孤独症行为特征集的数据处理方法、设备、系统及介质技术方案

公开了一种用于生成孤独症谱系障碍行为特征集的数据处理方法、计算设备、数据处理系统及可读存储介质。该数据处理方法包括：从相关文献数据获取关键词及关键词参数，并对关键词进行排序，由此获取关键词的第一集合；基于独立来源临床数据集，构建第一分类器；利用第一分类器，对筛查诊断特征进行排序；筛选第一集合中的关键词，以形成包括关键词和筛查诊断特征的第二集合；对第二集合进行扩展，以得到第三集合；利用经标记的第三集合的数据集，构建第二分类器；利用第二分类器，对第三集合中的筛查诊断特征进行排序，以形成孤独症谱系障碍行为特征集。碍行为特征集。碍行为特征集。

【技术实现步骤摘要】
孤独症行为特征集的数据处理方法、设备、系统及介质


[0001]本公开涉及孤独症谱系障碍行为特征集数据处理
，更具体地，涉及一种用于生成孤独症谱系障碍行为特征集的数据处理方法、计算设备、数据处理系统及可读存储介质。

技术介绍

[0002]孤独症谱系障碍是以社会交往障碍、言语和非语言交流障碍、狭隘的兴趣爱好及重复刻板行为为主要临床特征的神经发育障碍性障碍。该障碍起病于婴幼儿时期，呈长期慢性病程，多数患者疾病持续终生，严重损害患者的社会功能，是导致人类精神残疾的重要疾病。目前，尚未发现可以治愈孤独症谱系障碍的药物。孤独症谱系障碍患者的行为特征包括上述主要临床特征方面的数据。
[0003]在进行孤独症谱系障碍筛查诊断时，需要用到筛查诊断量表对孤独症谱系障碍进行筛查及辅助诊断。筛查诊断量表是由一系列关键特征问题及可选回答构成的孤独症谱系障碍行为特征集，是孤独症谱系障碍筛查诊断时经常使用的工具。目前，已经有很多机构设计并提供这种工具。筛查诊断量表主要采用人工处理的方式生成。由专家在阅读大量文献资料之后人工生成筛查诊断量表。这是一个耗时、耗力且效率低下的过程。此外，难以精细化评价及量化这种通过人工方式生成的筛查诊断量表。此外，也难以对通过人工方式生成的筛查诊断量表进行对比和排序。

技术实现思路

[0004]本公开的一个目的是提供一种新的用于生成孤独症谱系障碍行为特征集的数据处理技术方案。
[0005]根据本公开的第一方面，提供了一种用于生成孤独症谱系障碍行为特征集的数据处理方法，包括：获取相关文献数据；从所述文献数据获取与孤独症谱系障碍相关的关键词及关键词参数；基于所述关键词及关键词参数，对关键词进行排序；基于所述排序，获取所述关键词的第一集合；基于孤独症谱系障碍特征字典的独立来源临床数据集，利用机器学习算法构建第一分类器；利用所述第一分类器，对孤独症谱系障碍特征字典中的、与关键字相关的筛查诊断特征进行排序；基于所排序的筛查诊断特征，筛选第一集合中的关键词，以形成包括关键词和筛查诊断特征的第二集合；基于孤独症谱系障碍特征专家库，对所述第二集合进行扩展，以得到包括关键词和筛查诊断特征的第三集合，其中，孤独症谱系障碍特征专家库是由专家产生的关于孤独症谱系障碍特征的数据库；获取经标记的第三集合的数据集；利用经标记的第三集合的数据集，利用机器学习算法构建第二分类器；利用所述第二分类器，对第三集合中的筛查诊断特征进行排序；以及基于第三集合中所排序的筛查诊断特征，形成包括关键词和筛查诊断特征的孤独症谱系障碍行为特征集。
[0006]根据本公开的第二方面，提供了一种计算设备，包括处理器和可读存储介质，其中，所述可读存储介质存储可执行指令，当所述处理器执行所述可执行指令时，所述可执行
指令使得所述处理器实现根据实施例所述的数据处理方法。
[0007]根据本公开的第三方面，提供了一种用于生成孤独症谱系障碍行为特征集的数据处理系统，包括通过通信网络连接的至少一个处理器和至少一个可读存储介质，其中，所述可读存储介质存储可执行指令，当所述处理器执行所述可执行指令时，所述可执行指令使得所述处理器实现根据实施例所述的数据处理方法。
[0008]根据本公开的第四方面，提供了一种可读存储介质，存储有可执行指令，所述可执行指令包括用于实现根据实施例所述的数据处理方法的指令。
[0009]根据本公开的实施例，提供了一种自动生成孤独症谱系障碍行为特征集的数据处理技术方案，从而可以提高生成孤独症谱系障碍行为特征集的数据处理性能。
[0010]通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
[0011]被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开的原理。
[0012]图1是根据一个实施例的用于生成孤独症谱系障碍行为特征集的数据处理方法的示意性流程图。
[0013]图2是根据另一个实施例的计算设备的示意性框图。
[0014]图3示意性地示出了根据另一个实施例的用于生成孤独症谱系障碍行为特征集的数据处理系统。
具体实施方式
[0015]现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
[0016]以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
[0017]对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
[0018]在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
[0019]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0020]在孤独症谱系障碍研究
中，在处理孤独症谱系障碍状况时，使用筛查诊断量表进行判断。筛查诊断量表是由人工事先根据经验设计的孤独症谱系障碍行为特征集。
[0021]孤独症谱系障碍行为特征集可以包括关键词。关键词可以用于标识孤独症谱系障碍行为特征集中的不同种类的特征。每个关键词可以代表一类特征的集合，例如，“发育”、“社交与情感交互的缺陷”等。
[0022]孤独症谱系障碍行为特征集中的特征包括特征问题及若干可选回答选项。
[0023]在实践过程中，可以采用现场调查的方式，针对用户的具体情况，对孤独症谱系障碍行为特征集中的特征进行选择，并产生相应的判断结果。通过这种方式，可以产生标记的数据集。
[0024]在设计筛查诊断量表的过程中，研究者或开发人员通常参考大量专业文献。这种处理方式，一方面耗时、耗力，另一方面，受限于研究者或开发人员的经验知识。
[0025]在目前的筛查诊断量表的设计过程中，由于没有引入实际的临床数据，因此，所设计的筛查诊断量表有时会偏离实际的患者情况。此外，由于仅利用研究者或开发人员的经验知识，而没有在设计过程中将研究者或开发人员的经验知识与产生的实际数据相结合，因此，所设计的量表更新迭代速度较慢，无法反映最新的用户状况。最新的实际数据无法迅速反映到所设计的筛查诊断量表中。因此，用户无法享受最新的研究成果。最新的研究成果也无法被迅速利用。在某些情况下，这可能会导致对部分用户的处置延误。
[0026]在各个实施例中，提出了一种数据处理方案，能够有效地将最新的实际数据与历史研究成果相结合。
[0027]下面，参照图1，说明根据一个实施例的用于生成孤独症谱系障碍行为特征集的数据处理方法。
[0028]如图1所示，在步骤S1，获取相关文献数据。
[0029]相关文献数据例如包括孤独症谱系障碍领域的相关论文、专业文章等。可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于生成孤独症谱系障碍行为特征集的数据处理方法，包括：获取相关文献数据；从所述文献数据获取与孤独症谱系障碍相关的关键词及关键词参数；基于所述关键词及关键词参数，对关键词进行排序；基于所述排序，获取所述关键词的第一集合；基于孤独症谱系障碍特征字典的独立来源临床数据集，利用机器学习算法构建第一分类器；利用所述第一分类器，对孤独症谱系障碍特征字典中的、与关键字相关的筛查诊断特征进行排序；基于所排序的筛查诊断特征，筛选第一集合中的关键词，以形成包括关键词和筛查诊断特征的第二集合；基于孤独症谱系障碍特征专家库，对所述第二集合进行扩展，以得到包括关键词和筛查诊断特征的第三集合，其中，孤独症谱系障碍特征专家库是由专家产生的关于孤独症谱系障碍特征的数据库；获取经标记的第三集合的数据集；利用经标记的第三集合的数据集，利用机器学习算法构建第二分类器；利用所述第二分类器，对第三集合中的筛查诊断特征进行排序；以及基于第三集合中所排序的筛查诊断特征，形成包括关键词和筛查诊断特征的孤独症谱系障碍行为特征集。2.根据权利要求1所述的方法，其中，所述孤独症谱系障碍行为特征集包括第三集合的子集。3.根据权利要求1所述的方法，其中，所述关键词参数包括与提取关键词的处理相关的提取指标和从所述文献数据中识别的临床指标中的至少一个。4.根据权利要求3所述的方法，其中，所述孤独症谱系障碍特征字典包括至少一个量表，每个量表包括多个特征，每个特征包括至少一个问题及其答案选项。5.根据权利要求4所述的方法，其中，基于所述关键词及关键词参数，对关键词进行排序还包括：确定在孤独症谱系障碍特征字典中具有对应特征的第一关键词；以及删除剩余的关键词。6.根据权利要求5所述的方法，其中，基于所述关键词及关键词参数，对关键词进行排序还包括：基于所述第一关键词及其关键词参数，为所述第一关键词赋予第一权重；以及基于所述第一权重，对第一关键...

【专利技术属性】
技术研发人员：刘靖，李雪，郭延庆，程建宏，唐晓明，马增慧，
申请(专利权)人：北京阿叟阿巴科技有限公司，
类型：发明
国别省市：