CN116842330B - 一种可对比历史记录的保健信息处理方法及装置 - Google Patents
一种可对比历史记录的保健信息处理方法及装置 Download PDFInfo
- Publication number
- CN116842330B CN116842330B CN202311107290.5A CN202311107290A CN116842330B CN 116842330 B CN116842330 B CN 116842330B CN 202311107290 A CN202311107290 A CN 202311107290A CN 116842330 B CN116842330 B CN 116842330B
- Authority
- CN
- China
- Prior art keywords
- heart rate
- attribute
- existing
- historical
- 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.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 12
- 230000036541 health Effects 0.000 title claims description 122
- 238000013507 mapping Methods 0.000 claims abstract description 97
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004075 alteration Effects 0.000 description 3
- 230000008602 contraction Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010019280 Heart failures Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010003119 arrhythmia Diseases 0.000 description 1
- 230000006793 arrhythmia Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请提供了一种可对比历史记录的保健信息处理方法及装置，属于保健信息处理技术领域，通过确定历史心率属性集和现有心率属性集，进而得到历史心率映射空间和现有心率映射空间，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到心率属性误差值序列，根据心率波动指数确定心率特征值，根据所述心率属性误差值序列和所述心率特征值，确定分类修正系数，通过所述历史心率属性集，得到标签分类误差值，最终根据所述分类修正系数与所述标签分类误差值，确认心率属性分类簇，通过所述心率属性分类簇对实时采集的心率保健信息进行心率属性分类，可以提高对实时采集的心率保健信息进行心率属性分类的精确性。
Description
技术领域
本申请涉及保健信息处理技术领域，更具体的说，本申请涉及一种可对比历史记录的保健信息处理方法及装置。
背景技术
在保健信息领域，针对历史记录的保健信息进行对比分析是一项重要任务，然后现有的技术在处理这种对比分析时存在一些挑战，首先不同源头的保健信息数据可能具有不同的格式、单位和尺度，导致难以进行直接的比较和分析，其次保健信息数据通常具有多种类型和特征，需要提前关键特征并进行合适的处理才能进行对比分析，此外历史记录的保健信息可能存在噪声和缺失值，需要进行适当的数据处理和修复。
目前已有的技术提供了一些对保健信息进行分类处理的解决方案，通常采用对保健信息数据进行标准化和归一化以及采用数据挖掘和机器学习等技术进行分类，然而这些技术在处理保健信息分类时都存在一定的局限性，如何提高对实时采集的心率保健信息进行心率属性分类的精确性是业界面临的问题。
发明内容
本申请提供一种可对比历史记录的保健信息处理方法及装置，以解决提高对实时采集的心率保健信息进行心率属性分类的精确性的技术问题。
为解决上述技术问题，本申请采用如下技术方案：
第一方面，本申请提供一种可对比历史记录的保健信息处理方法，包括如下步骤：
获取历史心率保健信息数据和现有心率保健信息数据，分别得到历史心率保健信息域和现有心率保健信息域；
对所述历史心率保健信息域和所述现有心率保健信息域进行属性提取得到对应的历史心率属性集和现有心率属性集，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到对应的历史心率映射空间和现有心率映射空间，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间，确定所述共享心率属性空间中各个共享心率属性对应的心率属性误差值，得到心率属性误差值序列；
通过现有心率保健信息域中的现有心率保健信息项的心率波动指数确定心率特征值，根据所述心率属性误差值序列和所述心率特征值，确定现有心率保健信息域中各个心率保健信息对应的分类修正系数，通过所述历史心率属性集进行属性标签分类得到标签分类误差值；
根据所述分类修正系数和所述标签分类误差值，确定心率保健信息的心率属性分类簇，根据所述心率属性分类簇对实时采集的心率保健信息进行心率属性分类并保存。
在一些实施例中，从电子病历系统获取历史心率保健信息数据和现有心率保健信息数据。
在一些实施例中，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到历史心率映射空间和现有心率映射空间具体包括：
将所述历史心率属性集中的各个历史心率属性映射到向量空间中，得到历史心率映射空间；
将所述现有心率属性集中的各个现有心率属性映射到向量空间中，得到现有心率映射空间。
在一些实施例中，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间具体包括：
获取所述历史心率映射空间中的各个历史心率属性；
获取所述现有心率映射空间中的各个现有心率属性；
确定各个历史心率属性对应的共享心率属性；
确定各个现有心率属性对应的共享心率属性；
将各个历史心率属性对应的各个共享心率属性映射至向量空间中，同时将各个现有心率属性对应的各个共享心率属性映射至向量空间中，得到包含上述全部共享心率属性的共享心率属性空间，其中所述共享心率属性空间中的共享心率属性根据下式确定：
其中，/>为共享心率属性空间中的第/>个共享心率属性，/>为所述历史心率属性空间中的第/>个历史心率属性，为所述现有心率属性空间中的第/>个现有心率属性，/>为所述历史心率属性空间中的历史心率属性个数，/>为所述现有心率属性空间中的现有心率属性个数，/>、/>分别为所述历史心率属性空间中的历史心率属性的最大值与最小值，/>、/>分别为所述现有心率属性空间中的现有心率属性的最大值与最小值，/>为第/>个历史心率属性在所述历史心率属性空间中的模值，/>为预设的属性修正系数，标定为常数。
在一些实施例中，根据所述分类修正系数和所述标签分类误差值，确定心率保健信息的心率属性分类簇具体包括：
获取分类阈值；
根据所述分类修正系数与所述标签分类误差值，确定分类得分；
将所述分类阈值和所述分类得分进行对比，当所述分类得分高于所述分类阈值，则将该分类得分所对应的现有心率保健信息域中的心率属性归为同一个心率属性分类簇。
在一些实施例中，通过所述历史心率属性集进行属性标签分类得到标签分类误差值具体包括：
将所述历史心率属性集划分为训练集和测试集；
使用所述训练集对分类模型进行训练，得到训练好的分类模型；
将测试集输入所述训练好的分类模型，将所述分类模型输出的预测标签的标签值与测试集的真实标签的标签值进行比较确定误差比例，进而对所有输出的预测标签的标签值与测试集的真实标签的标签值的所有误差比例取平均数，得到标签分类误差值。
在一些实施例中，所述分类模型为逻辑回归模型。
第二方面，本申请提供一种可对比历史记录的保健信息处理装置，其包括有数据分类单元，所述数据分类单元包括：
获取模块，用于获取历史心率保健信息数据和现有心率保健信息数据，分别得到历史心率保健信息域和现有心率保健信息域；
心率属性误差值序列确定模块，用于对所述历史心率保健信息域和所述现有心率保健信息域进行属性提取得到对应的历史心率属性集和现有心率属性集，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到对应的历史心率映射空间和现有心率映射空间，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间，确定所述共享心率属性空间中各个共享心率属性对应的心率属性误差值，得到心率属性误差值序列；
标签分类误差值确定模块，用于通过现有心率保健信息域中的现有心率保健信息项的心率波动指数确定心率特征值，根据所述心率属性误差值序列和所述心率特征值，确定现有心率保健信息域中各个心率保健信息对应的分类修正系数，通过所述历史心率属性集进行属性标签分类得到标签分类误差值；
心率属性分类存储模块，用于根据所述分类修正系数和所述标签分类误差值，确定心率保健信息的心率属性分类簇，根据所述心率属性分类簇对实时采集的心率保健信息进行心率属性分类并存储。
第三方面，本申请提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行上述的可对比历史记录的保健信息处理方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的可对比历史记录的保健信息处理方法。
本申请公开的实施例提供的技术方案具有以下有益效果：
本申请提供的可对比历史记录的保健信息处理方法及装置中，首先通过历史心率保健信息域和现有心率保健信息域，确定历史心率属性集和现有心率属性集，进而得到历史心率映射空间和现有心率映射空间，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到心率属性误差值，根据心率波动指数，确定心率特征值，能够根据所述心率属性误差值与所述心率特征值，确定分类修正系数，从而根据所述历史心率属性集，得到标签分类误差值，最终根据所述分类修正系数与所述标签分类误差值，确认心率属性分类簇，通过所述心率属性分类簇对实时采集的心率保健信息进行心率属性分类，最终可以提高对实时采集的心率保健信息进行心率属性分类的精确性。
附图说明
图1是根据本申请一些实施例所示的可对比历史记录的保健信息处理方法的示例性流程图；
图2是根据本申请一些实施例所示的数据分类单元的示例性硬件和/或软件的示意图；
图3是根据本申请一些实施例所示的应用可对比历史记录的保健信息处理方法的计算机设备的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。参考图1，该图是根据本申请一些实施例所示的可对比历史记录的保健信息处理方法的示例性流程图，该可对比历史记录的保健信息处理方法100主要包括如下步骤：
在步骤101，获取历史心率保健信息数据和现有心率保健信息数据，分别得到历史心率保健信息域和现有心率保健信息域。
在一些实施例中，从不同的数据源中收集历史心率保健信息数据和所述现有心率保健信息数据数据时，这些数据源可能来自于医疗设备、传感器、移动应用程序、电子病历系统等，在本申请中该数据源来自于电子病历系统中，历史心率保健信息数据包含预设时间阈值外的心率记录，现有心率保健信息数据包含预设时间阈值内的心率记录，将历史心率保健信息数据中的不同数据组合在一起，得到所述历史心率保健信息域，将现有心率保健信息数据中的不同数据组合在一起，得到所述现有心率保健信息域，具体实现时，还可以将历史心率保健信息数据和现有心率保健信息数据分别添加一个额外的属性或标签，用于表示它们所属的域，这个属性或标签可以是一个离散的标识值，例如历史域用“0”表示，现有域用“1”表示，这里不做限定。
需要说明的，所述历史心率保健信息域和现有心率保健信息域由一系列包含了病人心率采集得到的心率信息项组合而成，信息域之间的信息项在时序上存在密切联系，即，所述历史心率保健信息域和现有心率保健信息域可以看做历史心率保健信息的信息项或现有心率保健信息的信息项组成的集合，例如，所述历史心率保健信息域和现有心率保健信息域中包含了病人通过心率检测设备采集得到的心率信息项，具体实现时，所述心率信息项包含了病人在一段检测时间内的心跳时刻，所述心率采集设备可以是与病人身体皮肤连接的电极贴片，通过电极贴片传输电信号对病人在一段检测时间内的心跳时刻进行记录，得到单个心率信息项，此外，在另外一些实施例中，还可以预设历史心率保健信息域和现有心率保健信息域的时间阈值，所述现有心率保健信息域中包含了最近一段时间阈值内的心率信息项，所述历史心率保健信息包含了时间阈值以外检测得到的心率信息项。
通过设置时间阈值，将心率采集设备采集得到的病人的心率保健信息数据划分为所述历史心率保健信息域和现有心率保健信息域，可以实现实时的心率信息数据与过去的心率信息数据的分离，有利于凸显心率信息的变化特征，帮助了解疗养环境变化对病人心率的影响程度。
在步骤102，对所述历史心率保健信息域和所述现有心率保健信息域进行属性提取得到对应的历史心率属性集和现有心率属性集，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到对应的历史心率映射空间和现有心率映射空间，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间，确定所述共享心率属性空间中各个共享心率属性对应的心率属性误差值，得到心率属性误差值序列。
需要说明的，所述历史心率属性集和现有心率属性集中包含了对所述历史心率保健信息域和所述现有心率保健信息域中的心率保健信息进行属性提取得到的心率属性，即，所述历史心率属性集和现有心率属性集分别由所述历史心率保健信息域和所述现有心率保健信息域中的历史心率保健信息项和现有心率保健信息项进行属性提取后得到的历史心率属性和现有心率属性组成，所述历史心率保健信息项或现有心率保健信息项具有唯一对应的历史心率属性或现有心率属性。
在一些实施例中，所述心率属性可以包括：由病人心率保健信息提取的每分钟心跳数、心跳间隔和心率变异性，所述心率属性可以是由病人心率保健信息提取的每分钟心跳数、心跳间隔和心率变异性组成的三维向量，具体实现时，所述心率属性还可以包括由病人心率保健信息提取的其他特征信息，这里不做限定。
可选的，在一些实施例中，可以采用心率分析中常用的Kubios HRV软件提取所述心率属性，Kubios HRV是一个广泛使用的专业软件，常用于计算和分析心率变异性，它提供了丰富的时间域和频域参数，还支持导入不同心率数据格式并根据心率数据进行使用者期望的计算，例如，将所述心率保健信息变换至频域上进行分析，以探索不同频率范围内的心率变化，可以通过将心跳间期序列转换为频域表示，然后计算在不同频率带内的功率或能量用于确定单个心率保健信息对应的心率变异率。
在一些实施例中，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到历史心率映射空间和现有心率映射空间具体包括：
将所述历史心率属性集中的各个历史心率属性映射到向量空间中，得到历史心率映射空间；
将所述现有心率属性集中的各个现有心率属性映射到向量空间中，得到现有心率映射空间。
需要说明的，所述历史心率属性和现有心率属性是由病人心率保健信息提取的每分钟心跳数、心跳间隔和心率变异性等心率特征组成的多维特征向量，所述历史心率属性和现有心率属性的多维特征向量维数相等，将所述历史心率属性和现有心率属性分别映射到两个与多维特征向量维数相同的向量空间中，即可对应得到所述历史心率映射空间和现有心率映射空间。
需要说明的是，其中所述历史心率属性集和所述现有心率属性集中的每个属性集包含选定的心率属性特征作为属性，每个样本对应一个属性向量，每个属性又对应一个特征值，上述进行属性提取在具体实施例中可以使用卷积神经网络、循环神经网络等作为提取工具，在本申请中采用卷积神经网络来作为提取工具，采用所述卷积神经网络能够自动学习时间序列数据中的特征表示，无需手动设计特征提取的方法，通过多个卷积核，更加适应不同心率属性提取， 这里不做限定。
在一些实施例中，在所述历史心率属性集中的样本属性数量未知时，假设所述历史心率属性集有A个样本属性，将所述历史心率属性集中的A个样本属性使用A个不同的映射将其分别映射到独有的属性空间中，得到历史心率映射空间，将现有心率属性集映射到映射到一个独有的属性空间中，得到现有心率映射空间，分别独立的构建不同结构的属性空间保留了所述历史心率属性集和所述现有心率属性集特有的属性，再将历史心率映射空间中的一个属性空间和现有心率映射空间映射到一个共享的属性空间中，将所述共享的属性空间里面的属性嵌入一个域辨别器，该域辨别器的作用就是对所述共享的属性空间里面的属性进行领域辨别，辨别该共享的属性空间里面的属性为历史心率映射空间还是为现有心率映射空间，在辨别的过程中会存在辨别的领域与真实领域之间有差异，所述差异为域辨别误差值，根据所述域辨别误差值通过反向传播算法更新所述属性提取的参数，使得该域辨别器能够减小该域辨别误差值，进行重复多次的上述步骤，以达到使所述历史心率属性集和所述现有心率属性集它们的属性数据分布进行自适应匹配到一起，从而得到共享心率空间，在共享心率空间中，比较历史心率特征和现有心率特征的差异，从而得到所述心率属性误差值，在本申请中，比较历史心率特征和现有心率特征的差异可以使用欧式距离，所述欧氏距离是最常见的相似度度量方法，它可以衡量两个向量之间的直线距离，所以在所述共享心率空间中，计算出历史心率特征与现有心率特征的距离，该距离则为所述心率属性误差值，在实际应用中还可以采用余弦相似度、皮尔逊相关系数和曼哈顿距离等，这里不做限定。
优选的，在另外一些实施例中，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间具体包括：
获取所述历史心率映射空间中的各个历史心率属性；
获取所述现有心率映射空间中的各个现有心率属性；
确定各个历史心率属性对应的共享心率属性；
确定各个现有心率属性对应的共享心率属性；
将所述各个历史心率属性对应的各个共享心率属性映射至向量空间中，同时将各个现有心率属性对应的各个共享心率属性映射至向量空间中，得到包含上述全部共享心率属性的共享心率属性空间，其中所述共享心率属性空间中的共享心率属性根据下式确定：
其中，/>为共享心率属性空间中的第/>个共享心率属性，/>为所述历史心率属性空间中的第/>个历史心率属性，为所述现有心率属性空间中的第/>个现有心率属性，/>为所述历史心率属性空间中的历史心率属性个数，/>为所述现有心率属性空间中的现有心率属性个数，/>、/>分别为所述历史心率属性空间中的历史心率属性的最大值与最小值，/>、/>分别为所述现有心率属性空间中的现有心率属性的最大值与最小值，/>为第/>个历史心率属性在所述历史心率属性空间中的模值，/>为预设的属性修正系数，标定为常数。
其中，共享心率属性空间中前a个共享心率属性为历史心率属性对应的各个共享心率属性，共享心率属性空间中其余的共享心率属性为现有心率属性对应的共享心率属性，由所述历史心率属性对应的各个共享心率属性和所述现有心率属性对应的共享心率属性共同组成所述共享心率属性空间。
需要说明的，通过将所述历史心率属性和现有心率属性进行属性自适应匹配，可以将所述历史心率属性和现有心率属性映射至同一向量空间中，便于进行属性的特征对比及后续对所述心率属性误差值的确定。
在一些实施例中，确定所述共享心率空间中各个共享心率属性对应的心率属性误差值，得到心率属性误差值序列具体包括：
获取所述共享心率空间中各个共享心率属性；
根据所述共享心率空间中各个共享心率属性，获取各个共享心率属性对应的心率属性误差值，所述心率属性误差值根据下式确定：
其中，/>为所述共享心率属性空间中的第/>个共享心率属性对应的心率属性误差值，/>为所述共享心率属性空间中的第/>个共享心率属性在第/>维上的坐标值，/>为所述共享心率属性空间中的第个共享心率属性在第/>维上的坐标值，/>为所述共享心率属性空间的空间维数，/>为所述历史心率属性空间中的历史心率属性个数，/>为所述现有心率属性空间中的现有心率属性个数，/>为预设的属性修正系数，标定为常数；
将所述各个共享心率属性对应的心率属性误差值组成心率误差值序列。
需要说明的，所述心率误差值序列为所述历史心率保健信息域和所述现有心率保健信息域映射到现有心率映射空间中得到的心率误差值序列，所述心率误差值序列中的心率误差值与所述历史心率保健信息域和所述现有心率保健信息域中的历史心率保健信息项和所述现有心率保健信息项存在一一对应关系，即，所述心率误差值序列中每一个心率误差值均存在唯一对应的一个历史心率保健信息项或现有心率保健信息项。
在步骤103，通过现有心率保健信息域中的现有心率保健信息项的心率波动指数确定心率特征值，根据所述心率属性误差值序列和所述心率特征值，确定现有心率保健信息域中各个心率保健信息对应的分类修正系数，通过所述历史心率属性集进行属性标签分类得到标签分类误差值。
在一些实施例中，通过现有心率保健信息域中的所述现有心率保健信息项的心率波动指数确定心率特征值可采用下述方式：
获取现有心率保健信息项中的心率波动指数；
对所述现有心率保健信息域中的现有心率保健信息项以每分钟的时间段进行划分；
根据所述心率波动指数确定所述心率特征值，其中所述心率特征值根据下述公式确定：
其中/>表示所述心率特征值，/>表示平方根，n表示所述现有心率保健信息项总的时间段的个数，/>表示所述现有心率保健信息项的第i个的时间段的心率波动指数，/>表示所述现有心率保健信息项的第i个的时间段的第/>个的所述心率波动指数。
需要说明的，当所述现有心率保健信息域中的现有心率保健信息项以每分钟的时间段进行划分从而确定心率特征值时，所述现有心率保健信息域中每一分钟的心率保健信息项存在唯一对应的心率特征值。
本申请中心率波动指数是用来反映心率变化的指标，在本申请中该心率波动指数既可以是时域指标，也可以是非线性指标和频域指标，这里不做具体限定，在一些实施例中，确定所述现有心率保健信息项的心率波动指数可采用下述方式：
根据心率收缩时间间隔获取心率间期序列；
确定心率间期序列中所有心率收缩时间间隔之和，再根据总心率间期序列个数得到心率间期平均值；
确定每个心率间期与所述心率间期平均值的差，将得到的每一个差值进行平方，得到心率平方差序列；
计算该心率平方差序列的平均值并开方运算，得到心率间期序列的标准差；
将该标准差作为所述心率波动指数。
在一些实施例中，可以通过建立线性回归模型，线性回归是一种常见的统计分析方法，用于选择合适的线性回归算法预测所述线性回归模型中多个自变量与因变量之间的线性关系，具体实现时，在所述线性回归模型中，可以将所述心率属性误差值序列中的心率属性误差值作为自变量，所述心率特征值作为因变量，从而得到所述心率属性误差值与心率特征值之间的线性方程，进而将所述线性方程中对应各个心率属性误差值的回归系数，作为现有心率保健信息域中与该心率属性误差值对应的心率保健信息的分类修正系数，从而得到现有心率保健信息域中心率保健信息对应的分类修正系数。
具体实现时，例如，当所述心率特征值以分钟为时间段时，选定某一分钟的心率特征值，所述现有心率保健信息域中对应该分钟的时间段中存在n个现有心率保健信息项，显然相对于的存在每个现有心率保健信息项对应的n个心率属性误差值，进而选取线性回归算法建立所述心率属性误差值与所述心率特征值之间的回归模型，例如，可以采用最小二乘法回归算法，所述最小二乘法回归算法通过最小化实际值与预测值之间的平方误差来确定最优的回归系数，所述回归模型可以由下式表示：
其中，/>为该分钟的心率特征值，/>、/>和/>分别为该分钟的第一、第二和第n个心率属性误差值，/>、/>和/>分别为该分钟的第一、第二和第n个心率属性误差值对应的回归系数，/>为回归方程中的常数误差项。
进而将所述心率属性误差值对应的回归系数，作为所述心率属性误差值对应的现有心率保健信息项的分类修正系数，在一些实施例中，可以采用相同方式构造其他分钟的心率特征值与该心率特征值对应的心率属性误差值之间的线性回归方程，从而获取其他分钟对应的现有心率保健信息项的分类修正系数，直到得到所述现有心率保健信息域中全部心率保健信息对应的分类修正系数。
在一些实施例中，对所述历史心率属性集进行属性标签分类得到标签分类误差值具体采用下述方式，即：
将所述历史心率属性集划分为训练集和测试集；
使用所述训练集对分类模型进行训练，得到训练好的分类模型；
将测试集输入所述训练好的分类模型，将所述分类模型输出的预测标签的标签值与测试集的真实标签的标签值进行比较确定误差比例，进而对所有输出的预测标签的标签值与测试集的真实标签的标签值的所有误差比例取平均数，得到标签分类误差值。
需要说明的是，上述将历史心率属性集划分为训练集和测试集，用于训练和测试分类模型时，可通过该训练集使用支持向量机来训练分类模型，例如，可以采用Python库中的用于分类的支持张量机变体和内核函数，实例化一个支持张量机分类模型，将所述历史心率属性集中的历史心率属性作为支持张量机分类模型的输入，将心率属性特征相应的标签作为输出，让该分类模型学习心率属性特征与标签的关系，通过迭代优化分类模型的系数，使其能够更好的拟合训练集中的标签，例如，具体实现时，所述训练集中的某个历史心率属性作为输入时，存在对应该历史心率属性的分类标签，所述分类标签可以是心率正常、心率失常和心衰等，这里不做限定，每个标签都具有其对应常数作为标准标签值，通过比较标签值之间的误差，可以衡量分类时的偏离程度，这里不再赘述。
需要说明的是，具体实现时，该分类模型可采用逻辑回归模型，使用所述测试集对训练好的该分类模型进行测试，即将测试集作为输入，将输出的预测标签的标签值与测试集的真实标签的标签值进行比较确定误差比例或误差值，进而对所有输出标签的误差比例或误差值取平均数，得到标签分类误差值。
需要说明的，所述标签分类误差值是根据历史心率属性集中的历史心率属性进行学习后得到的分类结果与期望分类之间的偏差特征，所述标签分类误差值越低，表明分类结果越准确，进而可以根据所述标签分类误差值调整后续对所述心率保健信息簇的分类方案，这里不再赘述。
在步骤104，根据所述分类修正系数和所述标签分类误差值，确定心率保健信息的心率属性分类簇，根据所述心率属性分类簇对实时采集的心率保健信息进行心率属性分类并保存。
需要说明的是，可以预先根据人的心率收缩特征属性来预设分类阈值，例如将人身体健康时的心率属性与人患病时的心率属性分别选择相对应的一个分类阈值，具体操作需要经过专业人士辅助进行多次试验调整所述分类阈值，达到最佳所述分类阈值，也可以根据历史的分类阈值对所述分类阈值进行标定，这里不再赘述。
在一些实施例中，根据所述分类修正系数与所述标签分类误差值，对现有心率保健信息域中的每个现有心率保健信息项计算分类得分，所述分类得分具体表达式如下：
分类得分=∑（分类修正系数/标签分类误差值）
其中∑表示对所有属性进行求和操作，分类修正系数是针对每个属性的修正系数，标签分类误差值是误差比例或误差值的平均数；
将现有心率保健信息域中的每个现有心率保健信息项根据上述计算后得到的所述分类得分与分类阈值进行比较，当现有心率保健信息项的分类得分高于所述分类阈值，则将该现有心率保健信息项归为同一个簇中，得到所述心率属性分类簇。
需要说明的，所述心率属性分类簇中存在的现有心率保健信息项的分类得分较高，即存在较多用于分类的特征信息，通过计算所述现有心率保健信息项的分类得分，可以对一些可用于分类的特征信息较少的现有心率保健信息项进行滤除，从而提高病人心脏病变情况判断的准确率，在一些实施例中，可以将所述心率属性分类簇中的现有心率保健信息项进行心率属性分类，例如，对所述心率属性分类簇中的现有心率保健信息项设置心率正常、心率失常和心衰等分类标签，进而保存在数据库、文件或其他存储介质中，以便于进行后续分析，例如生成分类报告、趋势分析等，用于提醒用户采取适当的健康措施和治疗方案等，这里不做限定。
另外，本申请的另一方面，在一些实施例中，本申请提供一种可对比历史记录的保健信息处理装置，该装置包括有数据分类单元，参考图2，该图是根据本申请一些实施例所示的数据分类单元的示例性硬件和/或软件的示意图，该数据分类单元200包括：获取模块201、心率属性误差值序列确定模块202、标签分类误差值确定模块203和心率属性分类存储模块204，分别说明如下：
获取模块201，本申请中获取模块201主要用于获取历史心率保健信息数据和现有心率保健信息数据，分别得到历史心率保健信息域和现有心率保健信息域；
心率属性误差值序列确定模块202，本申请中心率属性误差值序列确定模块202主要用于对所述历史心率保健信息域和所述现有心率保健信息域进行属性提取得到对应的历史心率属性集和现有心率属性集，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到对应的历史心率映射空间和现有心率映射空间，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间，确定所述共享心率属性空间中各个共享心率属性对应的心率属性误差值，得到心率属性误差值序列；
标签分类误差值确定模块203，本申请中标签分类误差值确定模块203主要用于通过现有心率保健信息域中的现有心率保健信息项的心率波动指数确定心率特征值，根据所述心率属性误差值序列和所述心率特征值，确定现有心率保健信息域中各个心率保健信息对应的分类修正系数，通过所述历史心率属性集进行属性标签分类得到标签分类误差值；
心率属性分类存储模块204，本申请中心率属性分类存储模块204主要用于根据所述分类修正系数和所述标签分类误差值，确定心率保健信息的心率属性分类簇，根据所述心率属性分类簇对实时采集的心率保健信息进行心率属性分类并存储。
另外，本申请还提供一种计算机设备，所述计算机设备包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行上述的可对比历史记录的保健信息处理方法。
在一些实施例中，参考图3，该图是本申请一些实施例所示的应用可对比历史记录的保健信息处理方法的计算机设备的结构示意图。上述实施例中的可对比历史记录的保健信息处理方法可以通过图3所示的计算机设备来实现，该计算机设备包括至少一个处理器301、通信总线302、存储器303以及至少一个通信接口304。
处理器301可以是一个通用中央处理器(central processing unit，CPU)、特定应用集成电路(application-specific integrated circuit，ASIC)或一个或多个用于控制本申请中的可对比历史记录的保健信息处理方法的执行。
通信总线302可包括一通路，在上述组件之间传送信息。
存储器303可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其它类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、只读光盘(compact disc read-only Memory，CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质，但不限于此。存储器303可以是独立存在，通过通信总线302与处理器301相连接。存储器303也可以和处理器301集成在一起。
其中，存储器303用于存储执行本申请方案的程序代码，并由处理器301来控制执行。处理器301用于执行存储器303中存储的程序代码。程序代码中可以包括一个或多个软件模块。上述实施例中心率属性数据处理和计算可以通过处理器301以及存储器303中的程序代码中的一个或多个软件模块实现。
通信接口304，使用任何收发器一类的装置，用于与其它设备或通信网络通信，如以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。
在具体实现中，作为一种实施例，计算机设备可以包括多个处理器，这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中，计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑 (personaldigital assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。
另外，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的可对比历史记录的保健信息处理方法。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种可对比历史记录的保健信息处理方法，其特征在于，包括如下步骤：
获取历史心率保健信息数据和现有心率保健信息数据，分别得到历史心率保健信息域和现有心率保健信息域；
对所述历史心率保健信息域和所述现有心率保健信息域进行属性提取得到对应的历史心率属性集和现有心率属性集，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到对应的历史心率映射空间和现有心率映射空间，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间，确定所述共享心率属性空间中各个共享心率属性对应的心率属性误差值，得到心率属性误差值序列；
通过现有心率保健信息域中的现有心率保健信息项的心率波动指数确定心率特征值，根据所述心率属性误差值序列和所述心率特征值，确定现有心率保健信息域中各个心率保健信息对应的分类修正系数，通过所述历史心率属性集进行属性标签分类得到标签分类误差值；
根据所述分类修正系数和所述标签分类误差值，确定心率保健信息的心率属性分类簇，根据所述心率属性分类簇对实时采集的心率保健信息进行心率属性分类并保存；将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间具体包括：
获取所述历史心率映射空间中的各个历史心率属性；
获取所述现有心率映射空间中的各个现有心率属性；
确定各个历史心率属性对应的共享心率属性；
确定各个现有心率属性对应的共享心率属性；
将所述各个历史心率属性对应的各个共享心率属性映射至向量空间中，同时将各个现有心率属性对应的各个共享心率属性映射至向量空间中，得到包含上述全部共享心率属性的共享心率属性空间，其中所述共享心率属性空间中的共享心率属性根据下式确定：
其中，wr为共享心率属性空间中的第r个共享心率属性，Pr为所述历史心率属性空间中的第r个历史心率属性，Qr为所述现有心率属性空间中的第r个现有心率属性，a为所述历史心率属性空间中的历史心率属性个数，b为所述现有心率属性空间中的现有心率属性个数，Pmax、Pmin分别为所述历史心率属性空间中的历史心率属性的最大值与最小值，Qmax、Qmin分别为所述现有心率属性空间中的现有心率属性的最大值与最小值，|Pr|为第r个历史心率属性在所述历史心率属性空间中的模值，μ为预设的属性修正系数，标定为常数。
2.如权利要求1所述的方法，其特征在于，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到对应的历史心率映射空间和现有心率映射空间具体包括：
将所述历史心率属性集中的各个历史心率属性映射到向量空间中，得到历史心率映射空间；
将所述现有心率属性集中的各个现有心率属性映射到向量空间中，得到现有心率映射空间。
3.如权利要求1所述的方法，其特征在于，根据所述分类修正系数和所述标签分类误差值，确定心率保健信息的心率属性分类簇具体包括：
获取分类阈值；
根据所述分类修正系数与所述标签分类误差值，确定分类得分；
将所述分类阈值和所述分类得分进行对比，当所述分类得分高于所述分类阈值，则将该分类得分所对应的现有心率保健信息域中的心率属性归为同一个心率属性分类簇。
4.如权利要求1所述的方法，其特征在于，通过所述历史心率属性集进行属性标签分类得到标签分类误差值具体包括：
将所述历史心率属性集划分为训练集和测试集；
使用所述训练集对分类模型进行训练，得到训练好的分类模型；
将测试集输入所述训练好的分类模型，将所述分类模型输出的预测标签的标签值与测试集的真实标签的标签值进行比较确定误差比例，进而对所有输出的预测标签的标签值与测试集的真实标签的标签值的所有误差比例取平均数，得到标签分类误差值。
5.如权利要求4所述的方法，其特征在于，所述分类模型为逻辑回归模型。
6.如权利要求1所述的方法，其特征在于，从电子病历系统获取历史心率保健信息数据和现有心率保健信息数据。
7.一种可对比历史记录的保健信息处理装置，其特征在于，包括有数据分类单元，所述数据分类单元包括：
获取模块，用于获取历史心率保健信息数据和现有心率保健信息数据，分别得到历史心率保健信息域和现有心率保健信息域；
心率属性误差值序列确定模块，用于对所述历史心率保健信息域和所述现有心率保健信息域进行属性提取得到对应的历史心率属性集和现有心率属性集，分别对所述历史心率属性集和所述现有心率属性集进行映射，得到对应的历史心率映射空间和现有心率映射空间，将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间，确定所述共享心率属性空间中各个共享心率属性对应的心率属性误差值，得到心率属性误差值序列；
标签分类误差值确定模块，用于通过现有心率保健信息域中的现有心率保健信息项的心率波动指数确定心率特征值，根据所述心率属性误差值序列和所述心率特征值，确定现有心率保健信息域中各个心率保健信息对应的分类修正系数，通过所述历史心率属性集进行属性标签分类得到标签分类误差值；
心率属性分类存储模块，用于根据所述分类修正系数和所述标签分类误差值，确定心率保健信息的心率属性分类簇，根据所述心率属性分类簇对实时采集的心率保健信息进行心率属性分类并存储；将所述历史心率映射空间与所述现有心率映射空间通过属性自适应匹配，得到共享心率属性空间具体包括：
获取所述历史心率映射空间中的各个历史心率属性；
获取所述现有心率映射空间中的各个现有心率属性；
确定各个历史心率属性对应的共享心率属性；
确定各个现有心率属性对应的共享心率属性；
将所述各个历史心率属性对应的各个共享心率属性映射至向量空间中，同时将各个现有心率属性对应的各个共享心率属性映射至向量空间中，得到包含上述全部共享心率属性的共享心率属性空间，其中所述共享心率属性空间中的共享心率属性根据下式确定：
其中，wr为共享心率属性空间中的第r个共享心率属性，Pr为所述历史心率属性空间中的第r个历史心率属性，Qr为所述现有心率属性空间中的第r个现有心率属性，a为所述历史心率属性空间中的历史心率属性个数，b为所述现有心率属性空间中的现有心率属性个数，Pmax、Pmin分别为所述历史心率属性空间中的历史心率属性的最大值与最小值，Qmax、Qmin分别为所述现有心率属性空间中的现有心率属性的最大值与最小值，|Pr|为第r个历史心率属性在所述历史心率属性空间中的模值，μ为预设的属性修正系数，标定为常数。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有代码，所述处理器被配置为获取所述代码，并执行如权利要求1至6任一项所述的可对比历史记录的保健信息处理方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的可对比历史记录的保健信息处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311107290.5A CN116842330B (zh) | 2023-08-31 | 2023-08-31 | 一种可对比历史记录的保健信息处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311107290.5A CN116842330B (zh) | 2023-08-31 | 2023-08-31 | 一种可对比历史记录的保健信息处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842330A CN116842330A (zh) | 2023-10-03 |
| CN116842330B true CN116842330B (zh) | 2023-11-24 |
Family
ID=88163826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311107290.5A Active CN116842330B (zh) | 2023-08-31 | 2023-08-31 | 一种可对比历史记录的保健信息处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842330B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117379005A (zh) * | 2023-11-21 | 2024-01-12 | 欣颜时代(广州)技术有限公司 | 美容仪的皮肤检测控制方法、装置、设备和存储介质 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109363659A (zh) * | 2018-09-30 | 2019-02-22 | 平安科技（深圳）有限公司 | 基于深度学习的心率监控方法、装置及存储介质 |
| CN110021439A (zh) * | 2019-03-07 | 2019-07-16 | 平安科技（深圳）有限公司 | 基于机器学习的医疗数据分类方法、装置和计算机设备 |
| CN110659207A (zh) * | 2019-09-02 | 2020-01-07 | 北京航空航天大学 | 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法 |
| CN110991170A (zh) * | 2019-12-05 | 2020-04-10 | 清华大学 | 基于电子病历信息的中文疾病名称智能标准化方法与系统 |
| CN111624931A (zh) * | 2020-06-18 | 2020-09-04 | 山东山大世纪科技有限公司 | 工业园区用电互联网智能运维管控系统及其方法 |
| CN112331350A (zh) * | 2020-10-14 | 2021-02-05 | 华南师范大学 | 一种重症监护病房提早转入预测方法、系统及存储介质 |
| CN112381011A (zh) * | 2020-11-18 | 2021-02-19 | 中国科学院自动化研究所 | 基于人脸图像的非接触式心率测量方法、系统及装置 |
| WO2021143402A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 一种用于多标签标注心电信号的心搏分类方法和装置 |
| WO2021174811A1 (zh) * | 2020-03-04 | 2021-09-10 | 平安科技（深圳）有限公司 | 车流量时间序列的预测方法及预测装置 |
| WO2021179712A1 (zh) * | 2020-10-22 | 2021-09-16 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
| CN113693611A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技（深圳）有限公司 | 基于机器学习的心电数据分类方法及装置 |
| CN113886683A (zh) * | 2021-09-22 | 2022-01-04 | 北京明略昭辉科技有限公司 | 标签簇构建方法、系统、存储介质及电子设备 |
| CN113947131A (zh) * | 2021-09-15 | 2022-01-18 | 北京三快在线科技有限公司 | 模型训练方法、装置、设备及存储介质 |
| CN115424725A (zh) * | 2022-08-16 | 2022-12-02 | 阿里云计算有限公司 | 数据的分析方法和装置、存储介质及处理器 |
| CN115565639A (zh) * | 2022-09-29 | 2023-01-03 | 山东体育学院 | 一种锻炼心率的预测方法、装置以及设备 |
| CN115640510A (zh) * | 2022-09-15 | 2023-01-24 | 中国电力科学研究院有限公司 | 一种电力时间序列数据特征提取方法、系统、设备和介质 |
| CN115804581A (zh) * | 2021-09-15 | 2023-03-17 | 深圳先进技术研究院 | 心率特征的测量方法、症状检测方法及相关设备 |
| CN115909741A (zh) * | 2022-11-30 | 2023-04-04 | 山东高速股份有限公司 | 一种交通状态的判别方法、设备及介质 |
| CN115985506A (zh) * | 2022-11-18 | 2023-04-18 | 北京健康之家科技有限公司 | 一种信息提取方法及装置、存储介质、计算机设备 |
| CN116028882A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市傲天科技股份有限公司 | 用户标注和分类方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10916344B2 (en) * | 2017-11-22 | 2021-02-09 | Accenture Global Solutions Limited | Utilizing a machine learning model to identify activities and deviations from the activities by an individual |
-
2023
- 2023-08-31 CN CN202311107290.5A patent/CN116842330B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109363659A (zh) * | 2018-09-30 | 2019-02-22 | 平安科技（深圳）有限公司 | 基于深度学习的心率监控方法、装置及存储介质 |
| CN110021439A (zh) * | 2019-03-07 | 2019-07-16 | 平安科技（深圳）有限公司 | 基于机器学习的医疗数据分类方法、装置和计算机设备 |
| CN110659207A (zh) * | 2019-09-02 | 2020-01-07 | 北京航空航天大学 | 基于核谱映射迁移集成的异构跨项目软件缺陷预测方法 |
| CN110991170A (zh) * | 2019-12-05 | 2020-04-10 | 清华大学 | 基于电子病历信息的中文疾病名称智能标准化方法与系统 |
| WO2021143402A1 (zh) * | 2020-01-17 | 2021-07-22 | 上海优加利健康管理有限公司 | 一种用于多标签标注心电信号的心搏分类方法和装置 |
| WO2021174811A1 (zh) * | 2020-03-04 | 2021-09-10 | 平安科技（深圳）有限公司 | 车流量时间序列的预测方法及预测装置 |
| CN111624931A (zh) * | 2020-06-18 | 2020-09-04 | 山东山大世纪科技有限公司 | 工业园区用电互联网智能运维管控系统及其方法 |
| CN112331350A (zh) * | 2020-10-14 | 2021-02-05 | 华南师范大学 | 一种重症监护病房提早转入预测方法、系统及存储介质 |
| WO2021179712A1 (zh) * | 2020-10-22 | 2021-09-16 | 平安科技（深圳）有限公司 | 心电信号分类模型的训练方法、心电信号分类方法及装置 |
| CN112381011A (zh) * | 2020-11-18 | 2021-02-19 | 中国科学院自动化研究所 | 基于人脸图像的非接触式心率测量方法、系统及装置 |
| CN113693611A (zh) * | 2021-08-31 | 2021-11-26 | 平安科技（深圳）有限公司 | 基于机器学习的心电数据分类方法及装置 |
| CN113947131A (zh) * | 2021-09-15 | 2022-01-18 | 北京三快在线科技有限公司 | 模型训练方法、装置、设备及存储介质 |
| CN115804581A (zh) * | 2021-09-15 | 2023-03-17 | 深圳先进技术研究院 | 心率特征的测量方法、症状检测方法及相关设备 |
| CN113886683A (zh) * | 2021-09-22 | 2022-01-04 | 北京明略昭辉科技有限公司 | 标签簇构建方法、系统、存储介质及电子设备 |
| CN115424725A (zh) * | 2022-08-16 | 2022-12-02 | 阿里云计算有限公司 | 数据的分析方法和装置、存储介质及处理器 |
| CN115640510A (zh) * | 2022-09-15 | 2023-01-24 | 中国电力科学研究院有限公司 | 一种电力时间序列数据特征提取方法、系统、设备和介质 |
| CN115565639A (zh) * | 2022-09-29 | 2023-01-03 | 山东体育学院 | 一种锻炼心率的预测方法、装置以及设备 |
| CN115985506A (zh) * | 2022-11-18 | 2023-04-18 | 北京健康之家科技有限公司 | 一种信息提取方法及装置、存储介质、计算机设备 |
| CN115909741A (zh) * | 2022-11-30 | 2023-04-04 | 山东高速股份有限公司 | 一种交通状态的判别方法、设备及介质 |
| CN116028882A (zh) * | 2023-03-29 | 2023-04-28 | 深圳市傲天科技股份有限公司 | 用户标注和分类方法、装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| A novel hybrid deep learning method with cuckoo search algorithm for classification of arrhythmia disease using ECG signals;Pooja Sharma等;《Neural Computing and Applications》;第33卷;13123-13143 * |
| An accurate and dynamic predictive model for a smart M-Health system using machine learning;Kashif Naseer Qureshi等;《Information Sciences》;第538卷;486-502 * |
| 基于多标签学习的临床决策支持方法研究;吴承凯;《中国博士学位论文全文数据库 医药卫生科技辑》;第2023年卷(第2期);E054-10 * |
| 基于非线性特征提取算法的ECG身份识别研究;冯文轩;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2022年卷(第1期);I136-307 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842330A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111767707B (zh) | 雷同病例检测方法、装置、设备及存储介质 | |
| CN109887562B (zh) | 电子病历的相似度确定方法、装置、设备和存储介质 | |
| CN111512322B (zh) | 使用神经网络 | |
| CN116842330B (zh) | 一种可对比历史记录的保健信息处理方法及装置 | |
| CN109190698B (zh) | 一种网络数字虚拟资产的分类识别系统及方法 | |
| CN115412455A (zh) | 一种基于时间序列的服务器多性能指标异常检测方法及装置 | |
| Ma et al. | A new classifier fusion method based on historical and on-line classification reliability for recognizing common CT imaging signs of lung diseases | |
| CN109543718B (zh) | 修改病种描述的方法和装置 | |
| CN106485585A (zh) | 用于等级评定的方法及系统 | |
| CN108009740B (zh) | 一种烟用香精香料智能化精细识别系统及方法 | |
| CN116959725A (zh) | 一种多模态数据融合的疾病风险预测方法 | |
| CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
| Saravanan et al. | Prediction of Insufficient Accuracy for Human Activity Recognition using Convolutional Neural Network in Compared with Support Vector Machine | |
| CN113392086B (zh) | 基于物联网的医疗数据库构建方法、装置及设备 | |
| CN114049637A (zh) | 一种目标识别模型的建立方法、系统、电子设备及介质 | |
| CN115036034A (zh) | 一种基于患者表征图的相似患者识别方法及系统 | |
| CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
| CN113990514A (zh) | 医师诊疗行为的异常检测装置、计算机设备及存储介质 | |
| CN113689143B (zh) | 医疗费用异常检测方法、装置、计算机设备及存储介质 | |
| CN116030991B (zh) | 一种基于智能手环的体征数据采集分析处理方法 | |
| WO2023123913A1 (zh) | 一种病情检测模型训练、检测方法、装置和电子设备 | |
| CN113724069B (zh) | 基于深度学习的定价方法、装置、电子设备和存储介质 | |
| CN117290799B (zh) | 一种基于大数据的企业采购管理方法及系统 | |
| CN110738243B (zh) | 一种自适应无监督特征选择方法 | |
| CN114239741B (zh) | 基于证据推理分类器的医疗数据分类方法及相关设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |