发明内容
本发明提供一种基于深度学习实现辐射后的造血效果分析方法及系统,其主要目的在于解决电网文档关联性层级划分的准确度较差的问题。
为实现上述目的,本发明提供的一种基于深度学习实现辐射后的造血效果分析方法,包括:
获取辐射后造血系统中造血指标对应的造血指标数据集,构建所述造血指标数据集的数据矩阵,根据所述数据矩阵对所述造血指标数据集进行数据标准化,得到标准指标数据集;
对所述标准指标数据集进行数据维度统一,得到目标指标数据集,根据所述目标指标数据集计算每个所述造血指标的数据分布特征;所述根据所述目标指标数据集计算每个所述造血指标的数据分布特征,包括:获取所述目标指标数据集中每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据;根据所述每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据计算每个所述造血指标的数据分布特征;
利用如下公式计算每个所述造血指标的数据分布特征:
其中,表示所述目标指标数据集中第/>个造血指标的数据分布特征,/>表示第/>个造血指标的目标指标数据总数,/>表示第/>个造血指标的第/>个目标指标数据,/>表示预设的映射函数,/>表示第/>个目目标指标数据对应的候选指标数据/>,/>表示预设的函数参数;
对所述标准指标数据集进行数据编码,得到每个所述造血指标的编码特征,对所述标准指标数据集进行高维特征学习,得到每个所述造血指标的高维特征;
将所述数据分布特征、所述编码特征以及所述高维特征进行特征融合,得到每个所述造血指标的指标特征;
根据所述指标特征对每个所述造血指标进行指标预测,得到指标预测数据,根据所述指标预测数据确定所述造血系统的造血效果。
可选地,所述根据所述数据矩阵对所述造血指标数据集进行数据标准化,得到标准指标数据集,包括:
根据所述数据矩阵中的列向量对所述数据矩阵进行划分,得到矩阵列向量;
根据所述矩阵列向量对所述造血指标数据集进行数据标准化,得到标准指标数据集;
利用如下公式对所述造血指标数据集进行数据标准化:
其中,所述表示所述标准指标数据集中第/>个矩阵列向量对应的标准指标数据,/>表示所述数据矩阵中第/>个矩阵列向量中的造血指标数据,/>表示第/>个矩阵列向量中造血指标数据的总数,/>表示第/>个矩阵列向量中的造血指标数据的最小值,/>表示第/>个矩阵列向量中的造血指标数据的最大值。
可选地,所述对所述标准指标数据集进行数据维度统一,得到目标指标数据集,包括:
获取预设的候选指标数据集,确定所述候选指标数据集中每个造血指标的候选指标数据总数以及所述标准指标数据集中每个造血指标的标准指标数据总数;
根据所述候选指标数据总数以及所述标准指标数据总数的数据大小将所述标准指标数据集与所述候选指标数据集进行数据统一,得到目标指标数据集。
可选地,所述对所述标准指标数据集进行数据编码,得到每个所述造血指标的编码特征,包括:
利用预构建的嵌入层将所述标准指标数据集中每个造血指标对应的标准指标数据进行数据嵌入,得到所述标准指标数据对应的数据向量;
利用预构建的编码神经网络对所述数据向量进行向量编码,得到编码向量;
利用预构建的解码神经网络对所述编码向量进行解码,得到所述每个造血指标的编码特征。
可选地,所述利用预构建的编码神经网络对所述数据向量进行向量编码,得到编码向量,包括:
利用如下公式对所述数据向量进行向量编码:
其中,分别表示所述编码神经网络中的输入门、遗忘门以及输出门,/>表示数据向量的输入时刻,/>表示双曲正切函数,/>分别所述编码神经网络中的输入门、遗忘门、输出门以及预设的单元激活函数的权重矩阵,分别所述编码神经网络中的输入门、遗忘门、输出门以及预设的单元激活函数的偏置矩阵、/>分别表示所述编码神经网络在/>时刻时的隐藏值及输出值,/>分别表示所述编码神经网络在/>时刻时的输入值、隐藏值、更新值以及编码向量。
可选地,所述将所述数据分布特征、所述编码特征以及所述高维特征进行特征融合,得到每个所述造血指标的指标特征,包括:
利用预设的卷积层分别对所述数据分布特征、所述编码特征以及所述高维特征进行特征卷积,得到特征卷积图;
分别对所述特征卷积图进行全局池化以及尺度降维,得到同一尺度的池化特征图;
对所述池化特征图进行对应元素叠加以及特征扁平化,得到每个所述造血指标的指标特征。
可选地,所述根据所述指标特征对每个所述造血指标进行指标预测,得到指标预测数据,包括:
计算所述指标特征与预设的预测数据标签之间的相似度;
根据所述相似度最大的预测数据标签对应的预测数据确定所述造血指标对应的指标预测数据。
可选地,所述根据所述指标预测数据确定所述造血系统的造血效果,包括:
获取每个所述指标预测数据对应的造血指标的正常指标数据范围;
根据所述正常指标数据范围计算每个所述造血指标的造血效果评分;
根据所述造血效果评分确定所述造血系统的造血效果。
可选地,所述根据所述正常指标数据范围计算每个所述造血指标的造血效果评分,包括:
利用如下公式计算每个所述造血指标的造血效果评分:
其中,表示造血效果评分,/>表示预设的参数,/>表示所述造血指标对应的指标预测数据,/>分别表示所述正常指标数据范围中的最大值以及最小值。
为了解决上述问题,本发明还提供一种基于深度学习实现辐射后的造血效果分析系统,所述系统包括:
数据标准化模块,用于获取辐射后造血系统中造血指标对应的造血指标数据集,构建所述造血指标数据集的数据矩阵,根据所述数据矩阵对所述造血指标数据集进行数据标准化,得到标准指标数据集;
数据分布特征计算模块,用于对所述标准指标数据集进行数据维度统一,得到目标指标数据集,根据所述目标指标数据集计算每个所述造血指标的数据分布特征;所述根据所述目标指标数据集计算每个所述造血指标的数据分布特征,包括:获取所述目标指标数据集中每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据;根据所述每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据计算每个所述造血指标的数据分布特征;
利用如下公式计算每个所述造血指标的数据分布特征:
其中,表示所述目标指标数据集中第/>个造血指标的数据分布特征,/>表示第/>个造血指标的目标指标数据总数,/>表示第/>个造血指标的第/>个目标指标数据,/>表示预设的映射函数,/>表示第/>个目标指标数据对应的候选指标数据/>,/>表示预设的函数参数;
编码特征及高维特征提取模块,用于对所述标准指标数据集进行数据编码,得到每个所述造血指标的编码特征,对所述标准指标数据集进行高维特征学习,得到每个所述造血指标的高维特征;
特征融合模块,用于将所述数据分布特征、所述编码特征以及所述高维特征进行特征融合,得到每个所述造血指标的指标特征;
造血效果分析模块,用于根据所述指标特征对每个所述造血指标进行指标预测,得到指标预测数据,根据所述指标预测数据确定所述造血系统的造血效果。
本发明实施例通过对造血系统的造血指标数据集进行数据标准化,能够去除不同造血指标数据的数据量纲对造血指标数据的影响,使得不同造血指标数据之间具有可比性,从而能够提取不同造血指标的数据分布特征、编码特征以及高维特征,从不同的特征角度对造血系统进行造血效果分析,提高造血效果分析的准确度;再通过对数据分布特征、编码特征以及高维特征进行特征融合,能够得到特征深度以及特征丰富度更高的指标特征;在进行指标预测时通过指标特征能够提高造血效果分析的精确度,实现造血系统的造血效果的精确分析。因此本发明提出的基于深度学习实现辐射后的造血效果分析方法及系统,可以解决辐射后造血效果分析准确度较差的问题。
具体实施方式
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。
本申请实施例提供一种基于深度学习实现辐射后的造血效果分析方法。所述基于深度学习实现辐射后的造血效果分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于深度学习实现辐射后的造血效果分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于深度学习实现辐射后的造血效果分析方法的流程示意图。在本实施例中,所述基于深度学习实现辐射后的造血效果分析方法包括:
S1、获取辐射后造血系统中造血指标对应的造血指标数据集,构建所述造血指标数据集的数据矩阵,根据所述数据矩阵对所述造血指标数据集进行数据标准化,得到标准指标数据集。
本发明实施例中,造血系统中的造血指标包括多个能够反应造血系统造血效果的指标,例如,白细胞的数量、红细胞的数量、血红蛋白的含量、平均红细胞血红蛋白含量、淋巴细胞比值以及红细胞的数量等能够反应造血效果的造血指标,从而能够根据造血指标对应的造血指标数据集对造血系统的造血效果进行分析。
本发明实施例中,所述指标数据集是每个造血指标在不同时间段测量的造血指标数据,得到不同造血指标对应的造血指标数据子集,通过每个造血指标数据子集构成造血指标数据集。
本发明实施例中,造血指标数据集的数据矩阵是根据每个造血指标的造血数据子集作为数据矩阵的行向量,按照采集的时间将行向量中的数据进行排序,得到造血指标数据集的数据矩阵。
本发明实施例中,由于不同的造血指标对应的造血指标数据的量纲不同,会造成不同造血指标的指标数据之间会存在较大的数据差异,因此,需要对标准指标数据集进行数据标准化,去除不同造血指标数据间的量纲,使得不同指标数据之间具有可比性。
本发明实施例中,所述根据所述数据矩阵对所述造血指标数据集进行数据标准化,得到标准指标数据集,包括:
根据所述数据矩阵中的列向量对所述数据矩阵进行划分,得到矩阵列向量;
根据所述矩阵列向量对所述造血指标数据集进行数据标准化,得到标准指标数据集。
本发明实施例中,所述根据所述矩阵列向量对所述造血指标数据集进行数据标准化,得到标准指标数据集,包括:
利用如下公式对所述造血指标数据集进行数据标准化:
其中,所述表示所述标准指标数据集中第/>个矩阵列向量对应的标准指标数据,/>表示所述数据矩阵中第/>个矩阵列向量中的造血指标数据,/>表示第/>个矩阵列向量中造血指标数据的总数,/>表示第/>个矩阵列向量中的造血指标数据的最小值,/>表示第/>个矩阵列向量中的造血指标数据的最大值。
本发明实施例中,通过对造血指标数据集进行数据标准化,能够去除不同造血指标数据的数据量纲对造血指标数据的影响,使得不同造血指标数据之间具有可比性,从而提高后续造血系统造血效果分析的准确度。
S2、对所述标准指标数据集进行数据维度统一,得到目标指标数据集,根据所述目标指标数据集计算每个所述造血指标的数据分布特征。
本发明实施例中,所述数据维度表示标准指标数据集中每个造血指标对应的标准指标数据的数目,将标准指标数据集中每个造血指标的数据维度与预设的候选指标数据的数据维度统一,从而通过数据维度统一后的目标指标数据集计算造血指标与预设的候选指标数据之间的数据分布相似度,得到数据分布特征,具体地,候选指标数据为预设的造血功能正常的造血系统对应的造血指标数据集。
本发明实施例中,所述对所述标准指标数据集进行数据维度统一,得到目标指标数据集,包括:
获取预设的候选指标数据集,确定所述候选指标数据集中每个造血指标的候选指标数据总数以及所述标准指标数据集中每个造血指标的标准指标数据总数;
根据所述候选指标数据总数以及所述标准指标数据总数的数据大小将所述标准指标数据集与所述候选指标数据集进行数据统一,得到目标指标数据集。
本发明实施例中,通过对比候选指标数据总数以及标准指标数据总数的数据大小,将数据总数较大的指标数据进行降维,得到数据维度统一的目标指标数据集,例如,候选指标数据集中每个造血指标的候选指标数据总数为30,标准指标数据集中每个造血指标的标准指标数据总数为25,则从候选指标数据集中删除每个造血指标的5个候选指标数据,实现数据维度统一,反之,则从标准指标数据集中删除每个造血指标的5个标准指标数据,具体地,可以删除标准指标数据或候选指标数据集中每个造血指标对应的最后几个造血指标数据已实现数据维度的统一。
本发明实施例中,数据分布特征是标准指标数据集中每个造血指标的数据分布特征与候选指标数据集中每个候选指标数据的数据分布特征之间的相似度,从而根据数据分布特征能够反映每个造血指标的指标数据变化与候选得候选指标数据之间的数据偏移度,进一步地确定每个造血指标的造血指标数据是否与正常的指标数据之间出现了偏差,从而精确地对造血系统的造血效果进行分析。
本发明实施例中,所述根据所述目标指标数据集计算每个所述造血指标的数据分布特征,包括:
获取所述目标指标数据集中每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据;
根据所述每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据计算每个所述造血指标的数据分布特征。
本发明实施例中,所述根据所述每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据计算每个所述造血指标的数据分布特征,包括:
利用如下公式计算每个所述造血指标的数据分布特征:
其中,表示所述目标指标数据集中第/>个造血指标的数据分布特征,/>表示第/>个造血指标的目标指标数据总数,/>表示第/>个造血指标的第/>个目标指标数据,/>表示预设的映射函数,/>表示第/>个目标指标数据对应的候选指标数据/>,/>表示预设的函数参数。
本发明实施例中,通过映射函数将目标指标数据以及候选指标数据映射的高维的向量空间,从而利用高斯函数H计算目标指标数据以及候选指标之间的高斯距离,进一步地通过高斯距离计算每个造血指标的数据分布特征。
本发明实施例中,通过计算数据分布特征能够确定每个造血指标的造血指标数据是否与正常的指标数据之间出现了较大偏差,从而能够对辐射后造血系统当前的造血效果进行精确地分析。
S3、对所述标准指标数据集进行数据编码,得到每个所述造血指标的编码特征,对所述标准指标数据集进行高维特征学习,得到每个所述造血指标的高维特征。
本发明实施例中,对标准指标数据集进行数据编码是利用编码神经网络以及解码神经网络对标准指标数据集中每个造血指标进行特征提取,得到每个造血指标的时序特征表达,即每个造血指标的编码特征。
本发明实施例中,编码神经网络以及解码神经网络可以为LSTM (Long ShortTerm Memory长短期记忆神经网络)神经网络,通过LSTM神经网络能够有效解决数据编码过程中梯度消失的问题,提高数据编码的准确度,具体地,编码神经网络中包括词向量层以及循环神经网络,通过非线性变换将标准指标数据集转化为中间语义表示,解码神经网络中比编码神经网络多个激活函数层,用于计算最终的编码特征。
本发明实施例中,参阅图2所示,所述对所述标准指标数据集进行数据编码,得到每个所述造血指标的编码特征,包括:
S21、利用预构建的嵌入层将所述标准指标数据集中每个造血指标对应的标准指标数据进行数据嵌入,得到所述标准指标数据对应的数据向量;
S22、利用预构建的编码神经网络对所述数据向量进行向量编码,得到编码向量;
S23、利用预构建的解码神经网络对所述编码向量进行解码,得到所述每个造血指标的编码特征。
本发明实施例中,所述向量编码是将标准指标数据转换为向量,进而利用编码神经网络对编码向量进行编码,得到编码向量。
本发明实施例中,编码神经网络以及解码神经网络中的循环神经网络包括输入门、遗忘门以及输出门,其中,通过输入门看是否有信息输入,再判断遗忘门是否选择遗忘LSTM里记忆的信息,最后再经过输出门,判断是否将这一时刻的信息进行输出,进而能够对输入的信息进行筛选,进而能够更精确地进行向量编码。
本发明实施例中,所述利用预构建的编码神经网络对所述数据向量进行向量编码,得到编码向量,包括:
利用如下公式对所述数据向量进行向量编码:
其中,分别表示所述编码神经网络中的输入门、遗忘门以及输出门,/>表示数据向量的输入时刻,/>表示双曲正切函数,/>分别所述编码神经网络中的输入门、遗忘门、输出门以及预设的单元激活函数的权重矩阵,分别所述编码神经网络中的输入门、遗忘门、输出门以及预设的单元激活函数的偏置矩阵、/>分别表示所述编码神经网络在/>时刻时的隐藏值及输出值,/>分别表示所述编码神经网络在/>时刻时的输入值、隐藏值、更新值以及编码向量。
本发明实施例中,通过数据编码能够有效地记忆造血指标的时序关联特性,即编码特征,通过编码特征得到每个造血指标的时序特征表达,提高后续每个造血指标的指标特征提取的准确度。
本发明实施例中,通过对标准指标数据集进行高维特征学习,能够深度提取到每个造血指标的高维特征,进一步增加指标特征的特征全面性,从而保证指标特征的精确度。
具体地,本发明实施例可以利用预训练完成的深度学习模型(Deep-LearningNeural Network,DNN)等高维特征提取模型进行高维特征学习,通过多组造血效果正常的历史造血指标数据进行模型训练,得到高维特征提取模型,从而通过高维特征提取模型更精确地提取造血指标的高维特征。
S4、将所述数据分布特征、所述编码特征以及所述高维特征进行特征融合,得到每个所述造血指标的指标特征。
本发明实施例中,特征融合能够得到同时包括数据分布特征、编码特征以及高维特征的指标特征融合到指标特征中,使得指标特征具有更丰富的特征信息,以更精确地对造血指标数据集进行指标预测,使得后续造血效果分析的准确度更高。
本发明实施例中,参阅图3所示,所述将所述数据分布特征、所述编码特征以及所述高维特征进行特征融合,得到每个所述造血指标的指标特征,包括:
S31、利用预设的卷积层分别对所述数据分布特征、所述编码特征以及所述高维特征进行特征卷积,得到特征卷积图;
S32、分别对所述特征卷积图进行全局池化以及尺度降维,得到同一尺度的池化特征图;
S33、对所述池化特征图进行对应元素叠加以及特征扁平化,得到每个所述造血指标的指标特征。
本发明实施例中,通过卷积层能够将数据分布特征、编码特征以及高维特征等特征向量进行卷积,得到卷积特征图,以进一步地增加特征提取的深度,具体地卷积层中可以包括多个卷积尺度不同的卷积核,例如, 3×3的卷积核、5×5的卷积核、1×1的卷积核以及3×3的卷积核构成,进一步地保证特征卷积的丰富度,得到更精确地指标特征。
本发明实施例中,尺度降维是将数据分布特征、编码特征以及高维特征对应的特征卷积图进行图像尺度的统一,将图像尺度较大的特征卷积图降维到同一个图像尺度,从而能够将池化特征图进行对应元素的叠加,完成特征的融合,进一步地进行特征扁平化,将特征融合后的特征图降维值一维的指标特征,提高后续指标预测的精确度。
本发明实施例中,通过特征融合,能够进一步地增加每个造血指标的特征深度以及特征丰富度,从而利用造血指标的指标特征进行造血效果分析,能够实现造血效果的精确分析。
S5、根据所述指标特征对每个所述造血指标进行指标预测,得到指标预测数据,根据所述指标预测数据确定所述造血系统的造血效果。
本发明实施例中,指标预测是预测每个造血指标的指标数据进行预测,从而通过指标预测数据对每个指标对应的造血能力进行分析,进一步的能够确定造血系统的造血效果。
本发明实施例中,所述根据所述指标特征对每个所述造血指标进行指标预测,得到指标预测数据,包括:
计算所述指标特征与预设的预测数据标签之间的相似度;
根据所述相似度最大的预测数据标签对应的预测数据确定所述造血指标对应的指标预测数据。
本发明实施例中,预测数据标签为预设的预测数据对应的数据向量,每个预测数据标签对应着一个预测数据,例如,预测数据为50时的数据向量,预测数据为100时的数据向量等预测数据对应的数据向量,从而通过预测数据标签能够计算每个指标特征与预测数据之间的相似度,即计算指标特征与预测数据标签之间的向量相似度得到相似度,因此,选取相似度最大的预测数据标签对应的预测数据作为每个造血指标的指标预测数据,例如,造血指标为白细胞的数量,计算得到的预测数据为6,则白细胞数量的指标预测数据为6*10^9/L。
本发明实施例中,所述根据所述指标预测数据确定所述造血系统的造血效果,包括:
获取每个所述指标预测数据对应的造血指标的正常指标数据范围;
根据所述正常指标数据范围计算每个所述造血指标的造血效果评分;
根据所述造血效果评分确定所述造血系统的造血效果。
本发明实施例中,正常指标数据范围表示造血系统的造血效果符合安全要求时的数据范围,通过正常指标数据范围计算指标预测数据是否满足造血效果的要求,得到造血效果评分。
本发明实施例中,所述根据所述正常指标数据范围计算每个所述造血指标的造血效果评分,包括:
利用如下公式计算每个所述造血指标的造血效果评分:
其中,表示造血效果评分,/>表示预设的参数,/>表示所述造血指标对应的指标预测数据,/>分别表示所述正常指标数据范围中的最大值以及最小值。
本发明实施例中,正常指标数据范围是每个每个造血指标的造血效果符合安全要求的数值范围,例如,白细胞的数量的正常指标数据范围为4~10,(单位10^9/L),则通过正常指标数据范围计算每个造血指标的造血评分,反应每个造血指标的造血能力,例如,白细胞的数量的造血效果评分为90,则表示白细胞的数量这一造血指标符合安全要求,具体地,在计算造血指标的造血效果评分时先进行数据标准化去除量纲,保证计算的精确度。
本发明实施例中,可以通过叠加造血指标的造血效果评分得到造血系统的造血效果总评分,通过造血效果总评分确定造血系统的造血效果,可设置安全阈值与造血指标的造血效果评分进行对比,造血效果总评分越高于安全阈值,表示造血系统的造血效果越好,反之,造血效果总评分越低于安全阈值,表示造血系统的造血效果较差,从而实现造血效果的精确分析。
本发明实施例通过对造血系统的造血指标数据集进行数据标准化,能够去除不同造血指标数据的数据量纲对造血指标数据的影响,使得不同造血指标数据之间具有可比性,从而能够提取不同造血指标的数据分布特征、编码特征以及高维特征,从不同的特征角度对造血系统进行造血效果分析,提高造血效果分析的准确度;再通过对数据分布特征、编码特征以及高维特征进行特征融合,能够得到特征深度以及特征丰富度更高的指标特征;在进行指标预测时通过指标特征能够提高造血效果分析的精确度,实现造血系统的造血效果的精确分析。因此本发明提出的基于深度学习实现辐射后的造血效果分析方法,可以解决辐射后造血效果分析准确度较差的问题。
如图4所示,是本发明一实施例提供的基于深度学习实现辐射后的造血效果分析系统的功能模块图。
本发明所述基于深度学习实现辐射后的造血效果分析系统400可以安装于电子设备中。根据实现的功能,所述基于深度学习实现辐射后的造血效果分析系统400可以包括数据标准化模块401、数据分布特征计算模块402、编码特征及高维特征提取模块403、特征融合模块404及造血效果分析模块405。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据标准化模块401,用于获取辐射后造血系统中造血指标对应的造血指标数据集,构建所述造血指标数据集的数据矩阵,根据所述数据矩阵对所述造血指标数据集进行数据标准化,得到标准指标数据集;
所述数据分布特征计算模块402,用于对所述标准指标数据集进行数据维度统一,得到目标指标数据集,根据所述目标指标数据集计算每个所述造血指标的数据分布特征;所述根据所述目标指标数据集计算每个所述造血指标的数据分布特征,包括:获取所述目标指标数据集中每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据;根据所述每个造血指标的目标指标数据以及所述目标指标数据对应的候选指标数据计算每个所述造血指标的数据分布特征;
利用如下公式计算每个所述造血指标的数据分布特征:
其中,表示所述目标指标数据集中第/>个造血指标的数据分布特征,/>表示第/>个造血指标的目标指标数据总数,/>表示第/>个造血指标的第/>个目标指标数据,/>表示预设的映射函数,/>表示第/>个目标指标数据对应的候选指标数据/>,/>表示预设的函数参数;
所述编码特征及高维特征提取模块403,用于对所述标准指标数据集进行数据编码,得到每个所述造血指标的编码特征,对所述标准指标数据集进行高维特征学习,得到每个所述造血指标的高维特征;
所述特征融合模块404,用于将所述数据分布特征、所述编码特征以及所述高维特征进行特征融合,得到每个所述造血指标的指标特征;
所述造血效果分析模块405,用于根据所述指标特征对每个所述造血指标进行指标预测,得到指标预测数据,根据所述指标预测数据确定所述造血系统的造血效果。
详细地,本发明实施例中所述基于深度学习实现辐射后的造血效果分析系统400中所述的各模块在使用时采用与上述图1至图3中所述的基于深度学习实现辐射后的造血效果分析方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
本发明还提供一种电子设备,所述电子设备可以包括处理器、存储器、通信总线以及通信接口,还可以包括存储在所述存储器中并可在所述处理器上运行的计算机程序,如基于深度学习实现辐射后的造血效果分析方法程序。
其中,所述处理器在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器内的程序或者模块(例如执行基于深度学习实现辐射后的造血效果分析方法程序等),以及调用存储在所述存储器内的数据,以执行电子设备的各种功能和处理数据。
所述存储器至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于深度学习实现辐射后的造血效果分析方法程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线可以是外设部件互连标准(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器以及至少一个处理器等之间的连接通信。
所述通信接口用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图中示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理系统与所述至少一个处理器逻辑相连,从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
具体地,所述处理器对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或系统也可以由一个单元或系统通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。