使用主成分分析法(PCA)对病例库向量组C进行降维运算后，保留特征变量组向量中的主要成分，作为支持向量分类方法(SVC)的输入，支持向量分类方法(SVC)运算时随机划分为出矩阵训练集和矩阵测试集，最后采用网格搜索法(GS)寻找最优参数C和参数gamma。为了保证随机划分数据的均匀性，采用十折交叉验证方法进行实验。
识别单元，用于将患者的特征变量组向量Ci’进行分析识别输出结果。
实验例
根据烙铁头蛇和竹叶青蛇的咬伤特征设定43个特征变量，在交互建向量模块中设置交互界面，交互界面中设有43个特征变量的对应数值输入框，医护人员通过交互界面输入每患者各个特征变量的具体数字，提交后数据处理单元形成特征变量组向量Ci，特征变量组向量Ci为：
Ci＝(X1，…，X43)
其中，X1的特征为身高，X2的特征为体重，X3的特征为体温，X4的特征为脉搏，X5的特征为收缩压，X6的特征为舒张压，X7的特征为发病月份，X8 的特征为牙痕数量，X9的特征为牙痕间距，X10的特征为蛇体斑纹，X11的特征为蛇类图谱辨认，X12的特征为压痛，X13的特征为淤黑，X14的特征为瘀斑， X15的特征为溃疡或溃烂，X16的特征为呕吐，X17的特征为头晕，X18的特征为性别，X19的特征为年龄，X20的特征为呼吸，X21的特征为发病地点，X22的特征为咬伤部位，X23的特征为发病时间，X24的特征为从发病到入院时间， X25的特征为蛇体长，X26的特征为蛇体宽(直径)，X27的特征为蛇体重，X28 的特征为皮肤温度，X29的特征为色泽，X30的特征为肿胀，X31的特征为疼痛， X32的特征为麻木，X33的特征为触痛，X34的特征为血泡或水泡，X35的特征为渗血或渗液，X36的特征为恶心，X37的特征为头痛，X38的特征为眼脸下垂， X39的特征为胸闷或心悸，X40的特征为呼吸困难或急促，X41的特征为寒颤， X42的特征为肌肉酸痛，X43的特征为乏力。
本次研究经过了医院伦理委员会的批准后，选取2017～2019年梧州市中医医院蛇伤科专科医生明确诊断的110例烙铁头蛇咬伤住院患者的病例,同时选取同期110例竹叶青蛇咬伤住院患者的病例。根据每个病人的实际情况分别通过交互单元逐个输入病人信息构建其对应的特征变量组向量Ci，将这220个特征变量组向量按7：3比例随机分成两组，其中的147个特征变量组向量存入病例库作为训练用特征变量组向量，另外的73个特征变量组向量作为测试向量组，用作测试训练后得到的识别模型。
训练单元将病例库数据进行训练后得识别模型。训练时，使用三种训练方法进行分析运算。
方法一：使用支持向量分类方法(SVC)进行分析运算后获得识别模型一。
方法二：采用主成分分析法(PCA)和支持向量分类方法(SVC)相结合进行分析运算后获得识别模型二。
方法三：采用主成分分析法(PCA)、支持向量分类方法(SVC)以及网格搜索法(GS)相结合进行分析运算后获得识别模型三。
在PyCharm平台，使用python3.7.2进行编程，构建PCA和SVC模型。使用训练用特征变量组向量进行实验。对PCA模型，设置参数n_components＝17，对数据集进行降维运算后，保留方差大于0.2的17个主要成分，作为SVC模型的输入。选用径向基函数作为核函数，采用网格搜索法(GS)寻找最优参数C 和参数gamma。为了保证随机划分数据的均匀性，采用十折交叉验证方法进行实验。
将测试向量组中的特征变量组向量逐个抽取后分别输入识别模型一、识别模型二和识别模型三进行识别，记录识别结果，将识别结果与现有情况对比，计算出三个识别系统的准确率、AUC(Area Under Curve)、最优参数C和参数 gamma的值，得出识别系统识别准确率情况如表3所示。
表3识别系统识别准确率情况
识别系统号 准确率 AUC 参数
识别模型一 83.4％ 0.91 C＝1,gamma＝’scale’
识别模型二 84.5％ 0.91 C＝1,gamma＝’scale’
识别模型三 86.1％ 0.91 C＝4，gamma＝0.1
由表3可得，识别模型三的识别准确率达到86.1％，识别模型二的识别准确率达到84.5％，识别模型一的识别准确率达到83.4％，这三种识别系统的AUC值都是0.91。
在测试向量组的73个特征变量组向量数据中，被烙铁头蛇咬伤病例共35 组，其中有29组被正确分类，6组被错误分类到被竹叶青蛇咬伤组；被竹叶青蛇咬伤病例共38组，其中有35组被正确分类，3组被错误分类到被烙铁头蛇咬伤组。烙铁头蛇咬伤和竹叶青蛇咬伤的分类性能如表4所示。
表4烙铁头蛇咬伤和竹叶青蛇咬伤分类性能
类别 精确率(％) 召回率(％) F1-score(％)
烙铁头蛇 91％ 83％ 87％
竹叶青蛇 85％ 92％ 89％
由表4可得，烙铁头蛇咬伤识别精确率为91％，召回率为83％，F1-score评分为87％，竹叶青蛇咬伤识别精确率为85％，召回率为92％，F1-score评分为89％，达到了使用要求。
以上所述仅为本发明的较佳实施例，凡在本发明的精神和原则范围内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，其特征在于，包括：
交互建向量模块，用于通过交互方式获取患者流行病学特征、局部症状、全身症状、生命体征的临床数据构建识别特征变量组向量；
识别分析模块，用于将获取的特征变量组向量构建病例库训练识别系统或者将获取的特征变量组向量识别出判断结果；
所述的交互建向量模块和识别分析模块和结果输出模块电路连接；
所述的交互建向量模块包括：
交互单元，用于通过交互界面获取患者的流行病学特征、局部症状、全身症状、生命体征的临床数据；
数据处理单元，用于将获得的患者的流行病学特征、局部症状、全身症状、生命体征的临床数据构建识别特征变量组向量；
所述的数据处理单元分别连接交互单元和识别分析模块；
所述的识别分析模块包括：
病例库，用于存储各个患者的特征变量组向量数据；
训练单元，用于将病例库数据训练识别模型；
识别单元，用于将输入的患者的特征变量组向量进行分析识别后输出结果；
所述的识别单元分别连接病例库和训练单元。
2.根据权利要求1所述的一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，其特征在于，所述的交互单元中设置了多个患者流行病学特征、局部症状、全身症状以及生命体征特征信息需要输入。
3.根据权利要求1所述的一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，其特征在于，所述的特征变量组向量为Ci，
Ci =（X1，…，X43）
其中，X1的特征为身高，X2的特征为体重，X3的特征为体温，X4的特征为脉搏，X5的特征为收缩压，X6的特征为舒张压，X7的特征为发病月份，X8的特征为牙痕数量，X9的特征为牙痕间距，X10的特征为蛇体斑纹，X11的特征为蛇类图谱辨认，X12的特征为压痛，X13的特征为淤黑，X14的特征为瘀斑，X15的特征为溃疡或溃烂，X16的特征为呕吐，X17的特征为头晕，X18的特征为性别，X19的特征为年龄，X20的特征为呼吸，X21的特征为发病地点，X22的特征为咬伤部位，X23的特征为发病时间，X24的特征为从发病到入院时间，X25的特征为蛇体长，X26的特征为蛇体宽，X27的特征为蛇体重，X28的特征为皮肤温度，X29的特征为色泽，X30的特征为肿胀，X31的特征为疼痛，X32的特征为麻木，X33的特征为触痛，X34的特征为血泡或水泡，X35的特征为渗血或渗液，X36的特征为恶心，X37的特征为头痛，X38的特征为眼脸下垂，X39的特征为胸闷或心悸，X40的特征为呼吸困难或急促，X41的特征为寒颤，X42的特征为肌肉酸痛，X43的特征为乏力。
4.根据权利要求1所述的一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，其特征在于，所述的训练单元在将病例库数据训练时，使用支持向量分类方法进行分析运算。
5.根据权利要求1所述的一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，其特征在于，所述的训练单元在将病例库数据训练时，采用主成分分析法和支持向量分类方法相结合进行分析运算。
6.根据权利要求1所述的一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统，其特征在于，所述的训练单元在将病例库数据训练时，采用主成分分析法、支持向量分类方法以及网格搜索法相结合进行分析运算。
CN202110946858.7A 2021-08-18 2021-08-18 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统 Active CN113569985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110946858.7A CN113569985B (zh) 2021-08-18 2021-08-18 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110946858.7A CN113569985B (zh) 2021-08-18 2021-08-18 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统

Publications (2)

Publication Number Publication Date
CN113569985A CN113569985A (zh) 2021-10-29
CN113569985B true CN113569985B (zh) 2023-08-22

Family

ID=78171987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110946858.7A Active CN113569985B (zh) 2021-08-18 2021-08-18 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统

Country Status (1)

Country Link
CN (1) CN113569985B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116741373B (zh) * 2023-08-11 2023-11-07 四川互慧软件有限公司 基于神经网络模型的蛇伤类型识别方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482564A (zh) * 2009-02-10 2009-07-15 中国人民解放军第三军医大学第一附属医院 胶体金标记试纸条鉴别蛇毒的方法
CN102590496A (zh) * 2012-02-13 2012-07-18 高建芳 一种蛇伤快速鉴别的方法
CN107247868A (zh) * 2017-05-18 2017-10-13 深思考人工智能机器人科技（北京）有限公司 一种人工智能辅助问诊系统
CN113052113A (zh) * 2021-04-02 2021-06-29 中山大学 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI728369B (zh) * 2019-05-24 2021-05-21 臺北醫學大學 人工智慧雲端膚質與皮膚病灶辨識方法及其系統

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482564A (zh) * 2009-02-10 2009-07-15 中国人民解放军第三军医大学第一附属医院 胶体金标记试纸条鉴别蛇毒的方法
CN102590496A (zh) * 2012-02-13 2012-07-18 高建芳 一种蛇伤快速鉴别的方法
CN107247868A (zh) * 2017-05-18 2017-10-13 深思考人工智能机器人科技（北京）有限公司 一种人工智能辅助问诊系统
CN113052113A (zh) * 2021-04-02 2021-06-29 中山大学 一种基于紧凑型卷积神经网络的抑郁症识别方法及系统

Also Published As

Publication number Publication date
CN113569985A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
Chen et al. Standard plane localization in fetal ultrasound via domain transferred deep neural networks
CN112070119A (zh) 超声切面图像质量控制方法、装置和计算机设备
Tobias et al. CNN-based deep learning model for chest X-ray health classification using tensorflow
CN114694236B (zh) 一种基于循环残差卷积神经网络的眼球运动分割定位方法
CN111430025B (zh) 一种基于医疗影像数据扩增的疾病诊断模型训练方法
CN108877923A (zh) 一种基于深度学习的舌苔生成中药处方的方法
CN113569985B (zh) 一种烙铁头蛇或竹叶青蛇咬伤的智能识别系统
CN116386795A (zh) 一种产科康复数据管理方法及系统
WO2021231044A1 (en) System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks
Anisuzzaman et al. Wound severity classification using deep neural network
CN116309754A (zh) 一种基于局部-全局信息协作的大脑医学图像配准方法及系统
CN116258685A (zh) 全局和局部特征同时提取与融合的多器官分割方法及装置
CN115760656A (zh) 一种医学影像处理方法及系统
Tobias et al. Android Application for Chest X-ray Health Classification From a CNN Deep Learning TensorFlow Model
Mathina Kani et al. Classification of skin lesion images using modified Inception V3 model with transfer learning and augmentation techniques
CN109480842B (zh) 用于诊断功能性消化不良的系统及设备
CN113077894A (zh) 基于图卷积神经网络的皮肤诊断系统、方法、设备及介质
Reddy et al. Deep Convolutional Neural Networks with Transfer Learning for Bone Fracture Recognition using Small Exemplar Image Datasets
Hanif et al. Upper airway classification in sleep endoscopy examinations using convolutional recurrent neural networks
Jiménez-Moreno et al. Classification of Facial Expression of Post-Surgical Pain in Children: Evaluation of Convolutional Neural Networks
Dai et al. Multimodal Brain Disease Classification with Functional Interaction Learning from Single fMRI Volume
Iyer et al. Deep learning model for disease prediction using gastrointestinal-endoscopic images
CN116598003B (zh) 一种用于经络检测的量化系统与方法
Yang et al. Mmfc: Multi-Modal Fusion Cascade Framework For Covid-19 Disease Course Classification
AU2021101769A4 (en) Fabrication of a Novel Portable Device for Easy Detection of Neonatal Atopic Dermatitis using Deep Learning

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