CN114708964A - 一种基于智能特征分类的眩晕症辅助分析统计方法及系统 - Google Patents

Abstract

本申请公开了一种基于智能特征分类的眩晕症辅助分析统计方法及系统，通过根据眩晕历史数据集，获得预设分类规则；根据预设分类规则对眩晕历史数据集进行分类，获得眩晕数据分类集合；对眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；基于各类数据熵值，根据眩晕数据分类集合，构建分类决策模型；将用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。解决现有技术中由于眩晕的原因复杂且症状之间区别难度大，存在诊断时间长且诊断结果准确性不高的技术问题。达到了按照用户的眩晕信息进行眩晕分析，通过数据信息熵计算从数据的关联性进行科学分级预测，提高了眩晕的分析效率，辅助医生诊断的技术效果。

Description

一种基于智能特征分类的眩晕症辅助分析统计方法及系统

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于智能特征分类的眩晕症辅助分析统计方法及系统。

背景技术

眩晕是因机体对空间定位障碍而产生的一种动性或位置性错觉，它涉及多个学科。绝大多数人一生中均经历此症。据统计，眩晕症占内科门诊病人的5%，占耳鼻咽喉科门诊的15%。眩晕可分为真性眩晕和假性眩晕。真性眩晕是由眼、本体觉或前庭系统疾病引起的，有明显的外物或自身旋转感。假性眩晕多由全身系统性疾病引起，如心血管疾病、脑血管疾病、贫血、尿毒症、药物中毒、内分泌疾病及神经官能症等几乎都有轻重不等的头晕症状，患者感觉“飘飘荡荡”，没有明确转动感。由于眩晕的原因很多、表现症状相近，很难对眩晕的原因进行准确分析。

本申请发明人在实现本申请实施例中技术方案的过程中，发现上述技术至少存在如下技术问题：

现有技术中由于眩晕的原因复杂且症状之间区别难度大，存在诊断时间长且诊断结果准确性不高的技术问题。

发明内容

本申请的目的是提供一种基于智能特征分类的眩晕症辅助分析统计方法及系统，用以解决现有技术中由于眩晕的原因复杂且症状之间区别难度大，存在诊断时间长且诊断结果准确性不高的技术问题。达到了按照用户的眩晕信息进行眩晕分析，通过数据信息熵计算从数据的关联性进行科学分级预测，提高了眩晕的分析效率，辅助医生诊断，有助于提高诊断结果的可靠性的技术效果。

鉴于上述问题，本申请实施例提供了一种基于智能特征分类的眩晕症辅助分析统计方法及系统。

第一方面，本申请提供了一种基于智能特征分类的眩晕症辅助分析统计方法，所述方法包括：获得眩晕历史数据集；根据所述眩晕历史数据集，获得预设分类规则；根据所述预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；获得用户眩晕信息；将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。

另一方面，本申请还提供了一种基于智能特征分类的眩晕症辅助分析统计系统，用于执行如第一方面所述的一种基于智能特征分类的眩晕症辅助分析统计方法，所述系统包括：

第一获得单元：所述第一获得单元用于获得眩晕历史数据集；

第二获得单元：所述第二获得单元用于根据所述眩晕历史数据集，获得预设分类规则；

第三获得单元：所述第三获得单元用于根据所述预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；

第四获得单元：所述第四获得单元用于对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；

第一构建单元：所述第一构建单元用于基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；

第五获得单元：所述第五获得单元用于获得用户眩晕信息；

第六获得单元：所述第六获得单元用于将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。

第三方面，本申请实施例还提供了一种基于智能特征分类的眩晕症辅助分析统计系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述第一方面所述方法的步骤。

本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

1. 通过根据预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；获得用户眩晕信息；将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。达到了按照用户的眩晕信息进行眩晕分析，通过数据信息熵计算从数据的关联性进行科学分级预测，提高了眩晕的分析效率，辅助医生诊断，有助于提高诊断结果的可靠性的技术效果。

2. 通过根据所述眩晕感知信息，获得眩晕感知时长、眩晕感知部位；根据所述眩晕感知时长、所述记录时长信息，获得时长差值；根据所述时长差值，获得第一调整信息；根据所述眩晕特征记录，获得眩晕表情记录；根据所述眩晕表情记录、所述肢体幅度信息，获得眩晕预测部位；根据所述眩晕感知部位、所述眩晕预测部位，获得眩晕部位匹配结果；根据所述眩晕部位匹配结果，获得第二调整信息；根据所述第一调整信息、所述第二调整信息对所述眩晕感知信息、所述记录时长信息进行计算调整，获得所述用户眩晕信息。达到利用用户感知信息和图像提取的眩晕特征记录进行偏差值的计算，对用户的眩晕信息进行补充和调整，以实现利用图像的眩晕特征记录结合用户感知眩晕信息以提高用户眩晕信息的完整性和可靠性的技术效果。

3．通过获得眩晕环境信息；根据所述眩晕环境信息，获得环境特征信息；获得用户眩晕记录信息；根据所述用户眩晕记录信息，获得环境特征重复率；对所述环境特征信息进行熵计算，获得环境特征熵值；根据所述环境特征重复率、所述环境特征熵值，获得环境特征权重信息；当所述环境特征权重信息满足预设阈值时，根据所述环境特征信息，获得第二用户分析结果。达到了加入了环境因素的分析，以扩大眩晕分析原因的范围，增加用户分析结果的可靠性，避免造成分析偏差的技术效果。

4. 通过将环境特征信息加入分类决策模型中增加分级特征，完整了分类决策模型的分级特征，提高了模型分析的准确性、灵活度，达到了通过用户的眩晕信息结合环境特征信息进行综合眩晕分析，提高了眩晕的分析效率，提高诊断结果的可靠性的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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示例性的，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，还可以根据提供的附图获得其他的附图。

图1为本申请实施例的一种基于智能特征分类的眩晕症辅助分析统计方法的流程示意图；

图2为本申请实施例一种基于智能特征分类的眩晕症辅助分析统计方法中获得用户眩晕信息方法的流程示意图；

图3为本申请实施例中另一种基于智能特征分类的眩晕症辅助分析统计方法的流程示意图；

图4为本申请实施例中另一种基于智能特征分类的眩晕症辅助分析统计方法的流程示意图；

图5为本申请实施例一种基于智能特征分类的眩晕症辅助分析统计系统的结构示意图；

图6为本申请实施例示例性电子设备的结构示意图。

附图标记说明：第一获得单元11，第二获得单元12，第三获得单元13，第四获得单元14，第一构建单元15，第五获得单元16，第六获得单元17，总线300，接收器301，处理器302，发送器303，存储器304，总线接口305。

具体实施方式

本申请实施例通过提供一种基于智能特征分类的眩晕症辅助分析统计方法及系统，解决了现有技术中由于眩晕的原因复杂且症状之间区别难度大，存在诊断时间长且诊断结果准确性不高的技术问题。

下面，将参考附图对本申请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申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。

本申请提供的技术方案总体思路如下：

获得眩晕历史数据集；根据所述眩晕历史数据集，获得预设分类规则；根据所述预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；获得用户眩晕信息；将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。达到了按照用户的眩晕信息进行眩晕分析，通过数据信息熵计算从数据的关联性进行科学分级预测，提高了眩晕的分析效率，辅助医生诊断，有助于提高诊断结果的可靠性的技术效果。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

请参阅附图1，本申请实施例提供了一种基于智能特征分类的眩晕症辅助分析统计方法，所述方法包括：

步骤S100：获得眩晕历史数据集；

具体而言，眩晕历史数据集为出现过眩晕症状用户的历史记录数据的总和，包括了眩晕的发生、治疗、诊断、恢复等完整周期的各个阶段症状表现特征数据，眩晕历史数据集通过大数据进行数据下载，或者利用本地的数据、亦或者利用医疗机构的临床数据进行汇总获得。

步骤S200：根据所述眩晕历史数据集，获得预设分类规则；

进一步的，所述根据所述眩晕历史数据集，获得预设分类规则，步骤S200包括：

步骤S210：根据所述眩晕历史数据集，获得数据参数项；

步骤S220：根据所述数据参数项对所述眩晕历史数据集进行处理，构建眩晕数据表；

步骤S230：按照所述眩晕数据表中的数值特征逐行对眩晕数据表进行标记，所述数值特征为存在数值；

步骤S240：基于所述标记对数据参数项进行统计，获得参数统计值；

步骤S250：按照所述参数统计值由大至小对所述数据参数项进行排序，获得数据参数排序信息；

步骤S260：从所述数据参数排序信息中，获得预设排序参数信息；

步骤S270：根据所述预设排序参数信息，获得所述预设分类规则。

具体而言，按照获得的眩晕历史数据集的数据属性特征进行数据分类规则的确定，首先对眩晕历史数据集进行整理，按照数据集中包含的数据参数项进行分析处理，数据参数项为数据的属性特征，如症状信息、时间信息、程度信息、治疗手段、诊断结果、并发症、用户年龄信息等等，由于采集历史数据的来源和途径不同，会存在数据属性的差异性，为了便于进行数据的分析处理，首先对数据按照数据参数项进行整合，按照数据参数项逐行逐个对数据进行标记，按照数据参数标记结果，将具有相同参数标记的数据整合在一起，按照不同的参数标记将所有的数据整合为列表，构建眩晕数据表，即眩晕数据表包括数据参数项、每项数据参数项对应了各自参数相同的数据集合，然后对眩晕数据表对各数据参数项内的数据进行统计，得到数据参数项对应的数据数量，得到各个数据参数项对应的数据总量，并将这些总量进行排序，得到排序前几位的数据参数项，预设排序参数信息即为预设排名前几的参数信息，排名数按照数据的参数个数和需要进行对应分析的要求进行确定，如数据参数项包括了15个，选择其中排名前10的数据，将数据量太少的参数项进行筛除，得到数据量能够支撑分析要求的数据项，或者按照数据量的占比进行排序筛选要求，如需要数据量不少于50，则按照排序筛选至数据数量满足50以上的数据参数，得到预设排序参数信息，按照数据参数项的整合结果来确定选择对应的数据参数项进行分类，即满足分析数量支撑要求的数据进行对应的分类，如数据参数信息中仅个别的数据包含该参数项，有没有其他数据的支撑不满足分析要求，则将该数据项进行剔除，最后根据选择的预设排序参数信息对应的数据参数项确定预设分类规则。

步骤S300：根据所述预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；

具体而言，按照确定的预设分类规则对眩晕历史数据集中对应的数据进行分类，得到每个分类对应的数据集合，所述眩晕数据分类集合即按照预设分类规则的分类参数项对历史数据集进行分类的结果，其中包括了多个分类集合，数量与预设分类规则的参数项个数相对应。

步骤S400：对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；

具体而言，通过数据熵值的计算来确定选择哪个数据特征来划分特征空间，利用信息论编码中的信息熵计算公式对各分类数据集进行信息熵计算，得到各类数据熵值，信息熵越大，纯度越低，分类就越不“纯净”，可基于信息熵最小的特征进行分类，确保分类纯度较高，分类越“纯净”。

步骤S500：基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；

进一步的，所述基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型，步骤S500包括：

步骤S510：根据所述各类数据熵值，获得第一数据熵值，所述第一数据熵值为熵值由小到大排序首位的数据熵值；

步骤S520：根据所述第一数据熵值，确定第一分级特征；

步骤S530：获得第二数据熵值，所述第二数据熵值为在熵值排序中第二的数据熵值；

步骤S540：根据所述第二数据熵值，确定第二分级特征；

步骤S550：以此类推，确定第三分级特征、直到第N分级特征，其中，N为自然数；

步骤S560：根据所述第一分级特征、第二分级特征、直到第N分级特征，构建所述分类决策模型。

具体而言，按照计算得到的各类数据熵值进行数据熵值的排序，选择其中熵值最小的即第一数据熵值对应的数据参数项作为第一分级特征，按照第一分类特征将眩晕数据分类集合进行分割，得到子集，使得各个子集在第一分级特征这个当前的分类条件下最优的分类，接着选择第二数据熵值，第二数据熵值为排序在第一数据熵值之后的也就是次小的数据参数项，将该数据参数项作为第二分级特征，构建第二层分类，基于第二层分类对得到的子集进行对应分割，分到对应的分类中，以此类推不断继续按照分类选择的对应参数项的个数进行多层级的分类，构建多级分类决策模型，在各级进行子集分类时，如果这些子集已经能够被基本正确分类，那么继续构建下一级分类，并将这些子集分到所对应的这一级的分类中去。如果还有子集不能够被正确的分类，那么就对这些子集选择新的最优特征，继续对其进行分割，构建相应的节点，如果递归进行，直至所有训练数据子集被基本正确的分类，或者没有合适的特征为止，对所有的子集都被分到对应的类别中，得到对应的分类，则该分类决策模型即构建完成，这样可以根据输入的数据按照每一层级的分类对应的数据参数项进行对应的分类，得到输入的数据最终属于哪个类别即分类结果。如第一分级特征为眩晕部位信息，则先按照眩晕部位对特征进行分类，构成子集，第二分级特征为眩晕时长，则按照眩晕时长对子集按照时长进行分类，以此类推，直到完成全部分级的分类，得到该数据的分类结果，将诊断结果作为最终的分类输出，利用训练数据的诊断结果对模型进行监督学习，直到分类结果满足了训练数据中的诊断结果时，则完成分类决策模型的训练。在分类决策模型训练构建时，为了确保分类决策模型的准确性，利用递归算法对分类决策模型进行校验和修正，直到不能在进行递归为止，这样分类决策模型的训练数据分类更为准确，从而提高了分类决策模型的可靠性，利用分类决策模型对待分类的数据进行准确的分类处理。

步骤S600：获得用户眩晕信息；

进一步的，如图2所示，所述获得用户眩晕信息，步骤S600包括：

步骤S610：获得用户信息，所述用户信息包括：用户检查信息、用户描述信息；

步骤S620：根据所述用户描述信息，获得眩晕感知信息；

步骤S630：获得用户体态记录信息；

步骤S640：根据所述用户体态记录信息，获得眩晕特征记录，所述眩晕特征记录包括记录时长信息、肢体幅度信息；

步骤S650：根据所述眩晕感知信息、所述用户检查信息、所述记录时长信息、所述肢体幅度信息，获得所述用户眩晕信息。

具体而言，用户眩晕信息为用户提供的眩晕相关的信息，也可以通过采集设备进行对应的采集，采集设备包括语音、图像、文字采集，眩晕信息包括了采集到的现有数据、分析数据，现有数据为可以直观得到的数据，包括用户口头表述的数据、医院的检查报告数据等，通过用户进行语音描述或者提供病例证明、检查报告等，对其中的描述内容进行提取，得到用户描述信息、用户检查信息，这些数据是按照提供的资料可以直接进行提取获得的，不需要进行分析处理和转换。分析数据为通过图像采集设备进行采集的，利用采集的图像信息进行与眩晕特征相关的图像进行提取，如昏倒、扶头肢体动作，或者面部表情，按照眩晕特征对图像进行特征提取，得到其中与眩晕相关的信息，作为眩晕特征记录，其中对眩晕特征进行了对应的参数描述，包括眩晕时长、肢体幅度信息，眩晕时长为用户昏倒、或者脸部表情等相关眩晕相关识别信息的持续时间长度，肢体幅度信息包括倒地、颤抖、面部情绪等等不同程度的眩晕特征信息，利用用户眩晕感知信息、用户检查信息、记录时长信息、肢体幅度信息共同组成了用户眩晕信息。用户眩晕信息的类别也可以根据需要进行对应的设定，根据采集方式的不同采集到的数据类型和数量会存在差异性，按照采集数据的结果进行对应现有数据、分析数据的提取。用户眩晕信息须与分类决策模型的各级特征的参数项相对应，即包含所有分级特征。

步骤S700：将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。

具体而言，将采集得到的用户眩晕信息输入到分类决策模型中，对用户眩晕信息进行对应的分析，通过各级特征进行分类，得到该用户眩晕分析结果，所述第一用户分析结果即根据该用户的输入眩晕信息进行各级特征的分类，得到与该用户眩晕信息相匹配的眩晕诊断结果。根据第一分级特征对用户眩晕信息进行一级分类得到第一子集，再利用第二分级特征对第一子集进行分类，获得第二子集，继续利用第三分级特征对得到的第二子集进行分类，得到第三子集，持续进行多级分类，直到完成所有分类，输出该用户的眩晕分析结果即第一用户分析结果，第一用户分析结果为该用户眩晕的预测结果即预测诊断结果。实现按照用户的眩晕信息进行眩晕分析，通过数据信息熵计算从数据的关联性进行科学分级预测，提高了眩晕的分析效率，辅助医生诊断，有助于提高诊断结果的可靠性的技术效果，解决了现有技术中由于眩晕的原因复杂且症状之间区别难度大，存在诊断时间长且诊断结果准确性不高的技术问题。

进一步的，所述方法还包括：

步骤S810：获得眩晕知识数据库；

步骤S820：根据所述预设排序参数信息、所述眩晕知识数据库，获得眩晕关联性；

步骤S830：根据所述眩晕关联性、所述数据参数排序信息，获得综合排序信息；

步骤S840：从所述综合排序信息中筛选预设数量要求的数据参数，获得所述预设排序参数信息。

具体而言，在选择进行分类的参数时，除了按照参数项的数量进行确定外，本申请实施例还考虑到各数据参数项与眩晕之间的医学关联性，按照各数据参数项与眩晕病症之间的医学关联性上面进行选择和确定，按照眩晕知识数据库中的医学知识来进行眩晕关联症状分析关系确定，如心血管疾病、脑血管疾病、贫血、尿毒症、药物中毒、内分泌疾病及神经官能症等均会引起眩晕，则在选择参数时可以考虑将用户的病例作为分类参数项。又如眩晕呈间歇性反复发作，间歇数天、数月、数年不等，则将眩晕时长、间隔时间参数项作为分类参数项。再如眩晕的不同情况程度不同，常突然发生开始时眩晕即达到最严重程度，头部活动及睁眼时加剧，多伴有倾倒，因剧烈旋转感、运动感而呈惊恐状态，伴有耳鸣、耳聋、恶心、呕吐、面色苍白、脉搏缓慢、血压下降和眼球震颤，则将用户对应的症状、检查指标作为分类参数项，由于眩晕历史数据集要作为训练数据、测试数据对决策模型进行学习和构建，因而需要保证一定的数量级，同时要考虑数据参数项与眩晕之间的关联程度，因而在参数项数据的数量基础上结合数据参数项与眩晕的医学关联性共同进行预设排序参数信息的确定，以保证决策模型选择优选的特征参数进行训练和学习。

进一步的，如图3所示，所述方法还包括：

步骤S910：根据所述眩晕感知信息，获得眩晕感知时长、眩晕感知部位；

步骤S920：根据所述眩晕感知时长、所述记录时长信息，获得时长差值；

步骤S930：根据所述时长差值，获得第一调整信息；

步骤S940：根据所述眩晕特征记录，获得眩晕表情记录；

步骤S950：根据所述眩晕表情记录、所述肢体幅度信息，获得眩晕预测部位；

步骤S960：根据所述眩晕感知部位、所述眩晕预测部位，获得眩晕部位匹配结果；

步骤S970：根据所述眩晕部位匹配结果，获得第二调整信息；

步骤S980：根据所述第一调整信息、所述第二调整信息对所述眩晕感知信息、所述记录时长信息进行计算调整，获得所述用户眩晕信息。

具体而言，在对于同一个眩晕时间中，即图像采集设备记录的眩晕信息与用户的感知信息为同一个时间节点，对于同一个眩晕过程时，利用用户的眩晕感知信息与图像的眩晕特征记录进行比对，若存在用户的感知信息与所述眩晕特征记录之间存在偏差的，利用两者之间时长偏差生成第一调整信息，利用用户感知的部位特征集合图像分析得到眩晕预测部位进行比对，对于两者匹配度不满足要求的，即用户给出的部位和图像表现出的预测分析结果之间存在匹配偏差的，生成第二调整信息，利用第一调整信息、第二调整信息对对应的信息进行调整，即利用图像的眩晕特征记录结合用户的感知信息进行综合处理，以提高用户眩晕信息的可靠性。如用户感知眩晕的时间为1分钟，按照同时间同事件的图像采集设备得到的记录信息为3分钟，则利用两者之间的偏差2分钟对用户的感知时长进行调整，对于用户感知是耳鸣、头晕，通过图像的眩晕特征记录得到眼球震颤、脸色发白、手脚颤抖，用户没有提供的感知信息通过图像的眩晕特征记录得到了，图像采集的眩晕特征记录无法体现的特征而通过用户的感知眩晕信息进行获取，则利用用户感知信息和图像提取的眩晕特征记录进行偏差值的计算，对用户的眩晕信息进行补充和调整，以实现利用图像的眩晕特征记录结合用户感知眩晕信息以提高用户眩晕信息的完整性和可靠性。

进一步的，如图4所示，所述方法还包括：

步骤S1010：获得眩晕环境信息；

步骤S1020：根据所述眩晕环境信息，获得环境特征信息；

步骤S1030：获得用户眩晕记录信息；

步骤S1040：根据所述用户眩晕记录信息，获得环境特征重复率；

步骤S1050：对所述环境特征信息进行熵计算，获得环境特征熵值；

步骤S1060：根据所述环境特征重复率、所述环境特征熵值，获得环境特征权重信息；

步骤S1070：当所述环境特征权重信息满足预设阈值时，根据所述环境特征信息，获得第二用户分析结果。

具体而言，有些眩晕与用户所在的环境存在关联性，为了完善用户眩晕信息，确保数据的准确性和用户状态的贴合度，加入用户眩晕过程中的环境采集，环境采集利用天气预报、环境采集器对周围的环境进行采集，如污染物、含氧量、湿度、温度等，根据用户眩晕记录信息即用户出现眩晕的图像采集信息，与眩晕环境信息进行时间节点的匹配，若用户进行眩晕时眩晕环境信息出现了重复性，即环境信息存在共同性、重叠性时，则判断用户的熏晕和环境信息存在关联性，环境特征重复率即对环境参数出现的频率进行计算的结果，如污染物达到多大浓度，出现的重复率为80%，含氧量小于多大浓度时，出现眩晕的重复率为70%等等。当存在了重复率较高时，如超过50%则认为环境信息具有一定的影响性。再通过信息论编码中的信息熵计算公式对环境特征信息进行熵计算，按照熵值确定环境特征信息与眩晕之间的确定性，最后利用环境特征重复率、所述环境特征熵值得到用户的眩晕受到环境影响的环境特征权重信息，即用户眩晕是受环境影响的程度，按照环境特征权重信息给出用户第二用户分析结果，达到了加入了环境因素的分析，以扩大眩晕分析原因的范围，增加用户分析结果的可靠性，避免造成分析偏差的技术效果。

同时，除了利用分类决策模型进行用户眩晕的诊断分析外，还可以利用用户采集到的眩晕感知信息、眩晕特征记录结合、眩晕环境信息利用熵权法进行权重分析，根据计算得到的各数据的熵值进行权重分析，按照权重结合各数据的熵值得到各数据对应的权重值，选取权重值大的作为用户分析结果进行输出，或者按照各权重值选择排名前三的数据参数项作为输出结果，供医生进行辅助参考。

进一步的，所述方法还包括：

步骤S1110：根据所述第一用户分析结果、所述环境特征信息，获得特征关联性；

步骤S1120：判断所述特征关联性是否满足关联设定要求；

步骤S1130：当满足时，根据所述特征关联性、所述第一用户分析结果，获得第三用户分析结果；

步骤S1140：当不满足时，根据所述环境特征信息、所述用户眩晕信息，获得所述第三用户分析结果。

具体而言，利用环境特征信息对第一用户分析结果进行校验，若环境特征信息出现的重复率达到预设的阈值，如50%，则表明用户的眩晕与环境特征信息之间存在较大的关系，则按照第一用户分析结果和环境特征信息进行关联度分析，判断当前按照用户的眩晕信息是否得到的结果与环境特征信息存在一定的关系，若当前给出的结论与环境特征没有关系，则表明当前的分析结果存在一定的偏差，没有考虑到环境的影响情况，此时将环境特征信息对用户眩晕的影响结果加入到第一用户分析结果中进行调整，调整的过程可以将环境特征信息加入到分类决策模型中增加分级特征，从而实现了环境信息的加入，再输入用户信息时，同样加入环境信息，利用环境特征信息加入用户眩晕信息共同输入分类决策模型中，通过分类决策模型输出加入了环境特征信息的用户分析结果，完整各眩晕因素的分析，提高分析结果的可靠性。若第一用户分析结果与环境特征信息具有关联性，也就是说当前的分析结果存在受到环境特征的影响，则将所述特征关联性、所述第一用户分析结果作为第三用户分析结果进行输出。达到了通过用户的眩晕信息结合环境特征信息进行综合眩晕分析，通过数据信息熵计算从数据的关联性进行科学分级预测，提高了眩晕的分析效率，辅助医生诊断，有助于提高诊断结果的可靠性的技术效果。进一步解决了现有技术中由于眩晕的原因复杂且症状之间区别难度大，存在诊断时间长且诊断结果准确性不高的技术问题。

综上所述，本申请实施例所提供的一种基于智能特征分类的眩晕症辅助分析统计方法具有如下技术效果：

1. 通过根据预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；获得用户眩晕信息；将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。达到了按照用户的眩晕信息进行眩晕分析，通过数据信息熵计算从数据的关联性进行科学分级预测，提高了眩晕的分析效率，辅助医生诊断，有助于提高诊断结果的可靠性的技术效果。

2. 通过根据所述眩晕感知信息，获得眩晕感知时长、眩晕感知部位；根据所述眩晕感知时长、所述记录时长信息，获得时长差值；根据所述时长差值，获得第一调整信息；根据所述眩晕特征记录，获得眩晕表情记录；根据所述眩晕表情记录、所述肢体幅度信息，获得眩晕预测部位；根据所述眩晕感知部位、所述眩晕预测部位，获得眩晕部位匹配结果；根据所述眩晕部位匹配结果，获得第二调整信息；根据所述第一调整信息、所述第二调整信息对所述眩晕感知信息、所述记录时长信息进行计算调整，获得所述用户眩晕信息。达到利用用户感知信息和图像提取的眩晕特征记录进行偏差值的计算，对用户的眩晕信息进行补充和调整，以实现利用图像的眩晕特征记录结合用户感知眩晕信息以提高用户眩晕信息的完整性和可靠性的技术效果。

3．通过获得眩晕环境信息；根据所述眩晕环境信息，获得环境特征信息；获得用户眩晕记录信息；根据所述用户眩晕记录信息，获得环境特征重复率；对所述环境特征信息进行熵计算，获得环境特征熵值；根据所述环境特征重复率、所述环境特征熵值，获得环境特征权重信息；当所述环境特征权重信息满足预设阈值时，根据所述环境特征信息，获得第二用户分析结果。达到了加入了环境因素的分析，以扩大眩晕分析原因的范围，增加用户分析结果的可靠性，避免造成分析偏差的技术效果。

4. 通过将环境特征信息加入分类决策模型中增加分级特征，完整了分类决策模型的分级特征，提高了模型分析的准确性、灵活度，达到了通过用户的眩晕信息结合环境特征信息进行综合眩晕分析，提高了眩晕的分析效率，提高诊断结果的可靠性的技术效果。

实施例二

基于与前述实施例中一种基于智能特征分类的眩晕症辅助分析统计方法，同样发明构思，本发明还提供了一种基于智能特征分类的眩晕症辅助分析统计系统，请参阅附图5，所述系统包括：

第一获得单元11：所述第一获得单元11用于获得眩晕历史数据集；

第二获得单元12：所述第二获得单元12用于根据所述眩晕历史数据集，获得预设分类规则；

第三获得单元13：所述第三获得单元13用于根据所述预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；

第四获得单元14：所述第四获得单元14用于对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；

第一构建单元15：所述第一构建单元15用于基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；

第五获得单元16：所述第五获得单元16用于获得用户眩晕信息；

第六获得单元17：所述第六获得单元17用于将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。

进一步的，所述系统还包括：

第七获得单元：所述第七获得单元用于根据所述眩晕历史数据集，获得数据参数项；

第二构建单元：所述第二构建单元用于根据所述数据参数项对所述眩晕历史数据集进行处理，构建眩晕数据表；

第一标记单元：所述第一标记单元用于按照所述眩晕数据表中的数值特征逐行对眩晕数据表进行标记，所述数值特征为存在数值；

第八获得单元：所述第八获得单元用于基于所述标记对数据参数项进行统计，获得参数统计值；

第九获得单元：所述第九获得单元用于按照所述参数统计值由大至小对所述数据参数项进行排序，获得数据参数排序信息；

第十获得单元：所述第十获得单元用于从所述数据参数排序信息中，获得预设排序参数信息；

第十一获得单元：所述第十一获得单元用于根据所述预设排序参数信息，获得所述预设分类规则。

进一步的，所述系统还包括：

第十二获得单元：所述第十二获得单元用于获得眩晕知识数据库；

第十三获得单元：所述第十三获得单元用于根据所述预设排序参数信息、所述眩晕知识数据库，获得眩晕关联性；

第十四获得单元：所述第十四获得单元用于根据所述眩晕关联性、所述数据参数排序信息，获得综合排序信息；

第十五获得单元：所述第十五获得单元用于从所述综合排序信息中筛选预设数量要求的数据参数，获得所述预设排序参数信息。

进一步的，所述系统还包括：

第十六获得单元：所述第十六获得单元用于根据所述各类数据熵值，获得第一数据熵值，所述第一数据熵值为熵值由小到大排序首位的数据熵值；

第一确定单元：所述第一确定单元用于根据所述第一数据熵值，确定第一分级特征；

第十七获得单元：所述第十七获得单元用于获得第二数据熵值，所述第二数据熵值为在熵值排序中第二的数据熵值；

第二确定单元：所述第二确定单元用于根据所述第二数据熵值，确定第二分级特征；

第三确定单元：所述第三确定单元用于以此类推，确定第三分级特征、直到第N分级特征，其中，N为自然数；

第三构建单元：所述第三构建单元用于根据所述第一分级特征、第二分级特征、直到第N分级特征，构建所述分类决策模型。

进一步的，所述系统还包括：

第十八获得单元：所述第十八获得单元用于获得用户信息，所述用户信息包括：用户检查信息、用户描述信息；

第十九获得单元：所述第十九获得单元用于根据所述用户描述信息，获得眩晕感知信息；

第二十获得单元：所述第二十获得单元用于获得用户体态记录信息；

第二十一获得单元：所述第二十一获得单元用于根据所述用户体态记录信息，获得眩晕特征记录，所述眩晕特征记录包括记录时长信息、肢体幅度信息；

第二十二获得单元：所述第二十二获得单元用于根据所述眩晕感知信息、所述用户检查信息、所述记录时长信息、所述肢体幅度信息，获得所述用户眩晕信息。

进一步的，所述系统还包括：

第二十三获得单元：所述第二十三获得单元用于根据所述眩晕感知信息，获得眩晕感知时长、眩晕感知部位；

第二十四获得单元：所述第二十四获得单元用于根据所述眩晕感知时长、所述记录时长信息，获得时长差值；

第二十五获得单元：所述第二十五获得单元用于根据所述时长差值，获得第一调整信息；

第二十六获得单元：所述第二十六获得单元用于根据所述眩晕特征记录，获得眩晕表情记录；

第二十七获得单元：所述第二十七获得单元用于根据所述眩晕表情记录、所述肢体幅度信息，获得眩晕预测部位；

第二十八获得单元：所述第二十八获得单元用于根据所述眩晕感知部位、所述眩晕预测部位，获得眩晕部位匹配结果；

第二十九获得单元：所述第二十九获得单元用于根据所述眩晕部位匹配结果，获得第二调整信息；

第三十获得单元：所述第三十获得单元用于根据所述第一调整信息、所述第二调整信息对所述眩晕感知信息、所述记录时长信息进行计算调整，获得所述用户眩晕信息。

进一步的，所述系统还包括：

第三十一获得单元：所述第三十一获得单元用于获得眩晕环境信息；

第三十二获得单元：所述第三十二获得单元用于根据所述眩晕环境信息，获得环境特征信息；

第三十三获得单元：所述第三十三获得单元用于获得用户眩晕记录信息；

第三十四获得单元：所述第三十四获得单元用于根据所述用户眩晕记录信息，获得环境特征重复率；

第三十五获得单元：所述第三十五获得单元用于对所述环境特征信息进行熵计算，获得环境特征熵值；

第三十六获得单元：所述第三十六获得单元用于根据所述环境特征重复率、所述环境特征熵值，获得环境特征权重信息；

第三十七获得单元：所述第三十七获得单元用于当所述环境特征权重信息满足预设阈值时，根据所述环境特征信息，获得第二用户分析结果。

进一步的，所述系统还包括：

第三十八获得单元：所述第三十八获得单元用于根据所述第一用户分析结果、所述环境特征信息，获得特征关联性；

第一判断单元：所述第一判断单元用于判断所述特征关联性是否满足关联设定要求；

第三十九获得单元：所述第三十九获得单元用于当满足时，根据所述特征关联性、所述第一用户分析结果，获得第三用户分析结果；

第四十获得单元：所述第四十获得单元用于当不满足时，根据所述环境特征信息、所述用户眩晕信息，获得所述第三用户分析结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种基于智能特征分类的眩晕症辅助分析统计方法和具体实例同样适用于本实施例的一种基于智能特征分类的眩晕症辅助分析统计系统，通过前述对一种基于智能特征分类的眩晕症辅助分析统计方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于智能特征分类的眩晕症辅助分析统计系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

示例性电子设备

下面参考图6来描述本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的结构示意图。

基于与前述实施例中一种基于智能特征分类的眩晕症辅助分析统计方法的发明构思，本发明还提供一种基于智能特征分类的眩晕症辅助分析统计系统，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于智能特征分类的眩晕症辅助分析统计方法的任一方法的步骤。

其中，在图6中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。

处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。

本申请提供了一种基于智能特征分类的眩晕症辅助分析统计方法及系统，通过获得眩晕历史数据集；根据所述眩晕历史数据集，获得预设分类规则；根据所述预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；获得用户眩晕信息；将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。达到了按照用户的眩晕信息进行眩晕分析，通过数据信息熵计算从数据的关联性进行科学分级预测，提高了眩晕的分析效率，辅助医生诊断，有助于提高诊断结果的可靠性的技术效果。从而解决了现有技术中由于眩晕的原因复杂且症状之间区别难度大，存在诊断时间长且诊断结果准确性不高的技术问题。

本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全软件实施例、完全硬件实施例、或结合软件和硬件方面实施例的形式。此外，本申请为可以在一个或多个包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。而所述的计算机可用存储介质包括但不限于：U盘、移动硬盘、只读存储器（Read-0nly Memory，简称ROM）、随机存取存储器（Random AccessMemory，简称RAM）、磁盘存储器、只读光盘（Compact Disc Read-Only Memory，简称CD-ROM）、光学存储器等各种可以存储程序代码的介质。

本发明是参照本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的系统。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品，该指令系统实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于智能特征分类的眩晕症辅助分析统计方法，其特征在于，所述方法包括：

获得眩晕历史数据集；

根据所述眩晕历史数据集，获得预设分类规则；

根据所述预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；

对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；

基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；

获得用户眩晕信息；

将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。

2.如权利要求1所述的方法，其特征在于，所述根据所述眩晕历史数据集，获得预设分类规则，包括：

根据所述眩晕历史数据集，获得数据参数项；

根据所述数据参数项对所述眩晕历史数据集进行处理，构建眩晕数据表；

按照所述眩晕数据表中的数值特征逐行对眩晕数据表进行标记，所述数值特征为存在数值；

基于所述标记对数据参数项进行统计，获得参数统计值；

按照所述参数统计值由大至小对所述数据参数项进行排序，获得数据参数排序信息；

从所述数据参数排序信息中，获得预设排序参数信息；

根据所述预设排序参数信息，获得所述预设分类规则。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

获得眩晕知识数据库；

根据所述预设排序参数信息、所述眩晕知识数据库，获得眩晕关联性；

根据所述眩晕关联性、所述数据参数排序信息，获得综合排序信息；

从所述综合排序信息中筛选预设数量要求的数据参数，获得所述预设排序参数信息。

4.如权利要求1所述的方法，其特征在于，所述基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型，包括：

根据所述各类数据熵值，获得第一数据熵值，所述第一数据熵值为熵值由小到大排序首位的数据熵值；

根据所述第一数据熵值，确定第一分级特征；

获得第二数据熵值，所述第二数据熵值为在熵值排序中第二的数据熵值；

根据所述第二数据熵值，确定第二分级特征；

以此类推，确定第三分级特征、直到第N分级特征，其中，N为自然数；

根据所述第一分级特征、第二分级特征、直到第N分级特征，构建所述分类决策模型。

5.如权利要求1所述的方法，其特征在于，所述获得用户眩晕信息，包括：

获得用户信息，所述用户信息包括：用户检查信息、用户描述信息；

根据所述用户描述信息，获得眩晕感知信息；

获得用户体态记录信息；

根据所述用户体态记录信息，获得眩晕特征记录，所述眩晕特征记录包括记录时长信息、肢体幅度信息；

根据所述眩晕感知信息、所述用户检查信息、所述记录时长信息、所述肢体幅度信息，获得所述用户眩晕信息。

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

根据所述眩晕感知信息，获得眩晕感知时长、眩晕感知部位；

根据所述眩晕感知时长、所述记录时长信息，获得时长差值；

根据所述时长差值，获得第一调整信息；

根据所述眩晕特征记录，获得眩晕表情记录；

根据所述眩晕表情记录、所述肢体幅度信息，获得眩晕预测部位；

根据所述眩晕感知部位、所述眩晕预测部位，获得眩晕部位匹配结果；

根据所述眩晕部位匹配结果，获得第二调整信息；

根据所述第一调整信息、所述第二调整信息对所述眩晕感知信息、所述记录时长信息进行计算调整，获得所述用户眩晕信息。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

获得眩晕环境信息；

根据所述眩晕环境信息，获得环境特征信息；

获得用户眩晕记录信息；

根据所述用户眩晕记录信息，获得环境特征重复率；

对所述环境特征信息进行熵计算，获得环境特征熵值；

根据所述环境特征重复率、所述环境特征熵值，获得环境特征权重信息；

当所述环境特征权重信息满足预设阈值时，根据所述环境特征信息，获得第二用户分析结果。

8.如权利要求7所述的方法，其特征在于，所述方法还包括：

根据所述第一用户分析结果、所述环境特征信息，获得特征关联性；

判断所述特征关联性是否满足关联设定要求；

当满足时，根据所述特征关联性、所述第一用户分析结果，获得第三用户分析结果；

当不满足时，根据所述环境特征信息、所述用户眩晕信息，获得所述第三用户分析结果。

9.一种基于智能特征分类的眩晕症辅助分析统计系统，其特征在于，所述系统包括：

第一获得单元：所述第一获得单元用于获得眩晕历史数据集；

第二获得单元：所述第二获得单元用于根据所述眩晕历史数据集，获得预设分类规则；

第三获得单元：所述第三获得单元用于根据所述预设分类规则对所述眩晕历史数据集进行分类，获得眩晕数据分类集合；

第四获得单元：所述第四获得单元用于对所述眩晕数据分类集合中的各分类数据集分别进行熵计算，获得各类数据熵值；

第一构建单元：所述第一构建单元用于基于所述各类数据熵值，根据所述眩晕数据分类集合，构建分类决策模型；

第五获得单元：所述第五获得单元用于获得用户眩晕信息；

第六获得单元：所述第六获得单元用于将所述用户眩晕信息输入所述分类决策模型中，获得第一用户分析结果。

10.一种基于智能特征分类的眩晕症辅助分析统计系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1~8任一项所述方法的步骤。

Images