CN116844720B - 老年衰弱健康智能监控管理系统 - Google Patents
老年衰弱健康智能监控管理系统 Download PDFInfo
- Publication number
- CN116844720B CN116844720B CN202310797388.1A CN202310797388A CN116844720B CN 116844720 B CN116844720 B CN 116844720B CN 202310797388 A CN202310797388 A CN 202310797388A CN 116844720 B CN116844720 B CN 116844720B
- Authority
- CN
- China
- Prior art keywords
- current patient
- neural network
- characters
- patient
- mismatched
- 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
- 230000036541 health Effects 0.000 title claims abstract description 59
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 208000024891 symptom Diseases 0.000 claims abstract description 87
- 238000003062 neural network model Methods 0.000 claims abstract description 72
- 239000012634 fragment Substances 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 115
- 238000013528 artificial neural network Methods 0.000 claims description 85
- 230000006870 function Effects 0.000 claims description 67
- 238000007726 management method Methods 0.000 claims description 42
- 239000013585 weight reducing agent Substances 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000013500 data storage Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 9
- 208000017667 Chronic Disease Diseases 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 206010012218 Delirium Diseases 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 239000012472 biological sample Substances 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 230000004580 weight loss Effects 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Primary Health Care (AREA)
- Theoretical Computer Science (AREA)
- Epidemiology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种老年衰弱健康智能监控管理系统,涉及健康监控领域,所述系统包括:信息捕获器件,用于获取疑似老年衰弱的当前患者的各项身体机能信息;错配分析器件,用于分析当前患者最新语音片段中设定长度字符串内的错配字符对总数;模型应用器件,用于基于当前患者的各项身体机能信息以及错配字符对总数智能解析当前患者是否属于老年衰弱症状患者。通过本发明,针对判断结果模糊、无法直接利用的技术问题,能够采用定制设计的BP神经网络模型基于针对性选择的当前患者的各项基础数据实现对当前患者是否属于老年衰弱症状患者的有效判断,从而直接给出当前患者是否属于老年衰弱症状患者的判断结果。
Description
技术领域
本发明涉及健康监控领域,尤其涉及一种老年衰弱健康智能监控管理系统。
背景技术
健康监测是指对特定人群或人群样本的健康状况的定期观察或不定期调查及普查。健康管理过程中的健康监测指对特定目标人群或个人的健康危险因素进行定期和不间断的观察,以掌握其健康及疾病状况。健康监测可采用日常健康监测、健康调查和专项调查的形式。
健康监测是获取健康相关信息的主要途径,可为健康风险评价提供基础数据和科学依据。因而,健康监测是健康管理的工作基础,对健康危险因素的早期于预和疾病早期发现具有重要意义。尤其对于老年人群来说,能够监控并判断是否属于老年衰弱症状患者,对于后续的监护和料理策略的选择至关重要。
示例地,中国发明专利公开文本CN116153514A提出的一种基于雷达图的老年衰弱及共病多维度评估系统及方法,该方法包括:建立并基于老年衰弱合并慢病人群信息收集平台采集并存储基线资料和标本数据;构建老年慢病合并衰弱临床信息数据库和生物样本库;进行老年慢病与衰弱的关联分析,并构建融合衰弱评估的老年慢病风险评估雷达图;建立老年慢病前瞻性随访队列,评价融合衰弱评估的老年慢病风险分层体系对老年慢病患者转归及预后的影响,生成影响评价信息;基于影响评价信息对上述融合衰弱评估的老年慢病风险评估雷达图进行优化。本发明可对老年衰弱和共病情况进行多维度分层评估,并以雷达图直观清晰的展示,有效提高老年慢病管理效果。
示例地,中国发明专利公开文本CN113331801A提出的一种基于智能手环和智能手机的老年人衰弱症分析系统,所述系统包括智能手环、智能手机、数据中心和数据分析装置,智能手环用于采集用户的原始体征数据,智能手机用于采集用户的衰弱量表数据和展示正常体征数据和综合诊断报告,数据中心用于清洗原始体征数据和对其分类存入用户档案,数据分析装置用于根据正常体征数据和衰弱量表数据分析、生成综合诊断报告,降低了综合诊断报告中存在的偏差,因此具有诊断准确率高、可靠性强的优点。
然而,上述现有技术仅仅涉及老年人衰弱症状的粗略评估,给出的评估结果或者为雷达图或者为综合诊断报告,都不是直接的判断结果,需要专业医护人员进行进一步的二次数据分析或者人工经验判断,存在判断结果模糊、无法直接利用的技术问题,使用评估结果的人员的专业技能要求较高或者仍旧需要后续的二次数据分析机制,造成整个老年衰弱健康判断过程复杂、繁琐。
发明内容
为了解决现有技术中的技术问题,本发明提供了一种老年衰弱健康智能监控管理系统,能够采用定制设计的BP神经网络模型基于针对性选择的当前患者的各项基础数据实现对当前患者是否属于老年衰弱症状患者的有效判断,从而直接给出当前患者是否属于老年衰弱症状患者的判断结果,避免陷入复杂、繁琐的老年衰弱健康判断过程。
根据本发明的第一方面,提供了一种老年衰弱健康智能监控管理系统,所述系统包括:
信息捕获器件,用于获取疑似老年衰弱的当前患者的各项身体机能信息,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数;
语音录入器件,用于获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据;
内容转换器件,与所述语音录入器件连接,用于对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出;
错配分析器件,与所述内容转换器件连接,用于分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数;
模型应用器件,分别与所述信息捕获器件以及所述错配分析器件连接,用于基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者;
其中,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比。
根据本发明的第二方面,提供了一种老年衰弱健康智能监控管理系统,所述系统包括存储器以及一个或多个处理器,所述存储器存储有计算机程序,所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤:
获取疑似老年衰弱的当前患者的各项身体机能信息,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数;
获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据;
对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出;
分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数;
基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者;
其中,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比;
其中,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半包括:在对所述BP神经网络执行的每一次正向训练中,将已诊断为老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次正向训练;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半还包括:在对所述BP神经网络执行的每一次负向训练中,将已诊断为非老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为不属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次负向训练。
相比较于现有技术,本发明至少具备以下四处重要的发明构思:
第一:采用定制设计的BP神经网络模型判断疑似老年衰弱的当前患者是否属于老年衰弱症状患者,所述判断的基础数据包括当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数以及当前患者的最新交流的语音片段中设定长度字符串内错配字符对的数量,从而提升了老年衰弱症状患者判断的智能化水准;
第二:在具体的设定长度字符串内错配字符对数量的解析中,对当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符,分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数以作为设定长度字符串内错配字符对数量;
第三:引用词汇存储器件用于存储词汇用语搭配中每一对搭配使用过的两个字符,当某相邻两个字符在词汇用语搭配中未搭配使用过时,将这相邻两个字符作为错配字符对,以及当某相邻两个字符在词汇用语搭配中搭配使用过时,将这相邻两个字符作为非错配字符对,从而实现对错配字符对的有效认定;
第四:为保证执行判断的BP神经网络模型的可靠性和稳定性,采用了以下两处针对性模型设计机制:所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与分析字符错配使用的字符串长度成正比;在所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半。
附图说明
以下将结合附图对本发明的实施例进行描述,其中:
图1为根据本发明的老年衰弱健康智能监控管理系统的技术流程图。
图2为根据本发明的实施例1示出的老年衰弱健康智能监控管理系统的结构示意图。
图3为根据本发明的实施例2示出的老年衰弱健康智能监控管理系统的结构示意图。
图4为根据本发明的实施例3示出的老年衰弱健康智能监控管理系统的结构示意图。
图5为根据本发明的实施例4示出的老年衰弱健康智能监控管理系统的结构示意图。
图6为根据本发明的实施例5示出的老年衰弱健康智能监控管理系统的结构示意图。
图7为根据本发明的实施例6示出的老年衰弱健康智能监控管理系统的结构示意图。
图8为根据本发明的实施例7示出的老年衰弱健康智能监控管理方法的步骤流程图。
具体实施方式
如图1所示,给出了根据本发明示出的老年衰弱健康智能监控管理系统的技术流程图。
如图1所示,本发明的具体的技术流程如下:
首先,为每一位疑似老年衰弱的患者判断是否属于老年衰弱症状患者选择各项判断基础数据,以保证判断结果的可靠性;
示例地,选择的各项判断基础数据主要涉及以下两方面:
第一方面,患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数,这些属于患者的生理参数;
第二方面,患者的最新交流的语音片段中设定长度字符串内错配字符对的数量,这属于判断患者的谵妄程度,谵妄是脑功能的下降的表现,患者出现谵妄的症状比其他没有衰弱综合征的老人更容易发生;
其次,为执行患者是否属于老年衰弱症状患者的判断建立定制设计的BP神经网络模型;
例如,可以采用以下两处针对性模型设计机制,以保证执行判断的BP神经网络模型的可靠性和稳定性:
第一处,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与分析字符错配使用的字符串长度成正比;
第二处,在所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半;
再次,使用定制设计的BP神经网络模型基于当前患者的各项判断基础数据智能判断当前患者是否属于老年衰弱症状患者;
最后,采用网络监控器件将判断为老年衰弱症状患者的各项身体机能信息通过无线网络发送给远端的大数据存储节点,从而实现老年衰弱症状患者的信息更新,为不同症状患者的不同监护和料理策略的选择提供关键数据;
其中,患者的最新交流的语音片段中设定长度字符串内每一错配字符对的分析机制如下:
对当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符,分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对;
具体地,当某相邻两个字符在词汇用语搭配中未搭配使用过时,将这相邻两个字符作为错配字符对,以及当某相邻两个字符在词汇用语搭配中搭配使用过时,将这相邻两个字符作为非错配字符对,从而实现对错配字符对的有效认定。
本发明的关键点在于:用于判断是否属于老年衰弱症状患者的各项判断基础数据的选择、用于执行患者是否属于老年衰弱症状患者的判断的BP神经网络模型的设计以及设定长度字符串内每一错配字符对的定制分析机制。
下面,将对本发明的老年衰弱健康智能监控管理系统以实施例的方式进行具体说明。
实施例1
图2为根据本发明的实施例1示出的老年衰弱健康智能监控管理系统的结构示意图。
如图2所示,所述老年衰弱健康智能监控管理系统包括以下构件:
信息捕获器件,用于获取疑似老年衰弱的当前患者的各项身体机能信息,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数;
例如,可以选择多个信息捕获单元用于分别捕获所述当前患者的单位时间体重下降比例、所述当前患者的设定距离范围内步速、所述当前患者的握力数值以及所述当前患者的设定时间范围内总步数;
语音录入器件,用于获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据;
示例地,获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据包括:获取所述当前患者所在环境的语音数据,基于当前患者的语音特征从所述当前患者所在环境的语音数据中识别出所述当前患者的最新交流的语音片段;
内容转换器件,与所述语音录入器件连接,用于对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出;
例如,可以选择数值转换函数来实现对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出的内容转换操作;
错配分析器件,与所述内容转换器件连接,用于分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数;
模型应用器件,分别与所述信息捕获器件以及所述错配分析器件连接,用于基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者;
例如,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:选择使用数值仿真模式实现基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者的解析过程的仿真过程;
其中,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比;
示例地,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述设定数目的取值为200,所述固定数量的取值为100,所述设定数目的取值为500,所述固定数量的取值为200,以及所述设定数目的取值为1000,所述固定数量的取值为300;
其中,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半;
示例地,在所述固定数量的取值为300时,正向训练的次数为150次,以及负向训练的次数也为150次;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半包括:在对所述BP神经网络执行的每一次正向训练中,将已诊断为老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次正向训练;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半还包括:在对所述BP神经网络执行的每一次负向训练中,将已诊断为非老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为不属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次负向训练。
实施例2
图3为根据本发明的实施例2示出的老年衰弱健康智能监控管理系统的结构示意图。
如图3所示,与图2中的实施例不同,所述老年衰弱健康智能监控管理系统还包括以下构件:
网络监控器件,与所述模型应用器件连接,用于将所述当前患者标记为老年衰弱症状患者后将所述最新标记的老年衰弱症状患者的各项身体机能信息通过无线网络发送给远端的大数据存储节点;
示例地,将所述当前患者标记为老年衰弱症状患者后将所述最新标记的老年衰弱症状患者的各项身体机能信息通过无线网络发送给远端的大数据存储节点包括:所述无线网络为时分双工通信网络或者频分双工通信网络。
实施例3
图4为根据本发明的实施例3示出的老年衰弱健康智能监控管理系统的结构示意图。
如图4所示,与图2中的实施例不同,所述老年衰弱健康智能监控管理系统还包括以下构件:
大数据存储节点,与所述网络监控器件连接,用于采用数据库存储各位老年衰弱症状患者中每一位老年衰弱症状患者的各项身体机能信息;
可替换地,可以选择采用云端存储节点、区块链存储节点以替换所述大数据存储节点,用于采用数据库存储各位老年衰弱症状患者中每一位老年衰弱症状患者的各项身体机能信息。
实施例4
图5为根据本发明的实施例4示出的老年衰弱健康智能监控管理系统的结构示意图。
如图5所示,与图2中的实施例不同,所述老年衰弱健康智能监控管理系统还包括以下构件:
模型构建器件,与所述模型应用器件连接,用于对BP神经网络执行固定数量的多次训练以获得所述BP神经网络模型;
示例地,可以选择采用MATLAB工具箱实现对BP神经网络执行固定数量的多次训练以获得所述BP神经网络模型的仿真处理;
数据存储器件,与所述模型应用器件连接,用于存储所述BP神经网络模型的各项模型参数。
实施例5
图6为根据本发明的实施例5示出的老年衰弱健康智能监控管理系统的结构示意图。
如图6所示,与图2中的实施例不同,所述老年衰弱健康智能监控管理系统还包括以下构件:
词汇存储器件,与所述错配分析器件连接,用于存储词汇用语搭配中每一对搭配使用过的两个字符;
例如,所述词汇存储器件的选型可以为TF存储芯片、MMC存储芯片或者FLASH闪存中的一种;
其中,分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数包括:当某相邻两个字符在词汇用语搭配中未搭配使用过时,将这相邻两个字符作为错配字符对;
其中,分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数包括:当某相邻两个字符在词汇用语搭配中搭配使用过时,将这相邻两个字符作为非错配字符对。
接着,继续对本发明的各个实施例进行详细的描述。
在根据本发明各个实施例的老年衰弱健康智能监控管理系统中:
基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:将所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数并行输入到所述BP神经网络模型内,并执行所述BP神经网络模型以获得其输出的患者标识;
其中,将所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数并行输入到所述BP神经网络模型内,并执行所述BP神经网络模型以获得其输出的患者标识包括:当其输出的患者标识的取值为0X01时,表示所述当前患者属于老年衰弱症状患者;
其中,将所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数并行输入到所述BP神经网络模型内,并执行所述BP神经网络模型以获得其输出的患者标识包括:当其输出的患者标识的取值为0X10时,表示所述当前患者不属于老年衰弱症状患者;
显然,也可以采用其他的患者标识的具体取值用于表示所述当前患者属于老年衰弱症状患者以及表示所述当前患者不属于老年衰弱症状患者。
以及在根据本发明各个实施例的老年衰弱健康智能监控管理系统中:
所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数包括:所述当前患者的单位时间体重下降比例为所述当前患者的最近一年内体重下降比例;
其中,所述当前患者的单位时间体重下降比例为所述当前患者的最近一年内体重下降比例包括:所述当前患者的最近一年内体重下降比例为所述当前患者一年前体重减去所述当前患者当前体重获得的体重差值占据所述当前患者一年前体重的比例;
其中,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数包括:所述当前患者的设定距离范围内步速为所述当前患者的行进20米内的平均步速;
其中,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数包括:所述当前患者的设定时间范围内总步数为所述当前患者在最近一周的时间范围内的行走总步数。
实施例6
图7为根据本发明的实施例6示出的老年衰弱健康智能监控管理系统的结构方框图。
如图7所示,所述老年衰弱健康智能监控管理系统包括存储器以及一个或多个处理器,所述存储器存储有计算机程序,所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤:
获取疑似老年衰弱的当前患者的各项身体机能信息,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数;
例如,可以选择多个信息捕获单元用于分别捕获所述当前患者的单位时间体重下降比例、所述当前患者的设定距离范围内步速、所述当前患者的握力数值以及所述当前患者的设定时间范围内总步数;
获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据;
示例地,获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据包括:获取所述当前患者所在环境的语音数据,基于当前患者的语音特征从所述当前患者所在环境的语音数据中识别出所述当前患者的最新交流的语音片段;
对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出;
例如,可以选择数值转换函数来实现对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出的内容转换操作;
分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数;
基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者;
例如,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:选择使用数值仿真模式实现基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者的解析过程的仿真过程;
其中,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比;
示例地,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述设定数目的取值为200,所述固定数量的取值为100,所述设定数目的取值为500,所述固定数量的取值为200,以及所述设定数目的取值为1000,所述固定数量的取值为300;
其中,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半;
示例地,在所述固定数量的取值为300时,正向训练的次数为150次,以及负向训练的次数也为150次;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半包括:在对所述BP神经网络执行的每一次正向训练中,将已诊断为老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次正向训练;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半还包括:在对所述BP神经网络执行的每一次负向训练中,将已诊断为非老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为不属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次负向训练;
如图7所示,示例性地,给出了S个处理器,其中,S为大于等于1的自然数。
实施例7
图8为根据本发明的实施例7示出的老年衰弱健康智能监控管理方法的步骤流程图。
如图8所示,本发明的实施例7示出的老年衰弱健康智能监控管理方法具体包括以下步骤:
S801:获取疑似老年衰弱的当前患者的各项身体机能信息,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数;
例如,可以选择多个信息捕获单元用于分别捕获所述当前患者的单位时间体重下降比例、所述当前患者的设定距离范围内步速、所述当前患者的握力数值以及所述当前患者的设定时间范围内总步数;
S802:获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据;
示例地,获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据包括:获取所述当前患者所在环境的语音数据,基于当前患者的语音特征从所述当前患者所在环境的语音数据中识别出所述当前患者的最新交流的语音片段;
S803:对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出;
例如,可以选择数值转换函数来实现对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出的内容转换操作;
S804:分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数;
S805:基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者;
例如,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:选择使用数值仿真模式实现基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者的解析过程的仿真过程;
其中,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比;
示例地,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述设定数目的取值为200,所述固定数量的取值为100,所述设定数目的取值为500,所述固定数量的取值为200,以及所述设定数目的取值为1000,所述固定数量的取值为300;
其中,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半;
示例地,在所述固定数量的取值为300时,正向训练的次数为150次,以及负向训练的次数也为150次;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半包括:在对所述BP神经网络执行的每一次正向训练中,将已诊断为老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次正向训练;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半还包括:在对所述BP神经网络执行的每一次负向训练中,将已诊断为非老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为不属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次负向训练。
另外,本发明还可以引用以下技术内容以表征本发明的突出的实质性特点:
在对所述BP神经网络执行的每一次正向训练中,将已诊断为老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次正向训练包括:在对所述BP神经网络执行的每一次正向训练中,将已诊断为老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将取值为0X01的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次正向训练;
其中,在对所述BP神经网络执行的每一次负向训练中,将已诊断为非老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为不属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次负向训练包括:在对所述BP神经网络执行的每一次负向训练中,将已诊断为非老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将取值为0X10的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次负向训练。
本领域的技术人员应明白,在不脱离本发明范畴与精神的前提下,可进行各种修改以及改变。因此应理解,上述实施例仅供说明,并不设限。因为本发明的范围由权利要求而非前述说明来限定,因此落入权利要求范围和边界或者这些范围和边界的等同者的任何改变和修改都隶属于权利要求。
Claims (8)
1.一种老年衰弱健康智能监控管理系统,其特征在于,所述系统包括:
信息捕获器件,用于获取疑似老年衰弱的当前患者的各项身体机能信息,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数;
语音录入器件,用于获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据;
内容转换器件,与所述语音录入器件连接,用于对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出;
错配分析器件,与所述内容转换器件连接,用于分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数;
模型应用器件,分别与所述信息捕获器件以及所述错配分析器件连接,用于基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者;
词汇存储器件,与所述错配分析器件连接,用于存储词汇用语搭配中每一对搭配使用过的两个字符;
其中,分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数包括:当某相邻两个字符在词汇用语搭配中未搭配使用过时,将这相邻两个字符作为错配字符对;
其中,分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数包括:当某相邻两个字符在词汇用语搭配中搭配使用过时,将这相邻两个字符作为非错配字符对;
其中,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比;
其中,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半包括:在对所述BP神经网络执行的每一次正向训练中,将已诊断为老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次正向训练;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半还包括:在对所述BP神经网络执行的每一次负向训练中,将已诊断为非老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为不属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次负向训练。
2.如权利要求1所述的老年衰弱健康智能监控管理系统,其特征在于,所述系统还包括:
网络监控器件,与所述模型应用器件连接,用于将所述当前患者标记为老年衰弱症状患者后将最新标记的老年衰弱症状患者的各项身体机能信息通过无线网络发送给远端的大数据存储节点。
3.如权利要求2所述的老年衰弱健康智能监控管理系统,其特征在于,所述系统还包括:
大数据存储节点,与所述网络监控器件连接,用于采用数据库存储各位老年衰弱症状患者中每一位老年衰弱症状患者的各项身体机能信息。
4.如权利要求1所述的老年衰弱健康智能监控管理系统,其特征在于,所述系统还包括:
模型构建器件,与所述模型应用器件连接,用于对BP神经网络执行固定数量的多次训练以获得所述BP神经网络模型;
数据存储器件,与所述模型应用器件连接,用于存储所述BP神经网络模型的各项模型参数。
5.如权利要求1-4任一所述的老年衰弱健康智能监控管理系统,其特征在于:
基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:将所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数并行输入到所述BP神经网络模型内,并执行所述BP神经网络模型以获得其输出的患者标识。
6.如权利要求5所述的老年衰弱健康智能监控管理系统,其特征在于:
将所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数并行输入到所述BP神经网络模型内,并执行所述BP神经网络模型以获得其输出的患者标识包括:当其输出的患者标识的取值为0X01时,表示所述当前患者属于老年衰弱症状患者;
其中,将所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数并行输入到所述BP神经网络模型内,并执行所述BP神经网络模型以获得其输出的患者标识包括:当其输出的患者标识的取值为0X10时,表示所述当前患者不属于老年衰弱症状患者。
7.如权利要求1-4任一所述的老年衰弱健康智能监控管理系统,其特征在于:
所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数包括:所述当前患者的单位时间体重下降比例为所述当前患者的最近一年内体重下降比例;
其中,所述当前患者的单位时间体重下降比例为所述当前患者的最近一年内体重下降比例包括:所述当前患者的最近一年内体重下降比例为所述当前患者一年前体重减去所述当前患者当前体重获得的体重差值占据所述当前患者一年前体重的比例;
其中,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数包括:所述当前患者的设定距离范围内步速为所述当前患者的行进20米内的平均步速;
其中,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数包括:所述当前患者的设定时间范围内总步数为所述当前患者在最近一周的时间范围内的行走总步数。
8.一种老年衰弱健康智能监控管理系统,其特征在于,所述系统包括存储器以及一个或多个处理器,所述存储器存储有计算机程序,所述计算机程序被配置成由所述一个或多个处理器执行以完成以下步骤:
获取疑似老年衰弱的当前患者的各项身体机能信息,所述当前患者的各项身体机能信息包括所述当前患者的单位时间体重下降比例、设定距离范围内步速、握力数值以及设定时间范围内总步数;
获取所述当前患者的最新交流的语音片段,所述当前患者的最新交流的语音片段仅仅包括所述当前患者的语音数据而不包括其他人员的语音数据;
对所述当前患者的最新交流的语音片段进行语音内容识别以获得对应的各个字符,截取所述各个字符中时间排序在最前列的设定数目的多个字符以作为多个参考字符输出;
分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数;
基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者;
其中,基于所述当前患者的各项身体机能信息以及所述多个字符中的错配字符对的总数采用BP神经网络模型智能解析所述当前患者是否属于老年衰弱症状患者包括:所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比;
其中,所述BP神经网络模型为完成固定数量的多次训练后的BP神经网络,且所述固定数量的取值与所述设定数目的取值成正比包括:所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半包括:在对所述BP神经网络执行的每一次正向训练中,将已诊断为老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次正向训练;
其中,所述固定数量的多次训练中,正向训练的次数和负向训练的次数相等且都为所述固定数量的一半还包括:在对所述BP神经网络执行的每一次负向训练中,将已诊断为非老年衰弱症状患者的人员对应的各项身体机能信息以及对应的错配字符对的总数作为所述BP神经网络的逐项输入数据,将表示为不属于老年衰弱症状患者的患者标识作为所述BP神经网络的单项输出数据,完成对所述BP神经网络执行的本次负向训练;
其中,分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数包括:当某相邻两个字符在词汇用语搭配中未搭配使用过时,将这相邻两个字符作为错配字符对;
其中,分析所述多个参考字符中每相邻两个字符是否错配,将错配的相邻两个字符作为错配字符对,并确定所述多个参考字符中的错配字符对的总数包括:当某相邻两个字符在词汇用语搭配中搭配使用过时,将这相邻两个字符作为非错配字符对。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310797388.1A CN116844720B (zh) | 2023-06-30 | 2023-06-30 | 老年衰弱健康智能监控管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310797388.1A CN116844720B (zh) | 2023-06-30 | 2023-06-30 | 老年衰弱健康智能监控管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116844720A CN116844720A (zh) | 2023-10-03 |
CN116844720B true CN116844720B (zh) | 2024-02-02 |
Family
ID=88173726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310797388.1A Active CN116844720B (zh) | 2023-06-30 | 2023-06-30 | 老年衰弱健康智能监控管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116844720B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238485B (zh) * | 2023-11-14 | 2024-01-30 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于数据处理的智能管控系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120070668A (ko) * | 2010-12-22 | 2012-07-02 | 한국전자통신연구원 | 음성 통화 정보를 이용한 알츠하이머병 진단 장치 및 방법 |
CN108806794A (zh) * | 2018-05-29 | 2018-11-13 | 广东医科大学 | 一种老年人衰弱指数的评估系统 |
CN116306592A (zh) * | 2022-11-25 | 2023-06-23 | 重庆大学 | 一种基于阅读理解的老年痴呆量表纠错方法、系统及介质 |
-
2023
- 2023-06-30 CN CN202310797388.1A patent/CN116844720B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120070668A (ko) * | 2010-12-22 | 2012-07-02 | 한국전자통신연구원 | 음성 통화 정보를 이용한 알츠하이머병 진단 장치 및 방법 |
CN108806794A (zh) * | 2018-05-29 | 2018-11-13 | 广东医科大学 | 一种老年人衰弱指数的评估系统 |
CN116306592A (zh) * | 2022-11-25 | 2023-06-23 | 重庆大学 | 一种基于阅读理解的老年痴呆量表纠错方法、系统及介质 |
Non-Patent Citations (2)
Title |
---|
孙凯旋 等.老年住院患者衰弱状况及其影响因素分析.中华老年病研究电子杂志.2017,(第01期),全文. * |
老年住院患者衰弱状况及其影响因素分析;孙凯旋 等;中华老年病研究电子杂志(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116844720A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gharehchopogh et al. | Neural network application in diagnosis of patient: a case study | |
CN116844720B (zh) | 老年衰弱健康智能监控管理系统 | |
CN108135548A (zh) | 用于监测压力状态的方法和系统 | |
CN109920551A (zh) | 基于机器学习的自闭症儿童社会行为表现特征分析系统 | |
CN114639479A (zh) | 一种基于医疗知识图谱的智能诊断辅助系统 | |
CN109767836A (zh) | 一种医学诊断人工智能系统、装置及其自我学习方法 | |
CN112967803A (zh) | 基于集成模型的急诊患者早期死亡率预测方法及系统 | |
CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
CN110111885A (zh) | 属性预测方法、装置、计算机设备及计算机可读存储介质 | |
CN107491992A (zh) | 一种基于云计算的智能服务推荐算法 | |
CN108492880A (zh) | 一种基于互联网平台的智能健康状态测量系统及评级方法 | |
CN111063437A (zh) | 一种个性化慢病分析系统 | |
CN110110898A (zh) | 基于企业健康指标的行业分析方法及装置、服务器 | |
WO2022141925A1 (zh) | 一种智能医学服务系统、方法及存储介质 | |
CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
CN114267439A (zh) | 一种精准就医方法及系统 | |
Labellapansa et al. | Lambda value analysis on Weighted Minkowski distance model in CBR of Schizophrenia type diagnosis | |
CN109192312B (zh) | 一种心力衰竭患者不良事件智能管理系统及方法 | |
CN106227661B (zh) | 数据处理方法及装置 | |
CN110610766A (zh) | 基于症状特征权重推导疾病概率的装置和存储介质 | |
CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
CN115719640A (zh) | 中医主次症状识别系统、装置、电子设备及其存储介质 | |
CN115458158A (zh) | 一种针对脓毒症患者的急性肾损伤预测系统 | |
CN114664447A (zh) | 一种骨质疏松健康风险评估方法及设备 | |
CN112086170A (zh) | 一种中医药大数据云服务平台的评价系统 |
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 |