一种基于激光治疗仪的数据处理方法和装置制造方法及图纸

本申请涉及数据处理领域，尤其涉及一种基于激光治疗仪的数据处理方法和装置，其方法包括：将预设激光治疗仪的治疗策略与多种参数进行组合分类，获得多种治疗策略分类结果，构建包含分类结果的时序医疗数据库，参数包括运行模式、使用强度及使用时间；构建第一模型，第一模型为预训练的深度学习模型，使用数据库训练第一模型，得到第二模型，第二模型为预训练的治疗策略分类的深度学习模型；创建目标用户的数据队列，分配模型存储空间以存储目标用户的历史数据及目标用户的第二模型；对第二模型进行增量训练，生成并输出包含有治疗策略分类结果的建议清单。本申请具有提高指定治疗仪策略指导准确性及可靠性的效果。指导准确性及可靠性的效果。指导准确性及可靠性的效果。

【技术实现步骤摘要】
一种基于激光治疗仪的数据处理方法和装置


[0001]本专利技术涉及数据处理领域，尤其涉及一种基于激光治疗仪的数据处理方法和装置。

技术介绍

[0002]随着大数据、物联网、人工智能等新兴技术的不断发展和成熟，加速了传统医疗行业与这些新兴技术的融合。其中，以健康医疗大数据为代表的医疗新业态正在不断地激发着医疗行业的发展。医疗大数据的潜在价值巨大，其应用有助于提高医疗服务质量、减少资源浪费、优化资源配置、改善自我健康管理等。
[0003]传统的激光治疗仪仅采用医师人工经验指导方式对用户选用治疗模式进行指导，用户仅在初次治疗前对相关生理参数数据进行采集以确定治疗策略。
[0004]然而，由于医疗数据具有时序性以及单次检测偶然性，现有技术中未对患者在治疗过程中发生变化的测量数据进行的统计和分析，仅仅依靠在初次治疗前对相关生理参数数据进行采集确定治疗策略，准确性和可靠性较低。

技术实现思路

[0005]为了提高指定治疗仪策略指导准确性及可靠性，本申请提供一种基于激光治疗仪的数据处理方法和装置。
[0006]第一方面，本申请提供一种基于激光治疗仪的数据处理方法，采用如下的技术方案：一种基于激光治疗仪的数据处理方法，包括步骤：将预设激光治疗仪的治疗策略与多种参数进行组合分类，获得多种治疗策略分类结果，构建包含所述分类结果的时序医疗数据库，所述参数包括运行模式、使用强度及使用时间；构建第一模型，所述第一模型为预训练的深度学习模型，使用所述数据库训练所述第一模型，得到第二模型，所述第二模型为预训练的治疗策略分类的深度学习模型；创建目标用户的数据队列，分配模型存储空间以存储目标用户的历史数据及目标用户的所述第二模型；对所述第二模型进行增量训练，生成并输出包含有治疗策略分类结果的建议清单，其中，使用所述数据队列中的最新数据和最新一次训练后的所述第二模型进行增量训练，模型增量训练所需输入的序列值为预设的数据队列数据量的值。
[0007]通过采用上述技术方案，将用户历史数据与当前检测数据结合，并使用可增量更新的深度学习模型进行分析，能够更快且更准确地得出可靠的治疗策略分类结果，通过对时序历史检测数据的分析能更好地保证制定当前使用治疗仪策略的准确性及可靠性，以实现对用户使用激光治疗仪的正确指导，并在最大程度上提升治疗效果。
[0008]可选的，还包括以下步骤：对所述第二模型与目标用户数据进行动态权重调整，所述目标用户数据包括目标用户的历史数据及用户的采集数据。
[0009]通过采用上述技术方案，解决了数据队列中存在的预训练模型数据与目标用户数
据关联度不高的问题。
[0010]可选的，所述对所述第二模型与目标用户数据进行动态权重调整中，包括步骤：设定预训练数据集及用户历史数据集，所述预训练数据集与所述用户历史数据集满足以下计算式：，其中，为所述预训练数据集，为所述用户历史数据集，为所述目标用户数据中最新的采集数据，Q为所述数据队列数据量的值，=1；初始化并更新所述预训练数据集及所述用户历史数据集的权重，所述权重更新的表达式为：其中，表示第i位预训练数据的权重值，表示第j位用户历史数据权重值，为第i位预训练数据与测试数据之间的欧式距离，为预训练数据的权重，为用户历史数据集的权重；合并训练数据集，所述合并训练数据集的关系式为：，其中，为预训练数据集，为用户历史数据集，为预训练数据的权重，为用户历史数据集的权重。为加权预训练数据集，为加权用户历史数据集。
[0011]通过采用上述技术方案，合并后的训练数据集为最终所用训练集，随着用户历史数据在队列中不断加入，预训练数据与最新的采集数据之间的差距将不断加大，预训练数据与最新的采集数据所对应权重将不断减小，训练集中目标用户数据所占比重将相应增大。
[0012]可选的，对所述目标用户数据进行异常分析，判定异常数据类型，其中，所述异常数据类型包括存在缺失值和存在离群值，若判定为存在缺失值，发送第一信号，若判定为存在离群值，发送第二信号，若判定为不存在异常，发送正常信号；响应于第一信号被确认指令，发送第一报警信号，提醒用户检测存在中断；响应于第二信号被确认指令，发送第二报警信号，提醒用户正检测设备佩戴异常，提高模型数据与目标用户数据的关联度。
[0013]通过采用上述技术方案，通过异常数据的检测和处理，最大程度上降低异常数据出现的可能性以及对分析模型运算产生的干扰，用户能够在治疗前通过采集到的当前生理参数数据了解自身身体状况，并为之后进行的分析决策提供数据支持。
[0014]可选的，所述第一模型与所述第二模型采用长短时间记忆网络模型。
[0015]第二方面，本申请提供一种基于激光治疗仪的数据处理装置，采用如下的技术方案：一种基于激光治疗仪的数据处理装置，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现所述的基于激光治疗仪的数据处理方法。
[0016]通过采用上述技术方案，将上述基于激光治疗仪的数据处理方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而，根据存储器及处理器制作终端设备，方便使用。
[0017]本申请具有以下技术效果：1、将用户历史数据与当前检测数据结合，并使用可增量更新的LSTM模型进行分
析，能够更快且更准确地得出可靠的治疗策略分类结果，通过对时序历史检测数据的分析能更好地保证制定当前使用治疗仪策略的准确性及可靠性，以实现对用户使用激光治疗仪的正确指导，并在最大程度上提升治疗效果。
[0018]2、通过异常数据的检测和处理，最大程度上降低异常数据出现的可能性以及对分析模型运算产生的干扰，用户能够在治疗前通过采集到的当前生理参数数据了解自身身体状况，并为之后进行的分析决策提供数据支持。
[0019]3、传统的LSTM模型在进行学习前必须将所有数据准备好，且无法随着时间序列数据的增长对模型进行更新。然而在实际应用场景中，随着时间的推移，数据流会不断产生新的训练数据，如果要存储所有获得的数据再一起训练，不仅会对内存资源具有极高的要求，还会导致训练所需时间不断增长。由此，本申请结合当前应用场景，提出一种可增量更新且自适应动态权重调节的LSTM模型，结合模型增量训练及迁移学习方法，在每一次新数据上传后即可对模型参数进行更新以提高模型分类准确度，且无需消耗大量运算时间。
附图说明
[0020]通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：图1是本申请实施例一种基于激光治疗仪的数据处理方法中步骤S1
‑
S6的方法流程图。
[0021]图2是本申请实施例一种基于激光治疗仪的数据处理方法中步骤S60
‑
S62的方法流程图。
[0022]图3是本申请实施例一种基于激光治疗仪的数据处理系统的逻辑框图。
...

【技术保护点】

【技术特征摘要】
1.一种基于激光治疗仪的数据处理方法，其特征在于，包括步骤：将预设激光治疗仪的治疗策略与多种参数进行组合分类，获得多种治疗策略分类结果，构建包含所述分类结果的时序医疗数据库，所述参数包括运行模式、使用强度及使用时间；构建第一模型，所述第一模型为预训练的深度学习模型，使用所述数据库训练所述第一模型，得到第二模型，所述第二模型为预训练的治疗策略分类的深度学习模型；创建目标用户的数据队列，分配模型存储空间以存储目标用户的历史数据及目标用户的所述第二模型；对所述第二模型进行增量训练，生成并输出包含有治疗策略分类结果的建议清单，其中，使用所述数据队列中的最新数据和最新一次训练后的所述第二模型进行增量训练，模型增量训练所需输入的序列值为预设的数据队列数据量的值。2.根据权利要求1所述的基于激光治疗仪的数据处理方法，其特征在于，还包括以下步骤：对所述第二模型与目标用户数据进行动态权重调整，所述目标用户数据包括目标用户的历史数据及用户的采集数据。3.根据权利要求2所述的基于激光治疗仪的数据处理方法，其特征在于，对所述第二模型与目标用户数据进行动态权重调整中，包括步骤：设定预训练数据集及用户历史数据集，所述预训练数据集与所述用户历史数据集满足以下计算式：其中，为所述预训练数据集，为所述用户历史数据集，为所述目标用户数据中最新的采集数据，Q为所述数据队列数据量的值，=1；初始化并更新所述预...

【专利技术属性】
技术研发人员：马宁，
申请(专利权)人：武汉光盾科技有限公司，
类型：发明
国别省市：