CN117766155B - 基于人工智能的动态血压医疗数据处理系统 - Google Patents
基于人工智能的动态血压医疗数据处理系统 Download PDFInfo
- Publication number
- CN117766155B CN117766155B CN202410196046.9A CN202410196046A CN117766155B CN 117766155 B CN117766155 B CN 117766155B CN 202410196046 A CN202410196046 A CN 202410196046A CN 117766155 B CN117766155 B CN 117766155B
- Authority
- CN
- China
- Prior art keywords
- data
- blood pressure
- feature
- medical data
- optimal
- 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
- 230000036772 blood pressure Effects 0.000 title claims abstract description 95
- 238000012545 processing Methods 0.000 title claims abstract description 73
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 12
- 230000001133 acceleration Effects 0.000 claims abstract description 15
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 150000001875 compounds Chemical class 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 50
- 238000000034 method Methods 0.000 claims description 18
- 230000035487 diastolic blood pressure Effects 0.000 claims description 15
- 230000035485 pulse pressure Effects 0.000 claims description 15
- 230000035488 systolic blood pressure Effects 0.000 claims description 15
- 101100460203 Schizosaccharomyces pombe (strain 972 / ATCC 24843) new2 gene Proteins 0.000 claims description 9
- 101100273916 Schizosaccharomyces pombe (strain 972 / ATCC 24843) wip1 gene Proteins 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012952 Resampling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 206010005746 Blood pressure fluctuation Diseases 0.000 claims description 3
- 206010020772 Hypertension Diseases 0.000 claims description 3
- 208000001953 Hypotension Diseases 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000004872 arterial blood pressure Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000036543 hypotension Effects 0.000 claims description 3
- 230000000474 nursing effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
本发明公开了基于人工智能的动态血压医疗数据处理系统，系统包括：数据采集模块、数据预处理模块、特征数据选择模块、构建医疗数据处理模型模块和动态血压医疗数据处理模块。本发明属于医疗数据处理技术领域，具体是指基于人工智能的动态血压医疗数据处理系统，本方案基于圆混沌初始化个体位置，基于互惠策略生成两个新位置，基于复合摆线计算加速函数值，完成位置更新，构建最佳特征子集；根据比率判断、最近邻和生成区域生成新的特征数据，根据相关性对基本分类器进行分组，基于分类准确率选择每组的最优基本分类器，引入双曲正切函数计算每个最优基本分类器的权重，基于权重组合所有的最优基本分类器构建医疗数据处理模型。
Description
技术领域
本发明属于医疗数据处理技术领域，具体是指基于人工智能的动态血压医疗数据处理系统。
背景技术
动态血压医疗数据处理系统是使用人工智能技术对采集到的动态血压医疗数据进行处理和分析，得到对应的数据标签，了解患者的血压状态，便于对患者进行个性化护理。但是现有的动态血压医疗数据处理方法采集的数据存在大量的冗余信息，导致维度灾难和过拟合，降低模型的解释能力和泛化能力，并增加训练时间和计算复杂度的问题；现有的医疗数据处理模型存在样本不平衡和单一分类器容易产生误判与漏判，导致模型分类性能不佳和鲁棒性不足的问题。
发明内容
针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的动态血压医疗数据处理系统，针对现有的动态血压医疗数据处理方法采集的数据存在大量的冗余信息，导致维度灾难和过拟合，降低模型的解释能力和泛化能力，并增加训练时间和计算复杂度的问题，本方案通过个体位置表示特征子集方案，基于圆混沌初始化个体位置，使初始个体分布具有遍历性，降低算法在后期迭代中陷入局部最优解的风险，基于互惠策略生成两个新位置，根据适应度值的大小完成位置替换，基于复合摆线计算加速函数值，完成位置更新，提高算法在前期的全局搜索能力，有助于个体在后期迭代中跳出局部最优解，选择更有潜力的特征子集方案，从而提高搜索效率和结果的质量，构建最佳特征子集，提高特征子集的效能和质量，进而提高动态血压医疗数据处理的准确性和可靠性；针对现有的医疗数据处理模型存在样本不平衡和单一分类器容易产生误判与漏判，导致模型分类性能不佳和鲁棒性不足的问题，本方案通过重采样构建多个子训练集，根据比率判断、最近邻和生成区域生成新的特征数据，解决样本不平衡问题，构建多个基本分类器，根据相关性对基本分类器进行分组，基于分类准确率选择每组的最优基本分类器，提高模型的鲁棒性和可靠性，引入双曲正切函数计算每个最优基本分类器的权重，优化了每个最优基本分类器的贡献程度，进一步提高了分类准确率，基于权重组合所有的最优基本分类器构建医疗数据处理模型，实现了分类精度的提升和可靠性的优化。
本发明提供的基于人工智能的动态血压医疗数据处理系统，包括数据采集模块、数据预处理模块、特征数据选择模块、构建医疗数据处理模型模块和动态血压医疗数据处理模块；
所述数据采集模块采集历史动态血压医疗数据；
所述数据预处理模块对采集的历史动态血压医疗数据进行数据清洗、特征提取和构建动态血压特征集；
所述特征数据选择模块通过个体位置表示特征子集方案，基于圆混沌初始化个体位置，基于互惠策略生成两个新位置，根据适应度值的大小完成位置替换，基于复合摆线计算加速函数值，完成位置更新，构建最佳特征子集；
所述构建医疗数据处理模型模块根据比率判断、最近邻和生成区域生成新的特征数据，构建多个基本分类器，根据相关性对基本分类器进行分组，基于分类准确率选择每组的最优基本分类器，引入双曲正切函数计算每个最优基本分类器的权重，基于权重组合所有的最优基本分类器构建医疗数据处理模型；
所述动态血压医疗数据处理模块基于医疗数据处理模型输出的数据标签对实时动态血压医疗数据进行分类。
进一步地，所述数据采集模块是采集历史动态血压医疗数据，所述历史动态血压医疗数据包括时间戳、舒张压、收缩压、脉搏压和血压状态，所述血压状态包括高血压、低血压和正常血压。
进一步地，所述数据预处理模块是对采集的历史动态血压医疗数据进行数据清洗、特征提取和构建动态血压特征集；所述数据清洗包括异常值处理、缺失值处理、噪声处理和重复值处理；所述特征提取是从采集的时间戳、舒张压、收缩压、脉搏压中提取动态血压特征数据，动态血压特征数据包括最高收缩压、最低舒张压、平均收缩压、平均舒张压、平均脉搏压、平均动脉压、血压波动性和脉压差；所述构建动态血压特征集是将提取的动态血压特征数据转换为向量形式并进行标准化处理，将血压状态作为数据标签，将标准化后的动态血压特征数据和数据标签相结合，构建动态血压特征集。
进一步地，所述特征数据选择模块具体包括以下内容：
初始化，预先设定个体数量为N3，初始化个体位置，每个个体位置代表一个特征子集方案，将每个特征子集方案的信息增益作为对应个体位置的适应度值，选择具有最高适应度值的个体对应位置作为全局最优位置Cbest，个体维度等于动态血压特征集中的特征数据数量，当个体位置在每个维度的值大于0.5时，则个体对应的特征子集方案包含维度对应的特征数据；否则个体对应的特征子集方案不包含维度对应的特征数据，初始化个体位置所用公式如下：
；
式中，是第q个个体的初始位置，/>是第q-1个个体的初始位置，q是个体索引，N3是个体总数量，mod（·）是取模运算函数，g是第一控制因子，s是第二控制因子；
基于互惠策略生成新位置，所用公式如下：
；
；
式中，Cnew1（t）和Cnew2（t）是第t次迭代时基于Cq（t）生成的两个不同的新位置，Cq（t）是第t次迭代时第q个个体的位置，Crand（t）是第t次迭代时从所有个体中随机选择的一个个体位置，Cbest（t）是第t次迭代时的全局最优位置，r3是第四随机值，r4是第五随机值，FG1是第一互惠因子，FG2是第二互惠因子，t是迭代次数索引；
位置替换，若Cnew1（t）的适应度值大于Cq（t）的适应度值，则用Cnew1（t）替换Cq（t）作为第t次迭代时第q个个体的位置，若Cnew2（t）的适应度值大于Crand（t）的适应度值，则用Cnew2（t）替换Crand（t）作为第t次迭代时随机选择的个体的位置；
位置更新，基于复合摆线计算加速函数值，使用加速函数值进行位置更新，所用公式如下：
；
；
式中，M（t）是第t次迭代时的自适应惯性加权因子加速函数值，T2是最大迭代次数，k是适应系数，Cq（t+1）是第t+1次迭代时第q个个体位置的位置，h是线性递减因子，h从1线性递减到-2；
最佳特征子集确定，预先设定适应度值阈值Ψ，更新个体适应度值，当存在个体适应度值大于适应度值阈值Ψ时，选择个体对应的特征子集方案作为最佳特征子集方案，按照最佳特征子集方案构建最佳特征子集，从最佳特征子集中随机选取70%的特征数据作为训练数据集，其余30%的特征数据作为测试数据集；否则，若达到最大迭代次数T2，则重新初始化；否则重新基于互惠策略生成新位置。
进一步地，所述构建医疗数据处理模型模块具体包括以下内容：
训练基本分类器，预先设定最大训练次数T1，每个数据标签代表一个类别lb，对于每个类别lbi都构建T1个基本分类器，共得到N1×T1个基本分类器，i是类别标签索引，i=1，2，…，N1，N1是类别数量，基于类别lbi构建T1个基本分类器的步骤如下：
计算样本数量和比率，计算训练数据集中属于类别lbi的特征数据数量num1和属于类别lbi的特征数据在训练数据集中所占比率bli；
构建子训练集，采用重采样方法从训练数据集中抽取N2个样本，组成新的子训练集A，共进行T1次重采样，构建T1个子训练集；
构建一个基本分类器，对于每个子训练集Aj都构建一个基本分类器，j是子训练集索引，j=1，2，…，T1，基于子训练集Aj构建一个基本分类器的步骤如下：
比率判断，若比率bli≤0.1，则生成特征数据；否则构建决策树；
生成特征数据，计算子训练集Aj中属于类别lbi的特征数据数量num2，若num2<num1，则从子训练集Aj中属于类别lbi的特征数据中随机选择一个特征数据m，计算特征数据m的K个最近邻数据，从K个最近邻数据中随机选择两个数据c1和c2，基于c1和c2生成新的特征数据，将新生成的特征数据加入子训练集Aj中，直至num2=num1，生成一个特征数据所用公式如下：
mnew=c1+r1（c1-c2）+r2（c1+r1（c1-c2）-m）；
式中，mnew是新生成的特征数据，r1是第一随机值，r2是第二随机值；
构建决策树，从子训练集Aj中随机提取u个特征数据，形成特征子集Aj’，使用特征子集Aj’构建一颗决策树，得到一个基本分类器；
基本分类器分组，预先设定第一阈值ρ，将测试数据集输入N1×T1个基本分类器中，得到类别标签，使用余弦相似度方法，基于类别标签计算每个基本分类器与剩余基本分类器之间的相关值，将相关值大于第一阈值ρ的所有基本分类器组合为一个组，若其中一个基本分类器与剩余基本分类器之间的相关值都小于等于第一阈值ρ，则将该基本分类器单独分组；
选择每组的最优基本分类器，计算每个基本分类器的分类准确率，从每组中选择一个分类准确率最高的基本分类器作为该组的最优基本分类器；
计算权重，引入双曲正切函数计算每个最优基本分类器的权重，所用公式如下：
；
式中，ωp是第p个最优基本分类器的权重，p是最优基本分类器的索引，zp是第p个最优基本分类器的分类准确率，sz是所有最优基本分类器的平均分类准确率，ε是很小的正数；
模型构建，基于权重组合所有的最优基本分类器构建医疗数据处理模型，所用公式如下：
；
式中，B是医疗数据处理模型，ω1和ωF分别是第1个和第F个最优基本分类器的权重，F是最优基本分类器的数量，D1、Dp和DF分别是第1个、第p个和第F个最优基本分类器。
进一步地，所述动态血压医疗数据处理模块是采集患者的实时动态血压医疗数据，实时动态血压医疗数据包括时间戳、舒张压、收缩压和脉搏压，对采集的实时动态血压医疗数据进行预处理后，将其输入至医疗数据处理模型中进行分类，得到数据标签，根据输出的数据标签对患者进行个性化的护理。
采用上述方案本发明取得的有益效果如下：
（1）针对现有的动态血压医疗数据处理方法采集的数据存在大量的冗余信息，导致维度灾难和过拟合，降低模型的解释能力和泛化能力，并增加训练时间和计算复杂度的问题，本方案通过个体位置表示特征子集方案，基于圆混沌初始化个体位置，使初始个体分布具有遍历性，降低算法在后期迭代中陷入局部最优解的风险，基于互惠策略生成两个新位置，根据适应度值的大小完成位置替换，基于复合摆线计算加速函数值，完成位置更新，提高算法在前期的全局搜索能力，有助于个体在后期迭代中跳出局部最优解，选择更有潜力的特征子集方案，从而提高搜索效率和结果的质量，构建最佳特征子集，提高特征子集的效能和质量，进而提高动态血压医疗数据处理的准确性和可靠性。
（2）针对现有的医疗数据处理模型存在样本不平衡和单一分类器容易产生误判与漏判，导致模型分类性能不佳和鲁棒性不足的问题，本方案通过重采样构建多个子训练集，根据比率判断、最近邻和生成区域生成新的特征数据，解决样本不平衡问题，构建多个基本分类器，根据相关性对基本分类器进行分组，基于分类准确率选择每组的最优基本分类器，提高模型的鲁棒性和可靠性，引入双曲正切函数计算每个最优基本分类器的权重，优化了每个最优基本分类器的贡献程度，进一步提高了分类准确率，基于权重组合所有的最优基本分类器构建医疗数据处理模型，实现了分类精度的提升和可靠性的优化。
附图说明
图1为本发明提供的基于人工智能的动态血压医疗数据处理系统的示意图；
图2为特征数据选择模块的示意图；
图3为构建医疗数据处理模型模块的示意图。
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例一，参阅图1，本发明提供的基于人工智能的动态血压医疗数据处理系统，包括数据采集模块、数据预处理模块、特征数据选择模块、构建医疗数据处理模型模块和动态血压医疗数据处理模块；
所述数据采集模块采集历史动态血压医疗数据；
所述数据预处理模块对采集的历史动态血压医疗数据进行数据清洗、特征提取和构建动态血压特征集；
所述特征数据选择模块通过个体位置表示特征子集方案，基于圆混沌初始化个体位置，基于互惠策略生成两个新位置，根据适应度值的大小完成位置替换，基于复合摆线计算加速函数值，完成位置更新，构建最佳特征子集；
所述构建医疗数据处理模型模块根据比率判断、最近邻和生成区域生成新的特征数据，构建多个基本分类器，根据相关性对基本分类器进行分组，基于分类准确率选择每组的最优基本分类器，引入双曲正切函数计算每个最优基本分类器的权重，基于权重组合所有的最优基本分类器构建医疗数据处理模型；
所述动态血压医疗数据处理模块基于医疗数据处理模型输出的数据标签对实时动态血压医疗数据进行分类。
实施例二，参阅图1，该实施例基于上述实施例，数据采集模块是采集历史动态血压医疗数据，所述历史动态血压医疗数据包括时间戳、舒张压、收缩压、脉搏压和血压状态，所述血压状态包括高血压、低血压和正常血压。
实施例三，参阅图1，该实施例基于上述实施例，数据预处理模块是对采集的历史动态血压医疗数据进行数据清洗、特征提取和构建动态血压特征集；所述数据清洗包括异常值处理、缺失值处理、噪声处理和重复值处理；所述特征提取是从采集的时间戳、舒张压、收缩压、脉搏压中提取动态血压特征数据，动态血压特征数据包括最高收缩压、最低舒张压、平均收缩压、平均舒张压、平均脉搏压、平均动脉压、血压波动性和脉压差；所述构建动态血压特征集是将提取的动态血压特征数据转换为向量形式并进行标准化处理，将血压状态作为数据标签，将标准化后的动态血压特征数据和数据标签相结合，构建动态血压特征集。
实施例四，参阅图1和图2，该实施例基于上述实施例，特征数据选择模块具体包括以下内容：
初始化，预先设定个体数量为N3，初始化个体位置，每个个体位置代表一个特征子集方案，将每个特征子集方案的信息增益作为对应个体位置的适应度值，选择具有最高适应度值的个体对应位置作为全局最优位置Cbest，个体维度等于动态血压特征集中的特征数据数量，当个体位置在每个维度的值大于0.5时，则个体对应的特征子集方案包含维度对应的特征数据；否则个体对应的特征子集方案不包含维度对应的特征数据，初始化个体位置所用公式如下：
；
式中，是第q个个体的初始位置，/>是第q-1个个体的初始位置，q是个体索引，N3是个体总数量，mod（·）是取模运算函数，g是第一控制因子，g∈（0，0.5），s是第二控制因子，s∈（0，1）；
基于互惠策略生成新位置，所用公式如下：
；
；
式中，Cnew1（t）和Cnew2（t）是第t次迭代时基于Cq（t）生成的两个不同的新位置，Cq（t）是第t次迭代时第q个个体的位置，Crand（t）是第t次迭代时从所有个体中随机选择的一个个体位置，Cbest（t）是第t次迭代时的全局最优位置，r3是第四随机值，r3∈（0，1），r4是第五随机值，r4∈（0，1），FG1是第一互惠因子，FG1的取值为0或1，FG2是第二互惠因子，FG2的取值为0或1，t是迭代次数索引；
位置替换，若Cnew1（t）的适应度值大于Cq（t）的适应度值，则用Cnew1（t）替换Cq（t）作为第t次迭代时第q个个体的位置，若Cnew2（t）的适应度值大于Crand（t）的适应度值，则用Cnew2（t）替换Crand（t）作为第t次迭代时随机选择的个体的位置；
位置更新，基于复合摆线计算加速函数值，使用加速函数值进行位置更新，所用公式如下：
；
；
式中，M（t）是第t次迭代时的自适应惯性加权因子加速函数值，T2是最大迭代次数，k是适应系数，Cq（t+1）是第t+1次迭代时第q个个体位置的位置，h是线性递减因子，h从1线性递减到-2；
最佳特征子集确定，预先设定适应度值阈值Ψ，更新个体适应度值，当存在个体适应度值大于适应度值阈值Ψ时，选择个体对应的特征子集方案作为最佳特征子集方案，按照最佳特征子集方案构建最佳特征子集，从最佳特征子集中随机选取70%的特征数据作为训练数据集，其余30%的特征数据作为测试数据集；否则，若达到最大迭代次数T2，则重新初始化；否则重新基于互惠策略生成新位置。
通过执行上述操作，针对现有的动态血压医疗数据处理方法采集的数据存在大量的冗余信息，导致维度灾难和过拟合，降低模型的解释能力和泛化能力，并增加训练时间和计算复杂度的问题，本方案通过个体位置表示特征子集方案，基于圆混沌初始化个体位置，使初始个体分布具有遍历性，降低算法在后期迭代中陷入局部最优解的风险，基于互惠策略生成两个新位置，根据适应度值的大小完成位置替换，基于复合摆线计算加速函数值，完成位置更新，提高算法在前期的全局搜索能力，有助于个体在后期迭代中跳出局部最优解，选择更有潜力的特征子集方案，从而提高搜索效率和结果的质量，构建最佳特征子集，提高特征子集的效能和质量，进而提高动态血压医疗数据处理的准确性和可靠性。
实施例五，参阅图1和图3，该实施例基于上述实施例，构建医疗数据处理模型模块具体包括以下内容：
训练基本分类器，预先设定最大训练次数T1，每个数据标签代表一个类别lb，对于每个类别lbi都构建T1个基本分类器，共得到N1×T1个基本分类器，i是类别标签索引，i=1，2，…，N1，N1是类别数量，基于类别lbi构建T1个基本分类器的步骤如下：
计算样本数量和比率，计算训练数据集中属于类别lbi的特征数据数量num1和属于类别lbi的特征数据在训练数据集中所占比率bli；
构建子训练集，采用重采样方法从训练数据集中抽取N2个样本，组成新的子训练集A，共进行T1次重采样，构建T1个子训练集；
构建一个基本分类器，对于每个子训练集Aj都构建一个基本分类器，j是子训练集索引，j=1，2，…，T1，基于子训练集Aj构建一个基本分类器的步骤如下：
比率判断，若比率bli≤0.1，则生成特征数据；否则构建决策树；
生成特征数据，计算子训练集Aj中属于类别lbi的特征数据数量num2，若num2<num1，则从子训练集Aj中属于类别lbi的特征数据中随机选择一个特征数据m，计算特征数据m的K个最近邻数据，从K个最近邻数据中随机选择两个数据c1和c2，基于c1和c2生成新的特征数据，将新生成的特征数据加入子训练集Aj中，直至num2=num1，生成一个特征数据所用公式如下：
mnew=c1+r1（c1-c2）+r2（c1+r1（c1-c2）-m）；
式中，mnew是新生成的特征数据，r1是第一随机值，r1∈（0，1），r2是第二随机值，r2∈（0，δ）；
构建决策树，从子训练集Aj中随机提取u个特征数据，形成特征子集Aj’，使用特征子集Aj’构建一颗决策树，得到一个基本分类器；
基本分类器分组，预先设定第一阈值ρ，将测试数据集输入N1×T1个基本分类器中，得到类别标签，使用余弦相似度方法，基于类别标签计算每个基本分类器与剩余基本分类器之间的相关值，将相关值大于第一阈值ρ的所有基本分类器组合为一个组，若其中一个基本分类器与剩余基本分类器之间的相关值都小于等于第一阈值ρ，则将该基本分类器单独分组；
选择每组的最优基本分类器，计算每个基本分类器的分类准确率，从每组中选择一个分类准确率最高的基本分类器作为该组的最优基本分类器；
计算权重，引入双曲正切函数计算每个最优基本分类器的权重，所用公式如下：
；
式中，ωp是第p个最优基本分类器的权重，p是最优基本分类器的索引，zp是第p个最优基本分类器的分类准确率，sz是所有最优基本分类器的平均分类准确率，ε是很小的正数，用于防止分母为零；
模型构建，基于权重组合所有的最优基本分类器构建医疗数据处理模型，所用公式如下：
；
式中，B是医疗数据处理模型，ω1和ωF分别是第1个和第F个最优基本分类器的权重，F是最优基本分类器的数量，D1、Dp和DF分别是第1个、第p个和第F个最优基本分类器。
通过执行上述操作，针对现有的医疗数据处理模型存在样本不平衡和单一分类器容易产生误判与漏判，导致模型分类性能不佳和鲁棒性不足的问题，本方案通过重采样构建多个子训练集，根据比率判断、最近邻和生成区域生成新的特征数据，解决样本不平衡问题，构建多个基本分类器，根据相关性对基本分类器进行分组，基于分类准确率选择每组的最优基本分类器，提高模型的鲁棒性和可靠性，引入双曲正切函数计算每个最优基本分类器的权重，优化了每个最优基本分类器的贡献程度，进一步提高了分类准确率，基于权重组合所有的最优基本分类器构建医疗数据处理模型，实现了分类精度的提升和可靠性的优化。
实施例六，参阅图1，该实施例基于上述实施例，动态血压医疗数据处理模块是采集患者的实时动态血压医疗数据，实时动态血压医疗数据包括时间戳、舒张压、收缩压和脉搏压，对采集的实时动态血压医疗数据进行预处理后，将其输入至医疗数据处理模型中进行分类，得到数据标签，根据输出的数据标签对患者进行个性化的护理。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。
以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (3)
1.基于人工智能的动态血压医疗数据处理系统，其特征在于：包括数据采集模块、数据预处理模块、特征数据选择模块、构建医疗数据处理模型模块和动态血压医疗数据处理模块；
所述数据采集模块采集历史动态血压医疗数据；
所述数据预处理模块对采集的历史动态血压医疗数据进行数据清洗、特征提取和构建动态血压特征集；
所述特征数据选择模块通过个体位置表示特征子集方案，基于圆混沌初始化个体位置，基于互惠策略生成两个新位置，根据适应度值的大小完成位置替换，基于复合摆线计算加速函数值，完成位置更新，构建最佳特征子集；
所述构建医疗数据处理模型模块根据比率判断、最近邻和生成区域生成新的特征数据，构建多个基本分类器，根据相关性对基本分类器进行分组，基于分类准确率选择每组的最优基本分类器，引入双曲正切函数计算每个最优基本分类器的权重，基于权重组合所有的最优基本分类器构建医疗数据处理模型；
所述动态血压医疗数据处理模块基于医疗数据处理模型输出的数据标签对实时动态血压医疗数据进行分类；
所述构建医疗数据处理模型模块具体包括以下内容：
训练基本分类器，预先设定最大训练次数T1，每个数据标签代表一个类别lb，对于每个类别lbi都构建T1个基本分类器，共得到N1×T1个基本分类器，i是类别标签索引，i=1，2，…，N1，N1是类别数量，基于类别lbi构建T1个基本分类器的步骤如下：
计算样本数量和比率，计算训练数据集中属于类别lbi的特征数据数量num1和属于类别lbi的特征数据在训练数据集中所占比率bli；
构建子训练集，采用重采样方法从训练数据集中抽取N2个样本，组成新的子训练集A，共进行T1次重采样，构建T1个子训练集；
构建一个基本分类器，对于每个子训练集Aj都构建一个基本分类器，j是子训练集索引，j=1，2，…，T1，基于子训练集Aj构建一个基本分类器的步骤如下：
比率判断，若比率bli≤0.1，则生成特征数据；否则构建决策树；
生成特征数据，计算子训练集Aj中属于类别lbi的特征数据数量num2，若num2<num1，则从子训练集Aj中属于类别lbi的特征数据中随机选择一个特征数据m，计算特征数据m的K个最近邻数据，从K个最近邻数据中随机选择两个数据c1和c2，基于c1和c2生成新的特征数据，将新生成的特征数据加入子训练集Aj中，直至num2=num1，生成一个特征数据所用公式如下：
mnew=c1+r1（c1-c2）+r2（c1+r1（c1-c2）-m）；
式中，mnew是新生成的特征数据，r1是第一随机值，r2是第二随机值；
构建决策树，从子训练集Aj中随机提取u个特征数据，形成特征子集Aj’，使用特征子集Aj’构建一颗决策树，得到一个基本分类器；
基本分类器分组，预先设定第一阈值ρ，将测试数据集输入N1×T1个基本分类器中，得到类别标签，使用余弦相似度方法，基于类别标签计算每个基本分类器与剩余基本分类器之间的相关值，将相关值大于第一阈值ρ的所有基本分类器组合为一个组，若其中一个基本分类器与剩余基本分类器之间的相关值都小于等于第一阈值ρ，则将该基本分类器单独分组；
选择每组的最优基本分类器，计算每个基本分类器的分类准确率，从每组中选择一个分类准确率最高的基本分类器作为该组的最优基本分类器；
计算权重，引入双曲正切函数计算每个最优基本分类器的权重，所用公式如下：
；
式中，ωp是第p个最优基本分类器的权重，p是最优基本分类器的索引，zp是第p个最优基本分类器的分类准确率，sz是所有最优基本分类器的平均分类准确率，ε是很小的正数；
模型构建，基于权重组合所有的最优基本分类器构建医疗数据处理模型，所用公式如下：
；
式中，B是医疗数据处理模型，ω1和ωF分别是第1个和第F个最优基本分类器的权重，F是最优基本分类器的数量，D1、Dp和DF分别是第1个、第p个和第F个最优基本分类器；
所述特征数据选择模块具体包括以下内容：
初始化，预先设定个体数量为N3，初始化个体位置，每个个体位置代表一个特征子集方案，将每个特征子集方案的信息增益作为对应个体位置的适应度值，选择具有最高适应度值的个体对应位置作为全局最优位置Cbest，个体维度等于动态血压特征集中的特征数据数量，当个体位置在每个维度的值大于0.5时，则个体对应的特征子集方案包含维度对应的特征数据；否则个体对应的特征子集方案不包含维度对应的特征数据，初始化个体位置所用公式如下：
；
式中，是第q个个体的初始位置，/>是第q-1个个体的初始位置，q是个体索引，mod（·）是取模运算函数，g是第一控制因子，s是第二控制因子；
基于互惠策略生成新位置，所用公式如下：
；
；
式中，Cnew1（t）和Cnew2（t）是第t次迭代时基于Cq（t）生成的两个不同的新位置，Cq（t）是第t次迭代时第q个个体的位置，Crand（t）是第t次迭代时从所有个体中随机选择的一个个体位置，Cbest（t）是第t次迭代时的全局最优位置，r3是第四随机值，r4是第五随机值，FG1是第一互惠因子，FG2是第二互惠因子，t是迭代次数索引；
位置替换，若Cnew1（t）的适应度值大于Cq（t）的适应度值，则用Cnew1（t）替换Cq（t）作为第t次迭代时第q个个体的位置，若Cnew2（t）的适应度值大于Crand（t）的适应度值，则用Cnew2（t）替换Crand（t）作为第t次迭代时随机选择的个体的位置；
位置更新，基于复合摆线计算加速函数值，使用加速函数值进行位置更新，所用公式如下：
；
；
式中，M（t）是第t次迭代时的自适应惯性加权因子加速函数值，T2是最大迭代次数，k是适应系数，Cq（t+1）是第t+1次迭代时第q个个体位置的位置，h是线性递减因子，h从1线性递减到-2；
最佳特征子集确定，预先设定适应度值阈值Ψ，更新个体适应度值，当存在个体适应度值大于适应度值阈值Ψ时，选择个体对应的特征子集方案作为最佳特征子集方案，按照最佳特征子集方案构建最佳特征子集，从最佳特征子集中随机选取70%的特征数据作为训练数据集，其余30%的特征数据作为测试数据集；否则，若达到最大迭代次数T2，则重新初始化；否则重新基于互惠策略生成新位置；
所述动态血压医疗数据处理模块是采集患者的实时动态血压医疗数据，实时动态血压医疗数据包括时间戳、舒张压、收缩压和脉搏压，对采集的实时动态血压医疗数据进行预处理后，将其输入至医疗数据处理模型中进行分类，得到数据标签，根据输出的数据标签对患者进行个性化的护理。
2.根据权利要求1所述的基于人工智能的动态血压医疗数据处理系统，其特征在于：所述数据预处理模块是对采集的历史动态血压医疗数据进行数据清洗、特征提取和构建动态血压特征集；所述数据清洗包括异常值处理、缺失值处理、噪声处理和重复值处理；所述特征提取是从采集的时间戳、舒张压、收缩压、脉搏压中提取动态血压特征数据，动态血压特征数据包括最高收缩压、最低舒张压、平均收缩压、平均舒张压、平均脉搏压、平均动脉压、血压波动性和脉压差；所述构建动态血压特征集是将提取的动态血压特征数据转换为向量形式并进行标准化处理，将血压状态作为数据标签，将标准化后的动态血压特征数据和数据标签相结合，构建动态血压特征集。
3.根据权利要求1所述的基于人工智能的动态血压医疗数据处理系统，其特征在于：所述数据采集模块是采集历史动态血压医疗数据，所述历史动态血压医疗数据包括时间戳、舒张压、收缩压、脉搏压和血压状态，所述血压状态包括高血压、低血压和正常血压。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410196046.9A CN117766155B (zh) | 2024-02-22 | 2024-02-22 | 基于人工智能的动态血压医疗数据处理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410196046.9A CN117766155B (zh) | 2024-02-22 | 2024-02-22 | 基于人工智能的动态血压医疗数据处理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117766155A CN117766155A (zh) | 2024-03-26 |
| CN117766155B true CN117766155B (zh) | 2024-05-10 |
Family
ID=90314839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410196046.9A Active CN117766155B (zh) | 2024-02-22 | 2024-02-22 | 基于人工智能的动态血压医疗数据处理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117766155B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118487870B (zh) * | 2024-07-11 | 2024-09-10 | 广州大一互联网络科技有限公司 | 一种互联网流量安全防护方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114758771A (zh) * | 2022-03-26 | 2022-07-15 | 广东天普生化医药股份有限公司 | 一种基于约束型鲸鱼优化算法的肝癌生存预测方法 |
| CN114995479A (zh) * | 2022-06-13 | 2022-09-02 | 昆明理工大学 | 一种基于强化学习的四足机器人虚拟模型控制器的参数控制方法 |
| WO2022198761A1 (zh) * | 2021-03-22 | 2022-09-29 | 江苏大学 | 一种基于决策树和改进smote算法的哮喘病诊断系统 |
| CN115831375A (zh) * | 2022-12-14 | 2023-03-21 | 南通大学 | 一种抗乳腺癌候选药物的效果预测模型构造方法 |
| CN116646078A (zh) * | 2023-07-19 | 2023-08-25 | 中国人民解放军总医院 | 一种基于人工智能的心血管急危重症临床决策支持系统及设备 |
| CN116805533A (zh) * | 2023-08-18 | 2023-09-26 | 南通市康复医院(南通市第二人民医院) | 一种基于数据收集与模拟的脑出血手术风险预测系统 |
| CN117349732A (zh) * | 2023-11-10 | 2024-01-05 | 江西善新环境科技有限公司 | 基于人工智能的高流量湿化治疗仪管理方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021097675A1 (zh) * | 2019-11-19 | 2021-05-27 | 中国科学院深圳先进技术研究院 | 一种基于医学图像的智能辅助诊断方法及终端 |
| CN113642613B (zh) * | 2021-07-23 | 2023-10-10 | 温州大学 | 基于改进樽海鞘群算法的医学疾病特征选择方法 |
-
2024
- 2024-02-22 CN CN202410196046.9A patent/CN117766155B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022198761A1 (zh) * | 2021-03-22 | 2022-09-29 | 江苏大学 | 一种基于决策树和改进smote算法的哮喘病诊断系统 |
| CN114758771A (zh) * | 2022-03-26 | 2022-07-15 | 广东天普生化医药股份有限公司 | 一种基于约束型鲸鱼优化算法的肝癌生存预测方法 |
| CN114995479A (zh) * | 2022-06-13 | 2022-09-02 | 昆明理工大学 | 一种基于强化学习的四足机器人虚拟模型控制器的参数控制方法 |
| CN115831375A (zh) * | 2022-12-14 | 2023-03-21 | 南通大学 | 一种抗乳腺癌候选药物的效果预测模型构造方法 |
| CN116646078A (zh) * | 2023-07-19 | 2023-08-25 | 中国人民解放军总医院 | 一种基于人工智能的心血管急危重症临床决策支持系统及设备 |
| CN116805533A (zh) * | 2023-08-18 | 2023-09-26 | 南通市康复医院(南通市第二人民医院) | 一种基于数据收集与模拟的脑出血手术风险预测系统 |
| CN117349732A (zh) * | 2023-11-10 | 2024-01-05 | 江西善新环境科技有限公司 | 基于人工智能的高流量湿化治疗仪管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117766155A (zh) | 2024-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117766155B (zh) | 基于人工智能的动态血压医疗数据处理系统 | |
| CN111027487B (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
| Argüeso et al. | Few-Shot Learning approach for plant disease classification using images taken in the field | |
| JP6814981B2 (ja) | 学習装置、識別装置、学習識別システム、及び、プログラム | |
| CN107437098B (zh) | 一种基于差分进化改进的二进制蚁群算法的高光谱图像波段选择方法 | |
| CN106874489B (zh) | 一种基于卷积神经网络的肺结节图像块检索方法及装置 | |
| Fida et al. | Heart disease classification ensemble optimization using genetic algorithm | |
| JP2006252559A (ja) | 画像において対象物の位置を特定する方法および対象物の画像を相異なる画像カテゴリに分類する方法 | |
| Cheng et al. | Novel clustering algorithms based on improved artificial fish swarm algorithm | |
| Wang et al. | Novel evolutionary algorithms for supervised classification problems: an experimental study | |
| CN111986811A (zh) | 一种基于大数据的疾病预测系统 | |
| CN111401106A (zh) | 一种行为识别方法、装置及设备 | |
| CN117349732A (zh) | 基于人工智能的高流量湿化治疗仪管理方法及系统 | |
| CN117933748B (zh) | 一种基于机器学习的城市土地利用规划方法及系统 | |
| Deng et al. | Tri-training and data editing based semi-supervised clustering algorithm | |
| CN117668586A (zh) | 基于人工智能的数字化评标方法及系统 | |
| Parvin et al. | CCHR: combination of classifiers using heuristic retraining | |
| CN1838150A (zh) | 学习判别模型的概率推进树架构 | |
| Oliveira et al. | A comparative study on machine learning techniques for prediction of success of dental implants | |
| Krawczyk | Forming ensembles of soft one-class classifiers with weighted bagging | |
| Rashid et al. | A Hybrid Deep Learning Approach to Classify the Plant Leaf Species | |
| Santhosh et al. | Classification of Leaf Images for Species Identification | |
| CN110348323A (zh) | 一种基于神经网络优化的穿戴式设备手势识别方法 | |
| CN118352011B (zh) | 一种基于人工智能的医学科技档案智能管理方法及系统 | |
| CN118471516B (zh) | 基于深度学习的血压分析方法及装置 |
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 |