CN111798961A - 一种基于心脏病的健康处方生成方法 - Google Patents
一种基于心脏病的健康处方生成方法 Download PDFInfo
- Publication number
- CN111798961A CN111798961A CN202010657298.9A CN202010657298A CN111798961A CN 111798961 A CN111798961 A CN 111798961A CN 202010657298 A CN202010657298 A CN 202010657298A CN 111798961 A CN111798961 A CN 111798961A
- Authority
- CN
- China
- Prior art keywords
- patient
- age
- disease
- standard
- daily
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 title claims abstract description 29
- 208000019622 heart disease Diseases 0.000 title claims abstract description 16
- 230000006835 compression Effects 0.000 claims abstract description 37
- 238000007906 compression Methods 0.000 claims abstract description 37
- 201000010099 disease Diseases 0.000 claims abstract description 34
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 34
- 239000003814 drug Substances 0.000 claims abstract description 28
- 210000002569 neuron Anatomy 0.000 claims abstract description 25
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims abstract description 18
- 239000008103 glucose Substances 0.000 claims abstract description 18
- 150000003839 salts Chemical class 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 229940079593 drug Drugs 0.000 claims abstract description 13
- 230000007774 longterm Effects 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 3
- 239000008280 blood Substances 0.000 claims description 25
- 210000004369 blood Anatomy 0.000 claims description 25
- 230000036772 blood pressure Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 17
- 230000000391 smoking effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 7
- 150000002632 lipids Chemical class 0.000 claims description 6
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 4
- 235000005911 diet Nutrition 0.000 claims description 4
- 230000002040 relaxant effect Effects 0.000 claims description 4
- 239000011780 sodium chloride Substances 0.000 claims description 4
- 230000000378 dietary effect Effects 0.000 claims description 2
- 230000000747 cardiac effect Effects 0.000 claims 4
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 208000029078 coronary artery disease Diseases 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 description 2
- 229960001138 acetylsalicylic acid Drugs 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 230000037213 diet Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005586 smoking cessation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000023514 Barrett esophagus Diseases 0.000 description 1
- BHPQYMZQTOCNFJ-UHFFFAOYSA-N Calcium cation Chemical compound [Ca+2] BHPQYMZQTOCNFJ-UHFFFAOYSA-N 0.000 description 1
- SNIOPGDIGTZGOP-UHFFFAOYSA-N Nitroglycerin Chemical compound [O-][N+](=O)OCC(O[N+]([O-])=O)CO[N+]([O-])=O SNIOPGDIGTZGOP-UHFFFAOYSA-N 0.000 description 1
- 239000000006 Nitroglycerin Substances 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000007536 Thrombosis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000005557 antagonist Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910001424 calcium ion Inorganic materials 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000002934 diuretic Substances 0.000 description 1
- 230000001882 diuretic effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 229960003711 glyceryl trinitrate Drugs 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- IUBSYMUCCVWXPE-UHFFFAOYSA-N metoprolol Chemical compound COCCC1=CC=C(OCC(O)CNC(C)C)C=C1 IUBSYMUCCVWXPE-UHFFFAOYSA-N 0.000 description 1
- 229960002237 metoprolol Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- ZBMZVLHSJCTVON-UHFFFAOYSA-N sotalol Chemical compound CC(C)NCC(O)C1=CC=C(NS(C)(=O)=O)C=C1 ZBMZVLHSJCTVON-UHFFFAOYSA-N 0.000 description 1
- 229960002370 sotalol Drugs 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Physical Education & Sports Medicine (AREA)
- Nutrition Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于心脏病的健康处方生成方法,根据患者的患病情况,并基于BP神经网络确定患者的体征调节标准以及抗压等级,包括步骤一、输入患者年龄、疾病类型、病龄、合并症等级、合并症病龄、以及长期服用药物;步骤二、确定三层BP神经网络的输入层神经元向量;步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;步骤四、得到输出层神经元向量。能够根据患者的患病情况,并基于BP神经网络确定患者的体征调节标准以及抗压等级,进而确定患者的日涉盐量、日涉油量和日涉糖量以及心率承受上限,确保安全准确生成患者的健康指导处方,全方位对患者身体进行调节,满足患者各方面的诉求。
Description
技术领域
本发明涉及医疗健康处方生成技术领域,更具体的是,本发明涉及一种基于心脏病的健康处方生成方法。
背景技术
现有社会大部分医疗技术都是病人到医院排队挂号看病,医生通过面诊,为病人开方治病。极少数医院采用互联网远程医疗问诊,虽然不要求病人到医院看病,但也都是要求病人(或用户)在互联网平台上,先向医生提交自己现有的病情症状,医生通过互联网阅读病人的递交的病情资料后再开处方给病人。不能及时也不能时时解决病人的诉求。
中国发明专利201710412068.4公开一种医疗处方生成***和方法,主要由“医生在看病前预先把各种《病情检验报告》变成选择性答题问卷和相应的处方一起录入到本***”和“病人根据医生事先录入的问卷选择性回答医生的问诊题目”两方面组成,可以得到相应的名医处方。
中国发明201710659658.7公开一种医疗处方生成***和方法,医生把各种症状和相对应的处方一起录入,患者把自己的症状输入到本发明而获得医生处方。
上述对比文件均具有如下缺陷:
1、录入问题答案选择唯一,并且患者只能获得对应的药品推荐,患者仅能从服用药物方面缓解病症。
2、患者只能回答医生的问题,而不能主动问问题,整个过程很被动,往往起不到作用,还需患者亲自去医院进行面对面问诊。
3、整个过程具体如何实现,在专利中并没有详细陈述,不能确保处方结果生成的准确性,而药物又不同于其他食物,药品类别和药量都需要严谨的控制,稍有差池都会有生命危险。
发明内容
本发明设计开发了一种基于心脏病的健康处方生成方法,目的之一是能够根据患者的患病情况,并基于BP神经网络确定患者的体征调节标准以及抗压等级,确保安全准确生成患者的健康指导处方。
目的之二是能够根据患者的体征调节标准以及抗压等级确定患者的日涉盐量、日涉油量和日涉糖量,以遍历数据库生成合适的饮食指导处方。
目的之三是能够根据患者的体征调节标准以及抗压等级确定患者的心率承受上限,生成合适的健康运动处方。
本发明提供的技术方案为:
一种基于心脏病的健康处方生成方法,根据患者的患病情况,并基于BP神经网络确定患者的体征调节标准以及抗压等级,其包括如下步骤:
步骤一、输入患者年龄、疾病类型、病龄、合并症等级、合并症病龄、以及长期服用药物;
步骤二、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5,x6};其中,x1为患者年龄,x2为疾病类型,x3为病龄,x4为合并症等级,x5为合并症病龄,x6为长期服用药物;
步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;
步骤四、得到输出层神经元向量o={o1,o2,o3,o4,o5,o6};其中,o1为标准血压,o2为标准血糖,o3为标准血脂,o4为心里抗压等级,o5为戒烟建议,o6为患者可服用药,所述输出层神经元值为当o4为A时,患者的抗压等级为弱,当o4为B时,患者的抗压等级为中,当o4为C时,患者的抗压等级为强;所述输出层神经元值为当o5为0时,建议患者戒烟,当o5为1时,患者无需戒烟。
优选的是,根据标准血压和标准血脂确定患者的日涉盐量满足:
其中,csa为患者的日涉盐量,Sc为戒烟建议且Sc=[0,1],Ag为患者年龄,yi为患者病龄,Sp为患者心里抗压等级且Sp=[-1,0,1],δ为合并症等级且δ∈(0,1),yi0为标准病龄,为正常人的标准日涉盐量,e为自然对数的底数,Sba为患者的标准血脂,Sba0为正常人的标准血脂,Sbp为患者的标准血压,Sbp0为正常人的标准血压。
优选的是,根据标准血压和标准血脂确定患者的日涉油量满足:
优选的是,根据标准血糖确定患者的日涉糖量满足:
优选的是,根据患者的日涉盐量、日涉油量和日涉糖量,遍历数据库,生成患者的指导饮食处方。
优选的是,还包括:
确定患者的心率承受上限:
其中,患者的心率承受上限,为正常人的心率承受上限,Sc为戒烟建议且Sc=[0,1],Ag为患者年龄,yi为患者病龄,Sp为患者心里抗压等级且Sp=[-1,0,1],δ为合并症等级且δ∈(0,1),yi0为标准病龄,e为自然对数的底数,yis为合并症病龄,Sbp为患者的标准血压,Sbp0为正常人的标准血压;
根据患者的心率承受上限,遍历数据库,生成患者可进行的健康运动处方。
优选的是,根据患者的抗压等级,遍历数据库,生成患者可参加的娱乐活动处方;
其中,当患者的抗压等级为强时,患者可参加强烈型娱乐活动;
当患者的抗压等级为中时,患者可参加过渡型娱乐活动;
当患者的抗压等级为弱时,患者可参加舒缓型娱乐活动。
优选的是,所述患者可服用药为与患者长期服用药物相似或者同类药,以及与患者长期服用药物治疗病症相同且副作用较小药物。
优选的是,在所述步骤一之前还包括数据库的建立:
确定数据库内所有菜品及其制作过程,并按照菜品的涉盐量、涉油量和涉糖量进行整理分类;
确定数据库内所有健康运动,并按照所述健康运动对应的心率上限进行整理分类,并标注所述健康运动的合理运动时间;
确定数据库内所有娱乐活动,并将所述娱乐活动分为舒缓型、过度型和强烈型三种。
优选的是,还包括:可按照主诉请求生成对应详细的指导建议处方。
优选的是,所述隐层的神经元为6个;所述隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x)。
本发明所述的有益效果:
本发明设计开发的基于心脏病的健康处方生成方法,能够根据患者的患病情况,并基于BP神经网络确定患者的体征调节标准以及抗压等级,进而确定患者的日涉盐量、日涉油量和日涉糖量以及心率承受上限,确保安全准确生成患者的健康指导处方,全方位对患者身体进行调节,满足患者各方面的诉求。
附图说明
图1为本发明所述基于心脏病的健康处方生成方法的流程图。
具体实施方式
下面对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种基于心脏病的健康处方生成方法,如图1所示,根据患者的患病情况,并基于BP神经网络确定患者的体征调节标准以及抗压等级,其包括如下步骤:
步骤S110、建立数据库
确定数据库内所有菜品及其制作过程,并按照菜品的涉盐量、涉油量和涉糖量进行整理分类;
确定数据库内所有健康运动,并按照所述健康运动对应的心率上限进行整理分类,并标注每一项健康运动的合理运动时间;
确定数据库内所有娱乐活动,并将所述娱乐活动分为舒缓型、过度型和强烈型三种。
步骤S120、建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为S型函数,即fj(x)=1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示患者的n个输入信号;第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定;第三层为输出层,共p个节点,由***实际需要输出的响应确定。
该网络的数学模型为:
输入向量:x=(x1,x2,…,xn)T
中间层向量:y=(y1,y2,...,ym)T
输出向量:o=(o1,o2,...,op)T
本发明中,输入层节点数为n=6,输出层节点数为p=6,隐藏层节点数m=10。
输入层6个参数分别表示为:x1为患者年龄,x2为疾病类型,x3为病龄,x4为合并症等级,x5为合并症病龄,x6为长期服用药物;
输出层6个参数分别表示为:o1为标准血压,o2为标准血糖,o3为标准血脂,o4为心里抗压等级,o5为戒烟建议,o6为患者可服用药,所述输出层神经元值为当o4为A时,患者的抗压等级为弱,当o4为B时,患者的抗压等级为中,当o4为C时,患者的抗压等级为强;所述输出层神经元值为当o5为0时,建议患者戒烟,当o5为1时,患者无需戒烟。
步骤S130、进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值,隐层节点j和输出层节点k之间的连接权值。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致。
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令 为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在***设计时,***模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了***的自学习功能。在指定了学习样本及数量的情况下,***可以进行自学习,以不断完善网络性能。
步骤S140、根据体征调节标准,心里抗压等级,戒烟建议,患者可服用药确定患者健康处方,具体包括:
步骤S141、根据标准血压和标准血脂确定患者的日涉盐量满足:
其中,csa为患者的日涉盐量,Sc为戒烟建议且Sc=[0,1],Ag为患者年龄,yi为患者病龄,Sp为患者心里抗压等级且Sp=[-1,0,1],δ为合并症等级且δ∈(0,1),yi0为标准病龄,为正常人的标准日涉盐量,e为自然对数的底数,Sba为患者的标准血脂,Sba0为正常人的标准血脂,Sbp为患者的标准血压,Sbp0为正常人的标准血压。
根据标准血压和标准血脂确定患者的日涉油量满足:
根据标准血糖确定患者的日涉糖量满足:
根据患者的日涉盐量、日涉油量和日涉糖量,遍历数据库,生成患者的指导饮食处方。
步骤S142、确定患者的心率承受上限:
其中,患者的心率承受上限,为正常人的心率承受上限,Sc为戒烟建议且Sc=[0,1],Ag为患者年龄,yi为患者病龄,Sp为患者心里抗压等级且Sp=[-1,0,1],δ为合并症等级且δ∈(0,1),yi0为标准病龄,e为自然对数的底数,yis为合并症病龄,Sbp为患者的标准血压,Sbp0为正常人的标准血压;
对患者年龄、疾病类型、病龄、合并症等级、合并症病龄、以及长期服用药物对患者进行评估,获得患者的心率承受上限,并根据患者的心率承受上限,遍历数据库,生成患者可进行的健康运动处方,具体包括患者可进行的健康运动以及其合理的运动时间。
步骤S143、根据患者的抗压等级,遍历数据库,生成患者可参加的娱乐活动处方;
其中,当患者的抗压等级为强时,患者可参加强烈型娱乐活动,例如演唱会、酒吧,ktv等;
当患者的抗压等级为中时,患者可参加过渡型娱乐活动,例如台球、话剧等;
当患者的抗压等级为弱时,患者可参加舒缓型娱乐活动,例如钢琴演奏会、小提琴大提琴演奏会等。
步骤S144、所述的患者可服用药为与患者长期服用药物相似或者同类药,以及与患者长期服用药物治疗病症相同且副作用较小药物。
步骤S145、根据戒烟建议对患者的吸烟情况做出指导意见。
上述各个方面的健康指导处方均已生成,根据患者的主诉请求进一步生成对应详细的指导建议处方。
下面结合具体的实施例进一步的对本发明提供的基于心脏病的健康处方生成方法进行说明。
选取10名不同病龄的冠心病且合并症为不同病龄糖尿病的患者进行试验,为期半年的监测观察,其具体的病症情况如表1所示。
序号 | 年龄 | 病龄 | 合并症病龄 | 长期服用药物 |
1 | 50 | 5 | 4 | 阿司匹林 |
2 | 52 | 7 | 5 | 美托洛尔 |
3 | 55 | 9 | 6 | 索他洛尔 |
4 | 58 | 8 | 4 | 钙离子拮抗剂类的药物 |
5 | 61 | 11 | 7 | 利尿剂类型药物 |
6 | 65 | 15 | 10 | 血栓通 |
7 | 68 | 20 | 14 | 消心痛 |
8 | 71 | 17 | 12 | 阿司匹林 |
9 | 75 | 21 | 17 | 消心痛 |
10 | 78 | 25 | 20 | *** |
采用本发明提供的健康处方生成方法确定患者的体征调节标准以及抗压等级,具体结果如表2所示。
确定患者的日涉盐量、日涉油量和日涉糖量以及心率承受上限,其结果如表3所示。
根据上述要求,遍历数据库,生成合适的健康指导处方。本测试中,各个方面均采用本发明提供的处方生成方法生成的处方进行身体调理。同时取两位5、15年病龄的冠心病且合并症为4、10年病龄糖尿病的患者进行空白实验,即不使用上述生成的处方,进行为期半年的观察。
结果表明,采用本提供的处方生成方法生成的处方进行身体调理的患者心情愉悦,各方面的指标在定期检测时98%以上符合要求,且冠心病发病率在0.5%以下。而进行空白实验的两名患者时常焦虑,且浑身疲惫,各方面的指标在定期检测时只有50%以上符合要求,且冠心病发病率较高,平均每半个月发病一次。结果表明本发明提供的处方生成方法生成的处方是合理的且准确的。
本发明设计开发的基于心脏病的健康处方生成方法,能够根据患者的患病情况,并基于BP神经网络确定患者的体征调节标准以及抗压等级,进而确定患者的日涉盐量、日涉油量和日涉糖量以及心率承受上限,确保安全准确生成患者的健康指导处方,全方位对患者身体进行调节,满足患者各方面的诉求。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和附图的说明。
Claims (10)
1.一种基于心脏病的健康处方生成方法,其特征在于,根据患者的患病情况,并基于BP神经网络确定患者的体征调节标准以及抗压等级,其包括如下步骤:
步骤一、输入患者年龄、疾病类型、病龄、合并症等级、合并症病龄、以及长期服用药物;
步骤二、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5,x6};其中,x1为患者年龄,x2为疾病类型,x3为病龄,x4为合并症等级,x5为合并症病龄,x6为长期服用药物;
步骤三、所述输入层向量映射到隐层,隐层的神经元为m个;
5.如权利要求4所述的基于心脏病的健康处方生成方法,其特征在于,根据患者的日涉盐量、日涉油量和日涉糖量,遍历数据库,生成患者的指导饮食处方。
7.如权利要求6所述的基于心脏病的健康处方生成方法,其特征在于,根据患者的抗压等级,遍历数据库,生成患者可参加的娱乐活动处方;
其中,当患者的抗压等级为强时,患者可参加强烈型娱乐活动;
当患者的抗压等级为中时,患者可参加过渡型娱乐活动;
当患者的抗压等级为弱时,患者可参加舒缓型娱乐活动。
8.如权利要求1、2、3、4、5或7所述的基于心脏病的健康处方生成方法,其特征在于,所述患者可服用药为与患者长期服用药物相似或者同类药,以及与患者长期服用药物治疗病症相同且副作用较小药物。
9.如权利要求8所述的基于心脏病的健康处方生成方法,其特征在于,在所述步骤一之前还包括数据库的建立:
确定数据库内所有菜品及其制作过程,并按照菜品的涉盐量、涉油量和涉糖量进行整理分类;
确定数据库内所有健康运动,并按照所述健康运动对应的心率上限进行整理分类,并标注所述健康运动的合理运动时间;
确定数据库内所有娱乐活动,并将所述娱乐活动分为舒缓型、过度型和强烈型三种。
10.如权利要求9所述的基于心脏病的健康处方生成方法,其特征在于,还包括:可按照主诉请求生成对应详细的指导建议处方。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657298.9A CN111798961A (zh) | 2020-07-09 | 2020-07-09 | 一种基于心脏病的健康处方生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010657298.9A CN111798961A (zh) | 2020-07-09 | 2020-07-09 | 一种基于心脏病的健康处方生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111798961A true CN111798961A (zh) | 2020-10-20 |
Family
ID=72810624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010657298.9A Pending CN111798961A (zh) | 2020-07-09 | 2020-07-09 | 一种基于心脏病的健康处方生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798961A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113066548A (zh) * | 2021-03-31 | 2021-07-02 | 华中科技大学同济医学院附属协和医院 | 一种药物皮疹患者管理***及护理方案生成方法 |
CN113140281A (zh) * | 2021-03-29 | 2021-07-20 | 华中科技大学同济医学院附属协和医院 | 一种血液肿瘤患者化疗用药的管理方法和管理*** |
CN113345582A (zh) * | 2021-06-01 | 2021-09-03 | 华中科技大学同济医学院附属协和医院 | 一种大众健康管理***及其使用方法 |
-
2020
- 2020-07-09 CN CN202010657298.9A patent/CN111798961A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113140281A (zh) * | 2021-03-29 | 2021-07-20 | 华中科技大学同济医学院附属协和医院 | 一种血液肿瘤患者化疗用药的管理方法和管理*** |
CN113140281B (zh) * | 2021-03-29 | 2024-06-11 | 华中科技大学同济医学院附属协和医院 | 一种血液肿瘤患者化疗用药的管理方法和管理*** |
CN113066548A (zh) * | 2021-03-31 | 2021-07-02 | 华中科技大学同济医学院附属协和医院 | 一种药物皮疹患者管理***及护理方案生成方法 |
CN113345582A (zh) * | 2021-06-01 | 2021-09-03 | 华中科技大学同济医学院附属协和医院 | 一种大众健康管理***及其使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McNamara et al. | Singing for adults with chronic obstructive pulmonary disease | |
Holman et al. | Perceived self-efficacy in self-management of chronic disease | |
McCreary et al. | Measuring the drive for muscularity: factorial validity of the drive for muscularity scale in men and women. | |
Scharloo et al. | Physical and psychological correlates of functioning in patients with chronic obstructive pulmonary disease | |
Shin et al. | Test of the health promotion model as a causal model of commitment to a plan for exercise among Korean adults with chronic disease | |
CN111798961A (zh) | 一种基于心脏病的健康处方生成方法 | |
Burdea et al. | Feasibility of integrative games and novel therapeutic game controller for telerehabilitation of individuals chronic post-stroke living in the community | |
Ho et al. | Living with illness and self‐transcendence: The lived experience of patients with spinal muscular atrophy | |
Boudreaux et al. | Changing multiple health behaviors: smoking and exercise☆ | |
US11694778B2 (en) | Personalized health system, method and device having a nutrition function | |
Rauch et al. | Does the Comprehensive International Classification of Functioning, Disability and Health (ICF) Core Set for rheumatoid arthritis capture nursing practice? A Delphi survey | |
Jack | The educational impact of a course about addiction | |
Byrne et al. | Effects of prenatal yoga on labor pain | |
Bellak | Psychoanalytic theory of personality: Notes toward a systematic textbook of psychoanalysis. | |
Rukholm et al. | A quality-of-life index for clients with ischemic heart disease: establishing reliability and validity | |
Yu et al. | [Retracted] Analysis of the Effect of Mindfulness Behavior Intervention Combined with Progressive Breathing Training on Pulmonary Function Rehabilitation in Patients with Chronic Obstructive Pulmonary Disease | |
Lee et al. | Effects of a fall prevention program based on goal attainment theory for homebound older adults with osteoarthritis of the lower extremities | |
Bergner et al. | The sickness impact profile: the relevance of social science to medicine | |
Prasanna et al. | Prediction intelligence system based real time monitoring of yoga performers | |
Ma et al. | Construction of Neural Network Model for Exercise Load Monitoring Based on Yoga Training Data and Rehabilitation Therapy | |
Binder et al. | A systematic review of the efficacy of motivational interviewing on occupational performance | |
Prasertsakul et al. | Defining the rehabilitation treatment programs for stroke patients by applying Neural Network and Decision Trees models | |
Hancock | A new ambition for stroke | |
Berezutsky | Medication non-adherence in elderly patients | |
Johnson | Short and Long-Term Cost and Outcome Comparison of Systemic Heparin Therapy vs. Catheter Directed Thrombolysis for the Treatment of Massive and Submassive Pulmonary Embolism: A Single Center Study. |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201020 |