CN116798658A - 一种健康监测方法、系统、设备和可读存储介质 - Google Patents
一种健康监测方法、系统、设备和可读存储介质 Download PDFInfo
- Publication number
- CN116798658A CN116798658A CN202310816279.XA CN202310816279A CN116798658A CN 116798658 A CN116798658 A CN 116798658A CN 202310816279 A CN202310816279 A CN 202310816279A CN 116798658 A CN116798658 A CN 116798658A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- health monitoring
- user
- health
- target
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 311
- 230000036541 health Effects 0.000 title claims abstract description 182
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000002159 abnormal effect Effects 0.000 claims abstract description 46
- 238000001514 detection method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 9
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000006545 Chronic Obstructive Pulmonary Disease Diseases 0.000 description 1
- 102100032202 Cornulin Human genes 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 1
- 101001018259 Homo sapiens Microtubule-associated serine/threonine-protein kinase 1 Proteins 0.000 description 1
- 101000693728 Homo sapiens S-acyl fatty acid synthase thioesterase, medium chain Proteins 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 102100025541 S-acyl fatty acid synthase thioesterase, medium chain Human genes 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 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
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000002526 effect on cardiovascular system Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及健康医疗领域,提供一种健康监测方法、系统、设备和可读存储介质,所述方法包括:基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务通过对用户健康监测文件进行分类解析,利用健康监测设备执行健康监测结果,可以更加高效且便捷的进行健康监测。
Description
技术领域
本发明涉及人工智能技术领域,同时适用于健康医疗领域,具体涉及一种健康监测方法、系统、设备和可读存储介质。
背景技术
随着社会的发展,人们的生活水平在不断提高,越来越多的人注重身体健康。近年来医院强化对居民全生命周期的健康管理,建立高血压、糖尿病、心脑血管疾病、慢阻肺等重点慢性病风险多因素综合评估方法。
医院的传统做法通常是对需要监测的人由不同科室的医生或医护人员进行相对应的医疗服务。由于医院整体健康管理没有统一的多慢病综合评估管理,医护人员工作量很大,往往存在无效或者不必要的医疗服务。
因此,传统的健康监测和医疗健康管理方式未能对疾病结果做出度量并提供持续的评估和改进,存在效率低且管理成本较高的问题。
发明内容
基于此,本申请实施例提供一种健康监测方法、系统、设备和可读存储介质,通过对用户健康监测文件进行分类解析,利用健康监测设备执行健康监测结果,可以更加高效且便捷的进行健康监测。
为了实现上述目的,本申请实施例提供如下技术方案:
根据本申请实施例的第一方面,提供了一种健康监测方法,所述方法包括:
基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;
基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;
根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;
将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务。
可选地,基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签,包括:
提取出所述目标监测数据中设定指标关联的分类标签特征;
基于所述设定指标关联的分类标签特征、若干目标监测数据、和标签分类标准确定若干目标监测数据的分类标签。
可选地,根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果,包括:
从预设数据库映射出所述异常标签对应的相关信息;所述相关信息包括对应的权重、项目推荐信息和健康指导方案;
根据所述异常标签对应的相关信息以及目标监测数据确定异常监测知识图谱;所述异常监测知识图谱是根据若干异常标签与每个异常标签对应的监测任务和监测时间确定的;
根据所述异常监测知识图谱确定所述用户的健康监测结果。
可选地,在所述基于所述目标监测数据进行语义解析之前,所述方法还包括:
根据设定的分类标签和每个分类标签对应的权重确定每个分类标签对应的项目推荐信息和健康指导方案。
可选地,所述基于用户的健康监测文件和目标监测任务确定用户的目标监测数据,包括:
在所述用户的健康监测文件中提取所述目标监测任务对应的目标监测文件;
将所述目标监测文件输入文字识别神经网络或者OCR识别模型,得到所述用户的目标监测数据。
可选地,所述OCR识别模型按照如下步骤构建:
获取健康监测文本检测数据集和健康监测文本识别数据集,将所述健康监测文本检测数据集和健康监测文本识别数据集分为训练集和测试集;
使用所述健康监测文本检测数据集训练并测试健康监测文本检测模型;
使用所述健康监测文本识别数据集训练并测试健康监测文本识别模型;
根据所述健康监测文本检测模型和健康监测文本识别模型训练并测试后得到所述OCR识别模型。
可选地,根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果之后,还包括:
基于健康监测结果获取数据库中所述健康监测结果对应的异常标签的医生建议信息,作为附加健康监测结果发送至所述用户设备。
根据本申请实施例的第二方面,提供了一种健康监测系统,所述系统包括:
信息识别模块,用于基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;
分类模块,用于基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;
健康监测结果确定模块,用于根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;
用户设备执行模块,用于将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务。
根据本申请实施例的第三方面,提供了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。
综上所述,本申请实施例提供了一种健康监测方法、系统、设备和可读存储介质,通过基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;将目标病症分类为若干标签,基于标签确定健康监测结果,达到对多种目标病症进行健康评估的目的。进一步将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务,从而达到持续性进行健康评估的作用,提供了持续优化健康评估的可能性。通过对用户健康监测文件进行分类解析,利用健康监测设备执行健康监测结果,可以更加高效且便捷的进行健康监测。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本申请实施例提供的一种健康监测方法流程示意图;
图2为本申请实施例提供的另一种健康监测方法实施例示意图
图3为本申请实施例提供的一种健康监测系统框图;
图4示出了本申请实施例提供的一种电子设备的结构示意图;
图5示出了本申请实施例提供的一种计算机可读存储介质的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,显然,所描述的实施例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。
图1示出了本申请实施例提供的一种健康监测方法,所述方法包括:
步骤101:基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;
步骤102:基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;
步骤103:根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;
步骤104:将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务。
在一种可能的实施方式中,在步骤101中,所述基于用户的健康监测文件和目标监测任务确定用户的目标监测数据,包括:
在所述用户的健康监测文件中提取所述目标监测任务对应的目标监测文件;将所述目标监测文件输入文字识别神经网络或者OCR识别模型,得到所述用户的目标监测数据。
随着电子化信息数据的迅猛增长,海量的图像证件,票据,凭证,表格数据以及PDF数据需要提取相关信息,人工录入耗时长,成本高,使用OCR将会极大的提高处理效率。
在一种可能的实施方式中,所述OCR识别模型按照如下步骤构建:
获取健康监测文本检测数据集和健康监测文本识别数据集,将所述健康监测文本检测数据集和健康监测文本识别数据集分为训练集和测试集;
使用所述健康监测文本检测数据集训练并测试健康监测文本检测模型;
使用所述健康监测文本识别数据集训练并测试健康监测文本识别模型;
根据所述健康监测文本检测模型和健康监测文本识别模型训练并测试后得到所述OCR识别模型。
在一种可能的实施方式中,在所述基于所述目标监测数据进行语义解析之前,所述方法还包括:
根据设定的分类标签和每个分类标签对应的权重确定每个分类标签对应的项目推荐信息和健康指导方案。
在一种可能的实施方式中,在步骤102中,基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签,包括:
提取出所述目标监测数据中设定指标关联的分类标签特征;
基于所述设定指标关联的分类标签特征、若干目标监测数据、和标签分类标准确定若干目标监测数据的分类标签。
在一种可能的实施方式中,在步骤103中,根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果,包括:
从预设数据库映射出所述异常标签对应的相关信息;所述相关信息包括对应的权重、项目推荐信息和健康指导方案;根据所述异常标签对应的相关信息以及目标监测数据确定异常监测知识图谱;所述异常监测知识图谱是根据若干异常标签与每个异常标签对应的监测任务和监测时间确定的;根据所述异常监测知识图谱确定所述用户的健康监测结果。
在一种可能的实施方式中,在步骤103根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果之后,还包括:
基于健康监测结果获取所述数据库中所述健康监测结果对应的异常标签的医生建议信息,作为附加健康监测结果发送至所述用户设备。
除了通过用户的健康监测设备获取健康监测信息,也可以通过用户的体检报告获取到健康监测信息。在体检报告的处理上,现有技术面临同样的难题。现有检后标签不完善,无“疑似疾病”标签,无系统标签,按部位分类没有系统分类专业;检后应用场景单薄:高危标签无特殊标注警示,用户无法直觉感知疾病危机程度及对应科室,无法针对性就医;无疾病管控目标,只能发现问题,没有针对性解决的建议;没有针对个人体检报告,进行加项差异化推荐;无历年体检报告动态比较,无法比较身体情况变化。
下面对本申请实施例提供的健康监测方法可以应用到体检报告处理的实施例进行详细说明。为了让用户在检后环节体验更好的服务,更直观准确的匹配健康方案及加项。
第一方面,把以部位分类修改为以系统分类,按照疾病风险等级分为“极高危、中高危、中危、低危、健康”5个等级,并增加疑似疾病标签。由医生团队提供所有标签与系统、风险等级的对应关系,并在后台系统实现映射。
第二方面,采用OCR技术,解析目标用户的体检报告,提取历年体检报告的可量化的相同体检项目,形成指标趋势,并由专业医生团队针对每一个体检项目提供健康指导,引导用户达成健康目标。并针对相应的项目,推荐体检加项、健康服务包、推荐项目等内容。支持在后台配置修改每个体检项目对应的健康指导方案。
传统深度学习OCR的训练过程包含两个模型:文字检测模型和文本识别模型;在推理阶段,将这两个模型组合起来构建成整套的图文识别系统。文本检测算法有DB、EAST、SAST等等,文本识别算法有CRNN、RARE、StarNet、Rosetta、SRN等算法。近几年,出现了端到端的图文检测与识别网络:在训练阶段,该模型的输入包含待训练图像、图像中的文本内容以及文本对应的坐标;在推理阶段,原始图片经过端到端模型直接预测出文本内容信息。端到端的方法主要有FOTS(Fast Oriented Text Spotting)、STN-OCR等。
第三方面,根据不同异常标签及权重组合,生成若干健康管理方案。根据用户体检报告对应的异常标签匹配关联性最大的健康管理方案,包括治疗目标、饮食生活方式、药物选择、随访计划等内容。
第四方面,根据每个异常标签,差异化推荐体检加项、服务包、推荐项目等内容,让用户在配置需要的服务及项目。所有的推荐项均可在后台配置,实时修改。
第五方面,医生录制语音条覆盖线上所有异常标签,由于语音均有医生真人录制,所以不同医生语言习惯、语速均不一致,针对此问题,语音条支持拖拽、倍速等功能,符合用户使用习惯。
第六方面,针对用户自主上传的PDF体检报告,同样提供打标及解析服务,检后服务覆盖用户自主上传体检场景。
第七方面,针对不同用户提供差异化服务,针对特定用户采用特殊标记,若特定用户不能解析成功,提供人工解析体检数据功能。
本申请实施例还提供一种健康监测方法,如图2所示,所述方法包括:
步骤201:在用户的健康监测文件中提取所述目标监测任务对应的目标监测文件;
步骤202:将所述目标监测文件输入文字识别神经网络或者OCR识别模型,得到所述用户的目标监测数据;
步骤203:提取出所述目标监测数据中设定指标关联的分类标签特征;
步骤204:基于所述设定指标关联的分类标签特征、若干目标监测数据、和标签分类标准确定若干目标监测数据的分类标签;所述分类标签包括异常标签;
步骤205:根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间。
在一种可能的实施方式中,所述OCR识别模型按照如下步骤构建:
获取健康监测文本检测数据集和健康监测文本识别数据集,将所述健康监测文本检测数据集和健康监测文本识别数据集分为训练集和测试集;
使用所述健康监测文本检测数据集训练并测试健康监测文本检测模型;
使用所述健康监测文本识别数据集训练并测试健康监测文本识别模型;
根据所述健康监测文本检测模型和健康监测文本识别模型训练并测试后得到所述OCR识别模型。
在一种可能的实施方式中,在基于所述目标监测数据进行语义解析之前,所述方法还包括:
根据设定的分类标签和每个分类标签对应的权重确定每个分类标签对应的项目推荐信息和健康指导方案。
在一种可能的实施方式中,根据所述异常标签以及对应的权重、目标监测数据确定健康监测结果并发送至用户设备,包括:
从预设数据库映射出所述异常标签对应的相关信息;所述相关信息包括对应的权重、项目推荐信息和健康指导方案;根据所述异常标签对应的相关信息以及目标监测数据确定异常监测知识图谱;所述异常监测知识图谱是根据若干异常标签与每个异常标签对应的监测任务和监测时间确定的;根据所述异常监测知识图谱确定所述用户的健康监测结果。
在一种可能的实施方式中,在根据所述异常标签以及对应的权重、目标监测数据确定健康监测结果之后,还包括:
基于健康监测结果获取所述数据库中所述健康监测结果对应的异常标签的医生建议信息,作为附加健康监测结果。
综上所述,本申请实施例提供了一种健康监测方法,通过基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;将目标病症分类为若干标签,基于标签确定健康监测结果,达到对多种目标病症进行健康评估的目的。进一步将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务,从而达到持续性进行健康评估的作用,提供了持续优化健康评估的可能性。通过对用户健康监测文件进行分类解析,利用健康监测设备执行健康监测结果,可以更加高效且便捷的进行健康监测。
基于相同的技术构思,本申请实施例还提供了一种健康监测系统,如图3所示,所述系统包括:
信息识别模块301,用于基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;
分类模块302,用于基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;
健康监测结果确定模块303,用于根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;
用户设备执行模块304,用于将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务。
大数据处理技术是指通过多种渠道实现对大量数据的采集,并通过使用云计算技术来实现对数据的深度挖掘和分析,确保能够及时的找出数据之间的规律和特点,总结和归纳出数据所存在的价值。大数据处理技术对于了解数据特征,预测发展趋势具有十分重要的意义。
知识图谱本质上是语义网络,是一种基于图的数据结构,由节点和边组成。在知识图谱中,每个节点表示现实世界中存在的实体,每条边为实体与实体之间的关系。通俗地讲,知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络,知识图谱提供了从“关系”的角度去分析问题的能力。
自然语言处理是用计算机来处理、理解以及运用人类语言(如中文、英文等),它是计算机科学与语言学的交叉学科,又常被称为计算语言学。由于自然语言是人类区别于其他动物的根本标志。没有语言,人类的思维也就无从谈起,所以自然语言处理体现了人工智能的最高任务与境界,也就是说,只有当计算机具备了处理自然语言的能力时,机器才算实现了真正的智能。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备。请参考图4,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。所述电子设备20可以包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个物理端口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的计算机可读存储介质,请参考图5,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述,构造这类装置所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请较佳的具体实施方式,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,可轻易想到的变化或替换,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本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种健康监测方法,其特征在于,所述方法包括:
基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;
基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;
根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;
将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务。
2.如权利要求1所述的方法,其特征在于,基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签,包括:
提取出所述目标监测数据中设定指标关联的分类标签特征;
基于所述设定指标关联的分类标签特征、若干目标监测数据、和标签分类标准确定若干目标监测数据的分类标签。
3.如权利要求1所述的方法,其特征在于,根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果,包括:
从预设数据库映射出所述异常标签对应的相关信息;所述相关信息包括对应的权重、项目推荐信息和健康指导方案;
根据所述异常标签对应的相关信息以及目标监测数据确定异常监测知识图谱;所述异常监测知识图谱是根据若干异常标签与每个异常标签对应的监测任务和监测时间确定的;
根据所述异常监测知识图谱确定所述用户的健康监测结果。
4.如权利要求3所述的方法,其特征在于,在所述基于所述目标监测数据进行语义解析之前,所述方法还包括:
根据设定的分类标签和每个分类标签对应的权重确定每个分类标签对应的项目推荐信息和健康指导方案。
5.如权利要求1所述的方法,其特征在于,所述基于用户的健康监测文件和目标监测任务确定用户的目标监测数据,包括:
在所述用户的健康监测文件中提取所述目标监测任务对应的目标监测文件;
将所述目标监测文件输入文字识别神经网络或者OCR识别模型,得到所述用户的目标监测数据。
6.如权利要求5所述的方法,其特征在于,所述OCR识别模型按照如下步骤构建:
获取健康监测文本检测数据集和健康监测文本识别数据集,将所述健康监测文本检测数据集和健康监测文本识别数据集分为训练集和测试集;
使用所述健康监测文本检测数据集训练并测试健康监测文本检测模型;
使用所述健康监测文本识别数据集训练并测试健康监测文本识别模型;
根据所述健康监测文本检测模型和健康监测文本识别模型训练并测试后得到所述OCR识别模型。
7.如权利要求1所述的方法,其特征在于,根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果之后,还包括:
基于健康监测结果获取数据库中所述健康监测结果对应的异常标签的医生建议信息,作为附加健康监测结果发送至所述用户设备。
8.一种健康监测系统,其特征在于,所述系统包括:
信息识别模块,用于基于用户的健康监测文件和目标监测任务确定用户的目标监测数据;
分类模块,用于基于所述目标监测数据进行语义解析,得到若干目标监测数据的分类标签和每个分类标签对应的权重;所述分类标签包括异常标签;
健康监测结果确定模块,用于根据所述异常标签以及对应的权重、目标监测数据确定所述用户健康监测结果;所述用户健康监测结果包括监测任务和监测时间;
用户设备执行模块,用于将所述用户健康监测结果发送至用户设备,以使得所述用户设备在监测时间执行监测任务。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816279.XA CN116798658A (zh) | 2023-07-04 | 2023-07-04 | 一种健康监测方法、系统、设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310816279.XA CN116798658A (zh) | 2023-07-04 | 2023-07-04 | 一种健康监测方法、系统、设备和可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116798658A true CN116798658A (zh) | 2023-09-22 |
Family
ID=88041972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310816279.XA Pending CN116798658A (zh) | 2023-07-04 | 2023-07-04 | 一种健康监测方法、系统、设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116798658A (zh) |
-
2023
- 2023-07-04 CN CN202310816279.XA patent/CN116798658A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Biswas et al. | An XAI based autism detection: the context behind the detection | |
KR102088980B1 (ko) | 사용자 맞춤형 의료정보 제공 시스템 및 이의 구동방법 | |
Ifraz et al. | [Retracted] Comparative Analysis for Prediction of Kidney Disease Using Intelligent Machine Learning Methods | |
Singh et al. | Internet of things for sustaining a smart and secure healthcare system | |
Shen et al. | Leveraging collaborative filtering to accelerate rare disease diagnosis | |
Mendo et al. | Machine learning in medical emergencies: a systematic review and analysis | |
US11836331B2 (en) | Mathematical models of graphical user interfaces | |
JP2022548501A (ja) | 暗号通貨取引を分析するためのデータ取得方法及び装置 | |
WO2021126562A1 (en) | Systems and methods for processing electronic images for health monitoring and forecasting | |
Kalaiselvi et al. | Machine learning for healthcare diagnostics | |
Shrestha et al. | Supervised machine learning for early predicting the sepsis patient: modified mean imputation and modified chi-square feature selection | |
Baechle et al. | A framework for the estimation and reduction of hospital readmission penalties using predictive analytics | |
Folino et al. | A recommendation engine for disease prediction | |
Mojahed et al. | An adaptive version of k-medoids to deal with the uncertainty in clustering heterogeneous data using an intermediary fusion approach | |
Senthil et al. | Develop the hybrid Adadelta Stochastic Gradient Classifier with optimized feature selection algorithm to predict the heart disease at earlier stage | |
Walse et al. | Effective use of naïve bayes, decision tree, and random forest techniques for analysis of chronic kidney disease | |
Theerthagiri et al. | RFFS: Recursive random forest feature selection based ensemble algorithm for chronic kidney disease prediction | |
An et al. | Codeless Deep Learning of COVID-19 Chest X-Ray Image Dataset with KNIME Analytics Platform | |
Nguyen et al. | Estimating county health indices using graph neural networks | |
Prisilla et al. | Convolution neural networks: a case study on brain tumor segmentation in medical care | |
CN116798658A (zh) | 一种健康监测方法、系统、设备和可读存储介质 | |
JP6026036B1 (ja) | データ分析システム、その制御方法、プログラム、及び、記録媒体 | |
Raju et al. | Chronic kidney disease prediction using ensemble machine learning | |
CN114429822A (zh) | 病历质检方法、装置和存储介质 | |
Haoues et al. | Machine learning for mHealth apps quality evaluation: An approach based on user feedback analysis |
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 |