CN117457234A - 基于神经网络模型的蛇伤等级预测方法与系统 - Google Patents
基于神经网络模型的蛇伤等级预测方法与系统 Download PDFInfo
- Publication number
- CN117457234A CN117457234A CN202311551552.7A CN202311551552A CN117457234A CN 117457234 A CN117457234 A CN 117457234A CN 202311551552 A CN202311551552 A CN 202311551552A CN 117457234 A CN117457234 A CN 117457234A
- Authority
- CN
- China
- Prior art keywords
- snake
- bite
- neural network
- network model
- patient
- 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
- 208000004078 Snake Bites Diseases 0.000 title claims abstract description 180
- 238000003062 neural network model Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000002372 labelling Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 7
- 208000020016 psychiatric disease Diseases 0.000 claims 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 61
- 208000019906 panic disease Diseases 0.000 abstract description 50
- 238000013528 artificial neural network Methods 0.000 abstract description 13
- 241000270295 Serpentes Species 0.000 abstract description 10
- 208000027418 Wounds and injury Diseases 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 230000006378 damage Effects 0.000 abstract description 3
- 208000014674 injury Diseases 0.000 abstract description 3
- 208000035475 disorder Diseases 0.000 description 12
- 206010052428 Wound Diseases 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 208000001431 Psychomotor Agitation Diseases 0.000 description 2
- 206010038743 Restlessness Diseases 0.000 description 2
- 230000000994 depressogenic effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006996 mental state Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010013954 Dysphoria Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002303 anti-venom Effects 0.000 description 1
- 230000004596 appetite loss Effects 0.000 description 1
- 238000009223 counseling Methods 0.000 description 1
- 238000011841 epidemiological investigation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 235000021266 loss of appetite Nutrition 0.000 description 1
- 208000019017 loss of appetite Diseases 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 210000002966 serum Anatomy 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
- 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
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于蛇伤数据处理技术领域，涉及基于神经网络模型的蛇伤等级预测方法与系统，该方法包括语音采集蛇伤患者的问卷调查结果，获取问题评分与所有问题总评分；建立样本数据库；分类标注；构建蛇伤等级预测神经网络模型；模型训练；语音采集问卷调查结果；将问题的评分转换为特征向量输入至蛇伤等级预测神经网络模型得到蛇伤等级的概率的预测结果；构建语音BP神经网络模型，训练得到语音BP神经网络预测模型，得到患者蛇伤惊恐障碍等级的概率。本发明提出一种蛇伤患者惊恐障碍疾病多模态辅助监测方法，通过融合惊恐障碍疾病问卷调查和蛇伤患者人机语言对答，构建蛇伤等级预测神经网络模型，实现对蛇伤致残患者全覆盖动态监测惊恐障碍疾病。
Description
技术领域
本发明属于蛇伤数据处理技术领域，具体而言，涉及基于神经网络模型的蛇伤等级预测方法与系统。
背景技术
我国每年蛇伤大约10万～20万人次，不到50％的蛇伤患者到基层医院治疗，而即使到了医院接受治疗的蛇伤患者，也因为基层医生缺乏蛇伤治疗经验和缺少足够的抗蛇毒血清，导致蛇伤患者致残率较高，根据我国最新蛇伤流行病学调查数据显示，目前我国蛇伤致残率为35.18％。一般来说，蛇伤致残患者生存周期长，一部分蛇伤患者丧失劳动能力，还有一部分蛇伤患者因多种因素导致出现惊恐障碍疾病，这给个人、家庭和社会带来非常沉重的负担。现有文献记载，蛇伤幸存患者中大约有8％的比例因蛇伤导致惊恐障碍疾病，因此，如何对蛇伤致残患者进行全覆盖身心状态参数监测，精准识别蛇伤患者身心状态参数特征，从而有效降低蛇伤致残率。
发明内容
为了解决上述技术问题，本发明旨在提出一种蛇伤致残患者惊恐障碍疾病多模态辅助监测方法，通过融合惊恐障碍疾病问卷调查和蛇伤致残患者人机语言对答，构建人工智能化的预测模型，实现对蛇伤致残患者惊恐障碍疾病全覆盖动态监测，精准识别潜在风险，本发明提供基于神经网络模型的蛇伤等级预测方法与系统。
第一方面，本发明提供了基于神经网络模型的蛇伤等级预测方法，包括：
预设蛇伤患者惊恐障碍疾病调查问卷，语音采集蛇伤患者的问卷调查结果，获取蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分与所有问题的总评分；
建立蛇伤患者惊恐障碍疾病调查问卷评分样本数据库；
将所有问题的总评分按照大小进行分类，对每一个所述分类进行标注；
将所述蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分转换为特征向量作为输入，将所述分类的标注结果作为输出，构建蛇伤等级预测神经网络模型；
利用所述蛇伤患者惊恐障碍疾病调查问卷样本数据库对所述蛇伤等级预测神经网络模型进行训练，得到训练后的所述蛇伤等级预测神经网络模型；
语音采集当前蛇伤患者的问卷调查结果，获取当前蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分；
将当前蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分转换为特征向量输入至所述蛇伤等级预测神经网络模型，得到各个所述分类的概率，作为蛇伤等级的概率的预测结果；
构建语音BP神经网络模型；
将语音采集蛇伤患者的问卷调查结果的语音数据作为所述语音BP神经网络模型的输入变量；
对问卷调查结果对应的蛇伤等级的概率的预测结果进行分类标注，作为所述语音BP神经网络模型的输出；
对所述语音BP神经网络模型进行训练，得到语音BP神经网络预测模型；
语音采集蛇伤患者的问卷调查结果的语音数据，利用所述语音BP神经网络预测模型得到患者蛇伤惊恐障碍等级的概率。
第二方面，本发明提供了基于神经网络模型的蛇伤等级预测系统，包括语音采集与识别终端、预测管理终端与服务器端；所述语音采集与识别终端用于语音采集蛇伤患者的问卷调查结果并上传至所述服务器端；所述服务器端将所述问卷调查结果发送至所述预测管理终端；所述预测管理终端包括问卷调查单元、数据库建立单元、第一分类标注单元、模型构建单元、第一训练单元、第一输入单元、处理单元、第一输出单元、第二模型构建单元、第二输入单元、第二分类标注单元、第二训练单元与第二输出单元；
所述问卷调查单元，用于预设蛇伤患者惊恐障碍疾病调查问卷，获取蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分与所有问题的总评分；
所述数据库建立单元，用于建立蛇伤患者惊恐障碍疾病调查问卷评分样本数据库；
所述分类标注单元，用于将所有问题的总评分按照大小进行分类，对每一个所述分类进行标注；
所述模型构建单元，用于将所述蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分转换为特征向量作为输入，将所述分类的标注结果作为输出，构建蛇伤等级预测神经网络模型；
所述第一训练单元，用于利用所述蛇伤患者惊恐障碍疾病调查问卷样本数据库对所述蛇伤等级预测神经网络模型进行训练，得到训练后的所述蛇伤等级预测神经网络模型；
所述第一输入单元，用于语音采集当前蛇伤患者的问卷调查结果，获取当前蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分；
所述处理单元，用于将当前蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分转换为特征向量输入至所述蛇伤等级预测神经网络模型，得到各个所述分类的概率；
所述第一输出单元，用于输出各个所述分类的概率作为蛇伤等级的概率的预测结果；
所述第二模型构建单元，用于构建语音BP神经网络模型；
所述第二输入单元，用于将语音采集蛇伤患者的问卷调查结果的语音数据作为所述语音BP神经网络模型的输入变量；
所述第二分类标注单元，用于对问卷调查结果对应的蛇伤等级的概率的预测结果进行分类标注，作为所述语音BP神经网络模型的输出；
所述第二训练单元，用于对所述语音BP神经网络模型进行训练，得到语音BP神经网络预测模型；
所述第二输出单元，用于语音采集蛇伤患者的问卷调查结果的语音数据，利用所述语音BP神经网络预测模型得到患者蛇伤惊恐障碍等级的概率。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，获取蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分与所有问题的总评分，包括：每个问题包含若干个选项，对每个选项结果设定一个评分，根据蛇伤患者对每个问题的选项结果进行评分，对所有问题的选项结果的评分进行求和，得到所有问题的总评分。
进一步，对所述蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分进行编码，得到所述特征向量；将所述特征向量输入至所述蛇伤等级预测神经网络模型，得到所述蛇伤等级预测神经网络模型的输出结果。
进一步，利用交叉熵损失函数计算交叉熵损失的值；根据所述交叉熵损失的值，确定所述蛇伤等级预测神经网络模型的输出结果的准确度。
进一步，多次语音采集当前蛇伤患者的问卷调查结果，通过所述蛇伤等级预测神经网络模型获取蛇伤等级的概率的预测结果，计算各个所述分类的概率的平均值作为最终蛇伤等级的概率的预测结果。
进一步，所述语音采集与识别终端包括语音采集单元、语音识别处理单元与无线通信模块；所述语音采集单元与所述语音识别处理单元的输入端信号连接；所述语音识别处理单元通过所述无线通信模块与所述服务器端通信连接。
进一步，所述第一输出单元包括显示单元，用于对输出的蛇伤等级的概率的预测结果进行显示。
本发明的有益效果是：本发明提出了一种蛇伤患者惊恐障碍疾病多模态辅助监测方法，通过融合惊恐障碍疾病问卷调查和蛇伤患者人机语言对答，构建人工智能分析模型即蛇伤等级预测神经网络模型，实现对蛇伤致残患者全覆盖动态监测惊恐障碍疾病，精准识别潜在风险，从而有利于提升蛇伤患者生存质量。
附图说明
图1为本发明实施例1提供的基于神经网络模型的蛇伤等级预测方法的原理图；
图2为本发明实施例2提供的基于神经网络模型的蛇伤等级预测系统的原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
实施例1
作为一个实施例，如附图1所示，为解决上述技术问题，本实施例提供基于神经网络模型的蛇伤等级预测方法，包括：
预设蛇伤患者惊恐障碍疾病调查问卷，语音采集蛇伤患者的问卷调查结果，获取蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分与所有问题的总评分；
建立蛇伤患者惊恐障碍疾病调查问卷评分样本数据库；
将所有问题的总评分按照大小进行分类，对每一个分类进行标注；
将蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分转换为特征向量作为输入，将分类的标注结果作为输出，构建蛇伤等级预测神经网络模型；
利用蛇伤患者惊恐障碍疾病调查问卷样本数据库对蛇伤等级预测神经网络模型进行训练，得到训练后的蛇伤等级预测神经网络模型；
语音采集当前蛇伤患者的问卷调查结果，获取当前蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分；
将当前蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分转换为特征向量输入至蛇伤等级预测神经网络模型，得到各个分类的概率，作为蛇伤等级的概率的预测结果；
构建语音BP神经网络模型；
将语音采集蛇伤患者的问卷调查结果的语音数据作为语音BP神经网络模型的输入变量；
对问卷调查结果对应的蛇伤等级的概率的预测结果进行分类标注，作为语音BP神经网络模型的输出；
对语音BP神经网络模型进行训练，得到语音BP神经网络预测模型；
语音采集蛇伤患者的问卷调查结果的语音数据，利用语音BP神经网络预测模型得到患者蛇伤惊恐障碍等级的概率。
在实际应用过程中，预设蛇伤患者惊恐障碍疾病调查问卷，调查问卷可采用惊恐障碍疾病标准问卷，该标准问卷设置9个问题，每个问题设置有选项，每个选项对应一个得分，具体问题例如：(1)做事时提不起劲或没兴趣；(2)感到心情低落、沮丧或绝望；(3)入睡困难、睡不安稳或睡眠过多；(4)感到疲惫或没有活力；(5)食欲不振或吃太多；(6)觉得自己很糟或者觉得自己很失败或让自己和家人很失望；(7)对事物专注有困难，例如阅读报纸或看电视时不能集中注意力；(8)动作或说话速度缓慢到别人已经觉察，烦躁或坐立不安、动来动去的情况更胜于平常；(9)有不如死掉或伤害自己的念头。选项分别为：几乎不会、有几天、一半以上与几乎天天，上述四个选项对应的评分分数分别为：0、1、2与3，所有问题相加得到总分数。总分数的每个区间的评分代表的意义依次为：0-4分代表没有惊恐障碍症，注意自我保重；5-9分代表轻微惊恐障碍症，建议咨询心理医生；10-14分代表可能有中度惊恐障碍症，建议咨询心理医生，15-19分代表中重度惊恐障碍症，建议咨询心理医生；20-27分代表有重度惊恐障碍症，咨询心理医生。将上述总得分对应的结果分为两类：第一类为无惊恐障碍症或轻度惊恐障碍症，标注为0；第二类为第二类为中度惊恐障碍症，标注为1。
将上述调查问卷的9个问题的评分作为神经网络模型的输入，将标注结果作为输出，采用大量调查问卷的数据对神经网络模型进行训练，得到蛇伤等级预测神经网络模型；采用语音识别方式收集当前蛇伤患者调查问卷，将当前蛇伤患者调查问卷的各个问题的评分输入训练后的蛇伤等级预测神经网络模型，得到两种分类标注结果对应的概率。
具体的，构建语音bp神经网络模型，利用语音BP神经网络预测模型得到患者蛇伤惊恐障碍等级的概率，例如：
(1)将问卷调查9个问题的9个患者回答语音作为BP神经网络的输入变量；
(2)将上述问卷调查结果结果分成2类：第一类为无惊恐障碍症或轻度惊恐障碍症，标注为0；第二类为中重度惊恐障碍症，标注为1；
(3)训练模型：采用大量的患者回答语音数据对语音bp神经网络模型进行训练，得到语音BP神经网络预测模型；
(4)用患者上述9个问题的患者回答语音数据，采用上述训练得到的语音BP神经网络预测模型进行预测，获得0和1的概率数据，即得到患者无惊恐障碍症的概率与有惊恐障碍症的概率。
本发明提出了一种蛇伤患者惊恐障碍疾病多模态辅助监测方法，通过融合惊恐障碍疾病问卷调查和蛇伤患者人机语言对答，构建人工智能分析模型即蛇伤等级预测神经网络模型，实现对蛇伤致残患者全覆盖动态监测惊恐障碍疾病，精准识别潜在风险，从而有利于提升蛇伤患者生存质量。
可选的，获取蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分与所有问题的总评分，包括：每个问题包含若干个选项，对每个选项结果设定一个评分，根据蛇伤患者对每个问题的选项结果进行评分，对所有问题的选项结果的评分进行求和，得到所有问题的总评分。
每个选项结果对应一个评分，所有评分相加得到总评分，将所有的问题进行综合得到总评分能够更准确的对蛇伤患者重症程度进行描述。
可选的，对蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分进行编码，得到特征向量；将特征向量输入至蛇伤等级预测神经网络模型，得到蛇伤等级预测神经网络模型的输出结果。具体的，每一个问题的评分进行编码得到词向量，将词向量作为蛇伤等级预测神经网络模型的输入。
可选的，利用交叉熵损失函数计算交叉熵损失的值；根据交叉熵损失的值，确定蛇伤等级预测神经网络模型的输出结果的准确度。
可选的，多次语音采集当前蛇伤患者的问卷调查结果，通过蛇伤等级预测神经网络模型获取蛇伤等级的概率的预测结果，计算各个分类的概率的平均值作为最终蛇伤等级的概率的预测结果。多次计算分类的概率的平均值能够使得预测结果更准确。
实施例2
基于与本发明的实施例1中所示的方法相同的原理，如附图2所示，本发明的实施例中还提供了基于神经网络模型的蛇伤等级预测系统，包括语音采集与识别终端、预测管理终端与服务器端；语音采集与识别终端用于语音采集蛇伤患者的问卷调查结果并上传至服务器端；服务器端将问卷调查结果发送至预测管理终端；预测管理终端包括问卷调查单元、数据库建立单元、第一分类标注单元、模型构建单元、第一训练单元、第一输入单元、处理单元、第一输出单元、第二模型构建单元、第二输入单元、第二分类标注单元、第二训练单元与第二输出单元；
问卷调查单元，用于预设蛇伤患者惊恐障碍疾病调查问卷，获取蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分与所有问题的总评分；
数据库建立单元，用于建立蛇伤患者惊恐障碍疾病调查问卷评分样本数据库；
第一分类标注单元，用于将所有问题的总评分按照大小进行分类，对每一个分类进行标注；
模型构建单元，用于将蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分转换为特征向量作为输入，将分类的标注结果作为输出，构建蛇伤等级预测神经网络模型；
第一训练单元，用于利用蛇伤患者惊恐障碍疾病调查问卷样本数据库对蛇伤等级预测神经网络模型进行训练，得到训练后的蛇伤等级预测神经网络模型；
第一输入单元，用于语音采集当前蛇伤患者的问卷调查结果，获取当前蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分；
处理单元，用于将当前蛇伤患者惊恐障碍疾病调查问卷中每一个问题的评分转换为特征向量输入至蛇伤等级预测神经网络模型，得到各个分类的概率；
第一输出单元，用于输出各个分类的概率作为蛇伤等级的概率的预测结果；
第二模型构建单元，用于构建语音BP神经网络模型；
第二输入单元，用于将语音采集蛇伤患者的问卷调查结果的语音数据作为语音BP神经网络模型的输入变量；
第二分类标注单元，用于对问卷调查结果对应的蛇伤等级的概率的预测结果进行分类标注，作为语音BP神经网络模型的输出；
第二训练单元，用于对语音BP神经网络模型进行训练，得到语音BP神经网络预测模型；
第二输出单元，用于语音采集蛇伤患者的问卷调查结果的语音数据，利用语音BP神经网络预测模型得到患者蛇伤惊恐障碍等级的概率。
可选的，语音采集与识别终端包括语音采集单元、语音识别处理单元与无线通信模块；语音采集单元与语音识别处理单元的输入端信号连接；语音识别处理单元通过无线通信模块与服务器端通信连接。
采用语音识别的方式，通过人机互动实现快速蛇伤患者惊恐障碍疾病调查问卷的快速采集。
可选的，第一输出单元包括显示单元，用于对输出的蛇伤等级的概率的预测结果进行显示。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的惊恐障碍和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.基于神经网络模型的蛇伤等级预测方法，其特征在于，包括：
预设蛇伤患者精神疾病调查问卷，语音采集蛇伤患者的问卷调查结果，获取蛇伤患者精神疾病调查问卷中每一个问题的评分与所有问题的总评分；
建立蛇伤患者精神疾病调查问卷评分样本数据库；
将所有问题的总评分按照大小进行分类，对每一个所述分类进行标注；
将所述蛇伤患者精神疾病调查问卷中每一个问题的评分转换为特征向量作为输入，将所述分类的标注结果作为输出，构建蛇伤等级预测神经网络模型；
利用所述蛇伤患者精神疾病调查问卷样本数据库对所述蛇伤等级预测神经网络模型进行训练，得到训练后的所述蛇伤等级预测神经网络模型；
语音采集当前蛇伤患者的问卷调查结果，获取当前蛇伤患者精神疾病调查问卷中每一个问题的评分；
将当前蛇伤患者精神疾病调查问卷中每一个问题的评分转换为特征向量输入至所述蛇伤等级预测神经网络模型，得到各个所述分类的概率，作为蛇伤等级的概率的预测结果。
2.根据权利要求1所述基于神经网络模型的蛇伤等级预测方法，其特征在于，获取蛇伤患者精神疾病调查问卷中每一个问题的评分与所有问题的总评分，包括：每个问题包含若干个选项，对每个选项结果设定一个评分，根据蛇伤患者对每个问题的选项结果进行评分，对所有问题的选项结果的评分进行求和，得到所有问题的总评分。
3.根据权利要求1所述基于神经网络模型的蛇伤等级预测方法，其特征在于，对所述蛇伤患者精神疾病调查问卷中每一个问题的评分进行编码，得到所述特征向量；将所述特征向量输入至所述蛇伤等级预测神经网络模型，得到所述蛇伤等级预测神经网络模型的输出结果。
4.根据权利要求3所述基于神经网络模型的蛇伤等级预测方法，其特征在于，利用交叉熵损失函数计算交叉熵损失的值；根据所述交叉熵损失的值，确定所述蛇伤等级预测神经网络模型的输出结果的准确度。
5.根据权利要求1所述基于神经网络模型的蛇伤等级预测方法，其特征在于，多次语音采集当前蛇伤患者的问卷调查结果，通过所述蛇伤等级预测神经网络模型获取蛇伤等级的概率的预测结果，计算各个所述分类的概率的平均值作为最终蛇伤等级的概率的预测结果。
6.基于神经网络模型的蛇伤等级预测系统，其特征在于，包括语音采集与识别终端、预测管理终端与服务器端；所述语音采集与识别终端用于语音采集蛇伤患者的问卷调查结果并上传至所述服务器端；所述服务器端将所述问卷调查结果发送至所述预测管理终端；所述预测管理终端包括所述问卷调查单元、数据库建立单元、分类标注单元、模型构建单元、训练单元、输入单元、处理单元与输出单元；
所述问卷调查单元，用于预设蛇伤患者精神疾病调查问卷，获取蛇伤患者精神疾病调查问卷中每一个问题的评分与所有问题的总评分；
所述数据库建立单元，用于建立蛇伤患者精神疾病调查问卷评分样本数据库；
所述分类标注单元，用于将所有问题的总评分按照大小进行分类，对每一个所述分类进行标注；
所述模型构建单元，用于将所述蛇伤患者精神疾病调查问卷中每一个问题的评分转换为特征向量作为输入，将所述分类的标注结果作为输出，构建蛇伤等级预测神经网络模型；
所述训练单元，用于利用所述蛇伤患者精神疾病调查问卷样本数据库对所述蛇伤等级预测神经网络模型进行训练，得到训练后的所述蛇伤等级预测神经网络模型；
所述输入单元，用于语音采集当前蛇伤患者的问卷调查结果，获取当前蛇伤患者精神疾病调查问卷中每一个问题的评分；
所述处理单元，用于将当前蛇伤患者精神疾病调查问卷中每一个问题的评分转换为特征向量输入至所述蛇伤等级预测神经网络模型，得到各个所述分类的概率；
所述输出单元，用于输出各个所述分类的概率作为蛇伤等级的概率的预测结果。
7.根据权利要求6所述基于神经网络模型的蛇伤等级预测系统，其特征在于，所述语音采集与识别终端包括语音采集单元、语音识别处理单元与无线通信模块；所述语音采集单元与所述语音识别处理单元的输入端信号连接；所述语音识别处理单元通过所述无线通信模块与所述服务器端通信连接。
8.根据权利要求6所述基于神经网络模型的蛇伤等级预测系统，其特征在于，所述输出单元包括显示单元，用于对输出的蛇伤等级的概率的预测结果进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551552.7A CN117457234A (zh) | 2023-11-20 | 2023-11-20 | 基于神经网络模型的蛇伤等级预测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551552.7A CN117457234A (zh) | 2023-11-20 | 2023-11-20 | 基于神经网络模型的蛇伤等级预测方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117457234A true CN117457234A (zh) | 2024-01-26 |
Family
ID=89589145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311551552.7A Pending CN117457234A (zh) | 2023-11-20 | 2023-11-20 | 基于神经网络模型的蛇伤等级预测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117457234A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001034602A (ja) * | 1999-07-22 | 2001-02-09 | Nec Viewtechnology Ltd | アンケート集計システムおよびアンケート集計方法 |
| CN105931153A (zh) * | 2016-04-14 | 2016-09-07 | 湘潭大学 | 一种基于神经网络预测分析模型的问卷调查间接评估方法 |
| CN113409943A (zh) * | 2021-06-22 | 2021-09-17 | 浙江工业大学 | 一种基于bp神经网络的心理健康智能筛查系统 |
| CN114724717A (zh) * | 2022-04-20 | 2022-07-08 | 山东大学齐鲁医院 | 一种胃早癌高危风险筛查系统 |
| CN116469579A (zh) * | 2023-03-27 | 2023-07-21 | 深圳市第三人民医院(深圳市肝病研究所) | 脑部状态监测方法、设备、存储介质及装置 |
| CN116665883A (zh) * | 2023-05-31 | 2023-08-29 | 河北医科大学第一医院 | 一种预测神经退行性疾病风险的方法及其系统 |
-
2023
- 2023-11-20 CN CN202311551552.7A patent/CN117457234A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001034602A (ja) * | 1999-07-22 | 2001-02-09 | Nec Viewtechnology Ltd | アンケート集計システムおよびアンケート集計方法 |
| CN105931153A (zh) * | 2016-04-14 | 2016-09-07 | 湘潭大学 | 一种基于神经网络预测分析模型的问卷调查间接评估方法 |
| CN113409943A (zh) * | 2021-06-22 | 2021-09-17 | 浙江工业大学 | 一种基于bp神经网络的心理健康智能筛查系统 |
| CN114724717A (zh) * | 2022-04-20 | 2022-07-08 | 山东大学齐鲁医院 | 一种胃早癌高危风险筛查系统 |
| CN116469579A (zh) * | 2023-03-27 | 2023-07-21 | 深圳市第三人民医院(深圳市肝病研究所) | 脑部状态监测方法、设备、存储介质及装置 |
| CN116665883A (zh) * | 2023-05-31 | 2023-08-29 | 河北医科大学第一医院 | 一种预测神经退行性疾病风险的方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zarandi et al. | Designing a general type-2 fuzzy expert system for diagnosis of depression | |
| Cohen et al. | Client-related risk factors of nursing home entry among elderly adults | |
| Gillespie et al. | Gender equality, place, and female-victim intimate partner homicide: A county-level analysis in North Carolina | |
| Nakajima et al. | Development and validation of a novel method for converting the Japan Coma Scale to Glasgow Coma Scale | |
| CN111930948B (zh) | 一种信息收集和分级方法、装置、计算机设备及存储介质 | |
| Wang et al. | Subjective health and quality of life among elderly people living with chronic multimorbidity and difficulty in activities of daily living in rural South Africa | |
| US20240363255A1 (en) | Emergency treatment system, emergency treatment method, and electronic device | |
| Inglebret et al. | Reporting of socioeconomic status in pediatric language research | |
| CN112669922A (zh) | 一种社区健康服务系统 | |
| CN111105849B (zh) | 一种基于大数据的渠道协同满意度调查方法及系统 | |
| KR102234025B1 (ko) | 전세계 통합 헬스케어 서비스 제공 시스템 | |
| WO2024060508A1 (zh) | 知识驱动的罕见病可视化问答式辅助鉴别诊断系统及方法 | |
| CN116597954A (zh) | 一种智慧型居家养老远程诊疗预约咨询系统 | |
| CN117893070A (zh) | 基于物联网感知的养老服务质量评估方法、系统及介质 | |
| CN113223734A (zh) | 基于算法、医学影像和大数据的疾病诊断和大健康管理平台 | |
| CN112669927A (zh) | 一种家居型健康服务系统 | |
| CN117542540A (zh) | 传染病风险预测方法、装置、电子设备及存储介质 | |
| CN117457234A (zh) | 基于神经网络模型的蛇伤等级预测方法与系统 | |
| van Schrojenstein Lantman‐de Valk et al. | People with intellectual disability in general practice: case definition and case finding | |
| CN115565655A (zh) | 一种增强的辅助问诊方法 | |
| CN115410688A (zh) | 以正念为基础的失眠认知行为治疗方案生成方法及装置 | |
| Mulhorn et al. | Speech, hearing, and communication across five national disability surveys: Results of a DISTAB study using the ICF to compare prevalence patterns | |
| Hemmati et al. | Associations between personal social network properties and mental health in cancer care | |
| Aamodt et al. | Cognitive profiles of elder adult protective services clients living in squalor | |
| CN112309515A (zh) | 一种基于患者需求的冠心病健康教育系统及方法 |
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 |