CN114388135A - 一种孕妇指标数据分析方法、装置、设备及可读存储介质 - Google Patents
一种孕妇指标数据分析方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114388135A CN114388135A CN202210062159.0A CN202210062159A CN114388135A CN 114388135 A CN114388135 A CN 114388135A CN 202210062159 A CN202210062159 A CN 202210062159A CN 114388135 A CN114388135 A CN 114388135A
- Authority
- CN
- China
- Prior art keywords
- information
- pregnant woman
- abnormal
- index data
- value
- 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
Images
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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及医疗设备技术领域,具体而言,涉及一种孕妇指标数据分析方法、装置、设备及可读存储介质,所述方法包括将所述孕妇发送至分类模型进行分类,并且基于所述孕妇历史病例信息和孕妇类别信息进行关联度计算;然后将每个所述不同类别的孕妇指标数据的异常值关联度与所述孕妇历史病例信息进行聚类分析,得到各个类别的指标异常值的阈值范围;最后将所述孕妇的指标数据信息与所述各个类别的指标异常值的阈值范围进行对比,得到孕妇的指标数据是否异常的信息。本发明可以每隔一段时间获取孕妇指标数据进行分析,并基于分析结果提醒孕妇是哪方面指标异常,保障孕妇与胎儿健康。
Description
技术领域
本发明涉及医疗设备技术领域,具体而言,涉及一种孕妇指标数据分析方法、装置、设备及可读存储介质。
背景技术
目前孕妇身体状况是每个家庭关注的一件大事,往往孕妇的身体指标关系着孕妇与胎儿的健康,但是孕妇由于各方面原因不能随时检查身体,这就需要一种能够随时监测孕妇身体健康的方法和装置,来保证随时监测和判断孕妇身体指标状况,判断所述指标是否异常,并及时向孕妇进行反馈,进而保障孕妇的健康。
发明内容
本发明的目的在于提供一种孕妇指标数据分析方法、装置、设备及可读存储介质,以改善上述问题。为了实现上述目的,本发明采取的技术方案如下:
一方面,本申请提供了一种孕妇指标数据分析方法,所述方法包括:
获取第一信息和第二信息,所述第一信息为孕妇年龄信息、孕妇历史病例信息和孕妇怀胎时间信息,所述第二信息为孕妇的指标数据信息,所述指标数据信息为智能手环采集到的血压信息、血脂信息和血糖信息;
根据所述第一信息对所述孕妇进行分类,得到至少两个孕妇类别信息;
将所述孕妇历史病例信息和孕妇类别信息进行关联度计算,得到至少两个不同类别的孕妇指标数据的异常值关联度;
将每个所述不同类别的孕妇指标数据的异常值关联度与所述孕妇历史病例信息进行聚类分析,得到各个类别的指标异常值的阈值范围;
将所述第二信息与所述各个类别的指标异常值的阈值范围进行对比,得到孕妇的指标数据是否异常的信息。
第二方面,本申请实施例提供了一种孕妇指标数据分析装置,所述装置包括:
第一获取单元,用于获取第一信息和第二信息,所述第一信息为孕妇年龄信息、孕妇历史病例信息和孕妇怀胎时间信息,所述第二信息为孕妇的指标数据信息,所述指标数据信息为智能手环采集到的血压信息、血脂信息和血糖信息;
第一分类单元,用于根据所述第一信息对所述孕妇进行分类,得到至少两个孕妇类别信息;
第一处理单元,用于将所述孕妇历史病例信息和孕妇类别信息进行关联度计算,得到至少两个不同类别的孕妇指标数据的异常值关联度;
第一分析单元,用于将每个所述不同类别的孕妇指标数据的异常值关联度与所述孕妇历史病例信息进行聚类分析,得到各个类别的指标异常值的阈值范围;
第二处理单元,用于将所述第二信息与所述各个类别的指标异常值的阈值范围进行对比,得到孕妇的指标数据是否异常的信息。
第三方面,本申请实施例提供了一种孕妇指标数据分析设备,所述设备包括存储器和处理器。存储器用于存储计算机程序;处理器用于执行所述计算机程序时实现上述孕妇指标数据分析方法的步骤。
第四方面,本申请实施例提供了一种可读存储介质,所述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孕妇指标数据分析方法的步骤。
本发明的有益效果为:
本发明通过智能手环采集孕妇的指标数据,并基于历史病例和怀胎时间,将孕妇分为有无遗传病史,是否为高龄产妇等类别,进而通过对不同类别的孕妇指标信息进行关联度计算,判断所述孕妇指标信息中的异常值的关联度,并对该关联度进行聚类分析,进而确定每隔类别的孕妇指标信息的异常阈值范围,进而以此来判断孕妇的指标是否异常,而且本发明可以随时获取,随时计算更新,进而随时判断孕妇是否处于不健康状态,防止出现意外流产等事故。
本发明的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本发明实施例中所述的一种孕妇指标数据分析方法流程示意图;
图2为本发明实施例中所述的一种孕妇指标数据分析装置结构示意图;
图3是本发明实施例中所述的一种孕妇指标数据分析设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
如图1所示,本实施例提供了一种孕妇指标数据分析方法,其所述方法包括步骤S1、步骤S2、步骤S3、步骤S4和步骤S5。
当有孕妇需要使用本方法进行指标数据分析(健康监测)时,将安装有包括本申请的软件的智能手环进行佩戴,智能手环实时收集孕妇的身体数据,根据数据进行分析。将采集到的数据发送到计算中心。
步骤S1、获取第一信息和第二信息,所述第一信息为孕妇年龄信息、孕妇历史病例信息和孕妇怀胎时间信息,所述第二信息为孕妇的指标数据信息,所述指标数据信息为智能手环采集到的血压信息、血脂信息和血糖信息;
当采集完孕妇信息,将孕妇信息发送至分类模块进行分类,将孕妇分为多类,如按有无病史,年龄段,怀孕时间段,分为至少两类,如有病史的20-30年龄段的怀孕三个月的孕妇等。
步骤S2、根据所述第一信息对所述孕妇进行分类,得到至少两个孕妇类别信息;
将分好类的孕妇信息和孕妇历史病例信息进行发送至分析模块进行分析,将不同类别的孕妇进行异常值关联度的分析,分析得到不同孕妇的异常值关联度,进而得到不同类别的异常值关联度。
步骤S3、将所述孕妇历史病例信息和孕妇类别信息进行关联度计算,得到至少两个不同类别的孕妇指标数据的异常值关联度;
然后将不同的异常值关联度进行聚类分析,通过聚类分析的结果得到多个聚类蔟,基于不同的聚类蔟信息,确定不同的类别的指标异常值得阈值范围,进而通过阈值范围确定异常值,用于判断孕妇的指标数据是否位于异常值的阈值范围,判断孕妇的指标数据是否异常。
步骤S4、将每个所述不同类别的孕妇指标数据的异常值关联度与所述孕妇历史病例信息进行聚类分析,得到各个类别的指标异常值的阈值范围;
步骤S5、将所述第二信息与所述各个类别的指标异常值的阈值范围进行对比,得到孕妇的指标数据是否异常的信息。
可以理解的是本发明通过智能手环采集孕妇的指标数据,并基于历史病例和怀胎时间,将孕妇分为有无遗传病史,是否为高龄产妇等类别,进而通过对不同类别的孕妇指标信息进行关联度计算,判断所述孕妇指标信息中的异常值的关联度,并对该关联度进行聚类分析,进而确定每个类别的孕妇指标信息的异常阈值范围,进而以此来判断孕妇的指标是否异常,而且本发明可以随时获取,随时计算更新,进而随时判断孕妇是否处于不健康状态,防止出现意外流产等事故。
在本公开的一种具体实施方式中,所述步骤S2包括步骤S21、步骤S22和步骤S23。
步骤S21、将所述第一信息发送至分类模型进行分类,得到分类后的第一信息,所述分类模型为根据预设的分类阈值表对所述第一信息进行分类的模型;
预设的分类阈值表包括是否有病史,如有病史,是否为遗传病史,孕妇的年龄段,如20-30、30-50和50以上等、孕妇的怀孕时间段,如3个月以内、3个月-8个月和8个月以上等、进行分类,得到分好类的第一信息。
步骤S22、采用SGD计算梯度对分类模型进行自适应梯度更新,并将所述分类后的第一信息发送至更新后的分类模型进行迭代处理,其中迭代处理为基于分类后的第一信息进行特征工程处理,确定迭代训练所需要的特征向量,并采用AUC算法对特征向量进行迭代处理,得到达到最大迭代次数的AUC值;
通过SGD梯度对分类模型进行更新优化,得到更新后的分类模型,其中更新后的分类模型在通过AUC算法多次迭代优化,得到多次优化更新后的分类模型,进而得到最佳的分类模型,进而进行最终分类,得到最佳的分类信息。
步骤S23、按照预设的第一权重比例对所述第一信息进行加权计算,得到孕妇的分类权重值,并将所述孕妇的分类权重值与达到最大迭代次数的AUC值进行对比分类,得到至少两个孕妇类别信息。
可以理解的是上述步骤是通过预设的阈值表对孕妇信息进行分类,然后采用SGD计算梯度对分类模型进行更新,进而优化分类模型,然后将分类后的第一信息转化为特征向量,然后用AUC算法对特征向量进行迭代处理,得到最佳的AUC值,并将所述最佳的AUC值作为阈值,然后与进行权重计算后的分类后的第一信息进行对比,得到最佳分类的孕妇类别信息,这样分类可以将不同类别的孕妇进行最优化分类,而且可以提高分类的精度,保障后续计算的准确性。
可以理解的是本发明通过对不同类别的孕妇进行指标异常划分,达到精细化处理,对于不同孕妇的异常范围可以有不同的划分,以此来保证本发明的准确性。
在本公开的一种具体实施方式中,所述步骤S3包括步骤S31、步骤S32、步骤S33和步骤S34。
步骤S31、调用所述孕妇历史病例信息中的所有异常指标数据;
步骤S32、将所述孕妇历史病例信息中所有异常指标数据按照预设的第二权重比例进行异常值计算,计算得到所有异常指标数据的异常值;
通过对异常指标数据的异常值进行权重转换,并进行灰色关联分析,得到不同异常值的关联度值,并计算出不同异常值的关联系数,以关联系数来判断异常值是否有联系,是否为同时产生的异常,进而判断是否为生病引起的异常,若,各种异常值之间的关联度不大,则通过关联系数判断所有异常值得关联性,并判断什么原因引起的异常。
步骤S33、将所述孕妇指标数据的异常值和孕妇分类信息进行灰色关联分析,对孕妇指标数据的异常值采用区间法进行处理,得到不同类别的孕妇指标数据的异常值,基于所述不同类别的孕妇指标数据的异常值计算灰色关联系数;
步骤S34、基于所述灰色关联系数计算得到至少两个不同类别的孕妇指标数据的异常值关联度。
可以理解的是上述步骤中通过调用孕妇历史病例信息中的所有异常指标数据,然后将异常指标数据进行异常值转化,得到孕妇不同异常指标数据的异常值,然后通过灰色关联分析法,计算得到不同类别的孕妇指标数据的灰色关联系数,进而确定不同类别的孕妇指标数据的异常值关联度;
可以理解的是上述步骤通过历史数据中的不同孕妇的不同指标数据进行区分,得到不同孕妇的不同异常指标,然后基于灰色关联分析法分析不同孕妇的不同异常指标之间的关联度,进而将体现每个孕妇的不同异常指标之间的联系,而且由于生病往往会引起多个指标的变化,进而关联度越大的指标在生病时往往会同时变化,因此以关联度来确定孕妇的指标是否异常更加准确和更有依据。
在本公开的一种具体实施方式中,所述步骤S4包括步骤S41、步骤S42、步骤S43和步骤S44。
步骤S41、将所述不同类别的孕妇指标数据的异常值关联度作为权重系数与所述孕妇历史病例信息中的所有异常指标数据的异常值进行乘积计算,得到不同类别的异常指标数据的异常值;
本发明通过对异常值和关联度值进行乘积计算后,对不同的异常值进行综合判断,相当于把关联度值作为权重,对异常值进行权重计算,判断各个异常值在总异常中所占的范围,进而判断主要是由于哪方面异常引起的异常,进而分析异常原因。
步骤S42、将所述不同类别的异常指标数据的异常值分别发送至K-means聚类算法模型进行聚类处理,得到至少两个异常值聚类簇集合,所有的所述异常值聚类簇集合包括至少一个异常值聚类簇;
本发明还通过聚类算法对异常值进行聚类,然后通过聚类集合和格拉布斯准则确定每个聚类蔟的阈值范围,对异常值进行去噪处理,使本发明的判断范围更精缺。
步骤S43、基于所述至少两个异常值聚类簇集合和格拉布斯准则计算得到各个异常值聚类簇集合中每个异常值聚类簇的阈值范围;
步骤S44、对各个异常值聚类簇集合中每个异常值聚类簇的阈值范围进行判断,将各个异常值聚类簇集合中最大的所述阈值范围作为对应的各个类别的指标异常值的阈值范围。
可以理解的是上述步骤是通过将关联度值作为权重系数来与异常指标数据的异常值进行乘积计算,进而达到以关联度值与异常值进行结合来判断异常值的阈值范围的目的,并且上述步骤还通过K-means聚类算法和格拉布斯准则进行聚类确定最佳的聚类中心,进而确定最佳的阈值范围,并且以最佳的阈值范围来判断孕妇的指标数据是否异常,这样更加精确化,并且可以通过聚类算法去除大部分噪声,进而实现领域最小化。
在本公开的一种具体实施方式中,所述步骤S5包括步骤S51、步骤S52、步骤S53、步骤S54和步骤S55。
步骤S51、获取不同时间段的孕妇指标数据;
步骤S52、将所述不同时间段的孕妇指标数据按每隔30分钟进行时间序列划分,并将划分好的指标数据分为训练集和验证集;
步骤S53、计算所述训练集内每分钟孕妇指标数据的均值和所述验证集内每分钟孕妇指标数据的均值;
本发明通过每个30分钟进行一次孕妇指标数据监测,进行30分钟一次的处理和预测判断孕妇身体是否健康,进而预测胎儿是否正常,时刻保障孕妇身体正常,并且防止出现意外,在出现意外后可以及时发现。
步骤S54、基于所述训练集内每分钟孕妇指标数据的均值和验证集内每分钟孕妇指标数据的均值分别与对应类别的指标异常值的阈值范围进行对比,得到所述孕妇指标数据的训练集和孕妇指标数据的验证集;
步骤S55、将所述孕妇指标数据的训练集和孕妇指标数据的验证集采用LSTM算法对孕妇未来30分钟的指标数据是否正常进行预测,得到预测数据。
可以理解的是上述步骤是获取不同时间段的孕妇指标数据,以不同时间段来对指标数据进行划分,进而得到训练集和验证集,计算训练集和验证集内的不同类别的孕妇指标数据的均值,并和指标异常值的阈值范围进行对比,以此来判断训练集和验证集内的不同类别的孕妇指标数据是否异常,最后用LSTM算法对训练集进行预测,以验证集来进行验证,不断的调整LSTM算法的参数,得到训练好的预测模型,然后以预测模型对孕妇未来一段时间的指标数据进行预测,如果有危险就可以发送至智能手环,对孕妇进行提醒。
在本公开的一种具体实施方式中,所述步骤S5之后还包括步骤S6、步骤S7、步骤S8、步骤S9和步骤S10。
步骤S6、调用所述孕妇的指标数据中的异常数据和所述孕妇的历史指标数据中异常数据对应的正常数据;
步骤S7、将所述孕妇的指标数据中的异常数据和孕妇的历史指标数据中的正常数据均分别转化为向量值;
本发明通过将异常数据转化为向量值,进而更加精确的判断异常范围,更加准确的确定异常大小,进而判断是长时间出现异常还是由于孕妇运动或者其他原因造成的突然异常,进而防止出现异常误判,导致孕妇受到惊吓等情况出现,并且本发明通过设定一个异常范围来作为判断依据,保障在一般情况下出现异常值会规定为正常现象,而实际出现异常时可以调整为出现异常,并及时提醒孕妇。
步骤S8、计算所述孕妇的指标数据中的异常数据的向量值与历史指标数据中的正常数据的向量值的欧式距离,并对所述欧式距离进行从小到大排序,选取前三个欧式距离作为优选的欧式距离;
步骤S9、将三个所述优选的欧式距离的平方差作为单位向量,将所述孕妇的指标数据中的异常数据与所述单位向量进行相除,得到至少一个所述孕妇的指标偏移向量;
步骤S10、将每个所述孕妇的指标偏移向量作为所述孕妇的指标偏移值发送至数据库内进行对比,得到所述孕妇是否处于疾病状态的信息。
可以理解的是上述步骤是通过将孕妇的指标数据中的异常数据和孕妇的历史指标数据中异常数据对应的正常数据进行转化,然后计算异常数据向量值和正常数据向量值的欧式距离,选取最小的三个欧式距离作为单位向量,进而确定每个孕妇的指标数据中异常数据的偏移值,偏移值越大代表指标数据越异常,并且若不同时间段的偏移值一直在增长或者保持偏移,则代表孕妇的指标状态一直处于异常状态,本发明则发送信息至智能手环提醒孕妇。
可以理解的是本发明可以通过每隔一段时间获取孕妇指标数据来进行处理,进而判断孕妇的健康状况,以此来提醒孕妇是否注意身体健康,并且可以提醒孕妇哪方面的指标出现问题。
实施例2
如图2所示,本实施例提供了一种孕妇指标数据分析装置,所述装置包括第一获取单元701、第一分类单元702、第一处理单元703、第一分析单元704和第二处理单元705。
第一获取单元701,用于获取第一信息和第二信息,所述第一信息为孕妇年龄信息、孕妇历史病例信息和孕妇怀胎时间信息,所述第二信息为孕妇的指标数据信息,所述指标数据信息为智能手环采集到的血压信息、血脂信息和血糖信息;
第一分类单元702,用于根据所述第一信息对所述孕妇进行分类,得到至少两个孕妇类别信息;
第一处理单元703,用于将所述孕妇历史病例信息和孕妇类别信息进行关联度计算,得到至少两个不同类别的孕妇指标数据的异常值关联度;
第一分析单元704,用于将每个所述不同类别的孕妇指标数据的异常值关联度与所述孕妇历史病例信息进行聚类分析,得到各个类别的指标异常值的阈值范围;
第二处理单元705,用于将所述第二信息与所述各个类别的指标异常值的阈值范围进行对比,得到孕妇的指标数据是否异常的信息。
在本公开的一种具体实施方式中,所述第一分类单元702包括第一分类子单元7021、第一处理子单元7022和第二处理子单元7023。
第一分类子单元7021,用于将所述第一信息发送至分类模型进行分类,得到分类后的第一信息,所述分类模型为根据预设的分类阈值表对所述第一信息进行分类的模型;
第一处理子单元7022,用于采用SGD计算梯度对分类模型进行自适应梯度更新,并将所述分类后的第一信息发送至更新后的分类模型进行迭代处理,其中迭代处理为基于分类后的第一信息进行特征工程处理,确定迭代训练所需要的特征向量,并采用AUC算法对特征向量进行迭代处理,得到达到最大迭代次数的AUC值;
第二处理子单元7023,用于按照预设的第一权重比例对所述第一信息进行加权计算,得到孕妇的分类权重值,并将所述孕妇的分类权重值与达到最大迭代次数的AUC值进行对比分类,得到至少两个孕妇类别信息。
在本公开的一种具体实施方式中,所述第一处理单元703包括第一调用子单元7031、第三处理子单元7032、第四处理子单元7033和第五处理子单元7034。
第一调用子单元7031,用于调用所述孕妇历史病例信息中的所有异常指标数据;
第三处理子单元7032,用于将所述孕妇历史病例信息中所有异常指标数据按照预设的第二权重比例进行异常值计算,计算得到所有异常指标数据的异常值;
第四处理子单元7033,用于将所述孕妇指标数据的异常值和孕妇分类信息进行灰色关联分析,对孕妇指标数据的异常值采用区间法进行处理,得到不同类别的孕妇指标数据的异常值,基于所述不同类别的孕妇指标数据的异常值计算灰色关联系数;
第五处理子单元7034,用于基于所述灰色关联系数计算得到至少两个不同类别的孕妇指标数据的异常值关联度。
在本公开的一种具体实施方式中,所述第一分析单元704包括第一计算子单元7041、第一聚类子单元7042、第二聚类子单元7043和第一判断子单元7044。
第一计算子单元7041,用于将所述不同类别的孕妇指标数据的异常值关联度作为权重系数与所述孕妇历史病例信息中的所有异常指标数据的异常值进行乘积计算,得到不同类别的异常指标数据的异常值;
第一聚类子单元7042,用于将所述不同类别的异常指标数据的异常值分别发送至K-means聚类算法模型进行聚类处理,得到至少两个异常值聚类簇集合,所有的所述异常值聚类簇集合包括至少一个异常值聚类簇;
第二聚类子单元7043,用于基于所述至少两个异常值聚类簇集合和格拉布斯准则计算得到各个异常值聚类簇集合中每个异常值聚类簇的阈值范围;
第一判断子单元7044,用于对各个异常值聚类簇集合中每个异常值聚类簇的阈值范围进行判断,将各个异常值聚类簇集合中最大的所述阈值范围作为对应的各个类别的指标异常值的阈值范围。
在本公开的一种具体实施方式中,所述第二处理单元705包括第一获取子单元7051、第二分类子单元7052、第二计算子单元7053、第六处理子单元7054和第七处理子单元7055。
第一获取子单元7051,用于获取不同时间段的孕妇指标数据;
第二分类子单元7052,用于将所述不同时间段的孕妇指标数据按每隔30分钟进行时间序列划分,并将划分好的指标数据分为训练集和验证集;
第二计算子单元7053,用于计算所述训练集内每分钟孕妇指标数据的均值和所述验证集内每分钟孕妇指标数据的均值;
第六处理子单元7054,用于基于所述训练集内每分钟孕妇指标数据的均值和验证集内每分钟孕妇指标数据的均值分别与对应类别的指标异常值的阈值范围进行对比,得到所述孕妇指标数据的训练集和孕妇指标数据的验证集;
第七处理子单元7055,用于将所述孕妇指标数据的训练集和孕妇指标数据的验证集采用LSTM算法对孕妇未来30分钟的指标数据是否正常进行预测,得到预测数据。
在本公开的一种具体实施方式中,所述第二处理单元705之后还包括第一调用单元706、第一转化单元707、第三处理单元708、第四处理单元709和第五处理单元710。
第一调用单元706,用于调用所述孕妇的指标数据中的异常数据和所述孕妇的历史指标数据中异常数据对应的正常数据;
第一转化单元707,用于将所述孕妇的指标数据中的异常数据和孕妇的历史指标数据中的正常数据均分别转化为向量值;
第三处理单元708,用于计算所述孕妇的指标数据中的异常数据的向量值与历史指标数据中的正常数据的向量值的欧式距离,并对所述欧式距离进行从小到大排序,选取前三个欧式距离作为优选的欧式距离;
第四处理单元709,用于将三个所述优选的欧式距离的平方差作为单位向量,将所述孕妇的指标数据中的异常数据与所述单位向量进行相除,得到至少一个所述孕妇的指标偏移向量;
第五处理单元710,用于将每个所述孕妇的指标偏移向量作为所述孕妇的指标偏移值发送至数据库内进行对比,得到所述孕妇是否处于疾病状态的信息。
需要说明的是,关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
实施例3
相应于上面的方法实施例,本公开实施例还提供了一种孕妇指标数据分析设备,下文描述的一种孕妇指标数据分析设备与上文描述的一种孕妇指标数据分析方法可相互对应参照。
图3是根据一示例性实施例示出的一种孕妇指标数据分析设备800的框图。如图3所示,该孕妇指标数据分析设备800可以包括:处理器801,存储器802。该孕妇指标数据分析设备800还可以包括多媒体组件803,输入/输出(I/O)接口804,以及通信组件805中的一者或多者。
其中,处理器801用于控制该孕妇指标数据分析设备800的整体操作,以完成上述的孕妇指标数据分析方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该孕妇指标数据分析设备800的操作,这些数据例如可以包括用于在该孕妇指标数据分析设备800上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random AccessMemory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该孕妇指标数据分析设备800与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,因此相应的该通信组件805可以包括:Wi-Fi模块,蓝牙模块,NFC模块。
在一示例性实施例中,孕妇指标数据分析设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的一种孕妇指标数据分析方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的孕妇指标数据分析方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器802,上述程序指令可由孕妇指标数据分析设备800的处理器801执行以完成上述的孕妇指标数据分析方法。
实施例4
相应于上面的方法实施例,本公开实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种孕妇指标数据分析方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的孕妇指标数据分析方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种孕妇指标数据分析方法,其特征在于,包括:
获取第一信息和第二信息,所述第一信息为孕妇年龄信息、孕妇历史病例信息和孕妇怀胎时间信息,所述第二信息为孕妇的指标数据信息,所述指标数据信息为智能手环采集到的血压信息、血脂信息和血糖信息;
根据所述第一信息对所述孕妇进行分类,得到至少两个孕妇类别信息;
将所述孕妇历史病例信息和孕妇类别信息进行关联度计算,得到至少两个不同类别的孕妇指标数据的异常值关联度;
将每个所述不同类别的孕妇指标数据的异常值关联度与所述孕妇历史病例信息进行聚类分析,得到各个类别的指标异常值的阈值范围;
将所述第二信息与所述各个类别的指标异常值的阈值范围进行对比,得到孕妇的指标数据是否异常的信息。
2.根据权利要求1所述的孕妇指标数据分析方法,其特征在于,根据所述第一信息对所述孕妇进行分类,得到至少两个孕妇类别信息,包括;
将所述第一信息发送至分类模型进行分类,得到分类后的第一信息,所述分类模型为根据预设的分类阈值表对所述第一信息进行分类的模型;
采用SGD计算梯度对分类模型进行自适应梯度更新,并将所述分类后的第一信息发送至更新后的分类模型进行迭代处理,其中迭代处理为基于分类后的第一信息进行特征工程处理,确定迭代训练所需要的特征向量,并采用AUC算法对特征向量进行迭代处理,得到达到最大迭代次数的AUC值;
按照预设的第一权重比例对所述第一信息进行加权计算,得到孕妇的分类权重值,并将所述孕妇的分类权重值与达到最大迭代次数的AUC值进行对比分类,得到至少两个孕妇类别信息。
3.根据权利要求1所述的孕妇指标数据分析方法,其特征在于,将所述孕妇历史病例信息和孕妇类别信息进行关联度计算,得到至少两个不同类别的孕妇指标数据的异常值关联度,包括:
调用所述孕妇历史病例信息中的所有异常指标数据;
将所述孕妇历史病例信息中所有异常指标数据按照预设的第二权重比例进行异常值计算,计算得到所有异常指标数据的异常值;
将所述孕妇指标数据的异常值和孕妇分类信息进行灰色关联分析,对孕妇指标数据的异常值采用区间法进行处理,得到不同类别的孕妇指标数据的异常值,基于所述不同类别的孕妇指标数据的异常值计算灰色关联系数;
基于所述灰色关联系数计算得到至少两个不同类别的孕妇指标数据的异常值关联度。
4.根据权利要求1所述的孕妇指标数据分析方法,其特征在于,将每个所述不同类别的孕妇指标数据的异常值关联度与所述孕妇历史病例信息进行聚类分析,得到各个类别的指标异常值的阈值范围,包括:
将所述不同类别的孕妇指标数据的异常值关联度作为权重系数与所述孕妇历史病例信息中的所有异常指标数据的异常值进行乘积计算,得到不同类别的异常指标数据的异常值;
将所述不同类别的异常指标数据的异常值分别发送至K-means聚类算法模型进行聚类处理,得到至少两个异常值聚类簇集合,所有的所述异常值聚类簇集合包括至少一个异常值聚类簇;
基于所述至少两个异常值聚类簇集合和格拉布斯准则计算得到各个异常值聚类簇集合中每个异常值聚类簇的阈值范围;
对各个异常值聚类簇集合中每个异常值聚类簇的阈值范围进行判断,将各个异常值聚类簇集合中最大的所述阈值范围作为对应的各个类别的指标异常值的阈值范围。
5.一种孕妇指标数据分析装置,其特征在于,包括:
第一获取单元,用于获取第一信息和第二信息,所述第一信息为孕妇年龄信息、孕妇历史病例信息和孕妇怀胎时间信息,所述第二信息为孕妇的指标数据信息,所述指标数据信息为智能手环采集到的血压信息、血脂信息和血糖信息;
第一分类单元,用于根据所述第一信息对所述孕妇进行分类,得到至少两个孕妇类别信息;
第一处理单元,用于将所述孕妇历史病例信息和孕妇类别信息进行关联度计算,得到至少两个不同类别的孕妇指标数据的异常值关联度;
第一分析单元,用于将每个所述不同类别的孕妇指标数据的异常值关联度与所述孕妇历史病例信息进行聚类分析,得到各个类别的指标异常值的阈值范围;
第二处理单元,用于将所述第二信息与所述各个类别的指标异常值的阈值范围进行对比,得到孕妇的指标数据是否异常的信息。
6.根据权利要求5所述的孕妇指标数据分析装置,其特征在于,所述装置包括:
第一分类子单元,用于将所述第一信息发送至分类模型进行分类,得到分类后的第一信息,所述分类模型为根据预设的分类阈值表对所述第一信息进行分类的模型;
第一处理子单元,用于采用SGD计算梯度对分类模型进行自适应梯度更新,并将所述分类后的第一信息发送至更新后的分类模型进行迭代处理,其中迭代处理为基于分类后的第一信息进行特征工程处理,确定迭代训练所需要的特征向量,并采用AUC算法对特征向量进行迭代处理,得到达到最大迭代次数的AUC值;
第二处理子单元,用于按照预设的第一权重比例对所述第一信息进行加权计算,得到孕妇的分类权重值,并将所述孕妇的分类权重值与达到最大迭代次数的AUC值进行对比分类,得到至少两个孕妇类别信息。
7.根据权利要求5所述的孕妇指标数据分析装置,其特征在于,所述装置包括:
第一调用子单元,用于调用所述孕妇历史病例信息中的所有异常指标数据;
第三处理子单元,用于将所述孕妇历史病例信息中所有异常指标数据按照预设的第二权重比例进行异常值计算,计算得到所有异常指标数据的异常值;
第四处理子单元,用于将所述孕妇指标数据的异常值和孕妇分类信息进行灰色关联分析,对孕妇指标数据的异常值采用区间法进行处理,得到不同类别的孕妇指标数据的异常值,基于所述不同类别的孕妇指标数据的异常值计算灰色关联系数;
第五处理子单元,用于基于所述灰色关联系数计算得到至少两个不同类别的孕妇指标数据的异常值关联度。
8.根据权利要求5所述的孕妇指标数据分析装置,其特征在于,所述装置包括:
第一计算子单元,用于将所述不同类别的孕妇指标数据的异常值关联度作为权重系数与所述孕妇历史病例信息中的所有异常指标数据的异常值进行乘积计算,得到不同类别的异常指标数据的异常值;
第一聚类子单元,用于将所述不同类别的异常指标数据的异常值分别发送至K-means聚类算法模型进行聚类处理,得到至少两个异常值聚类簇集合,所有的所述异常值聚类簇集合包括至少一个异常值聚类簇;
第二聚类子单元,用于基于所述至少两个异常值聚类簇集合和格拉布斯准则计算得到各个异常值聚类簇集合中每个异常值聚类簇的阈值范围;
第一判断子单元,用于对各个异常值聚类簇集合中每个异常值聚类簇的阈值范围进行判断,将各个异常值聚类簇集合中最大的所述阈值范围作为对应的各个类别的指标异常值的阈值范围。
9.一种孕妇指标数据分析设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至4任一项所述孕妇指标数据分析方法的步骤。
10.一种可读存储介质,其特征在于:所述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4任一项所述孕妇指标数据分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210062159.0A CN114388135B (zh) | 2022-01-19 | 2022-01-19 | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210062159.0A CN114388135B (zh) | 2022-01-19 | 2022-01-19 | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114388135A true CN114388135A (zh) | 2022-04-22 |
CN114388135B CN114388135B (zh) | 2022-07-26 |
Family
ID=81203865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210062159.0A Active CN114388135B (zh) | 2022-01-19 | 2022-01-19 | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114388135B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115083607A (zh) * | 2022-07-07 | 2022-09-20 | 武汉一格美容咨询有限公司 | 一种人体健康指标状况监测分析方法、系统及存储介质 |
CN115346339A (zh) * | 2022-10-14 | 2022-11-15 | 深圳市飞梵实业有限公司 | 一种临产妇健康监控系统及方法 |
CN116965785A (zh) * | 2023-08-28 | 2023-10-31 | 首都医科大学附属北京世纪坛医院 | 一种生命体征监测分析方法、系统、终端及存储介质 |
CN117727456A (zh) * | 2023-12-28 | 2024-03-19 | 江苏智慧智能软件科技有限公司 | 一种基于人工智能的产科心理评估模型塑造系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104523263A (zh) * | 2014-12-23 | 2015-04-22 | 华南理工大学 | 基于移动互联网的孕产妇健康监护系统 |
WO2018071845A1 (en) * | 2016-10-13 | 2018-04-19 | Krishnamurti Tamar Priya | A structured medical data classification system for monitoring and remediating treatment risks |
CN109978022A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 一种医疗文本信息处理方法及装置、存储介质 |
CN110808097A (zh) * | 2019-10-30 | 2020-02-18 | 中国福利会国际和平妇幼保健院 | 一种妊娠期糖尿病预测系统及方法 |
CN111430024A (zh) * | 2020-01-06 | 2020-07-17 | 中南大学 | 一种用于疾病程度分类的数据决策方法及其系统 |
CN112259235A (zh) * | 2020-11-04 | 2021-01-22 | 广州万孚健康科技有限公司 | 一种孕期健康预测方法、系统和可读存储介质 |
CN112530590A (zh) * | 2020-12-02 | 2021-03-19 | 中国福利会国际和平妇幼保健院 | 一种基于5g的出生缺陷评估方法、装置及电子设备 |
US20210241916A1 (en) * | 2020-02-05 | 2021-08-05 | Informed Data Systems Inc. D/B/A One Drop | Forecasting and explaining user health metrics |
-
2022
- 2022-01-19 CN CN202210062159.0A patent/CN114388135B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104523263A (zh) * | 2014-12-23 | 2015-04-22 | 华南理工大学 | 基于移动互联网的孕产妇健康监护系统 |
WO2018071845A1 (en) * | 2016-10-13 | 2018-04-19 | Krishnamurti Tamar Priya | A structured medical data classification system for monitoring and remediating treatment risks |
CN109978022A (zh) * | 2019-03-08 | 2019-07-05 | 腾讯科技(深圳)有限公司 | 一种医疗文本信息处理方法及装置、存储介质 |
CN110808097A (zh) * | 2019-10-30 | 2020-02-18 | 中国福利会国际和平妇幼保健院 | 一种妊娠期糖尿病预测系统及方法 |
CN111430024A (zh) * | 2020-01-06 | 2020-07-17 | 中南大学 | 一种用于疾病程度分类的数据决策方法及其系统 |
US20210241916A1 (en) * | 2020-02-05 | 2021-08-05 | Informed Data Systems Inc. D/B/A One Drop | Forecasting and explaining user health metrics |
CN112259235A (zh) * | 2020-11-04 | 2021-01-22 | 广州万孚健康科技有限公司 | 一种孕期健康预测方法、系统和可读存储介质 |
CN112530590A (zh) * | 2020-12-02 | 2021-03-19 | 中国福利会国际和平妇幼保健院 | 一种基于5g的出生缺陷评估方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
B. N. LAKSHMI: "A comparative study of classification algorithms for predicting gestational risks in pregnant women", 《 2015 INTERNATIONAL CONFERENCE ON COMPUTERS, COMMUNICATIONS, AND SYSTEMS (ICCCS)》 * |
张烨: "妇幼保健疾病数据挖掘及可视化的研究", 《中国优秀硕士论文全文数据库》 * |
韩昕倬,厉晓帆等: "腹腔镜下不同术式在输卵管妊娠患者中的疗效及对卵巢储备功能的影响研究", 《川北医学院学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115083607A (zh) * | 2022-07-07 | 2022-09-20 | 武汉一格美容咨询有限公司 | 一种人体健康指标状况监测分析方法、系统及存储介质 |
CN115346339A (zh) * | 2022-10-14 | 2022-11-15 | 深圳市飞梵实业有限公司 | 一种临产妇健康监控系统及方法 |
CN115346339B (zh) * | 2022-10-14 | 2023-01-10 | 深圳市飞梵实业有限公司 | 一种临产妇健康监控系统及方法 |
CN116965785A (zh) * | 2023-08-28 | 2023-10-31 | 首都医科大学附属北京世纪坛医院 | 一种生命体征监测分析方法、系统、终端及存储介质 |
CN117727456A (zh) * | 2023-12-28 | 2024-03-19 | 江苏智慧智能软件科技有限公司 | 一种基于人工智能的产科心理评估模型塑造系统及方法 |
CN117727456B (zh) * | 2023-12-28 | 2024-05-24 | 江苏智慧智能软件科技有限公司 | 一种基于人工智能的产科心理评估模型塑造系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114388135B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114388135B (zh) | 一种孕妇指标数据分析方法、装置、设备及可读存储介质 | |
US10636524B2 (en) | Method and system for optimized wake-up strategy via sleeping stage prediction with recurrent neural networks | |
CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
Zorriassatine et al. | Using novelty detection to identify abnormalities caused by mean shifts in bivariate processes | |
US20230085991A1 (en) | Anomaly detection and filtering of time-series data | |
CN113438114B (zh) | 互联网系统的运行状态监控方法、装置、设备及存储介质 | |
Shafique et al. | Cardiovascular disease prediction system using extra trees classifier | |
CN116959725A (zh) | 一种多模态数据融合的疾病风险预测方法 | |
Jupri et al. | Data mining, fuzzy AHP and TOPSIS for optimizing taxpayer supervision | |
Cho et al. | Hierarchical anomaly detection using a multioutput Gaussian process | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN114386981A (zh) | 风险识别方法、装置、计算机设备及存储介质 | |
Ismail et al. | Comparative analysis of machine learning models for diabetes mellitus type 2 prediction | |
Pushkar et al. | A comparative study on change-point detection methods in time series data | |
KR102405900B1 (ko) | 시간 변동성 기반의 질환 연관성 요인 분석을 통한 질환 발병 정보 생성 장치 및 그 방법 | |
US20220198291A1 (en) | Systems and methods for event detection | |
Jader et al. | An Intelligent Gestational Diabetes Mellitus Recognition System Using Machine Learning Algorithms | |
CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
Poh et al. | Anomaly detection for home activity based on sequence pattern | |
US11769592B1 (en) | Classifier apparatus with decision support tool | |
Komalavalli et al. | An Effective Heart Disease Prediction Using Machine Learning | |
CN113593694A (zh) | 一种重症患者预后的预测方法 | |
Suleiman et al. | Effect of multicollinearity in predicting diabetes mellitus using statistical neural network |
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 |