CN116189912A - 一种具有学习功能的妇科患者生理信息反馈系统 - Google Patents

一种具有学习功能的妇科患者生理信息反馈系统 Download PDF

Info

Publication number
CN116189912A
CN116189912A CN202310451882.2A CN202310451882A CN116189912A CN 116189912 A CN116189912 A CN 116189912A CN 202310451882 A CN202310451882 A CN 202310451882A CN 116189912 A CN116189912 A CN 116189912A
Authority
CN
China
Prior art keywords
physiological information
evaluation
physiological
gynecological
classification
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Withdrawn
Application number
CN202310451882.2A
Other languages
English (en)
Inventor
江敏
文姝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao Women and Childrens Hospital
Original Assignee
Qingdao Women and Childrens Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdao Women and Childrens Hospital filed Critical Qingdao Women and Childrens Hospital
Priority to CN202310451882.2A priority Critical patent/CN116189912A/zh
Publication of CN116189912A publication Critical patent/CN116189912A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明涉及医疗信息技术领域，本发明公开了一种具有学习功能的妇科患者生理信息反馈系统，包括生理信息采集模块、生理信息处理模块、分类评估处理模块和反馈输出模块；生理信息采集模块与生理信息处理模块相连，生理信息处理模块与分类评估处理模块相连，分类评估处理模块与反馈输出模块相连，反馈输出模块与生理信息采集模块相连；本发明通过支持向量机算法对妇科患者生理信息进行分类评估处理，并提供具体的评估步骤以及评估公式，解决了传统的妇科患者生理信息处理方法主要依赖于医生的经验和判断，存在着主观性和不稳定性的问题，能够提高预后效果。

Description

一种具有学习功能的妇科患者生理信息反馈系统
技术领域
本发明涉及医疗信息技术领域，更具体地说，本发明涉及一种具有学习功能的妇科患者生理信息反馈系统。
背景技术
随着现代医疗技术的不断进步，人们对于妇科患者的诊疗也越来越重视。妇科疾病是一类常见的疾病，对女性的身体健康和生活质量造成了很大的影响。对于妇科患者，生理信息的反馈对于诊疗和治疗具有很大的帮助作用。然而，传统的妇科患者生理信息处理方法主要依赖于医生的经验和判断，存在着主观性和不稳定性的问题，且针对不同妇科患者需要设计不同的治疗方案，现有技术缺乏完整的妇科疾病生理信息库，存在医生对患者病情的诊断时效性差的问题，因此需要一种更加科学和精准的生理信息反馈系统来帮助医生进行诊疗和治疗。为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种具有学习功能的妇科患者生理信息反馈系统，通过支持向量机算法对妇科患者生理信息进行分类评估处理，并提供具体的评估步骤以及评估公式，提高预后效果，降低对患者日常生活的影响，提高患者的生活质量，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种具有学习功能的妇科患者生理信息反馈系统，包括生理信息采集模块、生理信息处理模块、分类评估处理模块和反馈输出模块，生理信息采集模块与生理信息处理模块相连，生理信息处理模块与分类评估处理模块相连，分类评估处理模块与反馈输出模块相连，反馈输出模块与生理信息采集模块相连，其中：
生理信息采集模块用于采集妇科患者的生理信息，包括体温、血压、心率、呼吸率、血糖指标、生理信号、生理指标、临床表现、生理参数以及生理图像，并将采集到的生理信息传输至生理信息处理模块；
生理信息处理模块用于将采集到的生理信息进行预处理和特征提取，将处理后的生理信息传输至分类评估处理模块；
分类评估处理模块通过支持向量机算法对妇科患者的生理信息进行分类评估处理；
反馈输出模块将评估结果通过可视化界面或语音提示反馈给医生和妇科患者，医生根据评估结果制定相应的诊疗方案和治疗建议，妇科患者根据评估结果进行自我管理和调整。
作为本发明的进一步方案，生理信息处理模块对采集到的生理信息进行预处理和特征提取的具体步骤为：
步骤一，将采集的生理信号和图像进行去噪和滤波处理，去除干扰信号；
步骤二，对预处理后的生理信号和图像进行特征提取，提取与妇科疾病相关的生理特征，包括形态特征、频域特征以及时域特征；
步骤三，对提取的特征数据进行归一化处理，将数据范围映射到[0,1]范围内，对特征数据归一化处理公式为：
Figure SMS_1
；
式中：
Figure SMS_2
为归一化数据，/>
Figure SMS_3
为原始数据，/>
Figure SMS_4
为特征数据的最大值，/>
Figure SMS_5
为特征数据的最小值。
作为本发明的进一步方案，生理信息处理模块对妇科患者生理信息分类评估的评估步骤为：
分类评估模块对妇科患者生理信息分类评估的具体步骤为：
步骤A1，从预处理后的数据中提取出特征向量作为分类评估的输入，包括生理指标以及临床表现，其中，生理指标包括基础体温、月经周期、卵巢功能及内分泌水平，临床表现包括白带情况、下腹部疼痛及性生活质量；
步骤A2，采用支持向量机算法对妇科患者的生理信息进行分类评估处理，并得出评估结果；
步骤A3，根据分类评估的结果得到评估得分，具体的评估公式为：
评估得分=
Figure SMS_6
*T1+/>
Figure SMS_7
*T2+…+/>
Figure SMS_8
*Tn；
式中：
Figure SMS_9
、/>
Figure SMS_10
、…、/>
Figure SMS_11
为特征的权重，T1、…、Tn为经过特征提取后的特征向量；
步骤A4，对评估得分进行归一化处理，通过归一化处理后的评估得分进行分类评估。
作为本发明的进一步方案，采用支持向量机算法对妇科患者的生理信息进行分类评估处理，分类评估的具体步骤为：
步骤B1，将预处理后的妇科患者的生理信息生成妇科患者生理信息数据集，将数据集采用交叉验证的方式划分为训练集和测试集；
步骤B2，通过相关性分析将划分后的训练集进行特征选择，选择出对分类结果影响最大的特征；
步骤B3，采用支持向量机算法进行模型训练，使用训练集对算法进行训练和优化，以训练集为输入数据，得到模型参数；
步骤B4，通过模型参数和测试集对模型进行测试，得到分类结果；
步骤B5，对分类结果进行模型评估，通过对分类结果的准确率、召回率及F1值指标进行检测，具体的检测公式为：
准确率=（TP+TN）/（TP+TN+FP+FN）；
召回率=TP/（TP+FN）；
F1值指标=2（准确率*召回率）/（准确率+召回率）；
式中：TP为真正例，TN为真负例，FP为假正例，FN为假负例。
作为本发明的进一步方案，采用支持向量机算法进行模型训练，使用训练集对算法进行训练和优化，以训练集为输入数据，得到模型参数，其中，训练模型的计算公式为：
模型=
Figure SMS_12
；/>
式中：
Figure SMS_13
为输入的生理信息特征，/>
Figure SMS_14
为该特征的类别，/>
Figure SMS_15
为给定输入/>
Figure SMS_16
条件下/>
Figure SMS_17
的概率。
作为本发明的进一步方案，通过模型的准确率、召回率及F1值指标评估模型性能，模型性能差时，重新调整算法并优化模型，对支持向量机算法进行优化的公式为：
Figure SMS_18
；
Figure SMS_19
；
式中：
Figure SMS_22
为样本到超平面的最大距离，/>
Figure SMS_24
为分类超平面的法向量，/>
Figure SMS_26
为分类超平面的法向量的转置，/>
Figure SMS_21
为分类超平面的截距，/>
Figure SMS_25
为惩罚系数，/>
Figure SMS_27
为松弛变量，/>
Figure SMS_28
为样本特征向量，/>
Figure SMS_20
为样本标签，/>
Figure SMS_23
为样本数量。
作为本发明的进一步方案，通过评估得分进行分类评估，级别根据分类评估结果进行判定，级别评估公式为：
Figure SMS_29
；
Figure SMS_30
；
Figure SMS_31
；
Figure SMS_32
；
式中：
Figure SMS_33
、/>
Figure SMS_34
和/>
Figure SMS_35
分别为正常、良性和恶性范畴的得分，/>
Figure SMS_36
为平均得分，/>
Figure SMS_37
为正常值的加权平均数，/>
Figure SMS_38
为良性值的加权平均数，/>
Figure SMS_39
为恶性值的加权平均数；
根据
Figure SMS_40
的数值进行分类评估，具体为：
当
Figure SMS_41
时，级别为恶性；
当
Figure SMS_42
时，级别为正常；
当
Figure SMS_43
时，级别为良性。
本发明一种具有学习功能的妇科患者生理信息反馈系统的技术效果：本发明具有学习功能，能够根据大量妇科患者的生理信息进行学习和优化，提高评估的准确性和稳定性；本发明采用科学的评估步骤和评估公式，能够提供更加精准的评估结果；本发明提供直观的反馈输出方式，方便医生和妇科患者了解评估结果和建议。
附图说明
图1为本发明一种具有学习功能的妇科患者生理信息反馈系统的结构示意图。
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。基于本发明中的实施例，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，都属于本发明保护的范围。
一种具有学习功能的妇科患者生理信息反馈系统，包括生理信息采集模块、生理信息处理模块、分类评估处理模块和反馈输出模块，生理信息采集模块与生理信息处理模块相连，生理信息处理模块与分类评估处理模块相连，分类评估处理模块与反馈输出模块相连，反馈输出模块与生理信息采集模块相连，其中：
生理信息采集模块用于采集妇科患者的生理信息，包括体温、血压、心率、呼吸率、血糖指标、生理信号、生理指标、临床表现、生理参数以及生理图像，并将采集到的生理信息传输至生理信息处理模块；
生理信息处理模块用于将采集到的生理信息进行预处理和特征提取，将处理后的生理信息传输至分类评估处理模块；
分类评估处理模块通过支持向量机算法对妇科患者的生理信息进行分类评估处理；
反馈输出模块将评估结果通过可视化界面或语音提示反馈给医生和妇科患者，医生根据评估结果制定相应的诊疗方案和治疗建议，妇科患者根据评估结果进行自我管理和调整。
本实施例通过对大量的妇科患者生理信息进行分析和学习，形成了一套完整的生理信息分类评估模型，该模型能够对妇科患者的生理信息进行准确的分类评估，提供一种科学和精准的评估结果。
本实施例中生理信息处理模块对采集到的生理信息进行预处理和特征提取的具体步骤为：
步骤一，将采集的生理信号和图像进行去噪和滤波处理，去除干扰信号；
步骤二，对预处理后的生理信号和图像进行特征提取，提取与妇科疾病相关的生理特征，包括形态特征、频域特征以及时域特征；
步骤三，对提取的特征数据进行归一化处理，将数据范围映射到[0,1]范围内，对特征数据归一化处理公式为：
Figure SMS_44
；
式中：
Figure SMS_45
为归一化数据，/>
Figure SMS_46
为原始数据，/>
Figure SMS_47
为特征数据的最大值，/>
Figure SMS_48
为特征数据的最小值。
本实施例中生理信息处理模块对妇科患者生理信息分类评估的评估步骤为：
分类评估模块对妇科患者生理信息分类评估的具体步骤为：
步骤A1，从预处理后的数据中提取出特征向量作为分类评估的输入，包括生理指标以及临床表现，其中，生理指标包括基础体温、月经周期、卵巢功能及内分泌水平，临床表现包括白带情况、下腹部疼痛及性生活质量；
步骤A2，采用支持向量机算法对妇科患者的生理信息进行分类评估处理，并得出评估结果；
步骤A3，根据分类评估的结果得到评估得分，具体的评估公式为：
评估得分=
Figure SMS_49
*T1+/>
Figure SMS_50
*T2+…+/>
Figure SMS_51
*Tn；
式中：
Figure SMS_52
、/>
Figure SMS_53
、…、/>
Figure SMS_54
为特征的权重，T1、…、Tn为经过特征提取后的特征向量；/>
步骤A4，对评估得分进行归一化处理，通过归一化处理后的评估得分进行分类评估。
采用支持向量机算法对妇科患者的生理信息进行分类评估处理，分类评估的具体步骤为：
步骤B1，将预处理后的妇科患者的生理信息生成妇科患者生理信息数据集，将数据集采用交叉验证的方式划分为训练集和测试集；
步骤B2，通过相关性分析将划分后的训练集进行特征选择，选择出对分类结果影响大的特征；
步骤B3，采用支持向量机算法进行模型训练，使用训练集对算法进行训练和优化，以训练集为输入数据，得到模型参数；
步骤B4，通过模型参数和测试集对模型进行测试，得到分类结果；
步骤B5，通过分类结果进行模型评估，采用准确率、召回率及F1值指标进行评估，具体评估公式为：
准确率=（TP+TN）/（TP+TN+FP+FN）；
召回率=TP/（TP+FN）；
F1值=2（准确率*召回率）/（准确率+召回率）；
式中：TP为真正例，TN为真负例，FP为假正例，FN为假负例。
对妇科患者的生理信息进行分类评估处理，具有良好的适应性和可扩展性，可以根据妇科疾病的不同类型进行相应的分类评估处理，同时具有较高的准确性和稳定性，可以有效地识别和评估妇科患者的生理信息，根据大量的数据进行学习和训练，不断提高分类评估的准确性和效率。
本实施例采用支持向量机算法进行模型训练，使用训练集对算法进行训练和优化，以训练集为输入数据，得到模型参数，其中，训练模型的计算公式为：
模型=
Figure SMS_55
；
式中：
Figure SMS_56
为输入的生理信息特征，/>
Figure SMS_57
为该特征的类别，/>
Figure SMS_58
为给定输入/>
Figure SMS_59
条件下/>
Figure SMS_60
的概率。
通过模型的准确率、召回率及F1值指标评估模型性能，模型性能差时，重新调整算法并优化模型，对支持向量机算法进行优化的公式为：
Figure SMS_61
；
Figure SMS_62
；
式中：
Figure SMS_64
为样本到超平面的最大距离，/>
Figure SMS_68
为分类超平面的法向量，/>
Figure SMS_69
为分类超平面的法向量的转置，/>
Figure SMS_65
为分类超平面的截距，/>
Figure SMS_67
为惩罚系数，/>
Figure SMS_70
为松弛变量，/>
Figure SMS_71
为样本特征向量，/>
Figure SMS_63
为样本标签，/>
Figure SMS_66
为样本数量。
本实施例利用支持向量机算法对妇科患者的生理信息进行分类评估，将生理信息划分为组织形态、细胞核形态以及染色体形态，对每个维度进行特征提取和处理，将处理后的特征输入至机器算法中，得到每个维度的评估结果，对每个维度的评估结果进行综合，得到评估得分，通过评估得分进行分类评估。
将每个样本的权重分为三个等级，分别为高、中、低，针对不同的生理信息指标，根据专业知识和经验，给出对应的权重等级，其中：
高权重包括：乳腺触诊结果、宫颈涂片结果、乳腺超声结果、子宫超声结果；
中权重包括：月经史、生殖史、避孕史、手术史、过敏史；
低权重包括：身高、体重、腰围、臀围信息。
进一步的，本实施例中当妇科患者的乳腺触诊结果、宫颈涂片结果、乳腺超声结果、子宫超声结果、月经史、生殖史、避孕史、手术史、过敏史、身高、体重、腰围、臀围信息均已经输入系统中，并已经进行了分类评估处理，根据不同的分类结果，系统将使用不同的算法进行评估。当生理信息被分类后，系统使用支持向量机算法进行评估。向量机算法将根据训练数据的特征和标签，寻找一个最优的超平面，将不同的样本分隔开来。在评估过程中，系统将使用训练好的模型，将患者的生理信息作为输入数据，输出评估概率。
进一步的，输出结果是介于0到1之间的实数，表示相应的概率。为了将输出结果转换成更易于理解的形式，系统将输出结果映射到以下五个等级中的一个：低风险、较低风险、中等风险、较高风险和高风险。具体而言，系统将输出结果与五个预先定义好的阈值进行比较，根据输出结果与阈值的大小关系，将患者划分到相应的等级中，当输出结果大于0.8时，将患者划分为高风险等级。在评估过程中，系统将根据患者的生理信息和医疗历史信息，进行特定疾病的评估。
本实施例通过评估得分进行分类评估，级别根据分类评估结果进行判定，级别评估公式为：
Figure SMS_72
；
Figure SMS_73
；
Figure SMS_74
；
Figure SMS_75
；
式中：
Figure SMS_76
、/>
Figure SMS_77
和/>
Figure SMS_78
分别为正常、良性和恶性范畴的得分，/>
Figure SMS_79
为平均得分，/>
Figure SMS_80
为正常值的加权平均数，/>
Figure SMS_81
为良性值的加权平均数，/>
Figure SMS_82
为恶性值的加权平均数；
根据
Figure SMS_83
的数值进行分类评估，具体为：
当
Figure SMS_84
时，级别为恶性；
当
Figure SMS_85
时，级别为正常；
当
Figure SMS_86
时，级别为良性。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种具有学习功能的妇科患者生理信息反馈系统，包括生理信息采集模块、生理信息处理模块、分类评估处理模块和反馈输出模块，其特征在于：生理信息采集模块与生理信息处理模块相连，生理信息处理模块与分类评估处理模块相连，分类评估处理模块与反馈输出模块相连，反馈输出模块与生理信息采集模块相连；
生理信息采集模块用于采集妇科患者的生理信息，包括体温、血压、心率、呼吸率、血糖指标、生理信号、生理指标、临床表现、生理参数以及生理图像，并将采集到的生理信息传输至生理信息处理模块；
生理信息处理模块用于将采集到的生理信息进行预处理和特征提取，将处理后的生理信息传输至分类评估处理模块；
分类评估处理模块通过支持向量机算法对妇科患者的生理信息进行分类评估处理，采用支持向量机算法对妇科患者的生理信息进行分类评估处理的具体步骤为：
步骤B1，将预处理后的妇科患者的生理信息生成妇科患者生理信息数据集，将数据集采用交叉验证的方式划分为训练集和测试集；
步骤B2，通过相关性分析将划分后的训练集进行特征选择，选择出对分类结果影响最大的特征；
步骤B3，采用支持向量机算法进行模型训练，使用训练集对算法进行训练和优化，以训练集为输入数据，得到模型参数；
步骤B4，通过模型参数和测试集对模型进行测试，得到分类结果；
步骤B5，对分类结果进行模型评估，通过对分类结果的准确率、召回率及F1值指标进行检测，具体的检测公式为：
准确率=（TP+TN）/（TP+TN+FP+FN）；
召回率=TP/（TP+FN）；
F1值指标=2（准确率*召回率）/（准确率+召回率）；
式中：TP为真正例，TN为真负例，FP为假正例，FN为假负例；
反馈输出模块将评估结果通过可视化界面或语音提示反馈给医生和妇科患者。
2.根据权利要求1所述的一种具有学习功能的妇科患者生理信息反馈系统，其特征在于，生理信息处理模块对采集到的生理信息进行预处理和特征提取的具体步骤为：
步骤一，将采集的生理信号和图像进行去噪和滤波处理，去除干扰信号；
步骤二，对预处理后的生理信号和图像进行特征提取，提取与妇科疾病相关的生理特征，包括形态特征、频域特征以及时域特征；
步骤三，对提取的特征数据进行归一化处理，将数据范围映射到[0,1]范围内，对特征数据归一化处理公式为：
Figure QLYQS_1
；
式中：
Figure QLYQS_2
为归一化数据，/>
Figure QLYQS_3
为原始数据，/>
Figure QLYQS_4
为特征数据的最大值，/>
Figure QLYQS_5
为特征数据的最小值。
3.根据权利要求1所述的一种具有学习功能的妇科患者生理信息反馈系统，其特征在于，分类评估模块对妇科患者生理信息分类评估的具体步骤为：
步骤A1，从预处理后的数据中提取出特征向量作为分类评估的输入，包括生理指标以及临床表现，其中，生理指标包括基础体温、月经周期、卵巢功能及内分泌水平，临床表现包括白带情况、下腹部疼痛及性生活质量；
步骤A2，采用支持向量机算法对妇科患者的生理信息进行分类评估处理，并得出评估结果；
步骤A3，根据分类评估的结果得到评估得分，具体的评估公式为：
评估得分=
Figure QLYQS_6
*T1+/>
Figure QLYQS_7
*T2+…+/>
Figure QLYQS_8
*Tn；
式中：
Figure QLYQS_9
、/>
Figure QLYQS_10
、…、/>
Figure QLYQS_11
为特征的权重，T1、…、Tn为经过特征提取后的特征向量；
步骤A4，对评估得分进行归一化处理，通过归一化处理后的评估得分进行分类评估。
4.根据权利要求3所述的一种具有学习功能的妇科患者生理信息反馈系统，其特征在于，采用支持向量机算法进行模型训练，使用训练集对算法进行训练和优化，以训练集为输入数据，得到模型参数，其中，训练模型的计算公式为：
模型=
Figure QLYQS_12
；
式中：
Figure QLYQS_13
为输入的生理信息特征，/>
Figure QLYQS_14
为该特征的类别，/>
Figure QLYQS_15
为给定输入/>
Figure QLYQS_16
条件下/>
Figure QLYQS_17
的概率。
5.根据权利要求4所述的一种具有学习功能的妇科患者生理信息反馈系统，其特征在于，通过模型的准确率、召回率及F1值指标评估模型性能，模型性能差时，重新调整算法并优化模型，对支持向量机算法进行优化的公式为：
Figure QLYQS_18
；
Figure QLYQS_19
；
式中：
Figure QLYQS_21
为样本到超平面的最大距离，/>
Figure QLYQS_24
为分类超平面的法向量，/>
Figure QLYQS_26
为分类超平面的法向量的转置，/>
Figure QLYQS_22
为分类超平面的截距，/>
Figure QLYQS_25
为惩罚系数，/>
Figure QLYQS_27
为松弛变量，/>
Figure QLYQS_28
为样本特征向量，
Figure QLYQS_20
为样本标签，/>
Figure QLYQS_23
为样本数量。
6.根据权利要求3所述的一种具有学习功能的妇科患者生理信息反馈系统，其特征在于，通过对评估得分进行归一化处理，得到分类评估结果，其中，对评估得分进行归一化处理的计算公式为：
归一化得分=（评估得分-
Figure QLYQS_29
）/（/>
Figure QLYQS_30
-/>
Figure QLYQS_31
）；
式中：
Figure QLYQS_32
为评估得分最小值，/>
Figure QLYQS_33
为评估得分最大值。
7.根据权利要求3所述的一种具有学习功能的妇科患者生理信息反馈系统，其特征在于，通过评估得分进行分类评估，级别根据分类评估结果进行判定，级别评估公式为：
Figure QLYQS_34
；
Figure QLYQS_35
；
Figure QLYQS_36
；
Figure QLYQS_37
；/>
式中：
Figure QLYQS_38
、/>
Figure QLYQS_39
和/>
Figure QLYQS_40
分别为正常、良性和恶性范畴的得分，/>
Figure QLYQS_41
为平均得分，/>
Figure QLYQS_42
为正常值的加权平均数，/>
Figure QLYQS_43
为良性值的加权平均数，/>
Figure QLYQS_44
为恶性值的加权平均数。/>
CN202310451882.2A 2023-04-25 2023-04-25 一种具有学习功能的妇科患者生理信息反馈系统 Withdrawn CN116189912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310451882.2A CN116189912A (zh) 2023-04-25 2023-04-25 一种具有学习功能的妇科患者生理信息反馈系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310451882.2A CN116189912A (zh) 2023-04-25 2023-04-25 一种具有学习功能的妇科患者生理信息反馈系统

Publications (1)

Publication Number Publication Date
CN116189912A true CN116189912A (zh) 2023-05-30

Family

ID=86452534

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310451882.2A Withdrawn CN116189912A (zh) 2023-04-25 2023-04-25 一种具有学习功能的妇科患者生理信息反馈系统

Country Status (1)

Country Link
CN (1) CN116189912A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170238858A1 (en) * 2015-07-30 2017-08-24 South China University Of Technology Depression assessment system and depression assessment method based on physiological information
CN113160989A (zh) * 2021-04-30 2021-07-23 华中科技大学同济医学院附属同济医院 基于支持向量机算法的卵巢功能年龄计算系统及其方法与应用
CN113380392A (zh) * 2021-06-25 2021-09-10 南通市第一人民医院 一种基于妇科检查安全评估的就诊管理方法及系统
CN114582496A (zh) * 2022-03-03 2022-06-03 四川大学华西第二医院 一种常见妇科疾病预测模型构建方法和预测系统
WO2022268102A1 (zh) * 2021-06-22 2022-12-29 安翰科技(武汉)股份有限公司 基于深度学习的癌症预后生存预测方法、设备及存储介质
CN115602325A (zh) * 2022-09-30 2023-01-13 易联众云链科技（福建）有限公司（Cn） 一种基于多模型算法的慢性病风险评估方法及其系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170238858A1 (en) * 2015-07-30 2017-08-24 South China University Of Technology Depression assessment system and depression assessment method based on physiological information
CN113160989A (zh) * 2021-04-30 2021-07-23 华中科技大学同济医学院附属同济医院 基于支持向量机算法的卵巢功能年龄计算系统及其方法与应用
WO2022268102A1 (zh) * 2021-06-22 2022-12-29 安翰科技(武汉)股份有限公司 基于深度学习的癌症预后生存预测方法、设备及存储介质
CN113380392A (zh) * 2021-06-25 2021-09-10 南通市第一人民医院 一种基于妇科检查安全评估的就诊管理方法及系统
CN114582496A (zh) * 2022-03-03 2022-06-03 四川大学华西第二医院 一种常见妇科疾病预测模型构建方法和预测系统
CN115602325A (zh) * 2022-09-30 2023-01-13 易联众云链科技（福建）有限公司（Cn） 一种基于多模型算法的慢性病风险评估方法及其系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PAN HUANG ET AL.: "Classification of Cervical Biopsy Images Based on LASSO and EL-SVM", IEEE ACCESS, vol. 8, pages 24219, XP011770556, DOI: 10.1109/ACCESS.2020.2970121 *
武雅琳;刘颖;叶兆祥;: "影像组学在宫颈癌及子宫内膜癌应用的研究进展", 临床放射学杂志, no. 07 *
袁前飞;蔡从中;肖汉光;刘兴华;孔春阳;: "基于支持向量机的乳腺癌预后状态预测和疗效评估", 北京生物医学工程, no. 04 *

Similar Documents

Publication Publication Date Title
Xia et al. A novel wearable electrocardiogram classification system using convolutional neural networks and active learning
Ai et al. Classification of parkinsonian and essential tremor using empirical mode decomposition and support vector machine
CN112472048B (zh) 用于心血管疾病患者脉象识别的神经网络的实现方法
CN112826513B (zh) 一种基于深度学习和特异性矫正在fecg上胎儿心率检测系统
CN109363670A (zh) 一种基于睡眠监测的抑郁症智能检测方法
CN108511055A (zh) 基于分类器融合及诊断规则的室性早搏识别系统及方法
CN117457229B (zh) 基于人工智能的麻醉深度监测系统及方法
CN107766898A (zh) 基于svm的三分类情绪概率判断方法
CN113509186A (zh) 基于深度卷积神经网络的ecg分类系统与方法
CN111370124A (zh) 一种基于面手部识别和大数据的健康分析系统及方法
CN110960211A (zh) 一种基于嵌入式的心电实时监测系统
CN112862749A (zh) 一种骨龄图像数字化处理后自动识别方法
CN109674464A (zh) 一种多导联心电信号复合特征提取方法及对应监测系统
Zhang et al. Diagnosing Parkinson's disease with speech signal based on convolutional neural network
CN112971799A (zh) 基于机器学习的无刺激胎心监护分类方法
CN114469041A (zh) 一种运动过程中心率变化数据特征分析方法
Li et al. Detection of muscle fatigue by fusion of agonist and synergistic muscle semg signals
CN116189912A (zh) 一种具有学习功能的妇科患者生理信息反馈系统
CN117153379A (zh) 一种胸廓出口综合征的预测装置
CN113012148A (zh) 一种基于眼底影像的糖尿病肾病-非糖尿病肾病鉴别诊断装置
CN112017772A (zh) 一种基于妇女白带的疾病认知模型构建方法及系统
Lu et al. Pulse waveform analysis for pregnancy diagnosis based on machine learning
CN110811673A (zh) 基于概率神经网络模型的心音分析系统
CN113921136A (zh) 一种融合多源数据智能评估预测慢性病风险的系统
Yefei et al. Bidirectional long short-term memory-based intelligent auxiliary diagnosis of fetal health

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

Application publication date: 20230530

WW01 Invention patent application withdrawn after publication