CN111243697A - 一种基于神经网络对目标对象数据进行判断的方法及*** - Google Patents

一种基于神经网络对目标对象数据进行判断的方法及*** Download PDF

Info

Publication number
CN111243697A
CN111243697A CN202010017477.6A CN202010017477A CN111243697A CN 111243697 A CN111243697 A CN 111243697A CN 202010017477 A CN202010017477 A CN 202010017477A CN 111243697 A CN111243697 A CN 111243697A
Authority
CN
China
Prior art keywords
data information
judgment model
prediction result
target object
requirement
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
Application number
CN202010017477.6A
Other languages
English (en)
Inventor
何韦澄
马胜雨
刘华根
王杰
景永强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Laikang Technology Co Ltd
Original Assignee
Laikang Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Laikang Technology Co Ltd filed Critical Laikang Technology Co Ltd
Priority to CN202010017477.6A priority Critical patent/CN111243697A/zh
Publication of CN111243697A publication Critical patent/CN111243697A/zh
Pending legal-status Critical Current

Links

Images

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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/045—Combinations of 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
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络对目标对象数据进行判断的方法及***，其中方法包括：获取目标对象的数据信息，通过特征工程对所述数据信息进行处理；将经过处理的所述数据信息输入已建立好的判断模型，通过所述判断模型输出所述数据信息的预测结果；判断所述预测结果是否符合要求，当所述预测结果符合要求时，输出所述预测结果；当所述预测结果不符合要求时，追加所述目标对象的数据信息，获取追加数据信息，重新进行判断。

Description

一种基于神经网络对目标对象数据进行判断的方法及***
技术领域
本发明涉及深度学习技术领域，更具体地，涉及一种基于神经网络对目标对象数据进行判断的方法及***。
背景技术
随着人们健康意识的提高，患病时去医院就诊的比例大大提高。在患者就诊过程中，现存的一个大问题就是医生的接诊时间短，进一步会造成医患沟通不充分、病情了解不全面。智能诊断***的出现，就是从患者和医生双方的角度去优化就医流程。智能诊断***会在正式就诊前采集患者的患病信息，为患者提供正确的就诊科室，为医生提供患者的病情信息。
电子病历是我国“十二五”期间医疗信息化建设的重要内容，是区域医疗和居民电子健康档案建设的基础核心***和重要数据来源。随着现代医学水平的提高，医院都在建立医疗信息数据库，数据库中存放着大量用户的健康信息、临床治疗信息、临床诊断信息等。
近年来随着计算机运算能力的提高及深度学习的发展，智能诊断成为在医疗上新兴的一个跨专业项目，通过对健康数据进行多层级的建模来获得关于数据特征的层次结果以及数据的分布式表示。由于健康数据特征多样、结构复杂，选择规则匹配、概率统计和一些机器学习方法并不能很好的进行表征学习。
因此，需要一种技术，以实现基于神经网络对目标对象数据进行判断。
发明内容
本发明技术方案提供了一种基于神经网络对目标对象数据进行判断的方法及***，以解决如何基于神经网络对目标对象数据进行判断的问题。
为了解决上述问题，本发明提供了一种基于神经网络对目标对象数据进行判断的方法，所述方法包括：
获取目标对象的数据信息，通过特征工程对所述数据信息进行处理；
将经过处理的所述数据信息输入已建立好的判断模型，通过所述判断模型输出所述数据信息的预测结果；
判断所述预测结果是否符合要求，当所述预测结果符合要求时，输出所述预测结果；
当所述预测结果不符合要求时，追加所述目标对象的数据信息，获取追加数据信息，重新进行判断。
优选地，所述判断模型为递归神经网络模型。
优选地，还包括对判断模型进行训练，包括：
通过对所述目标对象的数据信息进行多层级的建模来捕捉目标对象的特征，包括：通过多轮迭代调整递归神经网络中的权重系数，采用交叉熵损失L来评估判断模型的效果，不断训练判断模型使得交叉熵损失L最小；其中L的计算公式为：
Figure BDA0002359437900000021
其中y表示数据信息的标签，
Figure BDA0002359437900000022
表示输出的预测结果。
优选地，还包括对判断模型的训练调整，包括：当所述预测结果不符合要求时，对所述判断模型进行超参数优化，对进行所述超参数优化后的所述判断模型进行训练，直至所述判断模型的输出结果符合要求；当所述信息修改或追加时，通过新数据信息对所述判断模型进行训练，对所述判断模型的参数进行调整。
优选地，还包括：对数据信息进行特征工程，所述特征工程后的数据信息符合所述判断模型的数据输入格式。
基于本发明的另一方面，提供一种基于神经网络对目标对象数据进行判断的***，所述***包括：
初始单元，用于获取目标对象的数据信息，通过特征工程对所述数据信息进行处理；
预测单元，用于将经过处理的所述数据信息输入已建立好的判断模型，通过所述判断模型输出所述数据信息的预测结果；
判断单元，用于判断所述预测结果是否符合要求，当所述预测结果符合要求时，输出所述预测结果；当所述预测结果不符合要求时，追加所述目标对象的数据信息，重新进行判断。
优选地，所述判断模型为递归神经网络模型。
优选地，还包括训练单元，用于对判断模型进行训练，包括：
通过对所述目标对象的数据信息进行多层级的建模来捕捉目标对象的特征，包括：通过多轮迭代调整递归神经网络中的权重系数，采用交叉熵损失L来评估判断模型的效果，不断训练判断模型使得交叉熵损失L最小；其中L的计算公式为：
Figure BDA0002359437900000031
其中y表示数据信息的标签，
Figure BDA0002359437900000032
表示输出的预测结果。
优选地，所述训练单元还用于对判断模型的训练调整，包括：当所述预测结果不符合要求时，对所述判断模型进行超参数优化，对进行所述超参数优化后的所述判断模型进行训练，直至所述判断模型的输出结果符合要求；当所述信息修改或追加时，通过新数据信息对所述判断模型进行训练，对所述判断模型的参数进行调整。
优选地，所述初始单元还用于：对数据信息进行特征工程，所述特征工程后的数据信息符合所述判断模型的数据输入格式。
本发明技术方案提供一种基于神经网络对目标对象数据进行判断的方法及***，其中方法包括：获取目标对象的数据信息；将数据信息输入已建立好的判断模型，通过判断模型输出数据信息的预测结果；判断预测结果是否符合要求，当预测结果符合要求时，输出预测结果；当预测结果不符合要求时，追加目标对象的数据信息，获取追加数据信息，将追加数据信息输入已建立好的判断模型，通过判断模型输出追加数据信息的预测结果，直至预测结果符合要求。本发明技术方案针对现有疾病诊断***存在的问题，提供了一种具有不断学习功能的智能判断模型，本发明技术方案采用递归神经网络这一深度学习方法构建智能诊断***。本发明技术方案采用递归神经网络算法，综合用户的各项指标数据和问诊信息数据构建判断模型，以此给出用户可能存在的健康风险。本发明技术方案在于将深度学习用于疾病诊断，同时不断获取目标对象的数据用于模型增量训练，使判断模型不断完善，进而更好的服务于用户，形成良性循环。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的一种基于神经网络对目标对象数据进行判断的方法流程图；
图2为根据本发明优选实施方式的判断模型结构示意图；
图3为根据本发明优选实施方式的对判断模型进行训练的流程示意图；
图4为根据本发明优选实施方式的智能判断流程示意图；以及
图5为根据本发明优选实施方式的一种基于神经网络对目标对象数据进行判断的***结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的一种基于神经网络对目标对象数据进行判断的方法流程图。本申请实施方式将深度学习网络用于目标对象特征判断，同时不断获取目标对象的数据用于判断模型增量训练，使模型不断完善，进而更好的服务于用户，形成良性循环。如图1所示，一种基于神经网络对目标对象数据进行判断的方法，方法包括：
优选地，在步骤101：获取目标对象的数据信息，通过特征工程对数据信息进行处理。优选地，还包括：对数据信息进行清洗，清洗后的数据信息符合判断模型的数据输入格式。优选地，数据信息包括：电子病历数据信息和历史问诊数据信息；其中，电子病历数据信息包括：患者信息、病程记录、检查检验结果、手术记录、护理记录。优选地，还包括：对数据信息进行特征工程，特征工程后的数据信息符合判断模型的数据输入格式。本申请获取的数据信息用于对目标对象的健康状况进行判断。本申请数据处理首先从用户数据库中获取电子病历数据和历史问诊数据；电子病历数据包括：患者信息、病程记录、检查检验结果、手术记录、护理记录等，其中既有结构化信息，也有非结构化的自由文本；数据清洗的作用是保证数据完整性、准确性和一致性，包括提取非结构化数据的有效信息、检测和消除错误数据、不完整数据和重复数据等，从而提高数据质量；数据标注的作用是对样本数据分类，给出每一条数据的正确标签。本申请数据处理首先从用户数据库中获取电子病历数据和历史问诊数据；电子病历数据包括：患者信息、病程记录、检查检验结果、手术记录、护理记录等，其中既有结构化信息，也有非结构化的自由文本；数据清洗的作用是保证数据完整性、准确性和一致性，包括提取非结构化数据的有效信息、检测和消除错误数据、不完整数据和重复数据等，从而提高数据质量；数据标注的作用是对样本数据分类，给出每一条数据的正确标签。本申请特征工程为：将原始的数据转换成具有明显物理、统计特征的数据，可以更好发掘数据的潜在特征，降低数据冗余度，提高计算效率，有助于提高预测模型的准确性。特征工程的作用是发掘数据的潜在特征，同时保证数据完整性、准确性和一致性，包括对结构化数据做无量纲化、特征选择、降维等处理，对文本型数据做分词、停用词过滤、词频过滤、词性过滤、文本长度约束、词义消歧、实体提取等处理，从而降低数据冗余度，提高计算效率。
优选地，在步骤102：将经过处理的数据信息输入已建立好的判断模型，通过判断模型输出数据信息的预测结果。优选地，判断模型为递归神经网络模型。
如图2所示，本申请选用递归神经网络构建深度学习模型，将医院电子病例数据用于训练，生成疾病智能诊断模型。
图2所示为递归神经网络模型结构，其中t,t-1,t+1表示时间序列，x表示输入的样本，st表示样本在时间t处的记忆，W表示输入的权重，U表示此刻输入样本的权重，V表示输出样本的权重，o表示输出的结果，σ表示非线性激活函数。公式如下：
st＝σ(Uxt+Wst-1)
ot＝Vst
优选地，在步骤103：判断预测结果是否符合要求，当预测结果符合要求时，输出预测结果。本申请中，判断预测结果是否符合要求，如预测结果符合实际要求，可以接受预测结果，输出对目标对象健康状况进行预测的预测结果。
优选地，在步骤104：当预测结果不符合要求时，追加目标对象的数据信息，获取追加数据信息，重新进行判断。本申请中，判断预测结果是否符合要求，如预测结果不符合实际要求，不能接受该预测结果，进一步要求用户追加数据信息，将追加的数据信息输入已建立好的判断模型，再通过判断模型输出追加后数据信息的预测结果，再对预测结果进行判断，直至预测结果符合要求；若预测结果不符合要求，再次要求用户追加数据信息，再次将追加的数据信息输入已建立好的判断模型，获取再通过判断模型输出追加后数据信息的预测结果，再对预测结果进行判断，直至预测结果符合要求。本申请同时不断获取病人数据用于模型增量训练，使模型不断完善，进而更好的服务于用户，形成良性循环。
优选地，方法还包括对判断模型进行训练，包括：通过对目标对象的数据信息进行多层级的建模来捕捉目标对象的特征，包括：通过多轮迭代调整递归神经网络中的权重系数，采用交叉熵损失L来评估判断模型的效果，不断训练判断模型使得交叉熵损失L最小；其中交叉熵损失L的计算公式为：
Figure BDA0002359437900000071
其中y表示数据信息的标签，
Figure BDA0002359437900000072
表示输出的预测结果。
优选地，还包括对判断模型的训练调整，当预测结果不符合要求时，对判断模型进行超参数优化，对进行超参数优化后的判断模型进行训练，直至判断模型的输出结果符合要求；当信息修改或追加时，通过新数据信息对判断模型进行训练，对判断模型的参数进行调整。本申请超参数优化为：超参数是指在开始学习过程之前预设置的参数，而不是通过训练得到的参数数据。超参数的设置需要根据模型实际地训练或预测的评估结果进行调整，一组好的超参数设置可以有效的提高模型收敛速度、准确性和鲁棒性。本申请当模型评估效果不佳时，需要对超参数优化，并重新进行训练。常用超参数优化方案包括优化器、激活函数选择，训练批次、迭代轮次、学习率、梯度动量因子、衰减因子、随机失活率调整，参数初始化方案，正则化及其松弛因子等。
模型训练是对数据进行多层级的建模来捕捉疾病特征，通过多轮迭代调整递归神经网络中的权重系数，采用交叉熵损失L来评估模型效果，不断训练模型使得L最小。其中L的计算公式为：
Figure BDA0002359437900000073
其中y表示真实样本标签，
Figure BDA0002359437900000074
表示预测输出。最终保存生成的判断模型。
图4为根据本发明优选实施方式的智能判断流程示意图。如图4所示，首先需要用户输入用户信息和电子病历编码，根据编码从数据库中查找用户电子病历数据，将用户数据信息处理为模型输入所需格式。然后加载判断模型，将用户数据输入判断模型得到预测结果，同时判断预测结果是否符合要求，如果不符合要求需要用户提供更多的数据信息。最后通过判断模型最终将输出的符合要求的预测结果提供给用户。
本申请实施方式提供高效的疾病诊断，采用人工智能的方法对历史病症信息数据建模，将电子病历数据有效的利用起来。本申请实施方式通过对判断模型不断更新优化。对用户问诊信息存储，同时医生给出准确的疾病信息，用于模型的增量训练，不断提高模型鲁棒性和准确性。
图5为根据本发明优选实施方式的一种基于神经网络对目标对象数据进行判断的***结构图。如图5所示，一种基于神经网络对目标对象数据进行判断的***，***包括：
初始单元501，用于获取目标对象的数据信息，通过特征工程对所述数据信息进行处理。优选地，初始单元还用于：对数据信息进行清洗，清洗后的数据信息符合判断模型的数据输入格式。优选地，数据信息包括：电子病历数据信息和历史问诊数据信息；其中，电子病历数据信息包括：患者信息、病程记录、检查检验结果、手术记录、护理记录。本申请获取的数据信息用于对目标对象的健康状况进行判断。优选地，初始单元还用于：对数据信息进行特征工程，特征工程后的数据信息符合判断模型的数据输入格式。
预测单元502，用于将经过处理的数据信息输入已建立好的判断模型，通过判断模型输出数据信息的预测结果。优选地，判断模型为递归神经网络模型。
如图2所示，本申请选用递归神经网络构建深度学习模型，将医院电子病例数据用于训练，生成疾病智能诊断模型。
图2所示为递归神经网络模型结构，其中t,t-1,t+1表示时间序列，x表示输入的样本，st表示样本在时间t处的记忆，W表示输入的权重，U表示此刻输入样本的权重，V表示输出样本的权重，o表示输出的结果，σ表示非线性激活函数。公式如下：
st＝σ(Uxt+Wst-1)
ot＝Vst
判断单元503，用于判断预测结果是否符合要求，当预测结果符合要求时，输出预测结果；当预测结果不符合要求时，追加目标对象的数据信息，获取追加数据信息，重新进行判断。本申请中，判断预测结果是否符合要求，如预测结果符合实际要求，可以接受预测结果，输出对目标对象健康状况进行预测的预测结果。如预测结果不符合实际要求，不能接受该预测结果，进一步要求用户追加数据信息，将追加的数据信息输入已建立好的判断模型，再通过判断模型输出追加后数据信息的预测结果，再对预测结果进行判断，直至预测结果符合要求；若预测结果不符合要求，再次要求用户追加数据信息，再次将追加的数据信息输入已建立好的判断模型，获取再通过判断模型输出追加后数据信息的预测结果，再对预测结果进行判断，直至预测结果符合要求。
优选地，***还包括训练单元，用于对判断模型进行训练，包括：通过对目标对象的数据信息进行多层级的建模来捕捉目标对象的特征，包括：通过多轮迭代调整递归神经网络中的权重系数，采用交叉熵损失L来评估判断模型的效果，不断训练判断模型使得交叉熵损失L最小；其中L的计算公式为：
Figure BDA0002359437900000091
其中y表示数据信息的标签，
Figure BDA0002359437900000092
表示输出的预测结果。最终保存生成的判断模型。
优选地，训练单元还用于对判断模型的训练调整，包括：当预测结果不符合要求时，对判断模型进行超参数优化，对进行超参数优化后的判断模型进行训练，直至判断模型的输出结果符合要求；当信息修改或追加时，通过新数据信息对判断模型进行训练，对判断模型的参数进行调整。
本申请根据电子病历数据和问诊数据构建用户模型综合诊断疾病。本申请通过递归神经网络构建判断模型，将用户数据信息作为输入，通过判断模型对用户的健康状态进行判断。本申请的判断模型实现了自我更新迭代，不断提高判断的精准度，使预测结果更贴合实际。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (10)

1.一种基于神经网络对目标对象数据进行判断的方法，所述方法包括：
获取目标对象的数据信息，通过特征工程对所述数据信息进行处理；
将经过处理的所述数据信息输入已建立好的判断模型，通过所述判断模型输出所述数据信息的预测结果；
判断所述预测结果是否符合要求，当所述预测结果符合要求时，输出所述预测结果；
当所述预测结果不符合要求时，追加所述目标对象的数据信息，获取追加数据信息，重新进行判断。
2.根据权利要求1所述的方法，所述判断模型为递归神经网络模型。
3.根据权利要求2所述的方法，还包括对判断模型进行训练，包括：
通过对所述目标对象的数据信息进行多层级的建模来捕捉目标对象的特征，包括：通过多轮迭代调整递归神经网络中的权重系数，采用交叉熵损失L来评估判断模型的效果，不断训练判断模型使得交叉熵损失L最小；其中L的计算公式为：
Figure FDA0002359437890000011
其中y表示数据信息的标签，
Figure FDA0002359437890000012
表示输出的预测结果。
4.根据权利要求3所述的方法，还包括对判断模型的训练调整，包括：当所述预测结果不符合要求时，对所述判断模型进行超参数优化，对进行所述超参数优化后的所述判断模型进行训练，直至所述判断模型的输出结果符合要求；当所述信息修改或追加时，通过新数据信息对所述判断模型进行训练，对所述判断模型的参数进行调整。
5.根据权利要求1所述的方法，还包括：对数据信息进行特征工程，所述特征工程后的数据信息符合所述判断模型的数据输入格式。
6.一种基于神经网络对目标对象数据进行判断的***，所述***包括：
初始单元，用于获取目标对象的数据信息，通过特征工程对所述数据信息进行处理；
预测单元，用于将经过处理的所述数据信息输入已建立好的判断模型，通过所述判断模型输出所述数据信息的预测结果；
判断单元，用于判断所述预测结果是否符合要求，当所述预测结果符合要求时，输出所述预测结果；当所述预测结果不符合要求时，追加所述目标对象的数据信息，重新进行判断。
7.根据权利要求6所述的***，所述判断模型为递归神经网络模型。
8.根据权利要求7所述的***，还包括训练单元，用于对判断模型进行训练，包括：
通过对所述目标对象的数据信息进行多层级的建模来捕捉目标对象的特征，包括：通过多轮迭代调整递归神经网络中的权重系数，采用交叉熵损失L来评估判断模型的效果，不断训练判断模型使得交叉熵损失L最小；其中L的计算公式为：
Figure FDA0002359437890000021
其中y表示数据信息的标签，
Figure FDA0002359437890000022
表示输出的预测结果。
9.根据权利要求8所述的方法，所述训练单元还用于对判断模型的训练调整，包括：当所述预测结果不符合要求时，对所述判断模型进行超参数优化，对进行所述超参数优化后的所述判断模型进行训练，直至所述判断模型的输出结果符合要求；当所述信息修改或追加时，通过新数据信息对所述判断模型进行训练，对所述判断模型的参数进行调整。
10.根据权利要求6所述的***，所述初始单元还用于：对数据信息进行特征工程，所述特征工程后的数据信息符合所述判断模型的数据输入格式。
CN202010017477.6A 2020-01-08 2020-01-08 一种基于神经网络对目标对象数据进行判断的方法及*** Pending CN111243697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010017477.6A CN111243697A (zh) 2020-01-08 2020-01-08 一种基于神经网络对目标对象数据进行判断的方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010017477.6A CN111243697A (zh) 2020-01-08 2020-01-08 一种基于神经网络对目标对象数据进行判断的方法及***

Publications (1)

Publication Number Publication Date
CN111243697A true CN111243697A (zh) 2020-06-05

Family

ID=70864160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010017477.6A Pending CN111243697A (zh) 2020-01-08 2020-01-08 一种基于神经网络对目标对象数据进行判断的方法及***

Country Status (1)

Country Link
CN (1) CN111243697A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739599A (zh) * 2020-06-19 2020-10-02 北京嘉和海森健康科技有限公司 一种教学病历生成方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN109346183A (zh) * 2018-09-18 2019-02-15 山东大学 基于循环神经网络模型rnn的疾病诊断预测***
CN109378064A (zh) * 2018-10-29 2019-02-22 南京医基云医疗数据研究院有限公司 医疗数据处理方法、装置电子设备及计算机可读介质
CN109920501A (zh) * 2019-01-24 2019-06-21 西安交通大学 基于卷积神经网络和主动学习的电子病历分类方法及***
CN109978022A (zh) * 2019-03-08 2019-07-05 腾讯科技（深圳）有限公司 一种医疗文本信息处理方法及装置、存储介质
CN110111901A (zh) * 2019-05-16 2019-08-09 湖南大学 基于rnn神经网络的可迁移病人分类***
CN110322962A (zh) * 2019-07-03 2019-10-11 重庆邮电大学 一种自动生成诊断结果的方法、***及计算机设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915560A (zh) * 2015-06-11 2015-09-16 万达信息股份有限公司 一种基于广义神经网络聚类的疾病病种诊疗方案预测方法
CN109346183A (zh) * 2018-09-18 2019-02-15 山东大学 基于循环神经网络模型rnn的疾病诊断预测***
CN109378064A (zh) * 2018-10-29 2019-02-22 南京医基云医疗数据研究院有限公司 医疗数据处理方法、装置电子设备及计算机可读介质
CN109920501A (zh) * 2019-01-24 2019-06-21 西安交通大学 基于卷积神经网络和主动学习的电子病历分类方法及***
CN109978022A (zh) * 2019-03-08 2019-07-05 腾讯科技（深圳）有限公司 一种医疗文本信息处理方法及装置、存储介质
CN110111901A (zh) * 2019-05-16 2019-08-09 湖南大学 基于rnn神经网络的可迁移病人分类***
CN110322962A (zh) * 2019-07-03 2019-10-11 重庆邮电大学 一种自动生成诊断结果的方法、***及计算机设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111739599A (zh) * 2020-06-19 2020-10-02 北京嘉和海森健康科技有限公司 一种教学病历生成方法和装置
CN111739599B (zh) * 2020-06-19 2023-08-08 北京嘉和海森健康科技有限公司 一种教学病历生成方法和装置

Similar Documents

Publication Publication Date Title
CN110334843B (zh) 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置
JP2021502650A (ja) 時不変分類
CN109346185B (zh) 一种中医辅助诊断***
CN112149414B (zh) 文本相似度确定方法、装置、设备及存储介质
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
WO2007050186A2 (en) Medical-risk stratifying method and system
CN116364299B (zh) 一种基于异构信息网络的疾病诊疗路径聚类方法及***
CN110046757B (zh) 基于LightGBM算法的门诊量预测***及预测方法
CN116910172B (zh) 基于人工智能的随访量表生成方法及***
CN116110597B (zh) 一种基于数字孪生的患者病症类别智能分析方法及装置
CN116611546B (zh) 基于知识图谱的目标研究区域滑坡预测方法及***
CN112185558A (zh) 基于深度学习的心理健康及康复评定方法、装置及介质
CN112037179A (zh) 一种脑疾病诊断模型的生成方法、***及设备
CN111297327B (zh) 一种睡眠分析方法、***、电子设备及存储介质
CN116959585B (zh) 基于深度学习的全基因组预测方法
CN111243697A (zh) 一种基于神经网络对目标对象数据进行判断的方法及***
CN113035348A (zh) 一种基于gru特征融合的糖尿病诊断方法
JP7365747B1 (ja) 階層図ニューラルネットワークに基づく疾患診療過程異常識別システム
CN117095828A (zh) 基于糖尿病患者随访记录的血糖值预测和告警方法
CN116884612A (zh) 疾病风险等级的智能分析方法、装置、设备及存储介质
CN116469148A (zh) 一种基于面部结构识别的概率预测***及预测方法
CN115376638A (zh) 一种基于多源健康感知数据融合的生理特征数据分析方法
CN115171896A (zh) 一种重症患者长期死亡风险预测***及方法
CN112309519B (zh) 基于多模型的电子病历用药结构化处理***
CN113470819A (zh) 基于随机森林的非平衡小样本压疮不良事件早期预测方法

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