CN115588499A - 主动式健康医疗决策辅助系统及方法 - Google Patents
主动式健康医疗决策辅助系统及方法 Download PDFInfo
- Publication number
- CN115588499A CN115588499A CN202211091147.7A CN202211091147A CN115588499A CN 115588499 A CN115588499 A CN 115588499A CN 202211091147 A CN202211091147 A CN 202211091147A CN 115588499 A CN115588499 A CN 115588499A
- Authority
- CN
- China
- Prior art keywords
- module
- medical
- information
- user
- decision
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006835 compression Effects 0.000 claims abstract description 45
- 238000007906 compression Methods 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 230000005540 biological transmission Effects 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 57
- 238000012795 verification Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 description 2
- 230000007721 medicinal effect Effects 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000009897 systematic 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—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
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了主动式健康医疗决策辅助系统及方法,属于医疗领域,包括主服务器、体征传感器、用户终端、信息纠错模块、体征分类模块、医疗仿真模块、分析决策模块、内存压缩模块、医疗数据库、医护平台以及决策反馈模块;所述体征传感器用于实时采集实时体征信息;本发明能够中断位置异常的体征传感器的数据传输,保证采集的体征数据的准确性,提高后续医疗决策的准确性,降低人工调整难度,能够减少其他子模块连接时所占用的运行内存,提高用户健康评估速度,同时节省系统压缩内存所需的时间。
Description
技术领域
本发明涉及医疗领域,尤其涉及主动式健康医疗决策辅助系统及方法。
背景技术
所谓决策就是为达到同一目标在众多可以采取的方案中选择最佳方案。在处理病人的病情时,由于疾病表现复杂多变,诊治方法多种,有些药物还可能产生一些不良反应,患者的心理变化等等,促使医师在考虑上述情况后作出全面和合理的选择以期最大限度地避免临床实践的失误。临床医学的不确定性决定了医疗决策在医疗活动中的核心地位,是医疗活动得以顺利开展的保障,也是各方力量各自利益协调的结果,随着微型计算机在医疗领域上的应用日益普遍,临床信息的贮存和处理在各医院广泛开展,将使医疗决策分析会得到不断完善和发展;
经检索,中国专利号CN114242238A公开了一种主动式健康医疗决策辅助系统及方法,该发明虽然建立系统性、实时性和可靠性的健康医疗系统,辅助患者在健康或非健康状态下进行医疗决策,但是无法保证采集的体征数据的准确性,降低后续医疗决策的准确性;现有的主动式健康医疗决策辅助系统及方法在其他子模块连接时所占用的运行内存较多,降低用户健康评估速度,为此,我们提出主动式健康医疗决策辅助系统及方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的主动式健康医疗决策辅助系统及方法。
为了实现上述目的,本发明采用了如下技术方案:
主动式健康医疗决策辅助系统,包括主服务器、体征传感器、用户终端、信息纠错模块、体征分类模块、医疗仿真模块、分析决策模块、内存压缩模块、医疗数据库、医护平台以及决策反馈模块;
所述体征传感器用于实时采集实时体征信息;
所述用户终端用于用户上传个人体征信息;
所述信息纠错模块用于对体征传感器所在位置以及传输的信息进行级联纠错处理;
所述主服务器用于与各子模块通信连接,并进行数据调控;
所述体征分类模块用于接收主服务器传输的各组体征信息,并按照医疗数据库中各疾病信息对该用户进行疾病分类;
所述医疗仿真模块用于构建医疗模型,并对各用户健康情况进行仿真评估;
所述分析决策模块用于依据评估结果对用户身体状态进行医疗决策;
所述内存压缩模块用于对医疗仿真模块运行内存进行压缩处理;
所述医疗数据库用于存储各类疾病基本体征信息;
所述医护平台用于接收各用户医疗决策,并由相关医生进行人工调整;
所述决策反馈模块用于将调整后的医疗决策发送至相对应的用户终端。
作为本发明的进一步方案,所述信息纠错模块级联纠错具体步骤如下:
步骤一:信息纠错模块接收外部摄像头采集到的用户影像信息,同时依据用户上传的这人体征信息构建相对应的用户模型,之后信息纠错模块构建一级检测网络以及二级检测网络,并对两组检测网络进行优化训练;
步骤二:通过一级检测网络提取各影像信息中的特征数据,并将提取处的特征数据送入特征金字塔中进行特征融合之后,对融合结果进行分类回归,之后输出检测框以及类别,收集影像信息中各组检测框信息,并生成对应检测框坐标,对各检测框进行扩大化剪裁,并收集扩大化剪裁后生成的各组人体图片进行保存;
步骤三:二级目标检测网络通过RPN过滤掉各组人体图片中属于背景的简单负样本,挑选出可能含有体征传感器的区域进行分类和回归,并在不同语义信息的人体图片的每一个点上生成多个锚框,同时对各锚框进行分类和回归;
步骤四:之后依据各锚点坐标信息在用户模型上匹配各体征传感器位置,并对不在规定位置的体征传感器进行标记反馈,并中断该体征传感器信息传输。
作为本发明的进一步方案,步骤一所述检测网络优化训练具体步骤如下:
步骤(1):两组检测网络将输入的图片的分辨率,相关目标检测网络的宽度和深度作为待优化的参数,之后分别对相对应的目标检测网络架构进行大量的搜索,将不同检测网络的搜索结果整合归纳为两组验证集;
步骤(2):再从验证集中选择一组验证数据,并将剩余验证数据拟合成一组检测模型,并用选择的验证数据来验证检测模型的精度,并通过均方根误差对该检测模型的预测能力进行计算,如此重复n次;
步骤(3):初始化参数范围,同时列出所有可能的数据结果,对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练模型后对测试集进行预测,统计测试结果的均方根误差,同时将测试集更换为另一子集,再取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,通过选取RMSE最小时对应的组合参数作为最优的参数。
作为本发明的进一步方案,所述医疗仿真模块仿真评估具体步骤如下:
第一步:医疗仿真模块接收实时体征信息以及个人体征信息,之后收集体征分类模块的分类结果,并构建神经网络模型,再依据系统默认或人工设定确认隐含层节点个数;
第二步:将实时体征信息、个人体征信息以及分类结果导入神经网络模型中,之后神经网络模型输出各用户健康分数,并将用户健康分数与人工设定的健康阈值进行比较,若低于该阈值,则标记该用户为异常,若等于或高于该阈值,则标记该用户为正常。
作为本发明的进一步方案,所述内存压缩模块运行内存压缩具体步骤如下:
S1:在医疗仿真模块启动阶段仿真评估前,内存压缩模块在医疗仿真模块启动之前清除所有更新页表项的访问位,若在医疗仿真模块启动期间访问了某个模块,内存压缩模块会将该模块添加到启动链表中;
S2:在医疗仿真模块启动时间结束之前,内存压缩模块重新检查所有模块的访问位,若在其它阶段也访问某个模块,则将该模块将从启动链表中删除,并移到常规LRU链表中,确定完成后对启动链表中的各组模块信息进行数据更新;
S3:内存压缩模块从LRU链表的头部选择最不活跃的模块信息,并从相应启动链表中选择受害页面,当回收足够多的受害页面时,页面选择过程将停止,若未回收足够多的受害页面时,内存压缩模块将继续访问LRU链表中的下一个模块的启动链表,直到获得足够的页面;
S4:将选择的受害页面合并为一个块并对该块进行标记,同时唤醒一个压缩驱动程序以解析被标记的块,并获得属于该块的物理页,内存压缩模块将物理页复制到缓冲区中,然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中,并将压缩块存储至缓存区域中。
主动式健康医疗决策辅助方法,该辅助方法具体如下:
(1)采集用户体征信息并对其进行信息纠错;
(2)体征分类模块对采集的各组体征信息进行判断分类;
(3)构建医疗模型以对各用户健康状态进行评估;
(4)依据评估结果对用户身体状态进行医疗决策;
(5)对生成的医疗决策进行人工调整并反馈给相关用户。
相比于现有技术,本发明的有益效果在于:
1、本系统通过信息纠错模块接收外部摄像头采集到的用户影像信息,同时依据用户上传的这人体征信息构建相对应的用户模型,之后信息纠错模块构建一级检测网络以及二级检测网络,再通过一级检测网络提取各影像信息中的特征数据,并通过特征金字塔中进行特征融合再进行分类回归以输出检测框以及类别,收集影像信息中各组检测框信息,并生成对应检测框坐标进行扩大化剪裁获取各组人体图片进行保存,二级目标检测网络挑选出可能含有体征传感器的区域进行分类和回归,并生成多个锚框,之后依据各锚点坐标信息在用户模型上匹配各体征传感器位置,并对不在规定位置的体征传感器进行标记反馈,并中断该体征传感器信息传输,能够中断位置异常的体征传感器的数据传输,保证采集的体征数据的准确性,提高后续医疗决策的准确性,降低人工调整难度;
2、本发明相较于以往决策辅助系统,该系统通过内存压缩模块从LRU链表的头部选择最不活跃的模块信息,并从相应启动链表中选择受害页面,当回收足够多的受害页面时,页面选择过程将停止,若未回收足够多的受害页面时,内存压缩模块将继续访问LRU链表中的下一个模块的启动链表,直到获得足够的页面,再将选择的受害页面合并为一个块并对该块进行标记,同时唤醒一个压缩驱动程序以解析被标记的块,并获得属于该块的物理页,内存压缩模块将物理页复制到缓冲区中,然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中,并将压缩块存储至缓存区域中,能够减少其他子模块连接时所占用的运行内存,提高用户健康评估速度,同时节省系统压缩内存所需的时间。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的主动式健康医疗决策辅助系统的系统框图;
图2为本发明提出的主动式健康医疗决策辅助方法的流程框图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1
参照图1,主动式健康医疗决策辅助系统,包括主服务器、体征传感器、用户终端、信息纠错模块、体征分类模块、医疗仿真模块、分析决策模块、内存压缩模块、医疗数据库、医护平台以及决策反馈模块。
体征传感器用于实时采集实时体征信息;用户终端用于用户上传个人体征信息。
信息纠错模块用于对体征传感器所在位置以及传输的信息进行级联纠错处理。
具体的,信息纠错模块接收外部摄像头采集到的用户影像信息,同时依据用户上传的这人体征信息构建相对应的用户模型,之后信息纠错模块构建一级检测网络以及二级检测网络,并对两组检测网络进行优化训练,通过一级检测网络提取各影像信息中的特征数据,并将提取处的特征数据送入特征金字塔中进行特征融合之后,对融合结果进行分类回归,之后输出检测框以及类别,收集影像信息中各组检测框信息,并生成对应检测框坐标,对各检测框进行扩大化剪裁,并收集扩大化剪裁后生成的各组人体图片进行保存,二级目标检测网络通过RPN过滤掉各组人体图片中属于背景的简单负样本,挑选出可能含有体征传感器的区域进行分类和回归,并在不同语义信息的人体图片的每一个点上生成多个锚框,同时对各锚框进行分类和回归,之后依据各锚点坐标信息在用户模型上匹配各体征传感器位置,并对不在规定位置的体征传感器进行标记反馈,并中断该体征传感器信息传输。
需要进一步说明的是,两组检测网络将输入的图片的分辨率,相关目标检测网络的宽度和深度作为待优化的参数,之后分别对相对应的目标检测网络架构进行大量的搜索,将不同检测网络的搜索结果整合归纳为两组验证集,再从验证集中选择一组验证数据,并将剩余验证数据拟合成一组检测模型,并用选择的验证数据来验证检测模型的精度,并通过均方根误差对该检测模型的预测能力进行计算,如此重复n次,初始化参数范围,同时列出所有可能的数据结果,对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练模型后对测试集进行预测,统计测试结果的均方根误差,同时将测试集更换为另一子集,再取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,通过选取RMSE最小时对应的组合参数作为最优的参数。
主服务器用于与各子模块通信连接,并进行数据调控;体征分类模块用于接收主服务器传输的各组体征信息,并按照医疗数据库中各疾病信息对该用户进行疾病分类。
医疗仿真模块用于构建医疗模型,并对各用户健康情况进行仿真评估。
具体的,医疗仿真模块接收实时体征信息以及个人体征信息,之后收集体征分类模块的分类结果,并构建神经网络模型,再依据系统默认或人工设定确认隐含层节点个数,之后将实时体征信息、个人体征信息以及分类结果导入神经网络模型中,之后神经网络模型输出各用户健康分数,并将用户健康分数与人工设定的健康阈值进行比较,若低于该阈值,则标记该用户为异常,若等于或高于该阈值,则标记该用户为正常。
分析决策模块用于依据评估结果对用户身体状态进行医疗决策。
内存压缩模块用于对医疗仿真模块运行内存进行压缩处理。
具体的,在医疗仿真模块启动阶段仿真评估前,内存压缩模块在医疗仿真模块启动之前清除所有更新页表项的访问位,若在医疗仿真模块启动期间访问了某个模块,内存压缩模块会将该模块添加到启动链表中,在医疗仿真模块启动时间结束之前,内存压缩模块重新检查所有模块的访问位,若在其它阶段也访问某个模块,则将该模块将从启动链表中删除,并移到常规LRU链表中,确定完成后对启动链表中的各组模块信息进行数据更新,之后内存压缩模块从LRU链表的头部选择最不活跃的模块信息,并从相应启动链表中选择受害页面,当回收足够多的受害页面时,页面选择过程将停止,若未回收足够多的受害页面时,内存压缩模块将继续访问LRU链表中的下一个模块的启动链表,直到获得足够的页面,再将选择的受害页面合并为一个块并对该块进行标记,同时唤醒一个压缩驱动程序以解析被标记的块,并获得属于该块的物理页,内存压缩模块将物理页复制到缓冲区中,然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中,并将压缩块存储至缓存区域中。
医疗数据库用于存储各类疾病基本体征信息;医护平台用于接收各用户医疗决策,并由相关医生进行人工调整;决策反馈模块用于将调整后的医疗决策发送至相对应的用户终端。
实施例2
参照图2,主动式健康医疗决策辅助方法,该辅助方法具体如下:
采集用户体征信息并对其进行信息纠错。
体征分类模块对采集的各组体征信息进行判断分类。
构建医疗模型以对各用户健康状态进行评估。
依据评估结果对用户身体状态进行医疗决策。
对生成的医疗决策进行人工调整并反馈给相关用户。
Claims (6)
1.主动式健康医疗决策辅助系统,其特征在于,包括主服务器、体征传感器、用户终端、信息纠错模块、体征分类模块、医疗仿真模块、分析决策模块、内存压缩模块、医疗数据库、医护平台以及决策反馈模块;
所述体征传感器用于实时采集实时体征信息;
所述用户终端用于用户上传个人体征信息;
所述信息纠错模块用于对体征传感器所在位置以及传输的信息进行级联纠错处理;
所述主服务器用于与各子模块通信连接,并进行数据调控;
所述体征分类模块用于接收主服务器传输的各组体征信息,并按照医疗数据库中各疾病信息对该用户进行疾病分类;
所述医疗仿真模块用于构建医疗模型,并对各用户健康情况进行仿真评估;
所述分析决策模块用于依据评估结果对用户身体状态进行医疗决策;
所述内存压缩模块用于对医疗仿真模块运行内存进行压缩处理;
所述医疗数据库用于存储各类疾病基本体征信息;
所述医护平台用于接收各用户医疗决策,并由相关医生进行人工调整;
所述决策反馈模块用于将调整后的医疗决策发送至相对应的用户终端。
2.根据权利要求1所述的主动式健康医疗决策辅助系统,其特征在于,所述信息纠错模块级联纠错具体步骤如下:
步骤一:信息纠错模块接收外部摄像头采集到的用户影像信息,同时依据用户上传的这人体征信息构建相对应的用户模型,之后信息纠错模块构建一级检测网络以及二级检测网络,并对两组检测网络进行优化训练;
步骤二:通过一级检测网络提取各影像信息中的特征数据,并将提取处的特征数据送入特征金字塔中进行特征融合之后,对融合结果进行分类回归,之后输出检测框以及类别,收集影像信息中各组检测框信息,并生成对应检测框坐标,对各检测框进行扩大化剪裁,并收集扩大化剪裁后生成的各组人体图片进行保存;
步骤三:二级目标检测网络通过RPN过滤掉各组人体图片中属于背景的简单负样本,挑选出可能含有体征传感器的区域进行分类和回归,并在不同语义信息的人体图片的每一个点上生成多个锚框,同时对各锚框进行分类和回归;
步骤四:之后依据各锚点坐标信息在用户模型上匹配各体征传感器位置,并对不在规定位置的体征传感器进行标记反馈,并中断该体征传感器信息传输。
3.根据权利要求2所述的主动式健康医疗决策辅助系统,其特征在于,步骤一所述检测网络优化训练具体步骤如下:
步骤(1):两组检测网络将输入的图片的分辨率,相关目标检测网络的宽度和深度作为待优化的参数,之后分别对相对应的目标检测网络架构进行大量的搜索,将不同检测网络的搜索结果整合归纳为两组验证集;
步骤(2):再从验证集中选择一组验证数据,并将剩余验证数据拟合成一组检测模型,并用选择的验证数据来验证检测模型的精度,并通过均方根误差对该检测模型的预测能力进行计算,如此重复n次;
步骤(3):初始化参数范围,同时列出所有可能的数据结果,对于每一组数据,选取任意一个子集作为测试集,其余子集作为训练集,训练模型后对测试集进行预测,统计测试结果的均方根误差,同时将测试集更换为另一子集,再取剩余子集作为训练集,再次统计均方根误差,直至对所有数据都进行一次预测,通过选取RMSE最小时对应的组合参数作为最优的参数。
4.根据权利要求1所述的主动式健康医疗决策辅助系统,其特征在于,所述医疗仿真模块仿真评估具体步骤如下:
第一步:医疗仿真模块接收实时体征信息以及个人体征信息,之后收集体征分类模块的分类结果,并构建神经网络模型,再依据系统默认或人工设定确认隐含层节点个数;
第二步:将实时体征信息、个人体征信息以及分类结果导入神经网络模型中,之后神经网络模型输出各用户健康分数,并将用户健康分数与人工设定的健康阈值进行比较,若低于该阈值,则标记该用户为异常,若等于或高于该阈值,则标记该用户为正常。
5.根据权利要求1所述的主动式健康医疗决策辅助系统,其特征在于,所述内存压缩模块运行内存压缩具体步骤如下:
S1:在医疗仿真模块启动阶段仿真评估前,内存压缩模块在医疗仿真模块启动之前清除所有更新页表项的访问位,若在医疗仿真模块启动期间访问了某个模块,内存压缩模块会将该模块添加到启动链表中;
S2:在医疗仿真模块启动时间结束之前,内存压缩模块重新检查所有模块的访问位,若在其它阶段也访问某个模块,则将该模块将从启动链表中删除,并移到常规LRU链表中,确定完成后对启动链表中的各组模块信息进行数据更新;
S3:内存压缩模块从LRU链表的头部选择最不活跃的模块信息,并从相应启动链表中选择受害页面,当回收足够多的受害页面时,页面选择过程将停止,若未回收足够多的受害页面时,内存压缩模块将继续访问LRU链表中的下一个模块的启动链表,直到获得足够的页面;
S4:将选择的受害页面合并为一个块并对该块进行标记,同时唤醒一个压缩驱动程序以解析被标记的块,并获得属于该块的物理页,内存压缩模块将物理页复制到缓冲区中,然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中,并将压缩块存储至缓存区域中。
6.主动式健康医疗决策辅助方法,其特征在于,该辅助方法具体如下:
(1)采集用户体征信息并对其进行信息纠错;
(2)体征分类模块对采集的各组体征信息进行判断分类;
(3)构建医疗模型以对各用户健康状态进行评估;
(4)依据评估结果对用户身体状态进行医疗决策;
(5)对生成的医疗决策进行人工调整并反馈给相关用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211091147.7A CN115588499A (zh) | 2022-09-07 | 2022-09-07 | 主动式健康医疗决策辅助系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211091147.7A CN115588499A (zh) | 2022-09-07 | 2022-09-07 | 主动式健康医疗决策辅助系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115588499A true CN115588499A (zh) | 2023-01-10 |
Family
ID=84771908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211091147.7A Withdrawn CN115588499A (zh) | 2022-09-07 | 2022-09-07 | 主动式健康医疗决策辅助系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115588499A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482931A (zh) * | 2022-09-16 | 2022-12-16 | 北京慧养道健康科技有限公司 | 一种基于传感器采集的生命预警系统 |
-
2022
- 2022-09-07 CN CN202211091147.7A patent/CN115588499A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482931A (zh) * | 2022-09-16 | 2022-12-16 | 北京慧养道健康科技有限公司 | 一种基于传感器采集的生命预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10854335B2 (en) | Computer aided medical method and medical system for medical prediction | |
US20220148191A1 (en) | Image segmentation method and apparatus and storage medium | |
CN110516161B (zh) | 一种推荐方法及装置 | |
CN112133441B (zh) | 一种mh术后裂孔状态预测模型的建立方法和终端 | |
CN115482931B (zh) | 一种基于传感器采集的生命预警系统 | |
WO2021179630A1 (zh) | 一种并发症风险预测系统、方法、装置、设备及介质 | |
CN112802575A (zh) | 基于图形状态机的用药决策支持方法、装置、设备、介质 | |
CN116910172B (zh) | 基于人工智能的随访量表生成方法及系统 | |
CN115588499A (zh) | 主动式健康医疗决策辅助系统及方法 | |
CN115148327B (zh) | 一种面向麻醉智能决策的多方协同原型系统及其方法 | |
CN114416967A (zh) | 智能推荐医生的方法、装置、设备及存储介质 | |
CN113871020A (zh) | 一种基于ai机器学习的急危重症诊后健康管理方法及系统 | |
CN111710396A (zh) | 一种医联体内白内障患者的控制系统与方法 | |
CN112542242A (zh) | 数据转换/症状评分 | |
CN117524441A (zh) | 一种手术质量的检测方法、装置 | |
CN110610766A (zh) | 基于症状特征权重推导疾病概率的装置和存储介质 | |
CN112309519B (zh) | 基于多模型的电子病历用药结构化处理系统 | |
CN113192603A (zh) | 一种基于大数据的精神状态评估方法和系统 | |
CN113870978A (zh) | 基于人工智能的运动推荐方法、装置、服务器及介质 | |
CN111243697A (zh) | 一种基于神经网络对目标对象数据进行判断的方法及系统 | |
CN112700861A (zh) | 伴随症状交互方法及伴随症状交互系统 | |
CN110660479A (zh) | 一种动态医学影像ai训练诊断系统 | |
US20230360764A1 (en) | Personalized exercise guidance system and method based on machine learning | |
CN117936121A (zh) | 基于多特征融合的混合神经网络慢病诊疗问题分类方法 | |
TW202341171A (zh) | 醫療決策輔助系統及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230110 |