System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种统计及评估方法,具体为咳嗽统计及评估方法,属于疾病预测。
技术介绍
1、咳嗽是一种呼吸道常见症状,由于气管、支气管黏膜或胸膜受炎症、异物、物理或化学性刺激引起,表现先是声门关闭、呼吸肌收缩、肺内压升高,然后声门张开,肺内空气喷射而出,通常伴随声音。咳嗽具有清除呼吸道异物和分泌物的保护性作用。但如果咳嗽不停,由急性转为慢性,常给患者带来很大的痛苦,如胸闷、咽痒、喘气等。
2、传统的关于咳嗽的疾病在进行评估及制定医疗策略时,通常需要医务人员根据患者自述的病史、症状以及体格检查和必要的实验室或影像学检查,确定患者的病情,并根据个人经验判断后续病情的发展趋势,然而患者并无法精准的对病史及症状进行描述,容易对医务人员造成误导,且仅凭借个人经验并无法精准有效的进行判断,容易因判断失误或经验不足而出现误诊事故,为此,提出一种咳嗽统计及评估方法、系统及存储介质。
技术实现思路
1、有鉴于此,本专利技术提供一种咳嗽统计及评估方法、系统及存储介质,以解决或缓解现有技术中存在的技术问题,至少提供有益的选择。
2、本专利技术实施例的技术方案是这样实现的:一种咳嗽统计及评估方法,包括以下步骤:
3、s1、数据采集-构建训练集、测试和验证集及特征序列库;
4、s2、构建cnn-lstm评估模型;
5、s3、数据清洗及预处理;
6、s4、模型训练、测试及评估验证-确定最终cnn-lstm评估模型;
7、s5、建
8、s6、数据清洗及预处理;
9、s7、数据引入cnn-lstm评估模型进行特征提取及特征匹配;
10、s8、计算特征匹配率;
11、s9、根据特征匹配率调取特征序列库中对应的数据,并生成评估报告。
12、进一步优选的,所述s1中,数据采集对象为医院历史3-24月内不同患者的日常咳嗽、患病类型及病情发展数据;
13、其中,日常咳嗽数据包括咳嗽频率、持续时间、咳嗽强度及咳嗽事件分布;
14、其中,特征序列库包括频率序列特征、持续时间序列特征、强度序列特征、事件分布序列特征、患病类型序列特征及病情发展序列特征。
15、进一步优选的,所述s2中,cnn-lstm评估模型是基于lstm模型与卷积神经网络结合建立。
16、进一步优选的,所述s3和s6中,分别对数据集、训练集及测试和验证集中的数据进行清洗及预处理,用于提高数据的质量和可用性;
17、其中,清洗及预处理包括缺失值处理、异常值处理、数据类型转换、数据标准化、特征降维及数据平衡。
18、进一步优选的,所述s4中,通过将训练集内的数据引入cnn-lstm评估模型,并利用反向传播算法根据损失函数最小化的原则,迭代优化模型的参数;
19、通过将测试和验证集引入训练后的cnn-lstm评估模型,通过cnn-lstm评估模型根据特征匹配率输出评估结果,并根据评估指标对评估结果进行验证;
20、其中,评估指标包括准确率、精确率、f1分数及召回率。
21、进一步优选的,所述s5中,利用采集统计单元对患者咳嗽数据进行采集,并利用采集的数据建立数据集;
22、其中,患者咳嗽数据采集的时间为6-48h,数据采集包括音频数据及时间数据采集。
23、进一步优选的,所述s7中,将数据清洗及预处理后的数据集导入cnn-lstm评估模型中,利用cnn-lstm评估模型对数据集中的数据进行特征提取,并根据提取的特征与特征序列库中的特征进行匹配。
24、进一步优选的,所述s8中,根据特征匹配数量,对特征匹配率进行计算;
25、其中,特征匹配率的表达式为:
26、
27、所述s9中,利用特征匹配率对特征序列库中对应的数据进行排序,并提取特征匹配率最高的3-7条数据,生成评估报告;
28、其中,评估报告为图表形式,并在评估报告对正确匹配的特征进行标注。
29、本专利技术实施例还提供了一种咳嗽统计及评估系统,包括采集统计单元、数据预处理单元、中央处理单元、特征序列库和评估显示单元,所述采集统计单元连接数据预处理单元,所述数据预处理单元连接中央处理单元,所述中央处理单元连接评估显示单元,所述特征序列库交互连接中央处理单元;
30、其中,中央处理单元用于对最终cnn-lstm评估模型进行加载;
31、其中,数据预处理单元用于对采集统计单元采集的数据进行清洗及预处理;
32、其中,特征序列库用于对频率序列特征、持续时间序列特征、强度序列特征、事件分布序列特征、患病类型序列特征及病情发展序列特征数据进行存储;
33、其中,评估显示单元用于对cnn-lstm评估模型生成的评估报告进行显示;
34、其中,采集统计单元包括音频数据采集模块、时间数据统计模块和数据集生成模块;
35、其中,音频数据采集模块用于对患者咳嗽数据进行采集;
36、其中,时间数据统计模块用于对时间进行统计;
37、其中,数据集生成模块用于利用音频数据采集模块和时间数据统计模块采集的数据,生成数据集。
38、本专利技术实施例还提供了一种存储介质,所述存储介质存储有计算机程序,所述程序被处理器执行实现咳嗽统计及评估方法。
39、本专利技术实施例由于采用以上技术方案,其具有以下优点:本专利技术通过利用采集统计单元获取患者日常咳嗽数据,并根据获取的数据建立数据集,当需要对患者的咳嗽进行评估或制定医疗策略时,将数据集输入cnn-lstm评估模型,通过cnn-lstm评估模型对数据集中的数据进行特征提取,并利用提取的特征与特征序列库中的特征进行匹配,以便根据特征匹配率精准有效的确定患者的病情,并通过调取特征序列库的数据,生成评估报告,以便医务人员可以根据评估报告分析患者病情后续的发展趋势,制定医疗策略,有效降低了误诊事故的发生。
40、上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本专利技术进一步的方面、实施方式和特征将会是容易明白的。
本文档来自技高网...【技术保护点】
1.一种咳嗽统计及评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的咳嗽统计及评估方法,其特征在于:所述S1中,数据采集对象为医院历史3-24月内不同患者的日常咳嗽、患病类型及病情发展数据;
3.根据权利要求1所述的咳嗽统计及评估方法,其特征在于:所述S2中,CNN-LSTM评估模型是基于LSTM模型与卷积神经网络结合建立。
4.根据权利要求1所述的咳嗽统计及评估方法,其特征在于:所述S3和S6中,分别对数据集、训练集及测试和验证集中的数据进行清洗及预处理,用于提高数据的质量和可用性;
5.根据权利要求3所述的咳嗽统计及评估方法,其特征在于:所述S4中,通过将训练集内的数据引入CNN-LSTM评估模型,并利用反向传播算法根据损失函数最小化的原则,迭代优化模型的参数;
6.根据权利要求1所述的咳嗽统计及评估方法,其特征在于:所述S5中,利用采集统计单元对患者咳嗽数据进行采集,并利用采集的数据建立数据集;
7.根据权利要求5所述的咳嗽统计及评估方法,其特征在于:所述S7中,将数据清洗及预处理后的数据集
8.根据权利要求7所述的咳嗽统计及评估方法,其特征在于:所述S8中,根据特征匹配数量,对特征匹配率进行计算;
9.一种咳嗽统计及评估系统,包括采集统计单元、数据预处理单元、中央处理单元、特征序列库和评估显示单元,其特征在于:所述采集统计单元连接数据预处理单元,所述数据预处理单元连接中央处理单元,所述中央处理单元连接评估显示单元,所述特征序列库交互连接中央处理单元;
10.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述程序被处理器执行实现权利要求1-8中任一项所述的咳嗽统计及评估方法。
...【技术特征摘要】
1.一种咳嗽统计及评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的咳嗽统计及评估方法,其特征在于:所述s1中,数据采集对象为医院历史3-24月内不同患者的日常咳嗽、患病类型及病情发展数据;
3.根据权利要求1所述的咳嗽统计及评估方法,其特征在于:所述s2中,cnn-lstm评估模型是基于lstm模型与卷积神经网络结合建立。
4.根据权利要求1所述的咳嗽统计及评估方法,其特征在于:所述s3和s6中,分别对数据集、训练集及测试和验证集中的数据进行清洗及预处理,用于提高数据的质量和可用性;
5.根据权利要求3所述的咳嗽统计及评估方法,其特征在于:所述s4中,通过将训练集内的数据引入cnn-lstm评估模型,并利用反向传播算法根据损失函数最小化的原则,迭代优化模型的参数;
6.根据权利要求1所述的咳嗽统计及评估方法,其特征在于:所述s5中,利用采集统计单元对患...
【专利技术属性】
技术研发人员:郗亚薇,
申请(专利权)人:北京市房山区良乡医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。