CN116861252A - 一种基于平衡功能异常的跌倒评估模型的构建方法 - Google Patents
一种基于平衡功能异常的跌倒评估模型的构建方法 Download PDFInfo
- Publication number
- CN116861252A CN116861252A CN202310948585.9A CN202310948585A CN116861252A CN 116861252 A CN116861252 A CN 116861252A CN 202310948585 A CN202310948585 A CN 202310948585A CN 116861252 A CN116861252 A CN 116861252A
- Authority
- CN
- China
- Prior art keywords
- model
- swing
- balance
- average
- vestibular
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013210 evaluation model Methods 0.000 title claims abstract description 16
- 230000005856 abnormality Effects 0.000 title claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000004064 dysfunction Effects 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000007477 logistic regression Methods 0.000 claims abstract description 8
- 230000001720 vestibular Effects 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 210000003141 lower extremity Anatomy 0.000 abstract description 12
- 238000005070 sampling Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 230000036541 health Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000000528 statistical test Methods 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4005—Detecting, measuring or recording for evaluating the nervous system for evaluating the sensory system
- A61B5/4023—Evaluating sense of balance
-
- 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
-
- 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
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Physiology (AREA)
- Fuzzy Systems (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Neurology (AREA)
- Physical Education & Sports Medicine (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Neurosurgery (AREA)
Abstract
本发明涉及下肢康复领域,具体地说是一种基于平衡异常的跌倒评估模型的构建方法。包括以下步骤:收集受试者连续变量,对连续变量进行描述和Berg分级;基于随机森林和Phik相关性热图选取特征参数用于建模;对数据集中按照训练集:测试集的特定比例随机拆分数据集,并对训练集使用SMOTE方法进行采样;使用随机森林模型及随机搜索方法调整模型的超参数,并计算模型评价指标,得出平均AUC数值;在特征参数中选取特定特征用于逻辑回归建模;当总评分大于某个数值时,则预测受试者具有较高的平衡功能障碍风险。受试者可通过下肢机器人采集平衡指标,并通过本模型实现平衡功能障碍评估。
Description
技术领域
本发明涉及下肢康复领域,具体地说是一种基于平衡功能异常的跌倒评估模型的构建方法。
背景技术
人体平衡能力是指人体维持自身稳定性的能力,包括维持某种姿势的能力,或者受到外力作用时,调控机体保持平衡的能力。平衡能力是人体重要的生理机能之一,也是人体运动机能的重要指标。平衡能力障碍主要表现为站立或行走不稳,容易摔倒。对于老年人和下肢功能受损人群而言,其摔倒会对家庭及社会造成很大负担。因此,监测和评估人体的平衡功能对于预防意外摔倒、下肢疾病的诊断及康复训练效果的评估具有重要作用。
临床上普遍采用的人体平衡测量方法主要包括观察法和量表法等。观察法是根据测试者保持某种姿势的时间长短,由医生根据测试情况和经验给出平衡测试结论。量表法则是由测试者按照要求做一系列动作和姿势,医生根据动作完成情况及标准,通过查表给出相应等级或分数,最后根据得分情况给出测试结论。这两种方法为临床平衡功能的检查和平衡功能障碍治疗提供了一定依据,但上述方法得出的结论多依赖于测试者和医生,相对于机器测量评估而言,主观性较强,不同人的测量结果和感受具有较大差异,限制了平衡功能的客观量化评价。目前大多数社区医疗卫生机构缺乏先进的智能训练评估装备,缺乏实时评估受试者的运动能力和个性化的制定训练,康复评估与训练数据信息的积累、挖掘仍是空白。为此,设计一种用于评估下肢平衡功能的智能系统和设备是十分必要的。
发明内容
为了客观化评估下肢平衡功能,防止跌倒风险。本发明提供了一种基于平衡功能异常的跌倒评估模型,该模型采集受试者运动信息,通过随机森林算法和二分类算法并结合Berg平衡量表得到平衡障碍结果。
本模型的构建具体采取了以下技术手段:
收集受试者连续变量,对连续变量进行描述和Berg分级;
基于随机森林和Phik相关性热图选取特征参数用于建模;对数据集中按照训练集:测试集的特定比例随机拆分数据集,并对训练集使用SMOTE方法进行过采样;
使用随机森林模型及随机搜索方法调整模型的超参数,并计算模型评价指标,得出平均AUC数值;
在特征参数中选取特定特征用于逻辑回归建模;当总评分大于某个数值时,则预测受试者具有较高风险的平衡功能异常。
进一步的,连续变量为36个,具体包括身高、体重、性别、年龄睁眼_轨迹长度、睁眼_包络面积、睁眼_Romberg率、闭眼_轨迹长度、闭眼_包络面积、闭眼_Romberg率、前庭感知_轨迹长度、前庭感知_包络面积、前庭感知_平均摆速、前庭感知_左右最大摆幅、前庭感知_前后最大摆幅、前庭感知_平均摆幅、健侧_轨迹长度、健侧_包络面积、健侧_平均摆速、健侧_平均摆幅、健侧_左右最大摆幅、健侧_前后最大摆幅、患侧_轨迹长度、患侧_包络面积、患侧_平均摆速、患侧_平均摆幅、患侧_左右最大摆幅、患侧_前后最大摆幅、双脚_轨迹长度、双脚_包络面积、双脚_平均摆速、双脚_平均摆幅、双脚_左右最大摆幅、双脚_前后最大摆幅、Berg评分、Berg分级、BMI。
进一步的,根据变量的平均值和标准差,按照Berg分为1级、2级、3级;得出Berg分级统计中的缺失值。
进一步的,所述特征参数为BMI、前庭感知_轨迹长度、患侧_平均摆幅、双脚_左右最大摆幅、前庭感知_左右最大摆幅、患侧_轨迹长度、前庭感知_平均摆速、健侧_前后最大摆幅。
进一步的,训练集:测试集=7:3;Berg分级样本数的1级:2级:3级=12:68:41。
进一步的,所述模型评价指标包括准确性、召回率、精确率、宏平均-F1分数、加权平均-F1分数。
进一步的,选取的特定参数为患侧_轨迹长度;当总评分大于10时,可预测受试者具有较高风险的平衡功能异常。
相对应的,本发明还提供了一种基于平衡功能异常的跌倒评估模型的构建系统,包括:
变量分级模块,其用于收集受试者连续变量,对连续变量进行描述和Berg分级;
平衡模型构建模块,其用于将中位数插补缺失值,基于随机森林和Phik相关性热图选取特征参数用于建模;对数据集中按照训练集:测试集的特定比例随机拆分数据集,并对训练集使用SMOTE方法进行过采样;
评价指标模块,其采用随机森林模型及随机搜索方法调整模型的超参数,并计算模型评价指标,得出平均AUC数值;
回归模型构建模块,其用于在特征参数中选取特定特征用于逻辑回归建模;当总评分大于某个数值时,则预测受试者具有较高风险的平衡能力异常。
相应的,本发明还提供了一种计算机设备,包括处理器,其特征在于,所述处理器执行程序时实现模型构建所述的方法。
相应的,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现模型构建所述的方法。
本发明具有以下有益效果:
受试者可以借助下肢机器人完成平衡指标采集,通过平衡功能障碍的跌倒评估模型和Berg平衡量表,进而可准确、客观的评价人体在运动过程中的动态的平衡功能,可准确对不同的动态的步态特征进行分类,准确地获取人体的平衡功能。本模型中还引入了模型评价指标,并构建逻辑回归模型,极大提高模型预测可信度。
附图说明
图1是本发明平衡异常的跌倒评估模型的构建方法步骤图;
图2是本发明中变量Phik相关性热图;
图3是本发明中各变量特征概率比例图;
图4是本发明中模型各特征重要度排序图;
图5是本发明是各平衡指标箱型图;图(a)表示双脚_左右最大摆幅;图(b)表示前庭_感知轨迹长度;图(c)表示前庭感知左右_最大摆幅;图(d)表示受试者_轨迹长度;其中点表示均值;
图6是本发明中单个特征AUC曲线图;
图7是本发明中单个特征的列线图。
具体实施方式
本发明提供基于医院康复数据,建立了受试者“Berg平衡能力”评估模型,包括数据采集、数据预处理、建模以及预测能力评价。
本发明采集医院百例相关病例数据,剔除缺失和重复数据。对于入组受试者,收集了36个变量。具体包括:身高、体重、性别、年龄睁眼_轨迹长度、睁眼_包络面积、睁眼_Romberg率、闭眼_轨迹长度、闭眼_包络面积、闭眼_Romberg率、前庭感知_轨迹长度、前庭感知_包络面积、前庭感知_平均摆速、前庭感知_左右最大摆幅、前庭感知_前后最大摆幅、前庭感知_平均摆幅、健侧_轨迹长度、健侧_包络面积、健侧_平均摆速、健侧_平均摆幅、健侧_左右最大摆幅、健侧_前后最大摆幅、患侧_轨迹长度、患侧_包络面积、患侧_平均摆速、患侧_平均摆幅、患侧_左右最大摆幅、患侧_前后最大摆幅、双脚_轨迹长度、双脚_包络面积、双脚_平均摆速、双脚_平均摆幅、双脚_左右最大摆幅、双脚_前后最大摆幅、Berg评分、Berg分级、BMI。
对连续变量进行描述和Berg分级。
表1连续变量描述结果
其中异常值数目是指与均值的偏差超过1.5倍标准差的值的数目;高异常值数目是指与均值的偏差超过3倍标准差的值的数目。
表2“Berg分级”统计检验
其中p值计算为:对连续变量进行单因素方差分析,对离散变量进行卡方检验。Mean表示均值,SD表示标准差,Missing表示缺失,Overall表示数量。在Berg分级统计中,根据变量的平均值和标准差,按照Berg分为1级、2级、3级。
基于随机森林、Phik相关性热图(衡量非线性相关)选取8个特征用于建模。
进一步的,选取的8个特征为:BMI、前庭感知_轨迹长度、患侧_平均摆幅、双脚_左右最大摆幅、前庭感知_左右最大摆幅、患侧_轨迹长度、前庭感知_平均摆速、健侧_前后最大摆幅。
进一步的,对数据集按照训练集:测试集=7:3形式随机拆分数据集(测试集中Berg分级样本数:1:2:3=12:68:41),并对训练集使用SMOTE方法进行过采样。
请参阅图3的OR值,exp(Beta)是特征的概率比率(oddsratio,OR值)。OR值大于1表示风险因素,小于1表示保护因素。基于p值(一般认为p<0.05,具有统计显著性。)
进一步的,平衡模型使用“随机森林”模型及随机搜索方法调整模型的超参数,计算了5种模型评价指标:准确性,召回率,精确率,宏平均-F1分数,加权平均-F1分数,平均AUC为0.775。
其中超参数设置如下:'n_estimators':200,'min_samples_split':2,'min_samples_leaf':2,'max_features':'auto','max_depth':None,'criterion':'entropy','bootstrap':False。
其中F1分数是评估模型性能的一个指标。使用“加权投票”的方式可以优化模型性能,这种方法下的F1值为0.64(F1值取值范围为0-1;0表示很差,1表示极好,0.5表示预测能力一般)。
进一步的,选择患侧_轨迹长度特征用于逻辑回归建模。请参阅图7的列线图,在总评分大于10时,可预测受试者具有较高风险的平衡能力异常(0.90)。即基于一个特征,使用逻辑回归建立模型,AUC为0.721,模型中度可信。
实施例
本发明依托下肢机器人,面向社区5G远程诊疗、智能评估,从而提出解决方案,解决老人行走问题。受试者在云端通过完成自我评估,自我评估内容为包括老年人跌倒风险自评量表。自我评估结果为正常则科普宣讲家庭自我锻炼,若异常,则预约医师寻求帮助。在云医院预约医生后,就近社区挂号就诊,受试者通过下肢康复机器人进行测试,下肢机器人采用平衡异常的跌倒评估模型,受试者测试时完成数据采集,数据采集主要为8个平衡指标,结合Berg平衡量表并通过随机森林算法、二分类算法,得出平衡功能结果,包括正常、轻度功能障碍、中度功能障碍、重度功能障碍,以判断受试者是否具有跌倒风险。
Claims (10)
1.一种基于平衡功能异常的跌倒评估模型的构建方法,其特征在于,包括以下步骤:
收集受试者连续变量,对连续变量进行描述和Berg分级;
基于随机森林和Phik相关性热图选取特征参数用于建模;对数据集中按照训练集:测试集的特定比例随机拆分数据集,并对训练集使用SMOTE方法进行过采样;
使用随机森林模型及随机搜索方法调整模型的超参数,并计算模型评价指标,得出平均AUC数值;
在特征参数中选取特定特征用于逻辑回归建模;当总评分大于某个数值时,则预测受试者具有较高的平衡功能障碍风险。
2.根据权利要求1所述的基于平衡功能异常的跌倒评估模型的构建方法,其特征在于,所述连续变量包括身高、体重、性别、年龄睁眼_轨迹长度、睁眼_包络面积、睁眼_Romberg率、闭眼_轨迹长度、闭眼_包络面积、闭眼_Romberg率、前庭感知_轨迹长度、前庭感知_包络面积、前庭感知_平均摆速、前庭感知_左右最大摆幅、前庭感知_前后最大摆幅、前庭感知_平均摆幅、健侧_轨迹长度、健侧_包络面积、健侧_平均摆速、健侧_平均摆幅、健侧_左右最大摆幅、健侧_前后最大摆幅、患侧_轨迹长度、患侧_包络面积、患侧_平均摆速、患侧_平均摆幅、患侧_左右最大摆幅、患侧_前后最大摆幅、双脚_轨迹长度、双脚_包络面积、双脚_平均摆速、双脚_平均摆幅、双脚_左右最大摆幅、双脚_前后最大摆幅、Berg评分、Berg分级、BMI。
3.根据权利要求1所述的基于平衡功能异常的跌倒评估模型的构建方法,其特征在于,根据变量的平均值和标准差,按照Berg分为1级、2级、3级;得出Berg分级统计中的缺失值。
4.根据权利要求1所述的基于平衡功能异常的跌倒评估模型的构建方法,其特征在于,所述特征参数为BMI、前庭感知_轨迹长度、患侧_平均摆幅、双脚_左右最大摆幅、前庭感知_左右最大摆幅、患侧_轨迹长度、前庭感知_平均摆速、健侧_前后最大摆幅。
5.根据权利要求1所述的基于平衡功能异常的跌倒评估模型的构建方法,其特征在于,训练集:测试集=7:3;Berg分级样本数的1级:2级:3级=12:68:41。
6.根据权利要求1所述的基于平衡功能异常的跌倒评估模型的构建方法,其特征在于,所述模型评价指标包括准确性、召回率、精确率、宏平均-F1分数、加权平均-F1分数。
7.根据权利要求1所述的基于平衡功能异常的跌倒评估模型的构建方法,其特征在于,选取的特定参数为患侧_轨迹长度;当总评分大于10时,可预测受试者具有较高的平衡功能障碍风险。
8.一种基于平衡功能异常的跌倒评估模型的构建系统,其特征在于,变量分级模块,其用于收集受试者连续变量,对连续变量进行描述和Berg分级;
平衡模型构建模块,其用于将中位数插补缺失值,基于随机森林和Phik相关性热图选取特征参数用于建模;对数据集中按照训练集:测试集的特定比例随机拆分数据集,并对训练集使用SMOTE方法进行过采样;
评价指标模块,其采用随机森林模型及随机搜索方法调整模型的超参数,并计算模型评价指标,得出平均AUC数值;
回归模型构建模块,其用于在特征参数中选取特定特征用于逻辑回归建模;当总评分大于某个数值时,则预测受试者具有较高风险的平衡能力异常。
9.一种计算机设备设备,包括处理器,其特征在于,所述处理器执行程序时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310948585.9A CN116861252A (zh) | 2023-07-28 | 2023-07-28 | 一种基于平衡功能异常的跌倒评估模型的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310948585.9A CN116861252A (zh) | 2023-07-28 | 2023-07-28 | 一种基于平衡功能异常的跌倒评估模型的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116861252A true CN116861252A (zh) | 2023-10-10 |
Family
ID=88223470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310948585.9A Pending CN116861252A (zh) | 2023-07-28 | 2023-07-28 | 一种基于平衡功能异常的跌倒评估模型的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116861252A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290686A (zh) * | 2023-11-22 | 2023-12-26 | 神州医疗科技股份有限公司 | 一种预测患者跌倒风险的模型的构建方法 |
-
2023
- 2023-07-28 CN CN202310948585.9A patent/CN116861252A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290686A (zh) * | 2023-11-22 | 2023-12-26 | 神州医疗科技股份有限公司 | 一种预测患者跌倒风险的模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103116707A (zh) | 一种基于案例推理的心脏病智能诊断方法 | |
CN114023441A (zh) | 基于可解释机器学习模型的严重aki早期风险评估模型、装置及其开发方法 | |
CN106682412A (zh) | 一种基于医疗体检数据的糖尿病预测方法 | |
CN116861252A (zh) | 一种基于平衡功能异常的跌倒评估模型的构建方法 | |
CN114512239B (zh) | 基于迁移学习的脑卒中风险预测方法及系统 | |
CN114616632A (zh) | 用于临床结果量度的自动检测的系统和方法 | |
CN110046757B (zh) | 基于LightGBM算法的门诊量预测系统及预测方法 | |
CN109243604A (zh) | 一种基于神经网络算法的川崎病风险评估模型的构建方法及构建系统 | |
CN113838577B (zh) | 便捷化分层老年mods早期死亡风险评估模型、装置及建立方法 | |
CN115714022A (zh) | 基于人工智能的新生儿黄疸健康管理系统 | |
CN116189866A (zh) | 一种基于数据分析的远程医用护理分析系统 | |
CN114943629A (zh) | 一种健康管理保健服务系统及其健康管理方法 | |
CN114864086A (zh) | 一种基于肺功能报告模板的疾病预测方法 | |
CN116959723A (zh) | 一种老年人防跌倒的评价与训练方法和系统 | |
JP7365747B1 (ja) | 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム | |
CN105354414A (zh) | 一种基于层次分析的人体健康状况评估方法 | |
CN117116475A (zh) | 缺血性脑卒中的风险预测方法、系统、终端及存储介质 | |
Bajpai et al. | AbnormNet: A neural network based suggestive tool for identifying gait abnormalities in cerebral palsy children | |
CN116564521A (zh) | 一种慢性病风险评估模型建立方法、介质及系统 | |
CN116434979A (zh) | 生理状态云监测方法、监测系统及储存介质 | |
CN114464319B (zh) | 一种基于慢特征分析和深度神经网络的ams易感性评估系统 | |
Deepa et al. | Experimental evaluation of artificial intelligence assisted heart disease prediction using deep learning principle | |
Sanaei et al. | Designing and implementing fuzzy expert system for diagnosis of psoriasis | |
Naseri et al. | Data-efficient machine learning methods in the ME-TIME study: Rationale and design of a longitudinal study to detect atrial fibrillation and heart failure from wearables | |
CN118098621B (zh) | 一种中西医结合病症动物模型数据获取系统及其处理方法 |
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 |