CN114496209A - 一种献血智能决策方法及系统 - Google Patents
一种献血智能决策方法及系统 Download PDFInfo
- Publication number
- CN114496209A CN114496209A CN202210149248.9A CN202210149248A CN114496209A CN 114496209 A CN114496209 A CN 114496209A CN 202210149248 A CN202210149248 A CN 202210149248A CN 114496209 A CN114496209 A CN 114496209A
- Authority
- CN
- China
- Prior art keywords
- blood
- module
- blood donation
- data
- donation
- 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
- 239000008280 blood Substances 0.000 title claims abstract description 199
- 210000004369 blood Anatomy 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003066 decision tree Methods 0.000 claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 11
- 239000000306 component Substances 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000012503 blood component Substances 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008733 trauma Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- External Artificial Organs (AREA)
Abstract
本发明属于辅助决策技术领域,公开了一种献血智能决策方法及系统,所述献血智能决策方法包括如下步骤:获取需要输血的患者输血相关数据,作为历史用户数据集;从所述历史用户数据集中获取原始特征;对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征;把原始特征和组合特征或者新特征一起进行模型训练;根据当前患者输血相关信息、献血量预测模型,确定献血量。本发明解决了有关血液存储期间面临无偿献血量不可知、临床用血量难预期的状况,能够对每个患者的输血量进行精确预测从而得知献血量,能够提高患者救治的成功率、减少死亡率。
Description
技术领域
本发明属于辅助决策技术领域,尤其涉及一种献血智能决策方法及系统。
背景技术
血液是人体不可缺少的重要组成部分,具有运输氧气、调节体温、pH值等重要功能。由于血液具有不可替代的特性,因此只能通过公众献血获得。根据世界卫生组织(WHO)的统计结果显示,由于血液具有易腐性,所以通常一个国家的献血者人数占全国人口的10%,才能够满足国家对安全血液的基本需求。目前有关血液的存储期间面临无偿献血量不可知、临床用血量难预期的状况。因此,迫切需要解决这种问题。
通过上述分析,现有技术存在的问题及缺陷为:
有关血液的存储期间面临无偿献血量不可知、临床用血量难预期的状况。因此,迫切需要解决这种问题。
发明内容
针对现有技术存在的问题,本发明提供了一种献血智能决策方法及系统。
本发明是这样实现的,一种献血智能决策方法及系统,其所述献血智能决策方法包括如下步骤:
S1、获取需要输血的患者输血相关数据,作为历史用户数据集;
S2、从所述历史用户数据集中获取原始特征;
S3、对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征;
S4、把原始特征和组合特征或者新特征一起进行模型训练;
S5、根据当前患者输血相关信息、献血量预测模型,确定献血量。
进一步,所述S1获取需要输血的患者输血相关数据通过无创监测仪采集大量创伤患者输血开始时和结束后的各参数信息。
进一步,所述S1中患者输血相关数据,作为历史用户数据集具体包括:患者输血开始时和结束后的各参数信息,作为用户基本信息数据子集,有关血监测的用户检查结果数据子集,医生诊断结果作为用户诊断信息数据子集,患者历史就诊的数据作为用户既往病史数据子集,输注血液成分作为血液数据子集。
进一步,所述S3具体包括包括:
S11、对所述原始特征采用分类回归树算法,生成原始决策树;
S12、将所述原始决策树放入决策树模型中,并将所述原始决策树作为当前决策树;
S13、基于所述数字化样本集,计算所述当前决策树的残差向量;
S14、依据所述残差向量拟合新的决策树,并将该新的决策树放入所述决策树模型中;
S15、若所述决策树模型中决策树的总数低于预设阈值,则将所述新的决策树作为所述当前决策树,返回所述基于所述原始特征,计算所述当前决策树的残差向量的步骤继续执行;若所述决策树模型中决策树的总数达到预设阈值,则停止拟合新的决策树;
S16、将所述决策树模型中每棵决策树的路径包含的特征作为组合特征或者重构新特征。
进一步,所述S4具体包括:根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户献血量量的特征参数集来训练献血量预测模型。
进一步,所述当前患者输血相关信息包括患者历史输血信息、既往病史、体征参数信息期望值。
本发明另一目的在于提供一种应用所述的献血智能决策方法的献血智能决策系统,所述献血智能决策系统具体包括:血液数据采集模块、血液特征获取模块、血液特征调整模块、献血量模型训练模块、中央控制模块、献血量确定模块、献血计划和记录模块、人机交互模块;
所述血液数据采集模块,与中央控制模块相连接,用于获取需要输血的患者输血相关数据,作为历史用户数据集;采集到的患者输血相关数据为电信号形式,经由A/D转换器转换为数字信号,经过传输线传输至中央控制模块进行处理,以便进行下一步工作;
所述血液特征获取模块,与中央控制模块相连接,用于从所述历史用户数据集中获取原始特征;使用机器学习方法进行数据集的特征获取,获取血液数据集的多维特征,通过KPCA主成分分析法对血液数据集的多维特征进行降维,得到血液数据集的主特征并存储;
所述血液特征调整模块,与中央控制模块相连接,用于对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征;为了使得更好的利用血液数据集特征,血液特征获取模块将提取的主成分特征传输至血液特征调整模块,工作人员将组合特征或者重构得到的新特征与主成分特征进行对比,若两种特征呈现高度相关,则可将重构特征或组合特征输入模型训练模块,否则不断调整组合特征或重构特征,直至与主成分特征呈现高度相关性;
所述献血量模型训练模块,与中央控制模块相连接,由服务器和训练程序构成,用于把原始特征和组合特征或者新特征一起进行模型训练,由训练程序向中央处理器发送索要数据的请求,该请求信息到达交换机,交换机发送至路由器,路由器发送至DNS服务器到达主控器的服务器,服务器接收到索要数据的请求,将所要训练的数据进行封装打包,原路返回至献血量模型训练模块,对数据进行解码,训练程序使用训练过的深度卷积神经网络对数据进行计算评估;
所述中央控制模块,与血液数据采集模块、血液特征获取模块、血液特征调整模块、献血量模型训练模块、献血量确定模块、献血计划和记录模块、人机交互模块相连接,主控制器对外部信号进行采集,通过分析处理后输出给输出通道,当外部需要模拟量输出时,系统经过D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作;
所述献血量确定模块,与中央控制模块相连接,用于根据当前患者输血相关信息、献血量预测模型,确定献血量;献血量确定模块向中央控制模块发送索要数据的请求,该请求信息到达交换机,交换机发送至路由器,路由器发送至DNS服务器到达主控器的服务器,服务器接收到索要数据的请求,将所要统计的数据进行封装打包,原路返回至献血量确定模块,由献血量确定模块服务器确定最终的献血量;
所述献血计划和记录模块,与中央控制模块相连接,用于对决策方法的生成记录以及应急方案的使用记录进行记录,并同时记录相应的方案效果,供后期查看和应急;
所述人机交互模块,与中央控制模块相连接,用于接收移动终端的传送的献血决策信息和献血决策方案以及献血应急方案的决策,并显示预警信息,决策方案信息,将数字信号进行解析显示到显示屏幕上。
进一步,所述通过KPCA主成分分析法对血液数据集的多维特征进行降维具体如下:
(1)对血液数据集的数据进行标准化处理:
(2)计算信道矩阵的协方差矩阵C:
(3)奇异值分解方法求协方差矩阵C的特征值和特征向量:C=UΣVT;U为AAT的单位化的特征向量,Σ为AAT或ATA的特征值的平方根,除对角线外,其他元素都是0,对角线上的元素称为奇异值,VT:V的转置矩阵,V为ATA的单位化的特征向量;
(4)对Σ确定的特征值进行排序,确定最大的k个特征值在矩阵中的位置,在U中找到对应位置的特征向量,将特征向量组成一组新的向量基。
本发明另一目的在于提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述献血智能决策方法的步骤。
本发明另一目的在于提供一种电子设备,其特征在于,包括:所述的献血智能决策系统。
本发明另一目的在于提供一种智能终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现所述的献血智能决策系统。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明的方法操作步骤清晰明了,系统中模块相互协调,解决了有关血液存储期间面临无偿献血量不可知、临床用血量难预期的状况,能够对每个患者的输血量进行精确预测从而得知献血量,能够提高患者救治的成功率、减少死亡率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的献血智能决策方法流程图;
图2是本发明实施例提供的对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征的流程图;
图3是本发明实施例提供的献血智能决策系统结构图;
图中:1、血液数据采集模块;2、血液特征获取模块;3、血液特征调整模块;4、献血量模型训练模块;5、中央控制模块;6、献血量确定模块;7、献血计划和记录模块;8、人机交互模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种献血智能决策方法及系统,下面结合附图对本发明作详细的描述。
如附图1-3所示,一种献血智能决策方法及系统,其所述献血智能决策方法包括如下步骤:
S1、获取需要输血的患者输血相关数据,作为历史用户数据集;
S2、从所述历史用户数据集中获取原始特征;
S3、对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征;
S4、把原始特征和组合特征或者新特征一起进行模型训练;
S5、根据当前患者输血相关信息、献血量预测模型,确定献血量。
所述S1获取需要输血的患者输血相关数据通过无创监测仪采集大量创伤患者输血开始时和结束后的各参数信息。
所述S1中患者输血相关数据,作为历史用户数据集具体包括:患者输血开始时和结束后的各参数信息,作为用户基本信息数据子集,有关血监测的用户检查结果数据子集,医生诊断结果作为用户诊断信息数据子集,患者历史就诊的数据作为用户既往病史数据子集,输注血液成分作为血液数据子集。
所述S3具体包括包括:
S11、对所述原始特征采用分类回归树算法,生成原始决策树;
S12、将所述原始决策树放入决策树模型中,并将所述原始决策树作为当前决策树;
S13、基于所述数字化样本集,计算所述当前决策树的残差向量;
S14、依据所述残差向量拟合新的决策树,并将该新的决策树放入所述决策树模型中;
S15、若所述决策树模型中决策树的总数低于预设阈值,则将所述新的决策树作为所述当前决策树,返回所述基于所述原始特征,计算所述当前决策树的残差向量的步骤继续执行;若所述决策树模型中决策树的总数达到预设阈值,则停止拟合新的决策树;
S16、将所述决策树模型中每棵决策树的路径包含的特征作为组合特征或者重构新特征。
所述S4具体包括:根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户献血量量的特征参数集来训练献血量预测模型。
所述当前患者输血相关信息包括患者历史输血信息、既往病史、体征参数信息期望值。
本发明实施例提供一种应用所述的献血智能决策方法的献血智能决策系统,所述献血智能决策系统具体包括:血液数据采集模块1、血液特征获取模块2、血液特征调整模块3、献血量模型训练模块4、中央控制模块5、献血量确定模块6、献血计划和记录模块7、人机交互模块8;
所述血液数据采集模块1,与中央控制模块相连接,用于获取需要输血的患者输血相关数据,作为历史用户数据集;采集到的患者输血相关数据为电信号形式,经由A/D转换器转换为数字信号,经过传输线传输至中央控制模块进行处理,以便进行下一步工作;
所述血液特征获取模块2,与中央控制模块相连接,用于从所述历史用户数据集中获取原始特征;使用机器学习方法进行数据集的特征获取,获取血液数据集的多维特征,通过KPCA主成分分析法对血液数据集的多维特征进行降维,得到血液数据集的主特征并存储;
所述血液特征调整模块3,与中央控制模块相连接,用于对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征;为了使得更好的利用血液数据集特征,血液特征获取模块将提取的主成分特征传输至血液特征调整模块,工作人员将组合特征或者重构得到的新特征与主成分特征进行对比,若两种特征呈现高度相关,则可将重构特征或组合特征输入模型训练模块,否则不断调整组合特征或重构特征,直至与主成分特征呈现高度相关性;
所述献血量模型训练模块4,与中央控制模块相连接,由服务器和训练程序构成,用于把原始特征和组合特征或者新特征一起进行模型训练,由训练程序向中央处理器发送索要数据的请求,该请求信息到达交换机,交换机发送至路由器,路由器发送至DNS服务器到达主控器的服务器,服务器接收到索要数据的请求,将所要训练的数据进行封装打包,原路返回至献血量模型训练模块,对数据进行解码,训练程序使用训练过的深度卷积神经网络对数据进行计算评估;
所述中央控制模块5,与血液数据采集模块、血液特征获取模块、血液特征调整模块、献血量模型训练模块、献血量确定模块、献血计划和记录模块、人机交互模块相连接,主控制器对外部信号进行采集,通过分析处理后输出给输出通道,当外部需要模拟量输出时,系统经过D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作;
所述献血量确定模块6,与中央控制模块相连接,用于根据当前患者输血相关信息、献血量预测模型,确定献血量;献血量确定模块向中央控制模块发送索要数据的请求,该请求信息到达交换机,交换机发送至路由器,路由器发送至DNS服务器到达主控器的服务器,服务器接收到索要数据的请求,将所要统计的数据进行封装打包,原路返回至献血量确定模块,由献血量确定模块服务器确定最终的献血量;
所述献血计划和记录模块7,与中央控制模块相连接,用于对决策方法的生成记录以及应急方案的使用记录进行记录,并同时记录相应的方案效果,供后期查看和应急;
所述人机交互模块8,与中央控制模块相连接,用于接收移动终端的传送的献血决策信息和献血决策方案以及献血应急方案的决策,并显示预警信息,决策方案信息,将数字信号进行解析显示到显示屏幕上。
进一步,所述通过KPCA主成分分析法对血液数据集的多维特征进行降维具体如下:
(1)对血液数据集的数据进行标准化处理:
(2)计算信道矩阵的协方差矩阵C:
(3)奇异值分解方法求协方差矩阵C的特征值和特征向量:C=UΣVT;U为AAT的单位化的特征向量,Σ为AAT或ATA的特征值的平方根,除对角线外,其他元素都是0,对角线上的元素称为奇异值,VT:V的转置矩阵,V为ATA的单位化的特征向量;
(4)对Σ确定的特征值进行排序,确定最大的k个特征值在矩阵中的位置,在U中找到对应位置的特征向量,将特征向量组成一组新的向量基。
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述献血智能决策方法的步骤。
本发明实施例提供一种电子设备,其特征在于,包括:所述的献血智能决策系统。
本发明实施例提供一种智能终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的献血智能决策系统。
本发明中使用血液数据采集模块获取用户的献血信息,通过参数组合来构成历史用户数据集,方便后续的模型训练,数据传输至中央控制模块,血液特征获取模块向中央控制模块获取原始数据集,从中使用机器学习方法获取数据集原始特征,同时使用KPCA主成分分析方法获得主特征,将原始特征与主特征传入中央控制模块,血液特征调整模块向中央控制模块获取原始特征、主特征,使用调整算法对原始特征进行重构特征、组合特征,并与主特征进行相关性分析,若两种特征呈现高度相关,则可将重构特征或组合特征输入模型训练模块,否则不断调整组合特征或重构特征,直至与主成分特征呈现高度相关性,将调整后的重构特征、组合特征输入神经网络模型中进行训练,得到组合训练结果,献血量确定模块获得当前患者输血相关信息、献血量预测模型的预测结果,使用服务器确定最终的献血量,献血智能决策方法及系统在实施的过程中产生的数据结果均会在鲜血计划和记录模块中,整个过程系统方法与工作人员通过人机交互模块进行指令的传输。
以上所述,仅为本发明较优的具体的实施方式,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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种献血智能决策方法,其特征在于,所述献血智能决策方法包括如下步骤:
S1、获取需要输血的患者输血相关数据,作为历史用户数据集;
S2、从所述历史用户数据集中获取原始特征;
S3、对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征;
S4、把原始特征和组合特征或者新特征一起进行模型训练;
S5、根据当前患者输血相关信息、献血量预测模型,确定献血量。
2.如权利要求1所述的献血智能决策方法,其特征在于,所述S1获取需要输血的患者输血相关数据通过无创监测仪采集大量创伤患者输血开始时和结束后的各参数信息,每个患者的参数信息均被打包到一起形成参数信息包,防止不同患者之间的信息混乱。
3.如权利要求1所述的献血智能决策方法,其特征在于,所述S1中患者输血相关数据,作为历史用户数据集具体包括:患者输血开始时和结束后的各参数信息,作为用户基本信息数据子集,有关血监测的用户检查结果数据子集,医生诊断结果作为用户诊断信息数据子集,患者历史就诊的数据作为用户既往病史数据子集,输注血液成分作为血液数据子集。
4.如权利要求1所述的献血智能决策方法,其特征在于,所述S3具体包括包括:
S11、对所述原始特征采用分类回归树算法,生成原始决策树;
S12、将所述原始决策树放入决策树模型中,并将所述原始决策树作为当前决策树;
S13、基于所述数字化样本集,计算所述当前决策树的残差向量;
S14、依据所述残差向量拟合新的决策树,并将该新的决策树放入所述决策树模型中;
S15、若所述决策树模型中决策树的总数低于预设阈值,则将所述新的决策树作为所述当前决策树,返回所述基于所述原始特征,计算所述当前决策树的残差向量的步骤继续执行;若所述决策树模型中决策树的总数达到预设阈值,则停止拟合新的决策树;
S16、将所述决策树模型中每棵决策树的路径包含的特征作为组合特征或者重构新特征。
5.如权利要求1所述的献血智能决策方法,其特征在于,所述S4具体包括:根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户献血量量的特征参数集来训练献血量预测模型。
6.如权利要求1所述的献血智能决策方法,其特征在于,所述当前患者输血相关信息包括患者历史输血信息、既往病史、体征参数信息期望值。
8.一种应用如权利要求1~6任意一项所述的献血智能决策方法的献血智能决策系统,其特征在于,所述献血智能决策系统具体包括:血液数据采集模块、血液特征获取模块、血液特征调整模块、献血量模型训练模块、中央控制模块、献血量确定模块、献血计划和记录模块、人机交互模块;
所述血液数据采集模块,与中央控制模块相连接,用于获取需要输血的患者输血相关数据,作为历史用户数据集;采集到的患者输血相关数据为电信号形式,经由A/D转换器转换为数字信号,经过传输线传输至中央控制模块进行处理,以便进行下一步工作;
所述血液特征获取模块,与中央控制模块相连接,用于从所述历史用户数据集中获取原始特征;使用机器学习方法进行数据集的特征获取,获取血液数据集的多维特征,通过KPCA主成分分析法对血液数据集的多维特征进行降维,得到血液数据集的主特征并存储;
所述血液特征调整模块,与中央控制模块相连接,用于对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征;为了使得更好的利用血液数据集特征,血液特征获取模块将提取的主成分特征传输至血液特征调整模块,工作人员将组合特征或者重构得到的新特征与主成分特征进行对比,若两种特征呈现高度相关,则可将重构特征或组合特征输入模型训练模块,否则不断调整组合特征或重构特征,直至与主成分特征呈现高度相关性;
所述献血量模型训练模块,与中央控制模块相连接,由服务器和训练程序构成,用于把原始特征和组合特征或者新特征一起进行模型训练,由训练程序向中央处理器发送索要数据的请求,该请求信息到达交换机,交换机发送至路由器,路由器发送至DNS服务器到达主控器的服务器,服务器接收到索要数据的请求,将所要训练的数据进行封装打包,原路返回至献血量模型训练模块,对数据进行解码,训练程序使用训练过的深度卷积神经网络对数据进行计算评估;
所述中央控制模块,与血液数据采集模块、血液特征获取模块、血液特征调整模块、献血量模型训练模块、献血量确定模块、献血计划和记录模块、人机交互模块相连接,主控制器对外部信号进行采集,通过分析处理后输出给输出通道,当外部需要模拟量输出时,系统经过D/A转换器转换成标准电信号进行输出用于控制各个模块正常工作;
所述献血量确定模块,与中央控制模块相连接,用于根据当前患者输血相关信息、献血量预测模型,确定献血量;献血量确定模块向中央控制模块发送索要数据的请求,该请求信息到达交换机,交换机发送至路由器,路由器发送至DNS服务器到达主控器的服务器,服务器接收到索要数据的请求,将所要统计的数据进行封装打包,原路返回至献血量确定模块,由献血量确定模块服务器确定最终的献血量;
所述献血计划和记录模块,与中央控制模块相连接,用于对决策方法的生成记录以及应急方案的使用记录进行记录,并同时记录相应的方案效果,供后期查看和应急;
所述人机交互模块,与中央控制模块相连接,用于接收移动终端的传送的献血决策信息和献血决策方案以及献血应急方案的决策,并显示预警信息,决策方案信息,将数字信号进行解析显示到显示屏幕上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149248.9A CN114496209B (zh) | 2022-02-18 | 2022-02-18 | 一种献血智能决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210149248.9A CN114496209B (zh) | 2022-02-18 | 2022-02-18 | 一种献血智能决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114496209A true CN114496209A (zh) | 2022-05-13 |
CN114496209B CN114496209B (zh) | 2022-09-27 |
Family
ID=81482605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210149248.9A Active CN114496209B (zh) | 2022-02-18 | 2022-02-18 | 一种献血智能决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114496209B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188206A (zh) * | 2022-12-06 | 2023-05-30 | 北京师范大学 | 一种基于决策树的司法案件判决结果预测方法 |
CN116895355A (zh) * | 2023-09-11 | 2023-10-17 | 山东优杰生物科技有限公司 | 用于采血车的血液采集电子信息管理系统及方法 |
Citations (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100062981A1 (en) * | 2007-01-31 | 2010-03-11 | Anders Jeppsson | Use of fibrinogen as a prophylactic treatment to prevent bleeding during and after surgery and as a biomarker to identify patient with an increased risk for excessive bleeding and blood transfusion |
US20140255923A1 (en) * | 2013-03-08 | 2014-09-11 | Progenika Biopharma S.A. | Discrimination of blood type variants |
CN105512670A (zh) * | 2015-11-04 | 2016-04-20 | 上海大学 | 基于keca特征降维和聚类的hrct周围神经分割 |
CN106203482A (zh) * | 2016-06-30 | 2016-12-07 | 东南大学 | 基于mRMR和KPCA的遥感图像特征降维方法 |
US20170119263A1 (en) * | 2015-11-04 | 2017-05-04 | Sharp Laboratories of America (SLA), Inc. | System and Method for Deriving a Pulse Wave Velocity-Blood pressure Transform |
CN107133915A (zh) * | 2017-04-21 | 2017-09-05 | 西安科技大学 | 一种基于学习的图像超分辨率重构方法 |
CN107154923A (zh) * | 2016-03-04 | 2017-09-12 | 中国矿业大学 | 一种基于多层极速学习机的网络入侵检测方法 |
CN107578812A (zh) * | 2017-09-01 | 2018-01-12 | 深圳市前海安测信息技术有限公司 | 血液入库信息管理系统和方法 |
CN107669256A (zh) * | 2017-11-13 | 2018-02-09 | 深圳先进技术研究院 | 连续血压的测量方法、装置和系统 |
CN107885085A (zh) * | 2017-11-14 | 2018-04-06 | 宁波大学 | 基于深度学习的复杂管道运行控制方法 |
CN108229571A (zh) * | 2018-01-15 | 2018-06-29 | 南京邮电大学 | 基于kpca算法与深度信念网络的苹果表面病变图像识别方法 |
CN108446937A (zh) * | 2018-01-18 | 2018-08-24 | 大象慧云信息技术有限公司 | 基于协同过滤算法的发票购销方推荐方法及装置 |
CN108511057A (zh) * | 2018-02-28 | 2018-09-07 | 北京和兴创联健康科技有限公司 | 输血量模型建立及预测方法、装置、设备及其存储介质 |
CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
CN108596413A (zh) * | 2017-10-12 | 2018-09-28 | 苏州大学文正学院 | 学生管理综合量化考评系统 |
EP3385715A1 (en) * | 2017-04-04 | 2018-10-10 | Medizinische Hochschule Hannover | Analytical process for predicting the therapeutic effect of bh3 mimetics |
CN108734206A (zh) * | 2018-05-10 | 2018-11-02 | 北京工业大学 | 一种基于深度参数学习的最大相关主成分分析方法 |
CN108764273A (zh) * | 2018-04-09 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 一种数据处理的方法、装置、终端设备及存储介质 |
CN108985555A (zh) * | 2018-06-06 | 2018-12-11 | 深圳市血之缘医疗科技有限公司 | 用户输血的评价方法及相关产品 |
CN109087697A (zh) * | 2018-06-27 | 2018-12-25 | 深圳市元征科技股份有限公司 | 一种献血监管方法、服务器及计算机可读介质 |
CN109087284A (zh) * | 2018-07-10 | 2018-12-25 | 重庆康华众联心血管病医院有限公司 | 一种心血管插管影像辅助检测装置及检测方法 |
CN109157211A (zh) * | 2018-08-14 | 2019-01-08 | 江苏师范大学 | 一种便携式心电在线智能监测诊断系统设计方法 |
CN109875547A (zh) * | 2019-02-19 | 2019-06-14 | 鄂东医疗集团市中心医院 | 一种智能心血管内科护理监视系统及方法 |
CN110297475A (zh) * | 2019-07-23 | 2019-10-01 | 北京工业大学 | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 |
CN110767316A (zh) * | 2019-09-06 | 2020-02-07 | 中国人民解放军总医院 | 一种创伤输血预测模型建立方法、确定输血量的方法及系统 |
CN111028944A (zh) * | 2019-12-16 | 2020-04-17 | 南昌大学第二附属医院 | 一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型 |
CN111027883A (zh) * | 2019-12-18 | 2020-04-17 | 北京化工大学 | 一种献血中心人员的智能调度方法及智能调度系统 |
CN111459144A (zh) * | 2020-05-01 | 2020-07-28 | 西北工业大学 | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 |
CN111477332A (zh) * | 2020-04-07 | 2020-07-31 | 江苏省血液中心 | 基于机器学习的献血人员识别与招募方法 |
CN111564211A (zh) * | 2020-04-30 | 2020-08-21 | 唐山启奥科技股份有限公司 | 输血智能决策系统、装置及方法 |
CN111598435A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法 |
CN112070008A (zh) * | 2020-09-09 | 2020-12-11 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
CN112116017A (zh) * | 2020-09-25 | 2020-12-22 | 西安电子科技大学 | 基于核保持的数据降维方法 |
CN112116512A (zh) * | 2020-09-07 | 2020-12-22 | 青岛市中心血站 | 基于互联网+的智慧型无偿献血服务系统 |
CN112256362A (zh) * | 2020-09-11 | 2021-01-22 | 四川九八村信息科技有限公司 | 具有可视化引导提示的智能采血方法、系统及智能采血仪 |
CN112289435A (zh) * | 2020-10-15 | 2021-01-29 | 浙江大学医学院附属妇产科医院 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统 |
CN112488205A (zh) * | 2020-11-30 | 2021-03-12 | 桂林电子科技大学 | 基于优化kpca算法的神经网络图像分类识别方法 |
CN112927772A (zh) * | 2021-02-24 | 2021-06-08 | 广东迈科医学科技股份有限公司 | 一种血液编码自动匹配方法及系统 |
CN113158793A (zh) * | 2021-03-15 | 2021-07-23 | 东北电力大学 | 一种基于多特征融合的多类运动想象脑电信号识别方法 |
CN113413163A (zh) * | 2021-08-24 | 2021-09-21 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
CN113537412A (zh) * | 2021-09-15 | 2021-10-22 | 山东大学 | 基于卷积神经网络的肺病听诊系统、信号处理方法及设备 |
-
2022
- 2022-02-18 CN CN202210149248.9A patent/CN114496209B/zh active Active
Patent Citations (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100062981A1 (en) * | 2007-01-31 | 2010-03-11 | Anders Jeppsson | Use of fibrinogen as a prophylactic treatment to prevent bleeding during and after surgery and as a biomarker to identify patient with an increased risk for excessive bleeding and blood transfusion |
US20140255923A1 (en) * | 2013-03-08 | 2014-09-11 | Progenika Biopharma S.A. | Discrimination of blood type variants |
CN105512670A (zh) * | 2015-11-04 | 2016-04-20 | 上海大学 | 基于keca特征降维和聚类的hrct周围神经分割 |
US20170119263A1 (en) * | 2015-11-04 | 2017-05-04 | Sharp Laboratories of America (SLA), Inc. | System and Method for Deriving a Pulse Wave Velocity-Blood pressure Transform |
CN107154923A (zh) * | 2016-03-04 | 2017-09-12 | 中国矿业大学 | 一种基于多层极速学习机的网络入侵检测方法 |
CN106203482A (zh) * | 2016-06-30 | 2016-12-07 | 东南大学 | 基于mRMR和KPCA的遥感图像特征降维方法 |
EP3385715A1 (en) * | 2017-04-04 | 2018-10-10 | Medizinische Hochschule Hannover | Analytical process for predicting the therapeutic effect of bh3 mimetics |
CN107133915A (zh) * | 2017-04-21 | 2017-09-05 | 西安科技大学 | 一种基于学习的图像超分辨率重构方法 |
CN107578812A (zh) * | 2017-09-01 | 2018-01-12 | 深圳市前海安测信息技术有限公司 | 血液入库信息管理系统和方法 |
CN108596413A (zh) * | 2017-10-12 | 2018-09-28 | 苏州大学文正学院 | 学生管理综合量化考评系统 |
CN107669256A (zh) * | 2017-11-13 | 2018-02-09 | 深圳先进技术研究院 | 连续血压的测量方法、装置和系统 |
CN107885085A (zh) * | 2017-11-14 | 2018-04-06 | 宁波大学 | 基于深度学习的复杂管道运行控制方法 |
CN108229571A (zh) * | 2018-01-15 | 2018-06-29 | 南京邮电大学 | 基于kpca算法与深度信念网络的苹果表面病变图像识别方法 |
CN108446937A (zh) * | 2018-01-18 | 2018-08-24 | 大象慧云信息技术有限公司 | 基于协同过滤算法的发票购销方推荐方法及装置 |
CN108511057A (zh) * | 2018-02-28 | 2018-09-07 | 北京和兴创联健康科技有限公司 | 输血量模型建立及预测方法、装置、设备及其存储介质 |
CN108764273A (zh) * | 2018-04-09 | 2018-11-06 | 中国平安人寿保险股份有限公司 | 一种数据处理的方法、装置、终端设备及存储介质 |
CN108498089A (zh) * | 2018-05-08 | 2018-09-07 | 北京邮电大学 | 一种基于深度神经网络的无创连续血压测量方法 |
CN108734206A (zh) * | 2018-05-10 | 2018-11-02 | 北京工业大学 | 一种基于深度参数学习的最大相关主成分分析方法 |
CN108985555A (zh) * | 2018-06-06 | 2018-12-11 | 深圳市血之缘医疗科技有限公司 | 用户输血的评价方法及相关产品 |
CN109087697A (zh) * | 2018-06-27 | 2018-12-25 | 深圳市元征科技股份有限公司 | 一种献血监管方法、服务器及计算机可读介质 |
CN109087284A (zh) * | 2018-07-10 | 2018-12-25 | 重庆康华众联心血管病医院有限公司 | 一种心血管插管影像辅助检测装置及检测方法 |
CN109157211A (zh) * | 2018-08-14 | 2019-01-08 | 江苏师范大学 | 一种便携式心电在线智能监测诊断系统设计方法 |
CN109875547A (zh) * | 2019-02-19 | 2019-06-14 | 鄂东医疗集团市中心医院 | 一种智能心血管内科护理监视系统及方法 |
CN110297475A (zh) * | 2019-07-23 | 2019-10-01 | 北京工业大学 | 一种基于四阶矩奇异值分解的间歇过程故障监测方法 |
CN110767316A (zh) * | 2019-09-06 | 2020-02-07 | 中国人民解放军总医院 | 一种创伤输血预测模型建立方法、确定输血量的方法及系统 |
CN111028944A (zh) * | 2019-12-16 | 2020-04-17 | 南昌大学第二附属医院 | 一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型 |
CN111027883A (zh) * | 2019-12-18 | 2020-04-17 | 北京化工大学 | 一种献血中心人员的智能调度方法及智能调度系统 |
CN111477332A (zh) * | 2020-04-07 | 2020-07-31 | 江苏省血液中心 | 基于机器学习的献血人员识别与招募方法 |
CN111564211A (zh) * | 2020-04-30 | 2020-08-21 | 唐山启奥科技股份有限公司 | 输血智能决策系统、装置及方法 |
CN111459144A (zh) * | 2020-05-01 | 2020-07-28 | 西北工业大学 | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 |
CN111598435A (zh) * | 2020-05-14 | 2020-08-28 | 北京工业大学 | 一种基于自适应特征选择及改进思维进化算法的质量趋势预测方法 |
CN112116512A (zh) * | 2020-09-07 | 2020-12-22 | 青岛市中心血站 | 基于互联网+的智慧型无偿献血服务系统 |
CN112070008A (zh) * | 2020-09-09 | 2020-12-11 | 武汉轻工大学 | 高光谱图像特征识别方法、装置、设备及存储介质 |
CN112256362A (zh) * | 2020-09-11 | 2021-01-22 | 四川九八村信息科技有限公司 | 具有可视化引导提示的智能采血方法、系统及智能采血仪 |
CN112116017A (zh) * | 2020-09-25 | 2020-12-22 | 西安电子科技大学 | 基于核保持的数据降维方法 |
CN112289435A (zh) * | 2020-10-15 | 2021-01-29 | 浙江大学医学院附属妇产科医院 | 一种基于机器学习和体检数据的妊娠期糖尿病筛查系统 |
CN112488205A (zh) * | 2020-11-30 | 2021-03-12 | 桂林电子科技大学 | 基于优化kpca算法的神经网络图像分类识别方法 |
CN112927772A (zh) * | 2021-02-24 | 2021-06-08 | 广东迈科医学科技股份有限公司 | 一种血液编码自动匹配方法及系统 |
CN113158793A (zh) * | 2021-03-15 | 2021-07-23 | 东北电力大学 | 一种基于多特征融合的多类运动想象脑电信号识别方法 |
CN113516297A (zh) * | 2021-05-26 | 2021-10-19 | 平安国际智慧城市科技股份有限公司 | 基于决策树模型的预测方法、装置和计算机设备 |
CN113413163A (zh) * | 2021-08-24 | 2021-09-21 | 山东大学 | 一种混合深度学习和低差异度森林的心音诊断系统 |
CN113537412A (zh) * | 2021-09-15 | 2021-10-22 | 山东大学 | 基于卷积神经网络的肺病听诊系统、信号处理方法及设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116188206A (zh) * | 2022-12-06 | 2023-05-30 | 北京师范大学 | 一种基于决策树的司法案件判决结果预测方法 |
CN116895355A (zh) * | 2023-09-11 | 2023-10-17 | 山东优杰生物科技有限公司 | 用于采血车的血液采集电子信息管理系统及方法 |
CN116895355B (zh) * | 2023-09-11 | 2023-12-08 | 山东优杰生物科技有限公司 | 用于采血车的血液采集电子信息管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114496209B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114496209B (zh) | 一种献血智能决策方法及系统 | |
CN111772619B (zh) | 一种基于深度学习的心搏识别方法、终端设备及存储介质 | |
US11517212B2 (en) | Electrocardiogram information dynamic monitoring method and dynamic monitoring system | |
CN107951485B (zh) | 基于人工智能自学习的动态心电图分析方法和装置 | |
RU2757048C1 (ru) | Способ и система оценки здоровья тела человека на основе данных большого объема о сне | |
CN110944577B (zh) | 一种血氧饱和度的检测方法与系统 | |
DE69926259T2 (de) | Diagnosewerkzeug mit verwendung eines prediktiven instrumentes | |
CN107242857A (zh) | 基于深度学习的智能中医综合诊疗系统 | |
CN109411041A (zh) | 心电信息处理方法和心电工作站系统 | |
CN113133752B (zh) | 基于心率变异分析的心理评估方法、系统、设备和介质 | |
CN107408144A (zh) | 医疗先兆事件估计 | |
CN111951965B (zh) | 基于时序知识图谱的全景式健康动态监测与预测系统 | |
CN109411042A (zh) | 心电信息处理方法和心电工作站 | |
US20160128638A1 (en) | System and method for detecting and quantifying deviations from physiological signals normality | |
Chen et al. | Machine learning method for continuous noninvasive blood pressure detection based on random forest | |
CN108847280A (zh) | 基于案例推理的智慧云医疗实时管理系统 | |
Pal et al. | Deep learning techniques for prediction and diagnosis of diabetes mellitus | |
CN105593860B (zh) | 用于确定复合评分分布的装置和患者健康状态确定器 | |
CN117542474A (zh) | 基于大数据的远程护理监测系统及方法 | |
CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
CN112582067A (zh) | 基于大数据的年龄估计模型训练、年龄估计方法和装置 | |
CN117158938A (zh) | 一种应用于智能手表的健康监测方法、装置及电子设备 | |
CN113223713A (zh) | 基于风险评估的动态监护方法、系统以及存储介质 | |
Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
Pimentel et al. | Human mental state monitoring in the wild: Are we better off with deeperneural networks or improved input features? |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220905 Address after: 266071 No. 9 Longde Road, Southern District, Qingdao City, Shandong Province Applicant after: QINGDAO BLOOD CENTER Address before: 266071 No.9, Longde Road, Qingdao, Shandong Province Applicant before: QINGDAO BLOOD CENTER Applicant before: Qingdao Situo Xinyuan Cell Medicine Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |