CN114842930A - 数据采集方法、装置、系统及计算机可读存储介质 - Google Patents
数据采集方法、装置、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114842930A CN114842930A CN202210762218.5A CN202210762218A CN114842930A CN 114842930 A CN114842930 A CN 114842930A CN 202210762218 A CN202210762218 A CN 202210762218A CN 114842930 A CN114842930 A CN 114842930A
- Authority
- CN
- China
- Prior art keywords
- topic
- interested
- data
- topics
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 87
- 238000013136 deep learning model Methods 0.000 claims description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 26
- 238000013480 data collection Methods 0.000 claims description 25
- 201000010099 disease Diseases 0.000 claims description 22
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 abstract description 29
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000638 stimulation Effects 0.000 description 24
- 239000003814 drug Substances 0.000 description 12
- 230000003993 interaction Effects 0.000 description 12
- 229940079593 drug Drugs 0.000 description 11
- 208000018737 Parkinson disease Diseases 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 208000021384 Obsessive-Compulsive disease Diseases 0.000 description 5
- 208000002193 Pain Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 208000019901 Anxiety disease Diseases 0.000 description 3
- 206010003805 Autism Diseases 0.000 description 3
- 208000020706 Autistic disease Diseases 0.000 description 3
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 3
- 230000036506 anxiety Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 206010013663 drug dependence Diseases 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000020016 psychiatric disease Diseases 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 208000011117 substance-related disease Diseases 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 206010022437 insomnia Diseases 0.000 description 2
- 208000024714 major depressive disease Diseases 0.000 description 2
- 230000007383 nerve stimulation Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000002600 positron emission tomography Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000007384 vagal nerve stimulation Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000020925 Bipolar disease Diseases 0.000 description 1
- 206010010904 Convulsion Diseases 0.000 description 1
- 206010012335 Dependence Diseases 0.000 description 1
- 206010018429 Glucose tolerance impaired Diseases 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000023105 Huntington disease Diseases 0.000 description 1
- 208000026350 Inborn Genetic disease Diseases 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 208000019695 Migraine disease Diseases 0.000 description 1
- 208000019022 Mood disease Diseases 0.000 description 1
- 208000016285 Movement disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 208000025966 Neurological disease Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 208000028683 bipolar I disease Diseases 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 210000002249 digestive system Anatomy 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000002567 electromyography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 201000006517 essential tremor Diseases 0.000 description 1
- 230000029142 excretion Effects 0.000 description 1
- 210000003194 forelimb Anatomy 0.000 description 1
- 230000002496 gastric effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002682 general surgery Methods 0.000 description 1
- 208000016361 genetic disease Diseases 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 230000006996 mental state Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 206010027599 migraine Diseases 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000001009 nucleus accumben Anatomy 0.000 description 1
- 208000001797 obstructive sleep apnea Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 210000000578 peripheral nerve Anatomy 0.000 description 1
- 238000000554 physical therapy Methods 0.000 description 1
- 208000028173 post-traumatic stress disease Diseases 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/355—Class or cluster creation or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
- G06F40/174—Form filling; Merging
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Library & Information Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供了数据采集方法、装置、系统及计算机可读存储介质,用于在临床试验过程中进行数据采集,所述方法包括:确定使用者的多个感兴趣题目;基于多个感兴趣题目的题目信息生成所述使用者对应的数据采集表单;利用感测设备感测患者的生物电信号,以获取所述患者的多个感测题目对应的待填充数据;获取所述患者的多个非感测题目对应的待填充数据;基于所述数据采集表单中的每个感兴趣题目的题目类型,利用所述患者的每个感兴趣题目对应的待填充数据填充所述数据采集表单中的每个感兴趣题目对应的待填充部分。根据不同的临床试验定向定制所需要的数据采集表单,解决数据易丢失、不方便保存以及多表格多系统带来的数据处理不方便的问题。
Description
技术领域
本申请涉及自动生成表单和数据采集的技术领域,尤其涉及数据采集方法、装置、系统及计算机可读存储介质。
背景技术
临床试验(Clinical Trial),指任何在人体(病人或健康志愿者)进行药物的系统性研究,以证实或揭示试验药物的作用、不良反应及/或试验药物的吸收、分布、代谢和排泄,目的是确定试验药物的疗效与安全性。现有的临床试验数据采集记录方式主要还是依靠纸质表格收集,或者,不同的临床试验通过不同的系统采集数据,这样会造成数据易丢失、不方便保存以及多表格多系统带来的数据处理不方便的问题。
专利CN113918699A公开了一种调查问卷的生成方法,包括:接收用户触发的携带有用户信息的调查问卷生成请求,并根据所述用户信息对所述用户进行身份验证;若身份验证通过,基于所述用户信息对所述用户进行权限验证;若权限验证通过,展示预设的调查问卷配置界面;其中,所述调查问卷配置界面包括调查题目菜单,所述调查题目菜单包括多种调查题目类型;接收所述用户触发的对于所述调查问卷配置界面中所述调查题目菜单的选择操作,得到对应的目标调查题目类型;在所述调查问卷配置界面中展示与所述目标调查题目类型对应的题目编辑区域;其中,所述题目编辑区域包括题目标题编辑区块与题目内容编辑区块;基于所述用户在所述题目编辑区域输入的编辑操作,得到与所述目标调查题目类型对应的目标调查题目;基于所述目标调查题目与预设的调查问卷模板,生成对应的目标调查问卷。上述方法能提高调查问卷生成的智能性与灵活性,但是每次生成新问卷的过程都需要重新编辑题目信息,使用起来较为不便。
基于此,本申请提供了数据采集方法、装置、系统及计算机可读存储介质,以解决上述现有技术中存在的问题。
发明内容
本申请的目的在于提供数据采集方法、装置、系统及计算机可读存储介质,根据不同的临床试验定向定制所需要的数据采集表单,解决数据易丢失、不方便保存以及多表格多系统带来的数据处理不方便的问题。
本申请的目的采用以下技术方案实现:
第一方面,本申请提供了一种数据采集方法,用于在临床试验过程中进行数据采集,所述方法包括:
确定使用者的多个感兴趣题目,多个感兴趣题目包括多个感测题目和多个非感测题目;
基于多个感兴趣题目的题目信息生成所述使用者对应的数据采集表单,所述数据采集表单包括每个感兴趣题目对应的待填充部分,所述题目信息包括题目描述和题目类型;
利用感测设备感测患者的生物电信号,以获取所述患者的多个感测题目对应的待填充数据;
获取所述患者的多个非感测题目对应的待填充数据;
基于所述数据采集表单中的每个感兴趣题目的题目类型,利用所述患者的每个感兴趣题目对应的待填充数据填充所述数据采集表单中的每个感兴趣题目对应的待填充部分。
该技术方案的有益效果在于:根据不同的临床试验定向定制所需要的数据采集表单,并将采集得到的电子数据填充至数据采集表单中,灵活性高,解决数据易丢失、不方便保存以及多表格多系统带来的数据处理不方便的问题,大大减少了临床数据的保存成本。
首先,以临床试验对应的医生个人或者医生团队作为使用者,确定使用者的多个感兴趣题目(如果感兴趣题目只有1个则自动生成表单带来的效率提升有限),这些感兴趣题目中部分是感测题目(即与感测到的生物电信号相关的题目),部分是非感测题目(与生物电信号无关的题目);基于上述感兴趣题目的题目信息(包括题目描述和题目类型)自动生成使用者对应的(临床试验)数据采集表单,所生成的数据采集表单包括每个感兴趣题目对应的待填充部分;在临床试验过程中,利用感测设备感测患者的生物电信号,从而获取该患者的多个感测题目对应的待填充数据;再获取该患者的非感测题目对应的待填充数据;在得到所有感兴趣题目对应的待填充数据后,填充数据采集表单中的每个感兴趣题目对应的待填充部分。
不同的临床试验所对应的使用者不同,此处使用者例如是该临床试验对应的一个医生或者多个医生组成的使用者。通用表单无法覆盖所有使用者的临床试验需求(针对抑郁症和帕金森病所需要采集的数据显然是不同的),因此,针对不同的使用者,可根据临床试验研究课题的不同,根据医生需求灵活性地自动生成定制化的数据采集表单(或者说问卷),适用于多中心临床试验(Multi-regional clinical trial),方便快捷,智能化程度高,定制化服务满足多样性需求。通过创建不同的使用者(对应不同的使用者),同一个临床试验可以有多个不同的临床试验中心,即同一个临床试验可以对应多个使用者,从而对应多套感兴趣题目,也即对应多个数据采集表单。在每个感兴趣题目设置待填充部分,将感测题目和非感测题目的待填充数据填充至数据采集表单,实现了在临床试验过程中进行数据采集的功能。
在一些可选的实施方式中,所述确定使用者的多个感兴趣题目,包括:
获取所述使用者中的每个医生的感兴趣题目,以获取所述使用者中的所有医生的感兴趣题目;
对所述使用者中的所有医生的感兴趣题目进行去重,以获取所述使用者的多个感兴趣题目。
该技术方案的有益效果在于:分别获取每个医生的感兴趣题目,从而获取所有医生的感兴趣题目,再对其进行去重,就能够得到使用者的多个感兴趣题目。这种感兴趣题目的获取方式简单快捷,效率高。
在一些可选的实施方式中,所述确定使用者的多个感兴趣题目,包括:
获取所述使用者的一个或多个标签;
基于题目库中的每个题目的标签与所述使用者的标签,获取所述题目库中的每个题目与所述使用者的标签相似度,所述题目库中的每个题目对应一个或多个标签;
从所述题目库中选择标签相似度最高的多个题目作为所述使用者的多个感兴趣题目。
该技术方案的有益效果在于:为使用者设置标签,并分别为题目库中的每个题目设置标签,采用标签匹配的方式评价每个题目和使用者之间的标签相似度,再从题目库中选择标签相似度最高的一些题目作为使用者的多个感兴趣题目,匹配程度高,维护难度低。题目库中的题目可以实现复用,而不需要每个使用者每次重新编辑生成题目信息,数据采集表单得以快速生成。
在一些可选的实施方式中,所述基于题目库中的每个题目的标签与所述使用者的标签,获取所述题目库中的每个题目与所述使用者的标签相似度,包括:
针对所述题目库中的每个题目,执行以下处理:
将所述题目的标签与所述使用者的标签输入标签相似度模型,以得到所述题目与所述使用者的标签相似度;
其中,所述标签相似度模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括第一样本对象的标签、第二样本对象的标签以及所述第一样本对象和所述第二样本对象的标签相似度的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的第一样本对象的标签和第二样本对象的标签输入预设的深度学习模型,以得到所述第一样本对象和所述第二样本对象的标签相似度的预测数据;
基于所述第一样本对象和所述第二样本对象的标签相似度的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;若是,则将训练出的深度学习模型作为所述标签相似度模型;若否,则利用下一个所述训练数据继续训练所述深度学习模型。
该技术方案的有益效果在于:标签相似度模型可以由大量的训练数据训练得到,能够针对不同的输入数据(即两个对象的标签)预测得到相应的输出数据(即两个对象的标签相似度),适用范围广,智能化水平高。通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的深度学习模型,通过该预设的深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的标签相似度模型,可以基于每个题目和使用者的标签分别获取每个题目和使用者的标签相似度,且计算结果准确性高、可靠性高。
在一些可选的实施方式中,所述从所述题目库中选择标签相似度最高的多个题目作为所述使用者的多个感兴趣题目,包括:
利用交互设备获取所述使用者对应的题目数量N,N是大于1的整数;
从所述题目库中选择标签相似度最高的N个题目作为所述使用者的多个感兴趣题目。
该技术方案的有益效果在于:题目数量N可以采用人工设定的方式,使用者可以通过交互设备进行题目数量的设定操作,从而确定感兴趣题目的数量。也就是说,在利用标签匹配的智能方式匹配得到题目库中的每个题目与使用者的标签相似度后,再结合人工设定的题目数量来确定多个感兴趣题目,这种智能和人工相结合的方式能够兼具处理效率高、贴近实际需求的优点,当使用者人工设定不同的题目数量时,可以分别生成简化版的数据采集表单和完整版的数据采集表单,满足实际应用中的多样性需求。
在一些可选的实施方式中,每个感兴趣题目的题目类型是文本框、文本域、单选、多选、下拉框或者附件上传;
当所述感兴趣题目的题目类型是文本框时,所述感兴趣题目的待填充部分采用文本框;
当所述感兴趣题目的题目类型是文本域时,所述感兴趣题目的待填充部分采用文本域;
当所述感兴趣题目的题目类型是单选时,所述感兴趣题目的待填充部分采用单选框;
当所述感兴趣题目的题目类型是多选时,所述感兴趣题目的待填充部分采用复选框;
当所述感兴趣题目的题目类型是下拉框时,所述感兴趣题目的待填充部分采用下拉框;
当所述感兴趣题目的题目类型是附件上传时,所述感兴趣题目的待填充部分采用附件上传控件。
该技术方案的有益效果在于:涵盖了问卷的多种题目类型,确认后可立即生成预设格式的问卷表单页面,方便快捷便于操作。
在一些可选的实施方式中,所述获取所述患者的多个非感测题目对应的待填充数据,包括:
获取所述患者的疾病信息;
对所述患者的疾病信息进行关键词提取,以获取所述患者的多个非感测题目对应的待填充数据。
该技术方案的有益效果在于:利用患者的疾病信息进行关键词提取,以获取该患者的非感测题目对应的待填充数据,也就是说,这些数据可以采用自动提取的方式获取,而不需要人工填写,进一步提升了临床试验电子数据采集的速度,智能化程度高,用户体验佳。
第二方面,本申请提供了一种数据采集装置,用于在临床试验过程中进行数据采集,所述装置包括处理器,所述处理器被配置成:
确定使用者的多个感兴趣题目,多个感兴趣题目包括多个感测题目和多个非感测题目;
基于多个感兴趣题目的题目信息生成所述使用者对应的数据采集表单,所述数据采集表单包括每个感兴趣题目对应的待填充部分,所述题目信息包括题目描述和题目类型;
利用感测设备感测患者的生物电信号,以获取所述患者的多个感测题目对应的待填充数据;
获取所述患者的多个非感测题目对应的待填充数据;
基于所述数据采集表单中的每个感兴趣题目的题目类型,利用所述患者的每个感兴趣题目对应的待填充数据填充所述数据采集表单中的每个感兴趣题目对应的待填充部分。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式确定使用者的多个感兴趣题目:
获取所述使用者中的每个医生的感兴趣题目,以获取所述使用者中的所有医生的感兴趣题目;
对所述使用者中的所有医生的感兴趣题目进行去重,以获取所述使用者的多个感兴趣题目。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式确定使用者的多个感兴趣题目:
获取所述使用者的一个或多个标签;
基于题目库中的每个题目的标签与所述使用者的标签,获取所述题目库中的每个题目与所述使用者的标签相似度,所述题目库中的每个题目对应一个或多个标签;
从所述题目库中选择标签相似度最高的多个题目作为所述使用者的多个感兴趣题目。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式获取所述题目库中的每个题目与所述使用者的标签相似度:
针对所述题目库中的每个题目,执行以下处理:
将所述题目的标签与所述使用者的标签输入标签相似度模型,以得到所述题目与所述使用者的标签相似度;
其中,所述标签相似度模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括第一样本对象的标签、第二样本对象的标签以及所述第一样本对象和所述第二样本对象的标签相似度的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的第一样本对象的标签和第二样本对象的标签输入预设的深度学习模型,以得到所述第一样本对象和所述第二样本对象的标签相似度的预测数据;
基于所述第一样本对象和所述第二样本对象的标签相似度的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;若是,则将训练出的深度学习模型作为所述标签相似度模型;若否,则利用下一个所述训练数据继续训练所述深度学习模型。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式获取所述使用者的多个感兴趣题目:
利用交互设备获取所述使用者对应的题目数量N,N是大于1的整数;
从所述题目库中选择标签相似度最高的N个题目作为所述使用者的多个感兴趣题目。
在一些可选的实施方式中,每个感兴趣题目的题目类型是文本框、文本域、单选、多选、下拉框或者附件上传;
当所述感兴趣题目的题目类型是文本框时,所述感兴趣题目的待填充部分采用文本框;
当所述感兴趣题目的题目类型是文本域时,所述感兴趣题目的待填充部分采用文本域;
当所述感兴趣题目的题目类型是单选时,所述感兴趣题目的待填充部分采用单选框;
当所述感兴趣题目的题目类型是多选时,所述感兴趣题目的待填充部分采用复选框;
当所述感兴趣题目的题目类型是下拉框时,所述感兴趣题目的待填充部分采用下拉框;
当所述感兴趣题目的题目类型是附件上传时,所述感兴趣题目的待填充部分采用附件上传控件。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式获取所述患者的多个非感测题目对应的待填充数据:
获取所述患者的疾病信息;
对所述患者的疾病信息进行关键词提取,以获取所述患者的多个非感测题目对应的待填充数据。
第三方面,本申请提供了一种数据采集系统,所述数据采集系统包括:
上述任一项数据采集装置;
感测设备,所述感测设备用于感测患者的生物电信号。
第四方面,本申请提供了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上述任一项方法的步骤或者实现上述任一项装置的功能。
附图说明
下面结合附图和实施方式对本申请进一步说明。
图1示出了本申请提供的一种数据采集系统的结构框图。
图2示出了本申请提供的一种数据采集方法的流程示意图。
图3示出了本申请提供的一种确定使用者的多个感兴趣题目的流程示意图。
图4示出了本申请提供的另一种确定使用者的多个感兴趣题目的流程示意图。
图5示出了本申请提供的一种数据采集装置的结构框图。
图6示出了本申请提供的一种程序产品的结构示意图。
具体实施方式
下面将结合本申请的说明书附图以及具体实施方式,对本申请中的技术方案进行描述,需要说明的是,在不相冲突的前提下,以下描述的各实施方式之间或各技术特征之间可以任意组合形成新的实施方式。
在本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,a和b,a和c,b和c,a和b和c,其中a、b和c可以是单个,也可以是多个。值得注意的是,“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
还需说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
下面,首先对本申请的其中一个应用领域(即植入式器械)进行简单说明。
植入式神经刺激系统(一种植入式医疗系统)主要包括植入患者体内的刺激器以及设置于患者体外的程控设备。现有的神经调控技术主要是通过立体定向手术在体内特定结构(即靶点)植入电极,并由植入患者体内的刺激器经电极向靶点发放电脉冲,调控相应神经结构和网络的电活动及其功能,从而改善症状、缓解病痛。其中,刺激器可以是植入式神经电刺激装置、植入式心脏电刺激系统(又称心脏起搏器)、植入式药物输注装置(Implantable Drug Delivery System,简称I DDS)和导线转接装置中的任意一种。植入式神经电刺激装置例如是脑深部电刺激系统(Deep Brain Stimulation,简称DBS)、植入式脑皮层刺激系统(Cortical Nerve Stimulation,简称CNS)、植入式脊髓电刺激系统(SpinalCord Stimulation,简称SCS)、植入式骶神经电刺激系统(Sacral Nerve Stimulation,简称SNS)、植入式迷走神经电刺激系统(Vagus Nerve Stimulation,简称VNS)等。
刺激器可以包括IPG、延伸导线和电极导线,IPG(implantable pulse generator,植入式脉冲发生器)设置于患者体内,依靠密封电池和电路向体内组织提供可控制的电刺激能量,通过植入的延伸导线和电极导线,为体内组织的特定区域递送一路或两路可控制的特定电刺激。延伸导线配合IPG使用,作为电刺激信号的传递媒体,将IPG产生的电刺激信号,传递给电极导线。电极导线通过多个电极触点,向体内组织的特定区域递送电刺激。刺激器设置有单侧或双侧的一路或多路电极导线,电极导线上设置有多个电极触点,电极触点可以均匀排列或者非均匀排列在电极导线的周向上。作为一个示例,电极触点可以以4行3列的阵列(共计12个电极触点)排列在电极导线的周向上。电极触点可以包括刺激电极触点和/或采集电极触点。电极触点例如可以采用片状、环状、点状等形状。
在一些可能的实现方式中,受刺激的体内组织可以是患者的脑组织,受刺激的部位可以是脑组织的特定部位。当患者的疾病类型不同时,受刺激的部位一般来说是不同的,所使用的刺激触点(单源或多源)的数量、一路或多路(单通道或多通道)特定电刺激信号的运用以及刺激参数数据也是不同的。本申请对适用的疾病类型不做限定,其可以是脑深部刺激(DBS)、脊髓刺激(SCS)、骨盆刺激、胃刺激、外周神经刺激、功能性电刺激所适用的疾病类型。其中,DBS可以用于治疗或管理的疾病类型包括但不限于:痉挛疾病(例如,癫痫)、疼痛、偏头痛、精神疾病(例如,重度抑郁症(MDD))、躁郁症、焦虑症、创伤后压力心理障碍症、轻郁症、强迫症(OCD)、行为障碍、情绪障碍、记忆障碍、心理状态障碍、移动障碍(例如,特发性震颤或帕金森氏病)、亨廷顿病、阿尔茨海默症、药物成瘾症、自闭症或其他神经学或精神科疾病和损害。当DBS用于治疗药物成瘾症患者时,可以帮助吸毒人员戒毒,提升他们的幸福感和生命质量。
本申请中,程控设备和刺激器建立程控连接时,可以利用程控设备调整刺激器的刺激参数(不同的刺激参数所对应的电刺激信号不同),也可以通过刺激器感测患者脑深部的生物电活动以采集得到生物电信号,并可以通过所采集到的生物电信号来继续调节刺激器的电刺激信号的刺激参数。
程控设备可以是医生程控器(即医生使用的程控设备)或者患者程控器(即患者使用的程控设备)。程控设备例如可以是平板电脑、笔记本电脑、台式计算机、手机等智能终端设备。
本申请对医生程控器和刺激器的数据交互不进行限制,当医生远程程控时,医生程控器可以通过服务器、患者程控器与刺激器进行数据交互。当医生线下和患者面对面进行程控时,医生程控器可以通过患者程控器与刺激器进行数据交互,医生程控器还可以直接与刺激器进行数据交互。
患者程控器可以包括(与服务器通信的)主机和(与刺激器通信的)子机,主机和子机可通信的连接。其中,医生程控器可以通过3G/4G/5G网络与服务器进行数据交互,服务器可以通过3G/4G/5G网络与主机进行数据交互,主机可以通过蓝牙协议/WIFI协议/USB协议与子机进行数据交互,子机可以通过401MHz-406MHz工作频段/2.4GHz-2.48GHz工作频段与刺激器进行数据交互,医生程控器可以通过401MHz-406MHz工作频段/2.4GHz-2.48GHz工作频段与刺激器直接进行数据交互。
除了上述植入式器械的应用领域,本申请还可以应用于其他医疗器械甚至非医疗器械的技术领域,本申请不对此设限,只要涉及实时采集和存储数据的场合均可应用。也就是说,本申请中的临床试验,可以是上述涉及植入式器械的临床试验,也可以是其他临床试验。
系统实现方式
参见图1,图1示出了本申请提供的一种数据采集系统的结构框图。
本申请提供了一种数据采集系统,所述数据采集系统包括:
数据采集装置10;
感测设备20,所述感测设备用于感测患者的生物电信号。
数据采集系统(即临床试验电子数据采集系统)是一套提供给临床医生使用的系统,可根据试验研究课题的不同,灵活性定制数据采集表单,是一个多临床多中心的电子数据采集系统。通过创建不同的使用者(即临床试验团队,临床试验团队可以包括一个或多个医生),可以建立多临床的研究试验,同一个临床试验可以有多个不同的临床试验中心。
该数据采集系统可以提供具有高度灵活性、允许用户自定义的数据采集表单(或者说数据采集问卷、临床试验问卷),使用者可以根据不同的临床试验,如抑郁症试验、强迫症试验、成瘾性疾病试验等,自定义设置表单题目,输入题目描述,选择题目类型,根据医生需求定制化表单。该数据采集系统能够提供多种题目类型,如文本框、文本域、单选、多选、下拉框、附件上传等,基本涵盖了常用于表单的所有题目类型,确认后可立即生成预设格式的表单页面,方便快捷便于操作。
医生可在该数据采集系统的管理后台通过不同的标签,读取对应的表单题目进行模块化管理,临床医生可以对多个不同临床试验或者同个临床试验的多个不同中心,进行多临床多中心的数据采集操作,如果在临床试验中发现不符合流程规范的地方,也可以对预设表单进行调整,以便达到临床试验的目的。
本申请对感测设备20不作限定,其例如可以包括刺激器、体外采集仪、电极帽、智能手环、智能手表、智能背心、智能短裤、智能理疗仪、智能按摩椅中的一种或多种。
上述产品使用电极片或者电极触点实时感测人体体内或体外的生物电信号,也就是说,可以通过感测设备20实时感测人体的生物电信号,并进行存储,方便用户个人基于自身的性能需求和成本需求选择适合的一种或多种感测设备20,以完成生物电信号的采集。
在一些可选的实施方式中,所述感测设备是刺激器,所述刺激器植入于人体体内。
本申请中,所述数据采集装置10可以被配置成实现数据采集方法的步骤,下文将先对数据采集方法进行说明,再对数据采集装置10进行说明。
方法实现方式
参见图2,图2示出了本申请提供的一种数据采集方法的流程示意图。
本申请提供了一种数据采集方法,用于在临床试验过程中进行数据采集,所述方法包括:
步骤S101:确定使用者的多个感兴趣题目,多个感兴趣题目包括多个感测题目和多个非感测题目;
步骤S102:基于多个感兴趣题目的题目信息生成所述使用者对应的数据采集表单,所述数据采集表单包括每个感兴趣题目对应的待填充部分,所述题目信息包括题目描述和题目类型;
步骤S103:利用感测设备感测患者的生物电信号,以获取所述患者的多个感测题目对应的待填充数据;
步骤S104:获取所述患者的多个非感测题目对应的待填充数据;
步骤S105:基于所述数据采集表单中的每个感兴趣题目的题目类型,利用所述患者的每个感兴趣题目对应的待填充数据填充所述数据采集表单中的每个感兴趣题目对应的待填充部分。
由此,根据不同的临床试验定向定制所需要的数据采集表单,并将采集得到的电子数据填充至数据采集表单中,灵活性高,解决数据易丢失、不方便保存以及多表格多系统带来的数据处理不方便的问题,大大减少了临床数据的保存成本。
首先,以临床试验对应的医生个人或者医生团队作为使用者,确定使用者的多个感兴趣题目(如果感兴趣题目只有1个则自动生成表单带来的效率提升有限),这些感兴趣题目中部分是感测题目(即与感测到的生物电信号相关的题目),部分是非感测题目(与生物电信号无关的题目);基于上述感兴趣题目的题目信息(包括题目描述和题目类型)自动生成使用者对应的(临床试验)数据采集表单,所生成的数据采集表单包括每个感兴趣题目对应的待填充部分;在临床试验过程中,利用感测设备感测患者的生物电信号,从而获取该患者的多个感测题目对应的待填充数据;再获取该患者的非感测题目对应的待填充数据;在得到所有感兴趣题目对应的待填充数据后,填充数据采集表单中的每个感兴趣题目对应的待填充部分。
不同的临床试验所对应的使用者不同,此处使用者例如是该临床试验对应的一个医生或者多个医生组成的使用者。通用表单无法覆盖所有使用者的临床试验需求(针对抑郁症和帕金森病所需要采集的数据显然是不同的),因此,针对不同的使用者,可根据临床试验研究课题的不同,根据医生需求灵活性地自动生成定制化的数据采集表单(或者说问卷),适用于多中心临床试验(Multi-regional clinical trial),方便快捷,智能化程度高,定制化服务满足多样性需求。通过创建不同的使用者(对应不同的使用者),同一个临床试验可以有多个不同的临床试验中心,即同一个临床试验可以对应多个使用者,从而对应多套感兴趣题目,也即对应多个数据采集表单。在每个感兴趣题目设置待填充部分,将感测题目和非感测题目的待填充数据填充至数据采集表单,实现了在临床试验过程中进行数据采集的功能。
本申请中的多个,是指大于1个,包括2个和大于2个的情况。
本申请对感兴趣题目的数量不作限定,其例如可以是2个、3个、5个、8个、10个、15个、20个、30个、50个、100个、150个、200个、1000个等。
本申请对感测题目、非感测题目的数量不作限定,二者之和等于感兴趣题目的数量。
本申请中的感测题目是指与感测到的生理电信号有关的题目,例如是生理电信号的电压幅值、脉宽、频率、类型、对应的生理状态、对应的疼痛评分、对应的发病状态等。
生理电信号的电压幅值例如是微伏数量级的30μV、60μV、80μV等,脉宽例如可以是50μs、60μs、70μs等,频率例如可以是100Hz、130Hz、150Hz等。
生理电信号的类型例如可以是脑电信号、心电信号、肌电信号、眼电信号等。
生理电信号对应的生理状态例如可以是发病、正常、饭后、运动中、睡眠等。
生理电信号对应的疼痛评分例如可以采用百分制,其例如可以是78、85、99等,数值越大表明患者的疼痛感越强烈。
生理电信号对应的发病状态例如可以是发病、未发病,又例如可以分为轻度、中度、重度等。
相应的,非感测题目是指与生理电信号无关(或者说无直接关系)的题目,例如是患者的姓名、身份证号、年龄、性别、民族、住址、血型、主诉、症状、病史信息、评分量表、随访记录、家族遗传病信息、心情、舒适程度、饮食记录、用药记录、复诊记录、对医生的意见和建议等。
评分量表例如可以是统一帕金森氏症评定量表或者UPD评分量表。统一帕金森氏症评定量表(英文全称为The unified Parkinson's disease rating scale,也被称为UPDRS评分量表或UPD评分量表),是用来纵向衡量帕金森氏症发展情形的估量表。UPD评分量表(英语:rating scale)是临床研究帕金森氏症中最常用的评分量表。
除了帕金森病对应的上述两种评分量表,针对其他疾病类型或者其他应用场景也可以设置有对应的评分量表。例如针对抑郁症的抑郁症症状快速自评量表,针对失眠的失眠严重程度指数量表(ISI),针对孤独症的儿童孤独症评定量表(CARS),针对焦虑症的汉密顿焦虑量表(HAMA),针对糖尿病的成人糖尿病前期人群筛查简易评分表(PRISQ评分),针对睡眠呼吸暂停的阻塞性睡眠呼吸暂停筛查评分表(NoSAS评分),针对自理能力的患者自理能力评估表等。
本申请中,步骤S104可以包括:利用交互设备接收输入操作,响应于所述输入操作,获取所述患者的多个非感测题目对应的待填充数据;或者,
利用交互设备接收导入操作,响应于所述导入操作,从本地、云端或者外部存储设备中导入所述患者的多个非感测题目对应的待填充数据;或者,
获取所述患者的患者数据,对所述患者的患者数据进行关键词提取,以得到所述患者的多个非感测题目对应的待填充数据。
其中,患者数据例如可以包括联网系统中可以查询得到的同一患者产生的所有数据,包括文本数据、医学影像数据、摄像头采集得到的图像数据、程控记录、数据采集记录等。
本申请中,步骤S105可以包括:基于所述数据采集表单中的每个感测题目的题目类型,利用所述患者的每个感测题目对应的待填充数据填充所述数据采集表单中的每个感测题目对应的待填充部分;
基于所述数据采集表单中的每个非感测题目的题目类型,利用所述患者的每个非感测题目对应的待填充数据填充所述数据采集表单中的每个非感测题目对应的待填充部分。
参见图3,图3示出了本申请提供的一种确定使用者的多个感兴趣题目的流程示意图。
在一些可选的实施方式中,所述步骤S101可以包括:
步骤S201:获取所述使用者中的每个医生的感兴趣题目,以获取所述使用者中的所有医生的感兴趣题目;
步骤S202:对所述使用者中的所有医生的感兴趣题目进行去重,以获取所述使用者的多个感兴趣题目。
由此,分别获取每个医生的感兴趣题目,从而获取所有医生的感兴趣题目,再对其进行去重,就能够得到使用者的多个感兴趣题目。这种感兴趣题目的获取方式简单快捷,效率高。
参见图4,图4示出了本申请提供的另一种确定使用者的多个感兴趣题目的流程示意图。
在一些可选的实施方式中,所述步骤S101可以包括:
步骤S301:获取所述使用者的一个或多个标签;
步骤S302:基于题目库中的每个题目的标签与所述使用者的标签,获取所述题目库中的每个题目与所述使用者的标签相似度,所述题目库中的每个题目对应一个或多个标签;
步骤S303:从所述题目库中选择标签相似度最高的多个题目作为所述使用者的多个感兴趣题目。
由此,为使用者设置标签,并分别为题目库中的每个题目设置标签,采用标签匹配的方式评价每个题目和使用者之间的标签相似度,再从题目库中选择标签相似度最高的一些题目作为使用者的多个感兴趣题目,匹配程度高,维护难度低。题目库中的题目可以实现复用,而不需要每个使用者每次重新编辑生成题目信息,数据采集表单得以快速生成。
本申请中,使用者的标签可以是人工设定的,例如是“精神类疾病”、“戒毒”、“强迫症”、“抑郁症”、“精神科”、“消化内科”、“普通外科”、“口腔科”、“康复医学”、“A医院”、“B医院”、“C医院”、“D医院”等。使用者的标签也可以是根据各个医生的标签或医生信息智能设定的,例如当使用者是医生团队,且团队内的医生都是精神科医生时,可以将“精神科”作为该使用者的标签。
题目库中,题目的标签可以是智能匹配的或者人工设定的,例如是“患者基本信息”或“抑郁症”。
例如,“患者基本信息”这一标签,可以对应多个题目,例如用于填充患者姓名、身份证号、联系地址、联系电话、邮箱、年龄、性别、民族、政治面貌、工作单位、医保类型的非感测题目。当使用者的标签中包含“患者基本信息”这一标签时,可以自动将该标签对应的上述非感测题目列入数据采集表单中。
又例如,“DBS”这一标签,可以对应强迫症临床试验团队、抑郁症临床试验团队、成瘾性疾病临床试验团队等。“DBS”这一标签,还可以对应多个感测题目,例如是用于填充患者植入电极导线的数量(例如是1个或2个)、植入位置(左脑和/或右脑)、靶点(例如是伏隔核和/或内囊前肢)、数据采集时刻、数据采集时长、脑电信号电压幅值、脑电信号脉宽、脑电信号频率的题目。
作为示例,标签相似度可以是50%、88%、95%等百分比表示的数值。
当使用者和题目的标签完全一致时,标签相似度例如可以是100%。例如使用者戒毒团队和题目A01的标签都是“戒毒”。
本申请中,只要更改使用者和/或题目的标签,就可以更改使用者和题目之间的对应关系,因此维护简单,并且能够实现已有题目的复用。此处复用是指同样的题目可以用于生成多个临床试验团队的数据采集表单。例如新创建了一个“戒毒临床试验团队”,当为其添加“患者基本信息”这一标签时,则其对应的数据采集表单中包括具有“患者基本信息”这一标签的题目。
在一些可选的实施方式中,所述步骤S302可以包括:
针对所述题目库中的每个题目,执行以下处理:
将所述题目的标签与所述使用者的标签输入标签相似度模型,以得到所述题目与所述使用者的标签相似度;
其中,所述标签相似度模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括第一样本对象的标签、第二样本对象的标签以及所述第一样本对象和所述第二样本对象的标签相似度的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的第一样本对象的标签和第二样本对象的标签输入预设的深度学习模型,以得到所述第一样本对象和所述第二样本对象的标签相似度的预测数据;
基于所述第一样本对象和所述第二样本对象的标签相似度的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;若是,则将训练出的深度学习模型作为所述标签相似度模型;若否,则利用下一个所述训练数据继续训练所述深度学习模型。
由此,标签相似度模型可以由大量的训练数据训练得到,能够针对不同的输入数据(即两个对象的标签)预测得到相应的输出数据(即两个对象的标签相似度),适用范围广,智能化水平高。通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的深度学习模型,通过该预设的深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的标签相似度模型,可以基于每个题目和使用者的标签分别获取每个题目和使用者的标签相似度,且计算结果准确性高、可靠性高。
在一些可选的实施方式中,本申请可以采用上述训练过程训练得到标签相似度模型,在另一些可选的实施方式中,本申请可以采用预先训练好的标签相似度模型。
在一些可选的实施方式中,例如可以对历史数据进行数据挖掘,以获取训练数据。当然,第一样本对象、第二样本对象的标签也可以是利用GAN模型的生成网络自动生成的。
其中,GAN模型即生成对抗网络(Generative Adversarial Network),由一个生成网络与一个判别网络组成。生成网络从潜在空间(latent space)中随机采样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。使用GAN模型可以生成多个样本生物体的分类信息,用于标签相似度模型的训练过程,能有效降低原始数据采集的数据量,大大降低数据采集和标注的成本。
本申请对标注数据的获取方式不作限定,例如可以采用人工标注的方式,也可以采用自动标注或者半自动标注的方式。
本申请对标签相似度模型的训练过程不作限定,其例如可以采用上述监督学习的训练方式,或者可以采用半监督学习的训练方式,或者可以采用无监督学习的训练方式。
本申请对预设的训练结束条件不作限定,其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等),或者可以是训练集中的训练数据都完成一次或多次训练,或者可以是本次训练得到的总损失值不大于预设损失值。
在一些可选的实施方式中,所述步骤S303可以包括:
利用交互设备获取所述使用者对应的题目数量N,N是大于1的整数;
从所述题目库中选择标签相似度最高的N个题目作为所述使用者的多个感兴趣题目。
由此,题目数量N可以采用人工设定的方式,使用者可以通过交互设备进行题目数量的设定操作,从而确定感兴趣题目的数量。也就是说,在利用标签匹配的智能方式匹配得到题目库中的每个题目与使用者的标签相似度后,再结合人工设定的题目数量来确定多个感兴趣题目,这种智能和人工相结合的方式能够兼具处理效率高、贴近实际需求的优点,当使用者人工设定不同的题目数量时,可以分别生成简化版的数据采集表单和完整版的数据采集表单,满足实际应用中的多样性需求。
本申请中,题目数量N例如可以是2个、3个、5个、8个、10个、15个、20个、30个、50个、100个、150个、200个、1000个等。
本申请对交互设备不作限定,其例如可以是手机、平板电脑、笔记本电脑、台式计算机、智能穿戴设备等智能终端设备,或者,交互设备可以是工作站或者控制台。
本申请对利用交互设备接收各种(人工)操作的方式不作限定。按照输入方式划分操作,例如可以包括文本输入操作、音频输入操作、视频输入操作、按键操作、鼠标操作、键盘操作、智能触控笔操作等。
在另一些可选的实施方式中,所述步骤S303可以包括:
从所述题目库中选择标签相似度最高的预设数量的题目作为所述使用者的多个感兴趣题目。
其中,预设数量是预先设定的数量,例如可以是2个、3个、5个、8个、10个、15个、20个、30个、50个、100个、150个、200个、1000个等。
本申请中,题目类型不同,感兴趣题目对应的待填充数据的填充方式不同,所对应的待填充部分的形式不同。
在一些可选的实施方式中,每个感兴趣题目的题目类型可以是文本框、文本域、单选、多选、下拉框或者附件上传;
当所述感兴趣题目的题目类型是文本框时,所述感兴趣题目的待填充部分采用文本框;
当所述感兴趣题目的题目类型是文本域时,所述感兴趣题目的待填充部分采用文本域;
当所述感兴趣题目的题目类型是单选时,所述感兴趣题目的待填充部分采用单选框;
当所述感兴趣题目的题目类型是多选时,所述感兴趣题目的待填充部分采用复选框;
当所述感兴趣题目的题目类型是下拉框时,所述感兴趣题目的待填充部分采用下拉框;
当所述感兴趣题目的题目类型是附件上传时,所述感兴趣题目的待填充部分采用附件上传控件。
由此,涵盖了问卷的多种题目类型,确认后可立即生成预设格式的问卷表单页面,方便快捷便于操作。
本申请中,将待填充数据填充至待填充部分的方式可以采用自动填充的方式,也可以采用人工填充的方式。
作为一个示例,感测题目的题目类型是文本框或文本域,题目描述例如是:
患者姓名:
(该感兴趣题目为非感测题目)
作为另一个示例,感测题目的题目类型是文本框或文本域,题目描述例如是:
所采集的生理电信号的平均脉宽是:
(该感兴趣题目为感测题目)
作为又一个示例,感测题目的题目类型是单选,题目描述例如是:
所采集的生理电信号是:
A、脑电信号;B、心电信号;C、眼电信号;D、肌电信号。
(该感兴趣题目为感测题目)
作为又一个示例,感测题目的题目类型是复选(可以选择其中一个或多个选项),题目描述例如是:
患者的疾病包括:
A、抑郁症;B、强迫症;C、成瘾性疾病;D、帕金森病。
(该感兴趣题目为非感测题目)
作为又一个示例,感测题目的题目类型是下拉框,题目描述例如是:
患者性别:
下拉框选项:男;女。
(该感兴趣题目为非感测题目)
作为又一个示例,感测题目的题目类型是附件上传,题目描述例如是:
请上传患者的生理电信号数据文件。
(该感兴趣题目为感测题目)
在一些可选的实施方式中,所述获取所述患者的多个非感测题目对应的待填充数据,包括:
获取所述患者的疾病信息;
对所述患者的疾病信息进行关键词提取,以获取所述患者的多个非感测题目对应的待填充数据。
由此,利用患者的疾病信息进行关键词提取,以获取该患者的非感测题目对应的待填充数据,也就是说,这些数据可以采用自动提取的方式获取,而不需要人工填写,进一步提升了临床试验电子数据采集的速度,智能化程度高,用户体验佳。
本申请对疾病信息不作限定,其例如可以包括患者的基本信息、病史信息、医学影像信息、预先录制视频信息、实时视频信息、程控记录和音视频记录中的一个或多个。
本申请中的医学影像信息例如可以包括CT数据、MR数据、PET数据、X光数据、PET-CT数据、PET-MR数据等。相应的,所使用的的医学扫描设备例如可以是CT设备、MR设备、PET设备、X光设备、PET-CT设备、PET-MR设备等。其中,CT(Computed Tomography)即电子计算机断层扫描,MR(Magnetic Resonance)即磁共振,PET(Positron Emission Tomography)即正电子发射断层扫描。
装置实现方式
本申请还提供了一种数据采集装置,其具体实现方式与上述方法实现方式中记载的实现方式、所达到的技术效果一致,部分内容不再赘述。
本申请还提供了一种数据采集装置,用于在临床试验过程中进行数据采集,所述装置包括处理器,所述处理器被配置成:
确定使用者的多个感兴趣题目,多个感兴趣题目包括多个感测题目和多个非感测题目;
基于多个感兴趣题目的题目信息生成所述使用者对应的数据采集表单,所述数据采集表单包括每个感兴趣题目对应的待填充部分,所述题目信息包括题目描述和题目类型;
利用感测设备感测患者的生物电信号,以获取所述患者的多个感测题目对应的待填充数据;
获取所述患者的多个非感测题目对应的待填充数据;
基于所述数据采集表单中的每个感兴趣题目的题目类型,利用所述患者的每个感兴趣题目对应的待填充数据填充所述数据采集表单中的每个感兴趣题目对应的待填充部分。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式确定使用者的多个感兴趣题目:
获取所述使用者中的每个医生的感兴趣题目,以获取所述使用者中的所有医生的感兴趣题目;
对所述使用者中的所有医生的感兴趣题目进行去重,以获取所述使用者的多个感兴趣题目。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式确定使用者的多个感兴趣题目:
获取所述使用者的一个或多个标签;
基于题目库中的每个题目的标签与所述使用者的标签,获取所述题目库中的每个题目与所述使用者的标签相似度,所述题目库中的每个题目对应一个或多个标签;
从所述题目库中选择标签相似度最高的多个题目作为所述使用者的多个感兴趣题目。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式获取所述题目库中的每个题目与所述使用者的标签相似度:
针对所述题目库中的每个题目,执行以下处理:
将所述题目的标签与所述使用者的标签输入标签相似度模型,以得到所述题目与所述使用者的标签相似度;
其中,所述标签相似度模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括第一样本对象的标签、第二样本对象的标签以及所述第一样本对象和所述第二样本对象的标签相似度的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的第一样本对象的标签和第二样本对象的标签输入预设的深度学习模型,以得到所述第一样本对象和所述第二样本对象的标签相似度的预测数据;
基于所述第一样本对象和所述第二样本对象的标签相似度的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;若是,则将训练出的深度学习模型作为所述标签相似度模型;若否,则利用下一个所述训练数据继续训练所述深度学习模型。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式获取所述使用者的多个感兴趣题目:
利用交互设备获取所述使用者对应的题目数量N,N是大于1的整数;
从所述题目库中选择标签相似度最高的N个题目作为所述使用者的多个感兴趣题目。
在一些可选的实施方式中,每个感兴趣题目的题目类型是文本框、文本域、单选、多选、下拉框或者附件上传;
当所述感兴趣题目的题目类型是文本框时,所述感兴趣题目的待填充部分采用文本框;
当所述感兴趣题目的题目类型是文本域时,所述感兴趣题目的待填充部分采用文本域;
当所述感兴趣题目的题目类型是单选时,所述感兴趣题目的待填充部分采用单选框;
当所述感兴趣题目的题目类型是多选时,所述感兴趣题目的待填充部分采用复选框;
当所述感兴趣题目的题目类型是下拉框时,所述感兴趣题目的待填充部分采用下拉框;
当所述感兴趣题目的题目类型是附件上传时,所述感兴趣题目的待填充部分采用附件上传控件。
在一些可选的实施方式中,所述处理器被进一步配置成采用以下方式获取所述患者的多个非感测题目对应的待填充数据:
获取所述患者的疾病信息;
对所述患者的疾病信息进行关键词提取,以获取所述患者的多个非感测题目对应的待填充数据。
参见图5,图5示出了本申请提供的一种数据采集装置200的结构框图。
数据采集装置200例如可以包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
存储器210可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)211和/或高速缓存存储器212,还可以进一步包括只读存储器(ROM)213。
其中,存储器210还存储有计算机程序,计算机程序可以被处理器220执行,使得处理器220实现上述任一项数据采集方法的功能,其具体实现方式与上述方法实现方式中记载的实现方式、所达到的技术效果一致,部分内容不再赘述。
存储器210还可以包括具有至少一个程序模块215的实用工具214,这样的程序模块215包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例的每一个或某种组合中可能包括网络环境的实现。
相应的,处理器220可以执行上述计算机程序,以及可以执行实用工具214。
处理器220可以采用一个或多个应用专用集成电路(ASIC,Application SpecificIntegrated Circuit)、DSP、可编程逻辑器件(PLD,ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)或其他电子元件。
总线230可以为表示几类总线结构的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
数据采集装置200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信,还可与一个或者多个能够与该数据采集装置200交互的设备通信,和/或与使得该数据采集装置200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且,数据采集装置200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器260可以通过总线230与数据采集装置200的其它模块通信。应当明白,尽管图中未示出,可以结合数据采集装置200使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
介质实现方式
本申请还提供了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上述任一项装置的功能或者实现上述任一项方法的步骤,其具体实现方式与上述方法实现方式中记载的实现方式、所达到的技术效果一致,部分内容不再赘述。
参见图6,图6示出了本申请提供的一种程序产品的结构示意图。
程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本申请中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等,或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码,程序设计语言包括面向对象的程序设计语言诸如Java、C++等,还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (16)
1.一种数据采集方法,其特征在于,用于在临床试验过程中进行数据采集,所述方法包括:
确定使用者的多个感兴趣题目,多个感兴趣题目包括多个感测题目和多个非感测题目;
基于多个感兴趣题目的题目信息生成所述使用者对应的数据采集表单,所述数据采集表单包括每个感兴趣题目对应的待填充部分,所述题目信息包括题目描述和题目类型;
利用感测设备感测患者的生物电信号,以获取所述患者的多个感测题目对应的待填充数据;
获取所述患者的多个非感测题目对应的待填充数据;
基于所述数据采集表单中的每个感兴趣题目的题目类型,利用所述患者的每个感兴趣题目对应的待填充数据填充所述数据采集表单中的每个感兴趣题目对应的待填充部分。
2.根据权利要求1所述的数据采集方法,其特征在于,所述确定使用者的多个感兴趣题目,包括:
获取所述使用者中的每个医生的感兴趣题目,以获取所述使用者中的所有医生的感兴趣题目;
对所述使用者中的所有医生的感兴趣题目进行去重,以获取所述使用者的多个感兴趣题目。
3.根据权利要求1所述的数据采集方法,其特征在于,所述确定使用者的多个感兴趣题目,包括:
获取所述使用者的一个或多个标签;
基于题目库中的每个题目的标签与所述使用者的标签,获取所述题目库中的每个题目与所述使用者的标签相似度,所述题目库中的每个题目对应一个或多个标签;
从所述题目库中选择标签相似度最高的多个题目作为所述使用者的多个感兴趣题目。
4.根据权利要求3所述的数据采集方法,其特征在于,所述基于题目库中的每个题目的标签与所述使用者的标签,获取所述题目库中的每个题目与所述使用者的标签相似度,包括:
针对所述题目库中的每个题目,执行以下处理:
将所述题目的标签与所述使用者的标签输入标签相似度模型,以得到所述题目与所述使用者的标签相似度;
其中,所述标签相似度模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括第一样本对象的标签、第二样本对象的标签以及所述第一样本对象和所述第二样本对象的标签相似度的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的第一样本对象的标签和第二样本对象的标签输入预设的深度学习模型,以得到所述第一样本对象和所述第二样本对象的标签相似度的预测数据;
基于所述第一样本对象和所述第二样本对象的标签相似度的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;若是,则将训练出的深度学习模型作为所述标签相似度模型;若否,则利用下一个所述训练数据继续训练所述深度学习模型。
5.根据权利要求3所述的数据采集方法,其特征在于,所述从所述题目库中选择标签相似度最高的多个题目作为所述使用者的多个感兴趣题目,包括:
利用交互设备获取所述使用者对应的题目数量N,N是大于1的整数;
从所述题目库中选择标签相似度最高的N个题目作为所述使用者的多个感兴趣题目。
6.根据权利要求1所述的数据采集方法,其特征在于,每个感兴趣题目的题目类型是文本框、文本域、单选、多选、下拉框或者附件上传;
当所述感兴趣题目的题目类型是文本框时,所述感兴趣题目的待填充部分采用文本框;
当所述感兴趣题目的题目类型是文本域时,所述感兴趣题目的待填充部分采用文本域;
当所述感兴趣题目的题目类型是单选时,所述感兴趣题目的待填充部分采用单选框;
当所述感兴趣题目的题目类型是多选时,所述感兴趣题目的待填充部分采用复选框;
当所述感兴趣题目的题目类型是下拉框时,所述感兴趣题目的待填充部分采用下拉框;
当所述感兴趣题目的题目类型是附件上传时,所述感兴趣题目的待填充部分采用附件上传控件。
7.根据权利要求1所述的数据采集方法,其特征在于,所述获取所述患者的多个非感测题目对应的待填充数据,包括:
获取所述患者的疾病信息;
对所述患者的疾病信息进行关键词提取,以获取所述患者的多个非感测题目对应的待填充数据。
8.一种数据采集装置,其特征在于,用于在临床试验过程中进行数据采集,所述装置包括处理器,所述处理器被配置成:
确定使用者的多个感兴趣题目,多个感兴趣题目包括多个感测题目和多个非感测题目;
基于多个感兴趣题目的题目信息生成所述使用者对应的数据采集表单,所述数据采集表单包括每个感兴趣题目对应的待填充部分,所述题目信息包括题目描述和题目类型;
利用感测设备感测患者的生物电信号,以获取所述患者的多个感测题目对应的待填充数据;
获取所述患者的多个非感测题目对应的待填充数据;
基于所述数据采集表单中的每个感兴趣题目的题目类型,利用所述患者的每个感兴趣题目对应的待填充数据填充所述数据采集表单中的每个感兴趣题目对应的待填充部分。
9.根据权利要求8所述的数据采集装置,其特征在于,所述处理器被进一步配置成采用以下方式确定使用者的多个感兴趣题目:
获取所述使用者中的每个医生的感兴趣题目,以获取所述使用者中的所有医生的感兴趣题目;
对所述使用者中的所有医生的感兴趣题目进行去重,以获取所述使用者的多个感兴趣题目。
10.根据权利要求8所述的数据采集装置,其特征在于,所述处理器被进一步配置成采用以下方式确定使用者的多个感兴趣题目:
获取所述使用者的一个或多个标签;
基于题目库中的每个题目的标签与所述使用者的标签,获取所述题目库中的每个题目与所述使用者的标签相似度,所述题目库中的每个题目对应一个或多个标签;
从所述题目库中选择标签相似度最高的多个题目作为所述使用者的多个感兴趣题目。
11.根据权利要求10所述的数据采集装置,其特征在于,所述处理器被进一步配置成采用以下方式获取所述题目库中的每个题目与所述使用者的标签相似度:
针对所述题目库中的每个题目,执行以下处理:
将所述题目的标签与所述使用者的标签输入标签相似度模型,以得到所述题目与所述使用者的标签相似度;
其中,所述标签相似度模型的训练过程包括:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括第一样本对象的标签、第二样本对象的标签以及所述第一样本对象和所述第二样本对象的标签相似度的标注数据;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的第一样本对象的标签和第二样本对象的标签输入预设的深度学习模型,以得到所述第一样本对象和所述第二样本对象的标签相似度的预测数据;
基于所述第一样本对象和所述第二样本对象的标签相似度的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;若是,则将训练出的深度学习模型作为所述标签相似度模型;若否,则利用下一个所述训练数据继续训练所述深度学习模型。
12.根据权利要求10所述的数据采集装置,其特征在于,所述处理器被进一步配置成采用以下方式获取所述使用者的多个感兴趣题目:
利用交互设备获取所述使用者对应的题目数量N,N是大于1的整数;
从所述题目库中选择标签相似度最高的N个题目作为所述使用者的多个感兴趣题目。
13.根据权利要求8所述的数据采集装置,其特征在于,每个感兴趣题目的题目类型是文本框、文本域、单选、多选、下拉框或者附件上传;
当所述感兴趣题目的题目类型是文本框时,所述感兴趣题目的待填充部分采用文本框;
当所述感兴趣题目的题目类型是文本域时,所述感兴趣题目的待填充部分采用文本域;
当所述感兴趣题目的题目类型是单选时,所述感兴趣题目的待填充部分采用单选框;
当所述感兴趣题目的题目类型是多选时,所述感兴趣题目的待填充部分采用复选框;
当所述感兴趣题目的题目类型是下拉框时,所述感兴趣题目的待填充部分采用下拉框;
当所述感兴趣题目的题目类型是附件上传时,所述感兴趣题目的待填充部分采用附件上传控件。
14.根据权利要求8所述的数据采集装置,其特征在于,所述处理器被进一步配置成采用以下方式获取所述患者的多个非感测题目对应的待填充数据:
获取所述患者的疾病信息;
对所述患者的疾病信息进行关键词提取,以获取所述患者的多个非感测题目对应的待填充数据。
15.一种数据采集系统,其特征在于,所述数据采集系统包括:
权利要求8-14任一项所述的数据采集装置;
感测设备,所述感测设备用于感测患者的生物电信号。
16.一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有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述方法的步骤或者实现权利要求8-14任一项所述装置的功能。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762218.5A CN114842930B (zh) | 2022-06-30 | 2022-06-30 | 数据采集方法、装置、系统及计算机可读存储介质 |
PCT/CN2023/098645 WO2024001695A1 (zh) | 2022-06-30 | 2023-06-06 | 数据采集方法、装置、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210762218.5A CN114842930B (zh) | 2022-06-30 | 2022-06-30 | 数据采集方法、装置、系统及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842930A true CN114842930A (zh) | 2022-08-02 |
CN114842930B CN114842930B (zh) | 2022-09-27 |
Family
ID=82574641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210762218.5A Active CN114842930B (zh) | 2022-06-30 | 2022-06-30 | 数据采集方法、装置、系统及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114842930B (zh) |
WO (1) | WO2024001695A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001695A1 (zh) * | 2022-06-30 | 2024-01-04 | 苏州景昱医疗器械有限公司 | 数据采集方法、装置、系统及计算机可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112434151A (zh) * | 2020-11-26 | 2021-03-02 | 重庆知识产权大数据研究院有限公司 | 一种专利推荐方法、装置、计算机设备及存储介质 |
CN113822427A (zh) * | 2021-07-29 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、图像匹配的方法、装置及存储介质 |
CN113918699A (zh) * | 2021-10-12 | 2022-01-11 | 平安国际智慧城市科技股份有限公司 | 调查问卷的生成方法、装置、计算机设备和存储介质 |
CN114072782A (zh) * | 2020-05-29 | 2022-02-18 | 京东方科技集团股份有限公司 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
CN114328910A (zh) * | 2021-11-23 | 2022-04-12 | 合肥讯飞数码科技有限公司 | 文本聚类方法以及相关装置 |
CN114528494A (zh) * | 2022-02-28 | 2022-05-24 | 北京高途云集教育科技有限公司 | 一种信息推送方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10140511B2 (en) * | 2013-03-13 | 2018-11-27 | Kofax, Inc. | Building classification and extraction models based on electronic forms |
CN109389427B (zh) * | 2018-09-26 | 2023-11-21 | 中国平安人寿保险股份有限公司 | 问卷推送方法、装置、计算机设备和存储介质 |
CN110245213B (zh) * | 2019-05-08 | 2023-10-20 | 平安科技(深圳)有限公司 | 调查问卷生成方法、装置、设备和存储介质 |
CN114842930B (zh) * | 2022-06-30 | 2022-09-27 | 苏州景昱医疗器械有限公司 | 数据采集方法、装置、系统及计算机可读存储介质 |
-
2022
- 2022-06-30 CN CN202210762218.5A patent/CN114842930B/zh active Active
-
2023
- 2023-06-06 WO PCT/CN2023/098645 patent/WO2024001695A1/zh unknown
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114072782A (zh) * | 2020-05-29 | 2022-02-18 | 京东方科技集团股份有限公司 | 问题推荐方法及装置、系统和电子设备、可读存储介质 |
CN112434151A (zh) * | 2020-11-26 | 2021-03-02 | 重庆知识产权大数据研究院有限公司 | 一种专利推荐方法、装置、计算机设备及存储介质 |
CN113822427A (zh) * | 2021-07-29 | 2021-12-21 | 腾讯科技(深圳)有限公司 | 一种模型训练的方法、图像匹配的方法、装置及存储介质 |
CN113918699A (zh) * | 2021-10-12 | 2022-01-11 | 平安国际智慧城市科技股份有限公司 | 调查问卷的生成方法、装置、计算机设备和存储介质 |
CN114328910A (zh) * | 2021-11-23 | 2022-04-12 | 合肥讯飞数码科技有限公司 | 文本聚类方法以及相关装置 |
CN114528494A (zh) * | 2022-02-28 | 2022-05-24 | 北京高途云集教育科技有限公司 | 一种信息推送方法、装置、设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024001695A1 (zh) * | 2022-06-30 | 2024-01-04 | 苏州景昱医疗器械有限公司 | 数据采集方法、装置、系统及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114842930B (zh) | 2022-09-27 |
WO2024001695A1 (zh) | 2024-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10881856B2 (en) | Movement disorder therapy system and methods of tuning remotely, intelligently and/or automatically | |
Lo et al. | Closed-loop neuromodulation systems: next-generation treatments for psychiatric illness | |
US20240001124A1 (en) | Systems and methods for stimulation-related patient population volume analysis and use | |
US11759642B1 (en) | Movement disorder therapy and brain mapping system and methods of tuning remotely, intelligently and/or automatically | |
Afshar et al. | A translational platform for prototyping closed-loop neuromodulation systems | |
Ramirez-Zamora et al. | Evolving applications, technological challenges and future opportunities in neuromodulation: proceedings of the fifth annual deep brain stimulation think tank | |
EP3886692B1 (en) | Data processing system for generating predictions of cognitive outcome in patients | |
US10272247B2 (en) | Systems and methods for stimulation-related volume analysis, creation, and sharing with integrated surgical planning and stimulation programming | |
CN115054828B (zh) | 脉冲发生器、医疗系统及计算机可读存储介质 | |
EP2892419A1 (en) | Movement disorder therapy system, devices and methods, and intelligent methods of tuning | |
Matsushita et al. | A fully implantable wireless ECoG 128-channel recording device for human brain–machine interfaces: W-HERBS | |
JP2007524175A (ja) | 進んだ患者管理と薬物治療管理のシステムと方法 | |
Pal Attia et al. | Epilepsy personal assistant device—A mobile platform for brain state, dense behavioral and physiology tracking and controlling adaptive stimulation | |
CN114842956B (zh) | 控制设备、医疗系统及计算机可读存储介质 | |
CN115501481A (zh) | 应急程控设备、医疗系统及计算机可读存储介质 | |
CN114842930B (zh) | 数据采集方法、装置、系统及计算机可读存储介质 | |
CN113577555A (zh) | 基于多模态数据的配置信息获取装置及相关设备 | |
Pathak et al. | Digital health integration with neuromodulation therapies: the future of patient-centric innovation in neuromodulation | |
Duffley et al. | Home health management of Parkinson disease deep brain stimulation: a randomized clinical trial | |
Worrell | Electrical brain stimulation for epilepsy and emerging applications | |
Kringelbach et al. | Deep brain stimulation: avoiding the errors of psychosurgery | |
Baldassano et al. | Big data in status epilepticus | |
CN114712712A (zh) | 刺激电极导线的成像识别方法及相关装置 | |
Giesinger et al. | Towards the implementation of quality of life monitoring in daily clinical routine: methodological issues and clinical implication | |
US20140188507A1 (en) | Lifestyle progression models for use in preventative care |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 215000 building C16, bio nano Park, 218 Xinghu street, Suzhou Industrial Park, Jiangsu Province Patentee after: Jingyu Medical Technology (Suzhou) Co.,Ltd. Address before: 215000 building C16, bio nano Park, 218 Xinghu street, Suzhou Industrial Park, Jiangsu Province Patentee before: SCENERAY Co.,Ltd. |