CN116230198A - 一种多维度藏医ai智能辅助决策装置和系统 - Google Patents
一种多维度藏医ai智能辅助决策装置和系统 Download PDFInfo
- Publication number
- CN116230198A CN116230198A CN202211089125.7A CN202211089125A CN116230198A CN 116230198 A CN116230198 A CN 116230198A CN 202211089125 A CN202211089125 A CN 202211089125A CN 116230198 A CN116230198 A CN 116230198A
- Authority
- CN
- China
- Prior art keywords
- diagnosis
- tibetan medicine
- auxiliary decision
- multidimensional
- tongue
- 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.)
- Pending
Links
- 239000003814 drug Substances 0.000 title claims abstract description 76
- 238000003745 diagnosis Methods 0.000 claims abstract description 101
- 210000002700 urine Anatomy 0.000 claims abstract description 46
- 206010043946 Tongue conditions Diseases 0.000 claims abstract description 13
- 201000010099 disease Diseases 0.000 claims abstract description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 238000011158 quantitative evaluation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000002559 palpation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000000790 scattering method Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于藏医技术领域，具体涉及一种多维度藏医AI智能辅助决策装置和系统。本发明的多维度藏医AI智能辅助决策装置包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：(1)采集舌象信息、脉象信息、电子问卷信息和尿诊信息；(2)将上述信息输入权重模型，输出诊断要素及其贡献度；(3)将诊断要素及其贡献度输入辅助决策模型，输出对病证的预测结果。本发明的系统可集成于一体，实现便携化。本发明为藏医诊断的客观化奠定基础，填补了藏医在多维度智能辅助决策系统上的空白，为藏医的远程辅助诊疗提供了解决方案，因而在藏医诊断中具有很好的应用前景。
Description
技术领域
本发明属于藏医技术领域，具体涉及一种多维度藏医AI智能辅助决策装置和系统。
背景技术
藏医药作为中医药的重要组成部分，是一种具有悠久的历史传统、独特理论及技术方法的医药学体系。藏医通过舌诊、问诊、切诊、尿诊等诊断手法获得患者生理病理信息，从而实现对病证、未来疾病发展趋势的判定。然而藏医医生的数量相比要服务的人群数量存在严重不足。
人工神经网络是20世纪80年代中后期以来迅速发展起来的学科。它属于信息科学、医学、生物、数学等诸多学科的边缘交叉学科,是模拟生物神经系统的原理而构成的一种新型智能信息处理系统,能够实现很强的非线性映射功能,并具有并行分布式处理、自学习、自组织、良好的容错性等特点,在模式识别、控制优化、信息处理、故障诊断与预测等方面得到广泛应用。在医学领域中,人工神经网络已成功用于疾病预报、方剂配伍、医学图像处理等方面。近来不少学者利用人工神经网络技术,在中医诊断、脉象识别分析、舌象图像处理等方面展开研究,从理论和方法等方面作了许多有益的探索和研究。
利用人工智能进行中医四诊合参实现中医辅助诊断仍然尝试阶段。例如中国发明专利申请“CN201711198028.0基于中医四诊仪的中医治未病管理系统及方法”提供了一种四诊仪，能够为医生自动提供患者的眼底照片、脉象特征和问诊信息供医生辨识患者的体质情况，实现中医治未病服务的信息化。
然而，由于藏医与传统中医在原理和诊断方法上有较大的不同，现有的针对传统中医设计的四诊仪并不适合用于藏医的诊断过程。因此，开发适用于藏医的智能诊断系统，对解决藏医医生数量不足或辅助医生开展基于藏医药的医疗行为具有重大的意义。
发明内容
针对现有技术中的缺陷，本发明提供一种多维度藏医AI智能辅助决策装置和系统，利用藏医的原理，实现了对舌象信息、脉象信息、电子问卷信息和尿诊信息进行同步分析，得到对病证的预测结果的目的。
一种多维度藏医AI智能辅助决策装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤：
(1)采集舌象信息、脉象信息、电子问卷信息和尿诊信息，所述舌象信息包括舌象的纹理和舌苔特征参量，所述脉象信息包括脉搏波的特征参数，所述尿诊信息为尿液的温度、颜色和浊度；
(2)将步骤(1)采集的舌象信息、脉象信息、电子问卷和尿诊信息输入权重模型，输出筛选后得到的诊断要素及其贡献度；
(3)将步骤(2)得到的诊断要素及其贡献度输入辅助决策模型，输出对病证的预测结果。
优选的，步骤(1)中，所述舌象的纹理采用TAMURA算法对舌象图片提取得到，所述舌苔采用FMC算法对舌象图片提取得到。
优选的，步骤(1)中，所述脉搏波的特征参数通过如下方法得到：获取不同静态压下的脉搏波强度值，构成P-H曲线；抽取P-H曲线强度最大值对用的脉搏波，提取脉搏波的时域特征参数；从P-H曲线和脉搏波的时域、频域特征中抽取表征脉诊“位、数、形、势”的特征参量。
优选的，步骤(1)中，所述尿液的温度通过热红外测温装置提取，所述尿液的颜色通过透射法检测得到，所述尿液的浊度通过散射法检测得到。
优选的，步骤(1)中，所述电子问卷信息是根据藏医经典理论建立的问诊分类标准和量化评估问卷采集得到的量化评估特征参量。
优选的，步骤(2)中，所述权重模型通过如下方法建模得到：根据先验知识，利用机器学习算法，建立藏医诊断中问诊、脉诊、舌诊、尿诊的权重模型。
优选的，步骤(3)中，所述辅助决策模型通过如下方法建模得到：
(A)多维度数据标注：藏医专家对藏医舌诊、问诊、尿诊、切诊四个维度的临床数据进行标注，并给出诊断结论，建立藏医临床辩证信息库；
(B)将步骤(A)得到的藏医临床辩证信息库中的舌诊、问诊、尿诊、切诊输入权重模型，输出筛选后得到的诊断要素及其贡献度，将所述诊断要素及其贡献度及步骤(A)的标注结果构成训练集；
(C)以步骤(B)得到的训练集，采用人工神经网络建立特征参数和藏医病证之间网络拓扑结构，通过有监督学习，建立辅助决策模型。
优选的，所述权重模型或辅助决策模型进行初步建模后，基于临床验证数据，利用数据增广技术以及迁移学习算法进行进一步的优化，得到最终的权重模型或辅助决策模型。
本发明还提供一种多维度藏医AI智能辅助决策系统，包括通过数据线连接的如下装置：
多维度藏医AI智能辅助决策装置；
舌象采集装置，用于采集舌象信息；
脉象采集装置，用于采集脉象信息；
尿液检测装置，用于采集尿诊信息；
人机交互装置，用于采集电子问卷信息。
优选的，所述多维度藏医AI智能辅助决策装置、舌象采集装置、脉象采集装置、尿液检测装置和人机交互装置集成于一个手提箱内。
本发明基于藏医的原理和诊断方法，实现了利用舌诊、面诊、脉诊、尿诊多维度数据预测诊断结果的目的。利用AI智能辅助诊断，能够使得藏医诊断结果更加客观化。本发明为藏医多维度辅助诊疗开辟了研究思路，填补了藏医在多维度智能辅助决策系统上的空白，为藏医的远程辅助诊疗提供了解决方案，具有很好的应用前景。
显然，根据本发明的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式，对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为本发明实施例1的结构示意图；
图2为本发明实施例1的流程示意图；
图3为本发明实施例1的功能设计示意图。
具体实施方式
实施例1多维度藏医AI智能辅助决策系统
本实施例提供一种多维度藏医AI智能辅助决策系统，如图1所示，其包括用数据线连接的多维度藏医AI智能辅助决策装置、舌象采集装置、脉象采集装置、尿液检测装置和人机交互装置。
舌象采集装置，优选为用于拍摄舌象图片的摄像头。脉象采集装置，用于采集脉象，其具体结构可基于现有技术实现。尿液检测装置，用于采集尿诊信息，其包括热红外测温装置、可见光分光广度仪和散射式浊度仪。人机交互装置，用于采集电子问卷信息，其具体结构可通过现有技术实现，例如其可以是触摸屏、键盘和语音输入设备等。
作为一种优选的方式，为了方便携带和使用，多维度藏医AI智能辅助决策装置、舌象采集装置、脉象采集装置、尿液检测装置和人机交互装置可全部集成于一个手提箱内，实现便携化。进一步的，手提箱内可设置无线通讯装置。无线通讯装置可基于现有的4G/5G移动通讯装置、wifi通讯装置或蓝牙通讯装置等实现。无线通讯装置用于上传和共享数据，或进行视频通话从而得到专家的在线指导。
所述多维度藏医AI智能辅助决策装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如下步骤(如图2所示)：
(1)采集舌象信息、脉象信息、电子问卷信息和尿诊信息，所述舌象信息包括舌象的纹理和舌苔特征参量，所述脉象信息包括脉搏波的特征参数，所述尿诊信息为尿液的温度、颜色和浊度；
(2)将步骤(1)采集的舌象信息、脉象信息、电子问卷和尿诊信息输入权重模型，输出筛选后得到的诊断要素及其贡献度；
(3)将步骤(2)得到的诊断要素及其贡献度输入辅助决策模型，输出对病证的预测结果。
作为一种优选的方式，步骤(1)中，所述舌象的纹理采用TAMURA算法对舌象图片提取得到，所述舌苔采用FMC算法对舌象图片提取得到。
作为一种优选的方式，步骤(1)中，所述脉搏波的特征参数通过如下方法得到：获取不同静态压下的脉搏波强度值，构成P-H曲线；抽取P-H曲线强度最大值对用的脉搏波，提取脉搏波的时域特征参数；从P-H曲线和脉搏波的时域、频域特征中抽取表征脉诊“位、数、形、势”的特征参量。
作为一种优选的方式，步骤(1)中，所述尿液的温度通过热红外测温装置提取，所述尿液的颜色通过透射法检测得到，所述尿液的浊度通过散射法检测得到。
作为一种优选的方式，步骤(1)中，所述电子问卷信息是根据藏医经典理论建立的问诊分类标准和量化评估问卷采集得到的量化评估特征参量。
作为一种优选的方式，步骤(2)中，所述权重模型通过如下方法建模得到：根据先验知识，利用机器学习算法，建立藏医诊断中问诊、脉诊、舌诊、尿诊的权重模型。
作为一种优选的方式，步骤(3)中，所述辅助决策模型通过如下方法建模得到：
(A)多维度数据标注：藏医专家对藏医舌诊、问诊、尿诊、切诊四个维度的临床数据进行标注，并给出诊断结论，建立藏医临床辩证信息库；
(B)将步骤(A)得到的藏医临床辩证信息库中的舌诊、问诊、尿诊、切诊输入权重模型，输出筛选后得到的诊断要素及其贡献度，将所述诊断要素及其贡献度及步骤(A)的标注结果构成训练集；
(C)以步骤(B)得到的训练集，采用人工神经网络建立特征参数和藏医病证之间网络拓扑结构，通过有监督学习，建立辅助决策模型。
作为一种优选的方式，所述权重模型或辅助决策模型进行初步建模后，基于临床验证数据，寻找、分析临床验证时出现的问题进行模型的优化迭代。利用数据增广技术以及迁移学习算法进行进一步的优化，构建标准化数据挖掘处理方法，不断调整阈值和参数进行优化，得到最终的权重模型或辅助决策模型。
作为一种优选的方案，存储器中还用于存储电子健康档案。所述电子健康档案用于使用者的自动身份识别，建立并维护用户电子健康管理档案，管理历史健康检测数据。
通过上述实施例可以看到，本发明实现了一种集舌象、脉象、电子问卷、尿诊为一体的藏医便携式四诊设备，为藏医舌、面、脉、尿诊断的客观化奠定基础。本发明为藏医多维度辅助诊疗开辟了研究思路，填补了藏医在多维度智能辅助决策系统上的空白，为藏医的远程辅助诊疗提供了解决方案。因此，本发明在藏医诊断中具有很好的应用前景。
Claims (10)
1.一种多维度藏医AI智能辅助决策装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如下步骤：
(1)采集舌象信息、脉象信息、电子问卷信息和尿诊信息，所述舌象信息包括舌象的纹理和舌苔特征参量，所述脉象信息包括脉搏波的特征参数，所述尿诊信息为尿液的温度、颜色和浊度；
(2)将步骤(1)采集的舌象信息、脉象信息、电子问卷和尿诊信息输入权重模型，输出筛选后得到的诊断要素及其贡献度；
(3)将步骤(2)得到的诊断要素及其贡献度输入辅助决策模型，输出对病证的预测结果。
2.按照权利要求1所述的多维度藏医AI智能辅助决策装置，其特征在于：步骤(1)中，所述舌象的纹理采用TAMURA算法对舌象图片提取得到，所述舌苔采用FMC算法对舌象图片提取得到。
3.按照权利要求1所述的多维度藏医AI智能辅助决策装置，其特征在于：步骤(1)中，所述脉搏波的特征参数通过如下方法得到：获取不同静态压下的脉搏波强度值，构成P-H曲线；抽取P-H曲线强度最大值对用的脉搏波，提取脉搏波的时域特征参数；从P-H曲线和脉搏波的时域、频域特征中抽取表征脉诊“位、数、形、势”的特征参量。
4.按照权利要求1所述的多维度藏医AI智能辅助决策装置，其特征在于：步骤(1)中，所述尿液的温度通过热红外测温装置提取，所述尿液的颜色通过透射法检测得到，所述尿液的浊度通过散射法检测得到。
5.按照权利要求1所述的多维度藏医AI智能辅助决策装置，其特征在于：步骤(1)中，所述电子问卷信息是根据藏医经典理论建立的问诊分类标准和量化评估问卷采集得到的量化评估特征参量。
6.按照权利要求1所述的多维度藏医AI智能辅助决策装置，其特征在于：步骤(2)中，所述权重模型通过如下方法建模得到：根据先验知识，利用机器学习算法，建立藏医诊断中问诊、脉诊、舌诊、尿诊的权重模型。
7.按照权利要求1所述的多维度藏医AI智能辅助决策装置，其特征在于：步骤(3)中，所述辅助决策模型通过如下方法建模得到：
(A)多维度数据标注：藏医专家对藏医舌诊、问诊、尿诊、切诊四个维度的临床数据进行标注，并给出诊断结论，建立藏医临床辩证信息库；
(B)将步骤(A)得到的藏医临床辩证信息库中的舌诊、问诊、尿诊、切诊输入权重模型，输出筛选后得到的诊断要素及其贡献度，将所述诊断要素及其贡献度及步骤(A)的标注结果构成训练集；
(C)以步骤(B)得到的训练集，采用人工神经网络建立特征参数和藏医病证之间网络拓扑结构，通过有监督学习，建立辅助决策模型。
8.按照权利要求1、6或7所述的多维度藏医AI智能辅助决策装置，其特征在于：所述权重模型或辅助决策模型进行初步建模后，基于临床验证数据，利用数据增广技术以及迁移学习算法进行进一步的优化，得到最终的权重模型或辅助决策模型。
9.一种多维度藏医AI智能辅助决策系统，其特征在于，包括通过数据线连接的如下装置：
权利要求1-8任一项所述的多维度藏医AI智能辅助决策装置；
舌象采集装置，用于采集舌象信息；
脉象采集装置，用于采集脉象信息；
尿液检测装置，用于采集尿诊信息；
人机交互装置，用于采集电子问卷信息。
10.按照权利要求9所述的多维度藏医AI智能辅助决策系统，其特征在于：所述多维度藏医AI智能辅助决策装置、舌象采集装置、脉象采集装置、尿液检测装置和人机交互装置集成于一个手提箱内。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111044486 | 2021-09-07 | ||
| CN2021110444865 | 2021-09-07 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116230198A true CN116230198A (zh) | 2023-06-06 |
Family
ID=86581165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211089125.7A Pending CN116230198A (zh) | 2021-09-07 | 2022-09-07 | 一种多维度藏医ai智能辅助决策装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116230198A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649413A (zh) * | 2024-01-30 | 2024-03-05 | 数据空间研究院 | 一种基于中医舌象的肠癌深度学习辅助诊断方法 |
| CN118412143A (zh) * | 2024-06-28 | 2024-07-30 | 天津中智云海软件科技有限公司 | 一种用于中医体质辨识与调养的数据分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107066814A (zh) * | 2017-03-09 | 2017-08-18 | 南京邮电大学 | 一种基于望闻问切协同的中医智能辅助诊断系统 |
| CN109102899A (zh) * | 2018-07-20 | 2018-12-28 | 四川好医生云医疗科技有限公司 | 基于机器学习与大数据的中医智能辅助系统及方法 |
| CN109833028A (zh) * | 2017-11-25 | 2019-06-04 | 深圳市前海安测信息技术有限公司 | 基于中医四诊仪的中医治未病管理系统及方法 |
-
2022
- 2022-09-07 CN CN202211089125.7A patent/CN116230198A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107066814A (zh) * | 2017-03-09 | 2017-08-18 | 南京邮电大学 | 一种基于望闻问切协同的中医智能辅助诊断系统 |
| CN109833028A (zh) * | 2017-11-25 | 2019-06-04 | 深圳市前海安测信息技术有限公司 | 基于中医四诊仪的中医治未病管理系统及方法 |
| CN109102899A (zh) * | 2018-07-20 | 2018-12-28 | 四川好医生云医疗科技有限公司 | 基于机器学习与大数据的中医智能辅助系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| 华桦;杨宝寿;赵军宁;: "我国南派藏医药的形成与发展概述", 中国民族医药杂志, no. 05, 30 May 2010 (2010-05-30) * |
| 姚晓武: ""藏医尿诊理论体系研究纵览"", 《中国民族民间医药》, 30 May 2013 (2013-05-30), pages 1 - 3 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649413A (zh) * | 2024-01-30 | 2024-03-05 | 数据空间研究院 | 一种基于中医舌象的肠癌深度学习辅助诊断方法 |
| CN118412143A (zh) * | 2024-06-28 | 2024-07-30 | 天津中智云海软件科技有限公司 | 一种用于中医体质辨识与调养的数据分析方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Milovic et al. | Prediction and decision making in health care using data mining | |
| CN113421652B (zh) | 对医疗数据进行分析的方法、训练模型的方法及分析仪 | |
| ȚĂRANU | Data mining in healthcare: decision making and precision. | |
| Zhao et al. | Advances in patient classification for traditional Chinese medicine: a machine learning perspective | |
| Begum et al. | Case-based reasoning systems in the health sciences: a survey of recent trends and developments | |
| CN109830303A (zh) | 基于互联网一体化医疗平台的临床数据挖掘分析与辅助决策方法 | |
| CN116230198A (zh) | 一种多维度藏医ai智能辅助决策装置和系统 | |
| CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其系统 | |
| CN101499134B (zh) | 基于现场可编程门阵列的虹膜识别方法及系统 | |
| CN109841282A (zh) | 一种基于云计算的中医健康管理云系统及其搭建方法 | |
| CN105393252A (zh) | 生理数据采集和分析 | |
| CN110772235A (zh) | 基于云计算和移动平台的中医智能健康分析系统 | |
| CN113707264B (zh) | 基于机器学习的药物推荐方法、装置、设备及介质 | |
| CN101647696A (zh) | 健康诊疗智能系统 | |
| KR102162683B1 (ko) | 비정형 피부질환 영상데이터를 활용한 판독보조장치 | |
| Samant et al. | Comparative analysis of classification based algorithms for diabetes diagnosis using iris images | |
| CN115040086A (zh) | 一种基于数字生物标志物的数据处理系统及方法 | |
| CN117457192A (zh) | 智能远程诊断方法及系统 | |
| Creagh et al. | Interpretable deep learning for the remote characterisation of ambulation in multiple sclerosis using smartphones | |
| CN118213075A (zh) | 老年全麻患者术后亚谵妄综合症多模态预测识别系统 | |
| Wang et al. | Application of optimized convolutional neural networks for early aided diagnosis of essential tremor: automatic handwriting recognition and feature analysis | |
| CN116595437B (zh) | 零校准迁移学习分类模型的训练方法、设备和存储介质 | |
| Ren et al. | Extracting and supplementing method for EEG signal in manufacturing workshop based on deep learning of time–frequency correlation | |
| Niemann et al. | Combining subgroup discovery and clustering to identify diverse subpopulations in cohort study data | |
| CN115223711A (zh) | 一种基于多模态机器学习的皮肤病分析方法 |
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 |