CN112116967B - 一种提高尿液样本收集效率的信息处理方法和装置 - Google Patents

一种提高尿液样本收集效率的信息处理方法和装置 Download PDF

Info

Publication number
CN112116967B
CN112116967B CN202011020879.8A CN202011020879A CN112116967B CN 112116967 B CN112116967 B CN 112116967B CN 202011020879 A CN202011020879 A CN 202011020879A CN 112116967 B CN112116967 B CN 112116967B
Authority
CN
China
Prior art keywords
information
user
urination
obtaining
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.)
Active
Application number
CN202011020879.8A
Other languages
English (en)
Other versions
CN112116967A (zh
Inventor
顾梅
裴小锐
王燕
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.)
Suzhou Municipal Hospital
Original Assignee
Suzhou Municipal Hospital
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 Suzhou Municipal Hospital filed Critical Suzhou Municipal Hospital
Priority to CN202011020879.8A priority Critical patent/CN112116967B/zh
Publication of CN112116967A publication Critical patent/CN112116967A/zh
Application granted granted Critical
Publication of CN112116967B publication Critical patent/CN112116967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H10/40—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for data related to laboratory analysis, e.g. patient specimen analysis
    • 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
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/24—Reminder alarms, e.g. anti-loss alarms
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种提高尿液样本收集效率的信息处理方法和装置：获得第一用户的体征特性信息；获得第一用户的体征特性信息，获得所述第一用户的历史小便规律信息；将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入第一训练模型，获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；当所述第一输出信息为第一输出结果时，获得第一提醒指令；根据所述第一提醒指令，对所述第一用户进行尿液收集。解决了现有技术中存在尿液样本收集困难，导致耽误尿液检查时间的技术问题。

Description

一种提高尿液样本收集效率的信息处理方法和装置
技术领域
本发明涉及尿液样本收集领域，尤其涉及一种提高尿液样本收集效率的信息处理方法和装置。
背景技术
尿液检查，是医学的一种检测方式。包括尿常规分析、尿液中有形成分检测(如尿红细胞、白细胞等)、蛋白成分定量测定、尿酶测定等。尿液检查对临床诊断、判断疗效和预后有着十分重要的价值。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中存在尿液样本收集困难，导致耽误尿液检查时间的技术问题。
发明内容
本申请实施例通过提供一种提高尿液样本收集效率的信息处理方法和装置，解决了现有技术中存在尿液样本收集困难，导致耽误尿液检查时间的技术问题，达到提高尿液样本收集效率的技术效果。
鉴于上述问题，本申请实施例提供一种提高尿液样本收集效率的信息处理方法和装置。
第一方面，本申请实施例提供了一种提高尿液样本收集效率的信息处理方法，所述方法包括：获得第一用户的体征特性信息；获得所述第一用户的历史小便规律信息；将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述体征特性信息、所述历史排便规律信息和用来标识第一用户是否需要小便的标识信息；获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；当所述第一输出信息为第一输出结果时，获得第一提醒指令；根据所述第一提醒指令，对所述第一用户进行尿液收集。
另一方面，本申请还提供了一种提高尿液样本收集效率的信息处理装置，其中，所述装置包括：第一获得单元，所述第一获得单元用于获得第一用户的体征特性信息；第二获得单元，所述第二获得单元用于获得所述第一用户的历史小便规律信息；第一输入单元，所述第一输入单元用于将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述体征特性信息、所述历史排便规律信息和用来标识第一用户是否需要小便的标识信息；第三获得单元，所述第三获得单元用于获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；第四获得单元，所述第四获得单元用于当所述第一输出信息为第一输出结果时，获得第一提醒指令；第一收集单元，所述第一收集单元用于根据所述第一提醒指令，对所述第一用户进行尿液收集。
第三方面，本发明提供了一种提高尿液样本收集效率的信息处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了将所述第一用户的体征特性信息作为第一输入信息，历史小便规律作为第二输入信息，输入第一训练模型的方式，基于训练模型不断自我修正调整的特性，达到准确判断所述第一用户的小便排放时间，根据所述排放时间提醒所述第一用户进行尿液收集的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种提高尿液样本收集效率的信息处理方法的流程示意图；
图2为本申请实施例一种提高尿液样本收集效率的信息处理装置的结构示意图；
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第一输入单元13，第三获得单元14，第四获得单元15，第一收集单元16，总线300，接收器301，处理器302，发送器303，存储器304，总线接口306。
具体实施方式
本申请实施例通过提供一种提高尿液样本收集效率的信息处理方法和装置，解决了现有技术中存在尿液样本收集困难，导致耽误尿液检查时间的技术问题，达到提高尿液样本收集效率的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
尿液检查，是医学的一种检测方式。包括尿常规分析、尿液中有形成分检测(如尿红细胞、白细胞等)、蛋白成分定量测定、尿酶测定等。尿液检查对临床诊断、判断疗效和预后有着十分重要的价值。但现有技术中存在尿液样本收集困难，导致耽误尿液检查时间的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种提高尿液样本收集效率的信息处理方法，所述方法包括：获得第一用户的体征特性信息；获得所述第一用户的历史小便规律信息；将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述体征特性信息、所述历史排便规律信息和用来标识第一用户是否需要小便的标识信息；获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；当所述第一输出信息为第一输出结果时，获得第一提醒指令；根据所述第一提醒指令，对所述第一用户进行尿液收集。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种提高尿液样本收集效率的信息处理方法，其中，所述方法包括：
步骤S100：获得第一用户的体征特性信息；
具体而言，所述第一用户为要进行尿液样本收集的用户，所述体征特性信息包括所述第一用户的身份信息、实时身体状态信息等信息，通过所述第一用户的体征特性信息，为后续准确判断所述第一用户是否尿液样本收集夯实了基础。
步骤S200：获得所述第一用户的历史小便规律信息；
具体而言，所述历史小便规律为根据所述第一用户的日常生活、饮食习惯监控所述第一用户的小便次数及小便时间信息获得的，所述小便时间包括进行小便的时刻信息及小便时长信息，根据所述小便时长信息对所述第一用户的小便量进行预估并记录，根据所述小便次数、时间、及排量获得所述第一用户的历史小便规律信息。
步骤S300：将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述体征特性信息、所述历史排便规律信息和用来标识第一用户是否需要小便的标识信息；
具体而言，所述第一训练模型为能给根据训练数据进行不断的自我训练学习的模型，进一步而言，所述第一训练模型为神经网络模型，所述神经网络模型即机器学习中的神经网络模型，神经网络(Neural Networks，NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络装置，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习装置。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks)，是对人类大脑装置的一阶特性的一种描述。简单地讲，它是一个数学模型。基于大量的训练数据的训练，其中，训练数据中的每一组训练数据均包括所述体征特性信息、所述历史排便规律信息和用来标识第一用户是否需要小便的标识信息；所述神经网络模型不断地自我的修正，当所述神经网络模型的输出信息达到预定的准确率/达到收敛状态时，则监督学习过程结束。通过对所述神经网络模型的数据训练，进而使得所述神经网络模型处理所述输入数据更加准确，进而使得输出的判断所述第一用户是否需要小便信息更加准确。基于训练模型进过训练后处理数据更加准确的特性，将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入训练模型，通过训练模型的输出信息判断所述第一用户是否需要小便的方式，使得所述判断结果更加准确，进而达到提高尿液样本收集效率的技术效果。
步骤S400：获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；
具体而言，所述输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二结果为所述第一用户不需要小便的结果，根据所述输出结果，为后续准确提示收集尿液样本奠定了基础。
步骤S500：当所述第一输出信息为第一输出结果时，获得第一提醒指令；
步骤S600：根据所述第一提醒指令，对所述第一用户进行尿液收集。
具体而言，当所述第一输出信息为所述第一输出结果时，获得第一提醒指令，所述第一提醒指令为具备提醒功能或通过所述指令可触发其他装置进行提醒的指令，根据所述第一提醒指令，对所述第一用户进行尿液收集。
进一步而言，本申请实施例还包括：
步骤S710：获得所述第一用户的日饮水量信息；
步骤S720：获得所述第一用户的日进食含水量信息；
步骤S730：将所述日饮水量信息作为第一输入信息，所述日进食含水量信息作为第二输入信息输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述日饮水量信息、所述日进食含水量信息和用来标识第一用户排尿量的标识信息；
步骤S740：获得所述第二训练模型的第二输出信息，其中，所述第二输出信息为所述第一用户的日排尿量信息。
具体而言，所述第一用户的日饮水量为所述第一用户一天的饮水的量的信息，所述进食含水量为根据所述第一用户的进食中含水的含量获得的进食含水量信息，将所述日饮水量信息作为第一输入信息，所述日进食含水量信息作为第二输入信息输入第二训练模型，所述第二训练模型同样为基于神经网络模型不断进行监督学习获得的训练模型，这里不再展开说明，获得所述第二训练模型的第二输出信息，其中，所述第二输出信息为所述第一用户的日排尿量信息。通过获得所述第一用户的日排尿量信息，为后续准确分析排尿时间奠定了基础。
进一步而言，所述获得所述第二训练模型的第二输出信息，本申请实施例步骤S740还包括：
步骤S741：根据所述第一用户的体征特性信息，获得第一修正参数；
步骤S742：根据所述第一修正参数，修正所述第一用户的日排尿量信息。
具体而言，根据所述第一用户的体征信息的不同，所述输入水量和排出量会有一定的差异性。举例而言，根据所述第一用户的能量消耗的速度及实时动作消耗的不同，会出现水分的消耗不同，进一步而言，所述水分消耗还与所述第一用户的排汗量有关，因此根据所述第一用户的体征特性信息，获得第一修正参数，修正所述第一用户的日排尿量信息。
进一步而言，所述获得所述第一用户的日进食含水量信息，本申请实施例S720还包括：
步骤S721：获得所述第一用户的日进食种类信息；
步骤S722：获得所述第一用户的日进食量信息；
步骤S723：根据所述第一用户的日进食种类信息和所述日进食量信息，获得所述第一用户的日进食含水量信息。
具体而言，所述第一用户的进食种类信息为所述第一用户在当天进食的食物种类信息，所述种类信息涵盖广阔，举例而言，所述种类可分为谷薯类、蔬菜水果类、动物性食物、大豆及其制品、纯能量食物等，这里不进行具体限定，所述第一用户的进食量信息为所述第一用户当天进食的不同种类的食物的量的信息，根据所述不同种类食物的量的不同，获得所述第一用户的日进食含水量信息，进而达到获得准确的所述第一用户的日进食含水量信息的技术效果。
进一步而言，本申请实施例还包括：
步骤S750：获得所述第一用户的护理用品的吸水量信息；
步骤S760：获得预定吸水量阈值；
步骤S770：判断所述吸水量是否达到所述预定吸水量阈值；
步骤S780：如果所述吸水量达到所述预定吸水量阈值，获得第二提醒指令；
步骤S790：根据所述第二提醒指令，对所述第一用户进行尿液收集。
具体而言，所述护理用品为具备吸水特性的护理产品，举例而言，可以是纸尿片、纸尿裤、拉拉裤、隔尿垫等，所述预定吸水量阈值为根据所述第一用户的身体状态实时获得的预定排尿量阈值，当所述吸水量达到所述预定吸水量阈值时，此时根据所述吸水量信息，判断所述第一用户的尿液含量信息，当所述吸水量信息到达所述预定吸水量阈值时，获得第二提醒指令，根据所述第二提醒指令，对所述第一用户进行尿液收集。
进一步而言，所述获得所述第一用户的护理用品的吸水量信息之前，本申请实施例步骤S750还包括：
步骤S751：获得第一用户的性别信息；
步骤S752：根据所述性别信息，获得第一吸水位置信息，所述第一吸水位置信息为所述第一用户护理用品的吸水位置信息；
步骤S753：根据所述第一吸水位置信息，获得所述第一用户的护理用品的吸水量信息。
具体而言，所述用户可能是老年痴呆或卧床不起用户，根据所述用户的性别的不同，获得所述隔尿垫的吸水位置信息，根据所述吸水位置，根据所述获得的吸水位置，获得所述第一用户的护理用户品的吸水量信息，以达到准确判断所述吸水量信息的技术效果。
进一步而言，本申请实施例还包括：
步骤S810：根据所述第一用户的日饮水量信息和日进食含水量信息获得所述第一用户的日总进水量信息；
步骤S820：根据所述日总进水量信息和所述日排尿量信息，获得所述第一用户的尿液转换率信息；
步骤S830：根据所述尿液转换率信息，获得第二修正参数；
步骤S840：根据所述第二修正参数，修正所述第一用户的日排尿量信息。
具体而言，根据所述第一用户的总的进水量信息及总的日排尿量信息获得所述第一用户的尿液转化率信息，通过连续几日的连续尿转化率信息对所述日排尿量进行预估，即产生所述第二修正参数，所述第二修正参数用于修正所述第一用户的日排尿量信息。通过对所述第一用户的日排尿量信息进行基于尿液转化率的预估修正，进而达到提高尿液样本收集效率的技术效果。
进一步而言，所述将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入第一训练模型之前，本申请实施例步骤S300还包括：
步骤S310：将所述作为训练数据的第一体征特征信息和第一历史排便规律信息作为第一区块，根据第二体征特征信息和第二历史排便规律信息作为第二区块，以此类推，获得第N区块，其中，N为大于1的自然数；
步骤S320：根据所述第一区块生成第一验证码，所述第一验证码与所述第一区块一一对应，根据所述第二区块和所述第一验证码生成第二验证码，以此类推，根据第N区块和第N-1验证码生成第N验证码；
步骤S330：将所有区块及验证码分别复制保存在M台电子设备上，其中，M为大于1的自然数。
具体而言，区块链技术也被称之为分布式账本技术，是一种由若干台计算设备共同参与“记账"，共同维护一份完整的分布式数据库的新兴技术。由于区块链技术具有去中心化、公开透明、每台计算设备可以参与数据库记录、并且各计算设备之间可以快速的进行数据同步的特性，使得区块链技术已在众多的领域中广泛的进行应用。根据所述第一区块生成第一验证码，所述第一验证码与第一区块一一对应；根据第二区块和第一验证码生成的第二验证码，第二验证码与第二区块一一对应；以此类推，根据第N区块和第N-1验证码生成的第N验证码，其中，N为大于1的自然数。将所有区块和验证码分别复制保存在M台设备上，其中，所述第一区块和所述第一验证码作为第一存储单位保存在一台设备上，所述第二区块和所述第二验证码作为第二存储单位保存在一台设备上，所述第N区块和所述第N验证码作为第N存储单位保存在一台设备上，当需要调用所述区块时，每后一个节点接收前一节点存储的数据后，通过“共识机制”进行校验后保存，通过哈希函数对于每一存储单位进行串接，使得训练数据不易丢失和遭到破坏，通过区块链的逻辑对所述训练数据进行加密处理，保证了所述区块信息的安全性，并存储于多台设备上，所述存储于多台设备上的数据通过共识机制进行处理，即少数服从多数，当一台或多台设备被篡改时，只要存储正确数据的设备数量大于被篡改的设备数量，则获得的区块信息仍然是准确的，进一步的保证了区块信息的安全性，达到通过所述训练数据训练获得的训练模型更加准确，进而获得更加准确的第一用户是否需要小便的技术效果。
综上所述，本申请实施例所提供的一种提高尿液样本收集效率的信息处理方法和装置具有如下技术效果：
1、由于采用了将所述第一用户的体征特性信息作为第一输入信息，历史小便规律作为第二输入信息，输入第一训练模型的方式，基于训练模型不断自我修正调整的特性，达到准确判断所述第一用户的小便排放时间，根据所述排放时间提醒所述第一用户进行尿液收集的技术效果。
2、由于采用了通过获得所述第一用户的日排尿量信息的方式，为后续准确分析排尿时间奠定了基础。
3、由于采用了通过连续几日的连续尿转化率信息对所述日排尿量进行预估的方式，产生所述第二修正参数，所述第二修正参数用于修正所述第一用户的日排尿量信息。通过对所述第一用户的日排尿量信息进行基于尿液转化率的预估修正，进而达到提高尿液样本收集效率的技术效果。
实施例二
基于与前述实施例中一种提高尿液样本收集效率的信息处理方法同样发明构思，本发明还提供了一种提高尿液样本收集效率的信息处理装置，如图2所示，所述装置包括：
第一获得单元11，所述第一获得单元11用于获得第一用户的体征特性信息；
第二获得单元12，所述第二获得单元12用于获得所述第一用户的历史小便规律信息；
第一输入单元13，所述第一输入单元13用于将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述体征特性信息、所述历史排便规律信息和用来标识第一用户是否需要小便的标识信息；
第三获得单元14，所述第三获得单元14用于获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；
第四获得单元15，所述第四获得单元15用于当所述第一输出信息为第一输出结果时，获得第一提醒指令；
第一收集单元16，所述第一收集单元16用于根据所述第一提醒指令，对所述第一用户进行尿液收集。
进一步的，所述装置还包括：
第五获得单元，所述第五获得单元用于获得所述第一用户的日饮水量信息；
第六获得单元，所述第六获得单元用于获得所述第一用户的日进食含水量信息；
第二输入单元，所述第二输入单元用于将所述日饮水量信息作为第一输入信息，所述日进食含水量信息作为第二输入信息输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述日饮水量信息、所述日进食含水量信息和用来标识第一用户排尿量的标识信息；
第七获得单元，所述第七获得单元用于获得所述第二训练模型的第二输出信息，其中，所述第二输出信息为所述第一用户的日排尿量信息。
进一步的，所述装置还包括：
第八获得单元，所述第八获得单元用于根据所述第一用户的体征特性信息，获得第一修正参数；
第一修正单元，所述第一修正单元用于根据所述第一修正参数，修正所述第一用户的日排尿量信息。
进一步的，所述装置还包括：
第九获得单元，所述第九获得单元用于获得所述第一用户的日进食种类信息；
第十获得单元，所述第十获得单元用于获得所述第一用户的日进食量信息；
第十一获得单元，所述第十一获得单元用于根据所述第一用户的日进食种类信息和所述日进食量信息，获得所述第一用户的日进食含水量信息。
进一步的，所述装置还包括：
第十二获得单元，所述第十二获得单元用于获得所述第一用户的护理用品的吸水量信息；
第十三获得单元，所述第十三获得单元用于获得预定吸水量阈值；
第一判断单元，所述第一判断单元用于判断所述吸水量是否达到所述预定吸水量阈值；
第十四获得单元，所述第十四获得单元用于如果所述吸水量达到所述预定吸水量阈值，获得第二提醒指令；
第二收集单元，所述第二收集单元用于根据所述第二提醒指令，对所述第一用户进行尿液收集。
进一步的，所述装置还包括：
第十五获得单元，所述第十五获得单元用于获得第一用户的性别信息；
第十六获得单元，所述第十六获得单元用于根据所述性别信息，获得第一吸水位置信息，所述第一吸水位置信息为所述第一用户护理用品的吸水位置信息；
第十七获得单元，所述第十七获得单元用于根据所述第一吸水位置信息，获得所述第一用户的护理用品的吸水量信息。
进一步的，所述装置还包括：
第十八获得单元，所述第十八获得单元用于根据所述第一用户的日饮水量信息和日进食含水量信息获得所述第一用户的日总进水量信息；
第十九获得单元，所述第十九获得单元用于根据所述日总进水量信息和所述日排尿量信息，获得所述第一用户的尿液转换率信息；
第二十获得单元，所述第二十获得单元用于根据所述尿液转换率信息，获得第二修正参数；
第二修正单元，所述第二修正单元用于根据所述第二修正参数，修正所述第一用户的日排尿量信息。
前述图1实施例一中的一种提高尿液样本收集效率的信息处理方法的各种变化方式和具体实例同样适用于本实施例的一种提高尿液样本收集效率的信息处理装置，通过前述对一种提高尿液样本收集效率的信息处理方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种提高尿液样本收集效率的信息处理装置的实施方法，所以为了说明书的简洁，在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种提高尿液样本收集效率的信息处理方法的发明构思，本发明还提供一种提高尿液样本收集效率的信息处理装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种提高尿液样本收集效率的信息处理方法的任一方法的步骤。
其中，在图3中，总线架构(用总线300来代表)，总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种提高尿液样本收集效率的信息处理方法，所述方法包括：获得第一用户的体征特性信息；获得所述第一用户的历史小便规律信息；将所述体征特性信息作为第一输入信息，所述历史排便规律信息作为第二输入信息输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述体征特性信息、所述历史排便规律信息和用来标识第一用户是否需要小便的标识信息；获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；当所述第一输出信息为第一输出结果时，获得第一提醒指令；根据所述第一提醒指令，对所述第一用户进行尿液收集。解决了现有技术中存在尿液样本收集困难，导致耽误尿液检查时间的技术问题，达到提高尿液样本收集效率的技术效果。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种提高尿液样本收集效率的信息处理方法，其中，所述方法包括：
获得第一用户的体征特性信息，其中所述体征特性信息包括所述第一用户的身份信息、实时身体状态信息；
获得所述第一用户的历史小便规律信息，其中所述历史小便规律为根据所述第一用户的日常生活、饮食习惯监控所述第一用户的小便次数及小便时间信息获得的，所述小便时间包括进行小便的时刻信息及小便时长信息，根据所述小便时长信息对所述第一用户的小便量进行预估并记录，根据所述小便次数、时间、及排量获得所述第一用户的历史小便规律信息；
将所述体征特性信息作为第一输入信息，所述历史小便规律信息作为第二输入信息输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述体征特性信息、所述历史小便规律信息和用来标识第一用户是否需要小便的标识信息；
获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；
当所述第一输出信息为第一输出结果时，获得第一提醒指令；
根据所述第一提醒指令，对所述第一用户进行尿液收集。
2.如权利要求1所述的方法，其中，所述方法包括：
获得所述第一用户的日饮水量信息；
获得所述第一用户的日进食含水量信息；
将所述日饮水量信息作为第一输入信息，所述日进食含水量信息作为第二输入信息输入第二训练模型，其中，所述第二训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述日饮水量信息、所述日进食含水量信息和用来标识第一用户排尿量的标识信息；
获得所述第二训练模型的第二输出信息，其中，所述第二输出信息为所述第一用户的日排尿量信息。
3.如权利要求2所述的方法，其中，所述方法包括：
根据所述第一用户的体征特性信息，获得第一修正参数；
根据所述第一修正参数，修正所述第一用户的日排尿量信息。
4.如权利要求2所述的方法，其中，所述获得所述第一用户的日进食含水量信息，包括：
获得所述第一用户的日进食种类信息；
获得所述第一用户的日进食量信息；
根据所述第一用户的日进食种类信息和所述日进食量信息，获得所述第一用户的日进食含水量信息。
5.如权利要求1所述的方法，其中，所述方法包括：
获得所述第一用户的护理用品的吸水量信息；
获得预定吸水量阈值；
判断所述吸水量是否达到所述预定吸水量阈值；
如果所述吸水量达到所述预定吸水量阈值，获得第二提醒指令；
根据所述第二提醒指令，对所述第一用户进行尿液收集。
6.如权利要求5所述的方法，其中，所述获得所述第一用户的护理用品的吸水量信息之前，包括：
获得第一用户的性别信息；
根据所述性别信息，获得第一吸水位置信息，所述第一吸水位置信息为所述第一用户护理用品的吸水位置信息；
根据所述第一吸水位置信息，获得所述第一用户的护理用品的吸水量信息。
7.如权利要求2所述的方法，其中，所述方法包括：
根据所述第一用户的日饮水量信息和日进食含水量信息获得所述第一用户的日总进水量信息；
根据所述日总进水量信息和所述日排尿量信息，获得所述第一用户的尿液转换率信息；
根据所述尿液转换率信息，获得第二修正参数；
根据所述第二修正参数，修正所述第一用户的日排尿量信息。
8.一种提高尿液样本收集效率的信息处理装置，其中，所述装置包括：
第一获得单元，所述第一获得单元用于获得第一用户的体征特性信息，其中所述体征特性信息包括所述第一用户的身份信息、实时身体状态信息；
第二获得单元，所述第二获得单元用于获得所述第一用户的历史小便规律信息，其中所述历史小便规律为根据所述第一用户的日常生活、饮食习惯监控所述第一用户的小便次数及小便时间信息获得的，所述小便时间包括进行小便的时刻信息及小便时长信息，根据所述小便时长信息对所述第一用户的小便量进行预估并记录，根据所述小便次数、时间、及排量获得所述第一用户的历史小便规律信息；
第一输入单元，所述第一输入单元用于将所述体征特性信息作为第一输入信息，所述历史小便规律信息作为第二输入信息输入第一训练模型，其中，所述第一训练模型通过多组训练数据训练获得，所述多组中的训练数据中的每一组训练数据均包括：所述体征特性信息、所述历史小便规律信息和用来标识第一用户是否需要小便的标识信息；
第三获得单元，所述第三获得单元用于获得所述第一训练模型的第一输出信息，其中，所述第一输出信息包括第一输出结果和第二输出结果，所述第一输出结果为所述第一用户需要小便的结果，所述第二输出结果为所述第一用户不需要小便的结果；
第四获得单元，所述第四获得单元用于当所述第一输出信息为第一输出结果时，获得第一提醒指令；
第一收集单元，所述第一收集单元用于根据所述第一提醒指令，对所述第一用户进行尿液收集。
9.一种提高尿液样本收集效率的信息处理装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
CN202011020879.8A 2020-09-25 2020-09-25 一种提高尿液样本收集效率的信息处理方法和装置 Active CN112116967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011020879.8A CN112116967B (zh) 2020-09-25 2020-09-25 一种提高尿液样本收集效率的信息处理方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011020879.8A CN112116967B (zh) 2020-09-25 2020-09-25 一种提高尿液样本收集效率的信息处理方法和装置

Publications (2)

Publication Number Publication Date
CN112116967A CN112116967A (zh) 2020-12-22
CN112116967B true CN112116967B (zh) 2022-12-27

Family

ID=73800770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011020879.8A Active CN112116967B (zh) 2020-09-25 2020-09-25 一种提高尿液样本收集效率的信息处理方法和装置

Country Status (1)

Country Link
CN (1) CN112116967B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112661645A (zh) * 2020-12-31 2021-04-16 佳力士添加剂（海安）有限公司 一种高纯度单甘酯的提纯方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102470666B1 (ko) * 2016-04-12 2022-11-23 고고 밴드, 인코포레이티드 배뇨 예측 및 모니터링
CN108652678B (zh) * 2018-03-13 2024-05-17 上海科勒电子科技有限公司 一种自动跟踪尿液的方法及装置
CN109065187A (zh) * 2018-07-27 2018-12-21 赵凯 一种尿液跟踪分析方法和装置
CN110211692A (zh) * 2019-05-31 2019-09-06 Oppo（重庆）智能科技有限公司 一种数据处理的方法及装置
CN111329491A (zh) * 2020-02-27 2020-06-26 京东方科技集团股份有限公司 一种血糖预测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN112116967A (zh) 2020-12-22

Similar Documents

Publication Publication Date Title
CN109785976A (zh) 一种基于Soft-Voting的痛风病分期预测***
Sanzogni et al. Milk production estimates using feed forward artificial neural networks
Knauer et al. Evaluation of applying statistical process control techniques to daily average feeding behaviors to detect disease in automatically fed group-housed preweaned dairy calves
Fergus et al. Modelling segmented cardiotocography time-series signals using one-dimensional convolutional neural networks for the early detection of abnormal birth outcomes
Azimi et al. Machine learning-based automatic detection of central sleep apnea events from a pressure sensitive mat
Adetiba et al. Automated detection of heart defects in athletes based on electrocardiography and artificial neural network
CN112116967B (zh) 一种提高尿液样本收集效率的信息处理方法和装置
CN108549276A (zh) 一种智能交互控制制水设备的方法及***
CN117034142B (zh) 一种不平衡医疗数据缺失值填充方法及***
CN106250712A (zh) 一种基于增量式神经网络模型的输尿管结石预测方法和预测***
CN109817328A (zh) 一种判别哮喘的方法及装置
CN112289423A (zh) 一种基于智慧社区病患的复诊及康复的方法及***
Van der Voort et al. Invited review: Toward a common language in data-driven mastitis detection research
Rimi et al. Machine learning techniques for dental disease prediction
Dittrich et al. Estimating risk probabilities for sickness from behavioural patterns to identify health challenges in dairy cows with multivariate cumulative sum control charts
Maheshwari et al. A review on mango leaf diseases identification using convolution neural network
CN110120264A (zh) 一种哮喘的预后评估方法及装置
Yan Gingivitis detection by fractional Fourier entropy with optimization of hidden neurons
Fan et al. Multivariable time series classification for clinical mastitis detection and prediction in automated milking systems
CN106250715A (zh) 一种基于增量式神经网络模型的慢性咽喉炎预测方法和预测***
CN112382382A (zh) 一种代价敏感的集成学习分类方法及***
CN113096768A (zh) 一种食管癌的饮食调理养护方法及***
Cassimiro et al. Milk weighing scale based on machine learning
Thompson et al. Detection of Obstructive Sleep Apnoea Using Features Extracted From Segmented Time-Series ECG Signals With a One Dimensional Convolutional Neural Network
Gupta et al. Predicting chronic kidney disease using machine learning

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
GR01 Patent grant
GR01 Patent grant