CN115762750A - 多手段评估多设备治疗的智能方案生成方法和平台 - Google Patents

Abstract

本发明提供多手段评估多设备治疗的智能方案生成方法和平台，采用评估设备对当前用户目标部位进行评估检查，并分别采集当前用户目标部位的评估数据和症状数据；提取所述评估数据和所述症状数据的特征值；对提取的所述评估数据特征值和症状数据特征值进行融合；将融合后的特征值与现有方案库中的治疗方案特征值进行相似度比对，输出当前用户相似度最高用户编号；调出方案库中用户的治疗方案，根据优先级标准，输出治疗方案的优先级；将所述治疗方案与治疗设备端进行匹配，确定治疗方案中可实施的治疗方案；按照优先级自高向低的输出所述可实施的治疗方案。本发明实现多手段评估，多设备联合的智能方案应用，治疗更加准确、有效。

Description

多手段评估多设备治疗的智能方案生成方法和平台

技术领域

本发明涉及智能方案生成技术领域，具体为多手段评估多设备治疗的智能方案生成方法和平台。

背景技术

现今的医疗诊疗过程中，用户的治疗方案一般是由医生根据检查和问诊后出具的；该治疗方案的适用性、效果的好坏完全是由医生的专业水平所决定的，不同的医生很可能出具不同的治疗方案，同一医生在不同的个人状态下出具的治疗方案也可能不同；用户一般都是被动的接受治疗方案；无法了解治疗方案的治疗效果；

同时，单一化的治疗方案已经越来越满足不了现代医学的高效率治疗要求，多手段设备评估，多能量源设备联合治疗已经成为大的发展趋势，而医生个人的分析速度和分析的全面性有局限。

虽然有医疗领域的相关专业人士将大量已发表的医疗学术论文进行整理和分析，提取出一些与某项疾病相关的治疗方案，但是这些方案趋于理论化，与现实存在一定的差距，同时需要一一比对、查询才能逐个显示，无法实现综合的匹配和推送，效率较低，智能程度低。

发明内容

针对现有技术存在的不足，本发明目的是提供多手段评估多设备治疗的智能方案生成方法和平台，可以解决与现实存在一定的差距，同时需要一一比对、查询才能逐个显示，无法实现综合的匹配和推送，效率较低，智能程度低的技术问题。

为了实现上述目的，本发明是技术方案如下：

多手段评估多设备治疗的智能方案生成方法，包括

采用评估设备对当前用户目标部位进行评估检查，并分别采集当前用户目标部位的评估数据和症状数据；

提取所述评估数据和所述症状数据的特征值；

对提取的所述评估数据特征值和症状数据特征值进行融合；

将融合后的特征值与现有方案库中的治疗方案特征值进行相似度比对，输出当前用户相似度最高的Sim_Count位用户编号；

调出方案库中Sim_Count位用户的治疗方案，根据优先级标准，输出治疗方案的优先级；

将所述治疗方案与治疗设备端进行匹配，确定治疗方案中可实施的治疗方案；按照优先级自高向低的输出所述可实施的治疗方案。

进一步的，所述评估设备包括采用生物刺激反馈仪、压力气囊套组、电子张力计、运动诱发电位检查仪、影像学检查设备中的一种或者多种用以采集当前用户目标部位的评估数据；所述采集当前用户目标部位的症状数据包括采用问诊和\或问卷的方式采集当前用户的症状数据。

进一步的，所述对提取的所述评估数据特征值和症状数据特征值进行融合，包括：

提取采集到的第x位用户目标部位M个评估数据以及N个症状数据的特征值；

定义评估数据特征值为：F(x)＝[F₁(x)；F₂(x)；...；F_M(x)]；

定义症状数据特征值为：S(x)＝[S₁(x)；S₂(x)；...；S_N(x)]；

定义融合后的特征值为：W(x)，

其中W(x)＝[F(x)；S(x)]＝[F₁(x)；F₂(x)；...；F_M(x)；S₁(x)；S₂(x)；...；S_N(x)]。

进一步的，所述相似度的计算公式为：

其中，sim(x，y)为第x位用户和第y位用户的相似度，W_i(x)为第x位用户第i个数据特征值，W_i(y)为中第y位用户第i个数据特征值，R_i为第i个特征值在相似度计算中的权重系数，M为当前用户评估数据的数量，N为当前用户症状数据的数量。

进一步的，所述Sim_Count为10。

进一步的，所述将所述治疗方案与治疗设备端进行匹配，包括：

设定第j套治疗方案T(j)，T(j)为不同能量源设备P(k)的组合；所述P(k)包括生物刺激反馈仪、磁刺激仪、射频仪、激光仪、超声仪；第j套治疗方案的设备需求矩阵为T(j).P；

设定可用设备矩阵为C(l).P；有相应设备为1，无则为0；

若sum(T(j).P)-sum(T(j).P·C(l).P)＝0，则匹配成功，所述治疗方案为可实施的治疗方案；

否则，匹配失败，该治疗方案为不可实施的治疗方案。

进一步的，所述优先级标准定义公式为：

其中，E(k)为第k个方案的优先级，

为第x位用户第一次记录的第i个特征值数据，

为第x位用户使用治疗方案k后第二次记录的第i个特征值数据，H_i为评估治疗方案效果时第i个特征值的权重系数，所述H_i的取值范围为[0，1]。

进一步的，还包括建立初始方案库，或者对没有输出当前用户相似度最高的Sim_Count位用户编号，在现有的方案库内建立当前治疗方案数据，包括：

采集当前用户的评估数据和特征数据，并提取评估数据和特征数据的特征值；

对提取评估数据和特征数据的特征值进行融合；

根据目前的诊断数据库确定治疗方案；

使用所述治疗方案，根据用户评估数据的变化和使用过程中的特征数据变化，生成对使用方案的有效性评估；

将融合后的特征值、治疗方案以及有效性评估存储到方案库内。

一种多手段评估多设备治疗的智能方案生成平台，包括

数据采集层：所述数据采集层用于采集当前用户目标部位的评估数据和症状数据，并提取所述评估数据和所述症状数据的特征值；

数据分析层：所述数据分析层用于对提取的所述评估数据特征值和症状数据特征值进行融合；并将融合后的特征值与现有方案库中的治疗方案特征值进行相似度比对；

方案输出层：所述方案输出层用于输出当前用户相似度最高的Sim_Count位用户编号；调出方案库中Sim_Count位用户的治疗方案，根据优先级标准，输出治疗方案的优先级；将所述治疗方案与治疗设备端进行匹配，确定治疗方案中可实施的治疗方案；按照优先级自高向低的输出所述可实施的治疗方案。

一种可读存储介质，所述可读存储介质上存储有多手段评估的治疗方案智能生成程序，所述多手段评估的治疗方案智能生成程序被处理器执行时实现如上述中任一项所述的多手段评估的智能生成治疗方案的方法的步骤

与现有技术相比，本发明的有益效果包括：

本发明的多手段评估的智能生成治疗方案的方法、平台和存储介质，通过采集用户的检查的评估数据和症状的数据，并对采集的数据进行特征值提取和融合，而后与现实治疗方案形成的方案库进行相似度匹配，输出相似度较高的治疗方案，生成可实施的治疗方案，实现多手段联合的智能治疗，治疗更加准确、有效，有助于提高诊治过程的智能化水平和治疗方案的精准度及可实施性。

附图说明

参照附图来说明本发明的公开内容。应当了解，附图仅仅用于说明目的，而并非意在对本发明的保护范围构成限制，在附图中，相同的附图标记用于指代相同的部件。其中：

图1为本发明多手段评估多设备治疗的智能方案生成方法的流程示意图；

图2为本发明多手段评估多设备治疗的智能方案生成平台的系统框图。

具体实施方式

容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。

多手段评估多设备治疗的智能方案生成方法，如图1所示，包括以下步骤：

步骤一：采用评估设备对当前用户目标部位进行评估检查，并分别采集当前用户目标部位的评估数据和症状数据；

具体的，采用评估设备进行评估检查是利用当前机构的评估设备进行；所述评估设备包括采用生物刺激反馈仪、影像学检查设备、压力气囊套组、电子张力计、运动诱发电位检查仪、CT中的一种或者多种用以采集当前用户目标部位的评估数据；其中生物刺激反馈仪用于采集用户的肌电、肌力，主要适用部位为盆底肌肉、腹部肌肉、背部肌肉、额前、四肢肌肉、臀部肌肉等；多普勒超声仪用于通过超声采集影像数据，适用部位为盆底肌肉、腹部肌肉、臀部肌肉、全身脂肪层等；压力气囊套组用于采集用户压力数据，适用部位为盆底肌肉、腹部肌肉、臀部肌肉、四肢肌肉等；电子张力计用于采集用户肌张力，适用部位为全身肌肉；运动诱发电位检查仪用于采集用户的MEP(运动诱发电位)的数据，适用部位为中枢和外周神经；影像学检查设备用于采集用户的影像数据，适用部位为全身肌肉组织、脂肪以及站立位脊椎等。

其中影像学检查设备包括多普勒超声仪、CT、X光、核磁共振等；

所述采集当前用户目标部位的症状数据包括采用问诊和\或问卷的方式采集当前用户的症状数据。

步骤二：提取所述评估数据和所述症状数据的特征值；即对采集的数据中最能体现症状的数据进行提取形成特征值；

步骤三：对提取的所述评估数据特征值和症状数据特征值进行融合；

具体的，3.1、提取采集到的第x位用户目标部位M个评估数据以及N个症状数据的特征值；

3.2、定义评估数据特征值为：F(x)＝[F₁(x)；F₂(x)；...；F_M(x)]；

定义症状数据特征值为：S(x)＝[S₁(x)；S₂(x)；...；S_N(x)]；

3.3、定义融合后的特征值为：W(x)，其中融合后的特征值为将评估数据特征值和症状数据特征值串联成一组数据；例如W(x)＝[F(x)；S(x)]＝[F₁(x)；F₂(x)；...；F_M(x)；S₁(x)；S₂(x)；...；S_N(x)]。

步骤四：将融合后的特征值与现有方案库中的治疗方案特征值进行相似度比对，输出当前用户相似度最高的Sim_Count位用户编号；

具体的，所述相似度的计算公式为：

其中，sim(x，y)为第x位用户和第y位用户的相似度，W_i(x)为第x位用户第i个数据特征值，W_i(y)为中第y位用户第i个数据特征值，R_i为第i个特征值在相似度计算中的权重系数，该权重系数为人为设定，M为当前用户评估数据的数量，N为当前用户症状数据的数量；

以上是本实施例采用的相似度的计算公式；所述相似度的计算还可以通过以下公式实现：

方法二：Euclidean距离

方法三：Manhttan距离

方法四：Jffreys距离

方法五：Camberra距离

方法六：余弦相似度法

方法七：Pearson相关系数法

方法八：广义Dice相关系数法

方法九：广义Jaccard相关系数法

上述方法二～九中，

表示两个特征值的差距，sim(x，y)为第x位用户和第y位用户的相似度，W_i(x)为第x位用户第i个数据特征值，W_i(y)为中第y位用户第i个数据特征值，R_i为第i个特征值在相似度计算中的权重系数，M为当前用户评估数据的数量，N为当前用户症状数据的数量。

步骤五：调出方案库中Sim_Count位用户的治疗方案，根据优先级标准，输出治疗方案的优先级；

具体的，一般所述Sim_Count为10，即输出十位相似度最高的用户。

具体的，所述优先级标准定义公式为：

其中E(k)为第k个方案的优先级，

为第x位用户第一次记录的第i个特征值数据，

为第x位用户使用治疗方案k后第二次记录的第i个特征值数据，H_i为评估治疗方案效果时第i个特征值的权重系数，该权重系数人为设定，且取值范围为[0，1]。还可以根据所有历史用户使用各方案前后的各项数据，使用神经网络方法进行机器学习得到对应方案的优先级数据。

步骤六：将所述治疗方案与治疗设备端进行匹配，确定治疗方案中可实施的治疗方案；按照优先级自高向低的输出所述可实施的治疗方案。

具体的，所述将所述治疗方案与当前机构现有的治疗设备端进行匹配，包括：

6.1、设定第j套治疗方案T(j)，T(j)为不同能量源设备P(k)的组合；所述P(k)包括生物刺激反馈仪、磁刺激仪(包括盆底磁刺激仪、经颅磁刺激仪和塑形磁刺激仪等)、射频仪、激光仪、超声仪、红外仪等；第j套治疗方案的设备需求矩阵为T(j).P；

6.2、设定当前机构的可用设备矩阵为C(l).P；有相应设备为1，无则为0；

6.3、若sum(T(j).P)-sum(T(j).P·C(l).P)＝0，则匹配成功，所述治疗方案为可实施的治疗方案；

否则，匹配失败，该治疗方案为不可实施的治疗方案。

设定优先级标准，自高向低的输出所述可实施的治疗方案。

本发明的方法还包括建立初始方案库，或者对没有输出当前用户相似度最高的Sim_Count位用户编号，在现有的方案库内建立当前治疗方案数据，包括：

采集当前用户的评估数据和特征数据，并提取评估数据和特征数据的特征值；

对提取评估数据和特征数据的特征值进行融合；

根据目前的诊断数据库确定治疗方案；

使用所述治疗方案，根据用户评估数据的变化和使用过程中的特征数据变化，生成对使用方案的有效性评估；

将融合后的特征值、治疗方案以及有效性评估存储到方案库内。

一种多手段评估多设备治疗的智能方案生成平台，如图2所示，包括

数据采集层：所述数据采集层用于采集当前用户目标部位的评估数据和症状数据，并提取所述评估数据和所述症状数据的特征值；

数据分析层：所述数据分析层用于对提取的所述评估数据特征值和症状数据特征值进行融合；并将融合后的特征值与现有方案库中的治疗方案特征值进行相似度比对；

方案输送层：所述方案输出层用于输出当前用户相似度最高的Sim_Count位用户编号；调出方案库中Sim_Count位用户的治疗方案，根据优先级标准，输出治疗方案的优先级；将所述治疗方案与治疗设备端进行匹配，确定治疗方案中可实施的治疗方案；按照优先级自高向低的输出所述可实施的治疗方案。

一种可读存储介质，所述可读存储介质上存储有多手段评估的治疗方案智能生成程序，所述多手段评估的治疗方案智能生成程序被处理器执行时实现如上述中任一项所述的多手段评估的智能生成治疗方案的方法的步骤。

在平台刚开始运行时，没有使用数据，设置初始方案库，对应各种特征值的情况；平台开始运行后，每次用户使用方案后，用户评估数据的变化和使用过程中的特征数据变化，都会生成对使用方案的有效性评估，从而改变当前方案对此类用户的优先级。平台根据历次用户评估数据和推送方案的效果进行深度学习，从而不断提高方案推荐的准确性和有效性。

实施例一：以对目标部位为盆底进行示例说明，

本实施例的评估设备为生物刺激反馈仪、压力气囊套组、多普勒超声仪；值为0表示未采集到相关数据。

本实施例为第997位用户盆底的8个评估数据和5个症状数据。

依次提取评估数据特征值：肌电评估特征值1(最大值)77μv；肌电评估特征值2(上升时间)-0；肌电评估特征值3(放松时间)-0.6s；压力评估特征值1(最大值)-23μv；压力评估特征值2(上升时间)-0.5s；压力评估特征值3(放松时间)-0.2s；超声评估特征值1(肌肉厚度)-1cm；超声评估特征值2(黏膜健康度)-4度。

需要说明的是，实际评估时，肌电评估特征值可以为最大值，均值，上升时间、放松时间、保持时间、变异系数等；压力评估特征值可以为最大值，均值，上升时间、放松时间、保持时间、变异系数等；本实施例只列举该实施例涉及提取的特征值。

则提取第997位用户评估数据特征值为：F(997)＝[77；0；0.6；23；0.5；0.2；1；4]；

本实施例的症状评估方式为问卷，症状特征值的数值越高，表示健康度越低，症状越明显，值为0表示未采集到相关数据，症状特征值的取值范围为[1，9]；本实施例中，症状依次为：盆底痛、尿频尿急、慢性尿潴留、漏尿、阴道松弛。

则提取第997位用户症状数据特征值为：S(997)＝[1；1；1；8；0]；

主诉症状是漏尿，阴道松弛情况未确定；

融合评估数据特征值与症状数据特征值：W(997)＝[77；0；0.6；23；0.5；0.2；1；4；1；1；1；8；0]；

将W(997)与数据库中所有用户特征值进行相似度比对，公式为：

本实施例中，x取997，每个特征值在相似度计算中的权重系数R_i均取1，得到相似度最高用户的标号分别为第961、177、663、705、403、788、627、803、340和773位。

上述用户与本实施例，即第997位用户的相似度依次为：

92.77％；89.55％；89.45％；88.91％；88.5％；88.38％；88.17％；88.1％；88.1％；87.9％；

方案库中治疗方案记为第j套治疗方案T(j)，依次调取上述10个用户的治疗方案：

用户961号：输出的治疗方案为T(3)，优先级为111.1；

用户177号：输出的治疗方案为T(2)，优先级为103.6；

用户663号：输出的治疗方案为T(7)，优先级为108.3；

用户705号：输出的治疗方案为T(3)，优先级为111.1；

用户403号：输出的治疗方案为T(3)，优先级为111.1；

用户788号：输出的治疗方案为T(7)，优先级为108.3；

用户627号：输出的治疗方案为T(7)，优先级为108.3；

用户803号：输出的治疗方案为T(2)，优先级为103.6；

用户340号：输出的治疗方案为T(7)，优先级为108.3；

用户773号：输出的治疗方案为T(7)，优先级为108.3；

其中，优先级由上述的标准定义公式计算得出，本实施例中的H_i均取1。

考虑各方案所学的能量源设备，其设备需求矩阵为：j套治疗方案的设备需求矩阵为T(j).P；上述治疗方案涉及的治疗设备依次为生物刺激反馈仪、磁刺激仪、射频仪、激光仪和超声仪，具体每个治疗方案对应的设备矩阵为：

T(3).P＝[1；0；1；1；0]；

T(2).P＝[1；1；1；0；0]；

T(7).P＝[1；0；1；0；0]；

当前机构的可用设备矩阵为：

C(1).P＝[1；1；1；1；1]；

匹配设备过程：

sum(T(3).P)-sum(T(3).P·C(0).P)＝3–3＝0，匹配成功。

sum(T(2).P)-sum(T(8).P·C(0).P)＝3–3＝0，匹配成功；

sum(T(7).P)-sum(T(7).P·C(0).P)＝2–2＝0，匹配成功。

则最终输出的可实施治疗方案推送顺序依次为T(3)、T(7)。

需要说明的是，W还可以进行变化，具体为：

使得W＝D，W’＝C*W＝C*D

在实际实施中，若发掘出F(x)和S(x)中一些参数之间有关联性或者有重要性的区别，可以改变系数矩阵C(C为(M+N)*(M+N)的矩阵)中相关系数做区分：

W’＝C*[F；S]＝[77；0.18；0.3；23；0.41；0.35；1；4；1；1；1；8；0]

此时的W(2)不再只与F(2)有关，而是与F(2)和F(3)均有关系，权重分别为0.7和0.3，W(3)、W(5)、W(6)也是类似的规律；W(13)表示评估是否松弛不再只根据症状，而是根据客观指标F(1)、F(4)和主观指标S(4)综合评估，即当一位用户不确定自己是否有松弛症状时，可以根据F(1)的F(4)数值及相关常模进行确定，更加客观和准确；当然，C中的系数需要大量F(x)、S(x)和准确诊断信息不断学习校正，是智能推荐系统准确性和有效性的核心技术。

实施例二：以对目标部位为盆底进行示例说明，

本实施例的评估设备为多普勒超声仪、压力气囊套组、运动诱发电位检查仪和电子张力计；值为0表示未采集到相关数据。

本实施例为第1942位用户盆底的9个评估数据和5个症状数据。

超声特征值1(膀胱颈下降距离)30mm，超声特征值2(肛提肌裂孔面积)35cm²，压力特征值1(最大值)21mmHg，压力特征值2(上升时间)0.8s，压力特征值3(放松时间)3.2s，MEP特征值1(潜伏期)4.5s，MEP特征值2(振幅)145μv，肌张力特征值1(前静息)5μv，肌张力特征值2(后静息)4.5μv；

因而该用户的评估数据特征值为：F＝[30；35；21；0.8；3.2；4.5；145；5；4.5]；

本实施例的症状评估方式为问诊，数值越高，健康度越低，症状越明显，值为0表示未采集到相关数据。本实施例中，症状依次为：盆底痛、尿频尿急、慢性尿潴留、漏尿、阴道松弛。

因而该用户的症状数据特征值为：S＝[1；1；1；3；5]；

主诉症状是阴道松弛。

融合评估数据特征值和症状数据特征值为：W＝[30；35；21；0.8；3.2；4.5；145；5；4.5；1；1；1；3；5]。

将W(1942)与数据库中所有用户特征值进行相似度比对，公式为：

本实施例中，x取1942，得到相似度最高的10名用户编号，数据库中治疗方案记为第j套治疗方案T(j)，依次调取上述10个用户的治疗方案：

第16位用户：相似度95.18％，T(12)，优先级49.2；

第1075位用户：相似度90.15％，T(8)，优先级48.7；

第978位用户：相似度85.98％，T(12)，优先级49.2；

第1903位用户：相似度84.57％，T(12)，优先级49.2；

第1647位用户：相似度82.14％，T(8)，优先级48.7；

第181位用户：相似度81.47％，T(5)，优先级42.8；

第1708位用户：相似度80.66％，T(5)，优先级42.8；

第1388位用户：相似度79.58％，T(16)，优先级39.2；

第1795位用户：相似度79.17％，T(12)，优先级49.2；

第850位用户：相似度79.09％，T(8)，优先级48.7；

考虑各方案所学的能量源设备，其设备需求矩阵为：j套治疗方案的设备需求矩阵为T(j).P；上述治疗方案涉及的治疗设备依次为生物刺激反馈仪、磁刺激仪、射频仪、激光仪和超声仪，具体每个治疗方案对应的设备矩阵为：

T(12).P＝[1；1；1；1；0]；

T(8).P＝[1；1；1；0；0]；

T(5).P＝[1；0；1；1；0]；

T(16).P＝[1；0；0；1；0]；

当前机构的可用设备矩阵为：

C(1).P＝[1；1；1；1；0]；

匹配设备过程：

sum(T(12).P)-sum(T(12).P·C(1).P)＝4–4＝0，匹配成功。

sum(T(8).P)-sum(T(8).P·C(1).P)＝3–3＝0，匹配成功。

sum(T(5).P)-sum(T(5).P·C(1).P)＝3–3＝0，匹配成功。

sum(T(16).P)-sum(T(16).P·C(1).P)＝2–2＝0，匹配成功。

则最终输出的可实施治疗方案推送顺序依次为T(12)、T(8)、T(5)和T(16)。

实施例三：以对目标部位为腹部进行示例说明，

本实施例的评估设备为生物刺激反馈仪和CT；值为0表示未采集到相关数据。

本实施例为第1900位用户盆底的6个评估数据和3个症状数据。

肌电特征值1(站立肌电平均值)46μv，肌电特征值2(最大弯腰肌电平均值)62μv，肌电特征值3(起身站立肌电平均值)47μv，CT特征值1(脐上分离)5cm，CT特征值2(脐中分离)7cm，CT特征值3(脐下分离)6cm。

因而该用户的评估数据特征值为：F＝[46；62；47；5；7；6]；

本实施例的症状评估方式为问卷和问诊，数值越高，健康度越低，症状越明显，值为0表示未采集到相关数据。本实施例中，症状依次为：腹部松弛、腰背疼痛和便秘；

因而该用户的症状数据特征值为：S＝[5，8，9]；

主诉症状是腰背疼痛和便秘；

融合评估数据特征值和症状数据特征值为：W＝[46；62；47；5；7；6；5；8；9]。

将W(1900)与数据库中所有用户特征值进行相似度比对，公式为：

本实施例中，x取1900，得到相似度最高的10名用户编号，数据库中治疗方案记为第j套治疗方案T(j)，依次调取上述10个用户的治疗方案：

第1813位用户：相似度91.76％，T(4)，优先级105.4；

第838位用户：相似度87.94％，T(2)，优先级103.6；

第1721位用户：相似度87.85％，T(4)，优先级105.4；

第634位用户：相似度87.65％，T(4)，优先级105.4；

第1891位用户：相似度86.44％，T(4)，优先级105.4；

第400位用户：相似度86.15％，T(2)，优先级103.6；

第1077位用户：相似度86.13％，T(4)，优先级105.4；

第178位用户：相似度85.12％，T(2)，优先级103.6；

第970位用户：相似度85.08％，T(15)，优先级94.8；

第1150位用户：相似度84.95％，T(2)，优先级103.6；

考虑各方案所学的能量源设备，其设备需求矩阵为：j套治疗方案的设备需求矩阵为T(j).P；上述治疗方案涉及的治疗设备依次为生物刺激反馈仪、磁刺激仪、射频仪、激光仪和超声仪，具体每个治疗方案对应的设备矩阵为：

T(4).P＝[1；0；1；1；0]；

T(2).P＝[1；1；1；0；0]；

T(15).P＝[1；0；1；0；0]；

当前机构的可用设备矩阵为：

C(1).P＝[1；0；1；1；0]；

匹配设备过程：

sum(T(4).P)-sum(T(12).P·C(2).P)＝3–3＝0，匹配成功；

sum(T(2).P)-sum(T(8).P·C(2).P)＝3–2＝0，匹配不成功；

sum(T(15).P)-sum(T(5).P·C(2).P)＝2–2＝0，匹配成功；

则最终输出的可实施的治疗方案推送顺序依次为T(4)和T(15)；其中T(2)为不可实施的治疗方案。

实施例四：以对目标部位为四肢、臀部进行示例说明，

本实施例的评估设备为生物刺激反馈仪和CT；值为0表示未采集到相关数据。

本实施例为第1613位用户盆底的4个评估数据和6个症状数据。

超声特征值(体脂肪)21.8kg；肌电特征值1(四肢生物电阻抗)378Ω；肌电特征值2(臀部生物电阻抗)583Ω，CT特征值(耻骨联合分离)3mm。

因而该用户的评估数据特征值为：F＝[21.8；378；583；3]

本实施例症状特征值的采集方法为问卷，数值越高，健康度越低，症状越明显，值为0表示未采集到相关数据；本实施例中，症状依次为：坐骨痛，肩颈痛，睡眠呼吸暂停，耻骨联合分离，高低肩，长短腿。

因而该用户的症状数据特征值为：S＝[9；1；1；2；1；2]

主诉症状是坐骨痛。

融合评估数据特征值和症状数据特征值为：W＝[21.8；378；583；3；9；1；1；2；1；2]。

将W(1613)与数据库中所有用户特征值进行相似度比对，公式为：

本实施例中，x取1613，得到相似度最高的10名用户编号，数据库中治疗方案记为第j套治疗方案T(j)，依次调取上述10个用户的治疗方案：

第78位用户：相似度92.95％，T(4)，优先级37.8；

第550位用户：相似度91.84％，T(4)，优先级37.8；

第215位用户：相似度90.88％，T(4)，优先级37.8；

第1532位用户：相似度89.55％，T(10)，优先级33.6；

第1516位用户：相似度88.57％，T(4)，优先级37.8；

第628位用户：相似度86.19％，T(10)，优先级33.6；

第467位用户：相似度85.91％，T(13)，优先级30.9；

第53位用户：相似度85.84％，T(13)，优先级30.9；

第399位用户：相似度85.76％，T(6)，优先级26；

考虑各方案所学的能量源设备，其设备需求矩阵为：j套治疗方案的设备需求矩阵为T(j).P；上述治疗方案涉及的治疗设备依次为生物刺激反馈仪、磁刺激仪、射频仪、激光仪和超声仪，具体每个治疗方案对应的设备矩阵为：

T(4).P＝[1；1；1；；0]；

T(10).P＝[1；0；1；0；0]；

T(13).P＝[1；0；；0；0]；

T(7).P＝[1；0；1；1；0]；

T(6).P＝[0；0；0；1；0]；

当前机构的可用设备矩阵为：

C(3).P＝[1；0；1；0；0]；

匹配设备过程：

sum(T(4).P)-sum(T(4).P·C(3).P)＝3–2＝1，匹配不成功；

sum(T(10).P)-sum(T(10).P·C(3).P)＝2–2＝0，匹配成功；

sum(T(13).P)-sum(T(13).P·C(3).P)＝1–1＝0，匹配成功；

sum(T(7).P)-sum(T(7).P·C(3).P)＝2–2＝0，匹配成功；

sum(T(6).P)-sum(T(6).P·C(3).P)＝1–0＝1，匹配不成功；

则最终输出的可实施的治疗方案推送顺序依次为T(10)、T(13)和T(7)；其中T(4)和T(6)为不可实施的治疗方案。

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、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、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装置。

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装置的制造品，该指令装置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。

本发明的技术范围不仅仅局限于上述说明中的内容，本领域技术人员可以在不脱离本发明技术思想的前提下，对上述实施例进行多种变形和修改，而这些变形和修改均应当属于本发明的保护范围内。

Claims (10)

1.多手段评估多设备治疗的智能方案生成方法，其特征在于：包括

采用评估设备对当前用户目标部位进行评估检查，并分别采集当前用户目标部位的评估数据和症状数据；

提取所述评估数据和所述症状数据的特征值；

对提取的所述评估数据特征值和症状数据特征值进行融合；

将融合后的特征值与现有方案库中的治疗方案特征值进行相似度比对，输出当前用户相似度最高的Sim_Count位用户编号；

调出方案库中Sim_Count位用户的治疗方案，根据优先级标准，输出治疗方案的优先级；

将所述治疗方案与治疗设备端进行匹配，确定治疗方案中可实施的治疗方案；按照优先级自高向低的输出所述可实施的治疗方案。

2.根据权利要求1所述的多手段评估多设备治疗的智能方案生成方法，其特征在于：所述评估设备包括采用生物刺激反馈仪、压力气囊套组、电子张力计、运动诱发电位检查仪、影像学检查设备中的一种或者多种用以采集当前用户目标部位的评估数据；所述采集当前用户目标部位的症状数据包括采用问诊和\或问卷的方式采集当前用户的症状数据。

3.根据权利要求1所述的多手段评估多设备治疗的智能方案生成方法，其特征在于：所述对提取的所述评估数据特征值和症状数据特征值进行融合，包括：

提取采集到的第x位用户目标部位M个评估数据以及N个症状数据的特征值；

定义评估数据特征值为：F(x)＝[F₁(x)；F₂(x)；...；F_M(x)]；

定义症状数据特征值为：S(x)＝[S₁(x)；S₂(x)；...；S_N(x)]；

定义融合后的特征值为：W(x)，

其中W(x)＝[F(x)；S(x)]＝[F₁(x)；F₂(x)；...；F_M(x)；S₁(x)；S₂(x)；...；S_N(x)]。

4.根据权利要求1所述的多手段评估多设备治疗的智能方案生成方法，其特征在于：所述相似度的计算公式为：

其中，sim(x，y)为第x位用户和第y位用户的相似度，W_i(x)为第x位用户第i个数据特征值，W_i(y)为中第y位用户第i个数据特征值，R_i为第i个特征值在相似度计算中的权重系数，M为当前用户评估数据的数量，N为当前用户症状数据的数量。

5.根据权利要求1所述的多手段评估多设备治疗的智能方案生成方法，其特征在于：所述Sim_Count为10。

6.根据权利要求5所述的多手段评估多设备治疗的智能方案生成方法，其特征在于：所述将所述治疗方案与治疗设备端进行匹配，包括：

设定第j套治疗方案T(j)，T(j)为不同能量源设备P(k)的组合；所述P(k)包括生物刺激反馈仪、磁刺激仪、射频仪、激光仪、超声仪；第j套治疗方案的设备需求矩阵为T(j).P；

设定可用设备矩阵为C(l).P；有相应设备为1，无则为0；

若sum(T(j).P)-sum(T(j).P·C(l).P)＝0，则匹配成功，所述治疗方案为可实施的治疗方案；

否则，匹配失败，该治疗方案为不可实施的治疗方案。

7.根据权利要求1所述的多手段评估多设备治疗的智能方案生成方法，其特征在于：

所述优先级标准定义公式为：

其中，E(k)为第k个方案的优先级，

为第x位用户第一次记录的第i个特征值数据，

为第x位用户使用治疗方案k后第二次记录的第i个特征值数据，H_i为评估治疗方案效果时第i个特征值的权重系数，所述H_i的取值范围为[0，1]。

8.根据权利要求1所述的多手段评估多设备治疗的智能方案生成方法，其特征在于：还包括建立初始方案库，或者对没有输出当前用户相似度最高的Sim_Count位用户编号，在现有的方案库内建立当前治疗方案数据，包括：

采集当前用户的评估数据和特征数据，并提取评估数据和特征数据的特征值；

对提取评估数据和特征数据的特征值进行融合；

根据目前的诊断数据库确定治疗方案；

使用所述治疗方案，根据用户评估数据的变化和使用过程中的特征数据变化，生成对使用方案的有效性评估；

将融合后的特征值、治疗方案以及有效性评估存储到方案库内。

9.一种多手段评估多设备治疗的智能方案生成平台，其特征在于：包括

数据采集层：所述数据采集层用于采集当前用户目标部位的评估数据和症状数据，并提取所述评估数据和所述症状数据的特征值；

数据分析层：所述数据分析层用于对提取的所述评估数据特征值和症状数据特征值进行融合；并将融合后的特征值与现有方案库中的治疗方案特征值进行相似度比对；

方案输出层：所述方案输出层用于输出当前用户相似度最高的Sim_Count位用户编号；调出方案库中Sim_Count位用户的治疗方案，根据优先级标准，输出治疗方案的优先级；将所述治疗方案与治疗设备端进行匹配，确定治疗方案中可实施的治疗方案；按照优先级自高向低的输出所述可实施的治疗方案。

10.一种可读存储介质，其特征在于：所述可读存储介质上存储有多手段评估的治疗方案智能生成程序，所述多手段评估的治疗方案智能生成程序被处理器执行时实现如权利要求1～8中任一项所述的多手段评估的智能生成治疗方案的方法的步骤。

Images