CN116313083A - 基于算法和大数据的糖尿病智慧互联远程实时监测管理*** - Google Patents
基于算法和大数据的糖尿病智慧互联远程实时监测管理*** Download PDFInfo
- Publication number
- CN116313083A CN116313083A CN202310207448.XA CN202310207448A CN116313083A CN 116313083 A CN116313083 A CN 116313083A CN 202310207448 A CN202310207448 A CN 202310207448A CN 116313083 A CN116313083 A CN 116313083A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- point
- feature
- image
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 206010012601 diabetes mellitus Diseases 0.000 title claims abstract description 52
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 55
- 201000010099 disease Diseases 0.000 claims abstract description 51
- 238000011282 treatment Methods 0.000 claims abstract description 40
- 238000007726 management method Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 15
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000010223 real-time analysis Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 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 description 11
- 239000008103 glucose Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013079 data visualisation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- NOESYZHRGYRDHS-UHFFFAOYSA-N insulin Chemical compound N1C(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(NC(=O)CN)C(C)CC)CSSCC(C(NC(CO)C(=O)NC(CC(C)C)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CCC(N)=O)C(=O)NC(CC(C)C)C(=O)NC(CCC(O)=O)C(=O)NC(CC(N)=O)C(=O)NC(CC=2C=CC(O)=CC=2)C(=O)NC(CSSCC(NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2C=CC(O)=CC=2)NC(=O)C(CC(C)C)NC(=O)C(C)NC(=O)C(CCC(O)=O)NC(=O)C(C(C)C)NC(=O)C(CC(C)C)NC(=O)C(CC=2NC=NC=2)NC(=O)C(CO)NC(=O)CNC2=O)C(=O)NCC(=O)NC(CCC(O)=O)C(=O)NC(CCCNC(N)=N)C(=O)NCC(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC=CC=3)C(=O)NC(CC=3C=CC(O)=CC=3)C(=O)NC(C(C)O)C(=O)N3C(CCC3)C(=O)NC(CCCCN)C(=O)NC(C)C(O)=O)C(=O)NC(CC(N)=O)C(O)=O)=O)NC(=O)C(C(C)CC)NC(=O)C(CO)NC(=O)C(C(C)O)NC(=O)C1CSSCC2NC(=O)C(CC(C)C)NC(=O)C(NC(=O)C(CCC(N)=O)NC(=O)C(CC(N)=O)NC(=O)C(NC(=O)C(N)CC=1C=CC=CC=1)C(C)C)CC1=CN=CN1 NOESYZHRGYRDHS-UHFFFAOYSA-N 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000036772 blood pressure Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 102000004877 Insulin Human genes 0.000 claims description 3
- 108090001061 Insulin Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 229940125396 insulin Drugs 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 208000024172 Cardiovascular disease Diseases 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 208000017169 kidney disease Diseases 0.000 description 1
- 238000011866 long-term treatment Methods 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 201000001119 neuropathy Diseases 0.000 description 1
- 230000007823 neuropathy Effects 0.000 description 1
- 208000033808 peripheral neuropathy Diseases 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供一种基于算法和大数据的糖尿病智慧互联远程实时监测管理***，包括数据采集模块、数据分析模块、病情预警模块和远程医疗咨询模块，所述数据采集模块将患者的糖尿病病症数据进行统一采集，所述数据分析模块对患者的数据进行实时分析，并生成相应的监测报告，为医生和患者提供参考依据，所述病情预警模块基于患者的历史数据和实时数据进行预测和分析，及时预警并提示患者及医生，所述远程医疗咨询模块实现医生与患者的在线沟通，让医生实时掌握患者的病情和数据，及时给出诊疗意见和建议。
Description
技术领域
本公开内容涉及智慧医疗与数据处理领域，更具体地，本公开内容涉及基于算法和大数据的糖尿病智慧互联远程实时监测管理***。
背景技术
糖尿病是一种代谢疾病，全球糖尿病患者数量已经超过4.60亿，占全球人口的9.3％。而且，这个数字还在不断上升。尤其是在发展中国家，糖尿病已经成为一种流行性疾病。糖尿病会给患者带来许多健康问题，包括心血管疾病、肾脏疾病、眼疾、神经病变等，给患者的生活造成很大的因扰。另外，糖尿病是一种慢性疾病，需要长期的治疗和监测。目前，传统的糖尿病监测方法主要依靠血糖仪和血糖试纸进行监测，但这种方法存在许多缺陷。首先，需要手动测量血糖值，操作不方便且容易出错。其次，只能提供短期的血糖值数据，无法全面了解患者的病情。此外，患者需要频繁进行血糖监测，会给患者带来不小的负担和不适。对于糖尿病患者来说，监测和管理自己的病情非常重要，因为及时发现和控制病情，可以减轻病情的严重程度，预防并发症的发生。传统的糖尿病监测方法是让患者定期到医院进行血糖监测，但是这种方法有一些缺点，例如需要耗费大量的时间和金钱，给患者的工作和生活带来不便。此外，这种方法的数据采集和分析也比较缓慢，很难做到实时监测和预警。随着智能医疗技术的发展，基于算法和大数据的糖尿病智慧互联远程实时监测管理***应运而生。该***可以通过智能传感器和移动设备实时监测患者的血糖、血压等生理参数，并通过云计算、人工智能等技术进行数据分析和处理，提供患者个性化的医疗方案和预警，让糖尿病患者实现全天候、全方位的健康管理，有效地控制病情并预防并发症的发生。
发明内容
针对上述问题，本发明旨在提供基于算法和大数据的糖尿病智慧互联远程实时监测管理***。
本发明创造的目的通过以下技术方案实现：
基于算法和大数据的糖尿病智慧互联远程实时监测管理***，包括数据采集模块、数据分析模块、病情预警模块和远程医疗咨询模块，所述数据采集模块包括硬件和软件两部分，将患者的糖尿病病症数据进行统一采集，所述数据分析模块具有数据清洗、特征提取、数据建模和监测报告生成的功能，对患者的数据进行实时分析，并生成相应的监测报告，为医生和患者提供参考依据，所述病情预警模块基于患者的历史数据和实时数据，并且对于糖尿病患者的病症特征图利用改进后的尺度不变特征变换算法提取图像特征，并进行预测和分析，及时预警并提示患者及医生，所述远程医疗咨询模块实现医生与患者的在线沟通，让医生实时掌握患者的病情和数据，及时给出诊疗意见和建议。
进一步的，所述数据采集模块包括硬件和软件两部分：硬件方面，使用现有的糖尿病监测设备，如血糖仪、血压计、体重计，通过蓝牙、WiFi等技术与***进行数据传输；软件方面，数据采集模块通过各种接口、API方式与不同型号的设备进行通信，获取并解析设备传输的数据，同时，数据采集模块还支持多种格式的数据输入，如Excel、CSV格式；在数据采集的过程中，数据采集模块能够对数据进行实时校验、验证和过滤，确保数据的准确性和完整性，采集到的数据还可以通过数据压缩、加密等技术进行优化处理，提高数据的传输效率和安全性；此外数据采集模块不仅可以采集患者的糖尿病监测数据，还可以获取其他相关信息，如患者的基本信息、就诊记录，这些数据的采集在医生对患者进行诊疗时提供参考，帮助医生更好地了解患者的病情，制定更有效的治疗方案。
进一步的，所述数据分析模块，功能如下：
(1)数据清洗：对采集的数据进行去噪、去重、补全等处理，确保数据质量和完整性；
(2)特征提取：提取患者糖尿病病症数据中的关键特征，如血糖值、胰岛素用量、运动量等，以便进一步分析和预测；
(3)数据建模：基于机器学习和数据挖掘算法，构建模型来预测患者的糖尿病病症趋势和风险，同时对患者当前的健康状态进行评估；
(4)监测报告生成：将数据分析的结果生成监测报告，包括患者当前状况、病情变化趋势、潜在风险等内容，供医生和患者参考和分析；
通过数据分析模块的实时分析和监测，医生和患者更加全面地了解患者的病情和健康状态，及时采取相应的治疗措施和调整方案，提高治疗效果和生活质量。
进一步的，所述病情预警模块旨在基于患者的历史数据和实时数据进行预测和分析，及时预警并提示患者及医生，其主要功能包括数据预处理、病情预测、预警提示、数据可视化，其中，数据预处理功能是对所采集到的患者数据进行处理，去除数据中的异常值和噪声，保证数据的准确性和可靠性；病情预测功能基于历史数据和实时数据，采用改进后的尺度不变特征变换算法，对患者的病情进行预测，分析患者的病情变化趋势，通过患者的病症特征图预测患者可能发生的病情变化，具体如下：
对于糖尿病患者的病症特征图利用改进后的尺度不变特征变换算法提取图像特征，首先构造尺度空间，将图像转换到尺度空间上，利用高斯函数G(x，y，σ)对图像I(x，y)进行卷积计算，将平面上的二维图像转换到尺度空间图像，计算如下：L(x，y，σ)＝G(x，y，σ)*I(x，y)，其中，L(x，y，σ)为尺度空间中的图像，x为图像的横坐标，y为图像的纵坐标，σ为空间尺度因子，G(x，y，σ)为高斯核函数，满足：
I(x，y)为平面内的二维图像，为了获取尺度空间所对应的极值点D(x，y，σ)，其计算如下：
D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ)
其中，k为乘数因子，用于改变相邻尺度的尺度大小；
接着通过图像高斯模糊和图像的降采样两个步骤生成高斯差分金字塔，由图像降采样获取特定的渐变图像，之后按照顺序进行排列，原始图像处于最下端，高斯差分金字塔的每一层由高斯金字塔相邻的两层结果差分运算得到，接着，对图像的极值点进行检测，首先对图像内的各个点都要筛选一遍，进而分析各点是否存在极值，判断极值点的标准是将该点与临近层的26个点展开进行对比，判断这个点是最大值还是最小值，如果是最值，那么该点将保留下来，利用函数拟合得到特征点的定位，即对高斯差分算子D(x，y，σ)进行二次泰勒展开进行运算，然后对采样点进行计算：
对上式进行求导，并令D(X)＝0，有：
其中，/>
为极值点到样本数据点的偏移量，当偏移量在x，y，σ三个维度内的某个维度超过0.5时，将这个特征点调节至邻近的位置，之后对特征点所对应的偏移量进行估算，直到特征点在全部维度都完成收敛为止，当特征点位置逾越了边界范围，将该特征点抛弃；通过海塞矩阵将可靠性差的响应点清除，具体为：对主曲率的大小进行分析，并对特征点具有的可靠性进行判定，主曲率通过特征点的海塞矩阵求出，其计算公式为：
其中，Dxx表示对高斯差分算子求x的偏导后再求x的二阶偏导，Dxy表示对高斯差分算子求x的偏导后再求y的二阶偏导，Dyy表示对高斯差分算子求y的偏导后再求y的二阶偏导，分析矩阵H特征值a和b，其先后指代的是特征点在两轴方向所对应的梯度，可知：
tr(H)＝Dxx+Dyy＝a+b
det(H)＝DxxDyy-(Dyy)2＝ab
其中tr(·)为矩阵的求迹操作，det(·)为矩阵的行列式操作，记c为a与b的两个特征值的比值，有：a＝cb，满足：
在展开检验中，如果/>
成立，则表明该点为稳定点，否则需要进行剔除。
进一步的，进行特征点方向的分配，在尺度不变特征变换过程中，因为每个特征点都根据统计而分配了一个相对方向，所以图像的旋转不变得以实现，计算特征点邻近像素的梯度值和梯度方向，得到特征点方向参数，计算如下：
θ(x，y)＝tan-1((L(x，y+1)-L(x，y-1))/L(x+1，y)-L(x-1，y))
其中，L(x，y)指代的是像素点(x，y)所对应的特征值，m(x，y)指代的是像素点(x，y)所对应的梯度模值，θ(x，y)主要指代的是(x，y)对应的梯度方向值，在对特征点邻域梯度信息展开运算之后，还需生成Len维特征向量，必须通过梯度直方图对其展开详细的统计，梯度直方图将方向划分为36柱，各柱指代的是特定的梯度方向，选择其极值所在柱的方向充当其主方向，选择第二极限值所在柱的方向充当相应的辅助方向，将45°为划分单位，将它划分为8个方向，分别为东、南、西、北，东北、东南、西北、西南，接着生成特征点，为了确保旋转不变性得到良好的保障，对主方向展开标准化的转换：
其中，x`，y`分别为旋转变换后的图像像素点的横纵坐标，
其中，
是特征描述子，/>
归一化的特征描述子，定义匹配图像特征描述符为X＝(x1，x2，...，xLen)，待配准图像中的某个特征描述子主要为Y＝(y1，y2，...，yLen)，如果它们的欧氏距离比值没有超过特定的阈值，那么认为这个特征点实现了有效匹配，欧式距离如下表示：
进一步的，对尺度不变特征变换算法进行改进，包括：通过重新划分矩形像素区域，减少子像素区域的个数来降低特征点的特征向量的维度；在匹配阶段，匹配条件不仅仅是欧式距离的比值，另融入了向量相关性系数来保证特征点的匹配正确率，轻量化原特征向量维数更新为Len*，归一化处理后得到：
其中，D是描述子，
是归一化后的描述子，接着对尺度不变与特征变换算法融入向量相关系数，定义向量X，Y的长度相似度为a(X，Y)，长度相似度是衡量向量大小的标准，假设存在向量X`＝(x`1，x`2，...，x`n)和Y`＝(y`1，y`2，...，y`n)，则b为：/>
其中，c(X`，Y`)＝a(X`，Y`)·b(X｀，Y｀)，其中c(X，Y)∈[-1，1]，当θ＝ξ/2时，两个向量正交，此时相似度系数c(X，Y)＝0，当θ＝0时，并且范数相同时，两向量的相似度系数c(X，Y)＝1；当θ＝ξ时，并且范数相同时，两向量的相似度系数c(X，Y)＝-1；
此外，当患者病情出现异常或有可能发生异常时，病情预警模块会发出预警提示，及时提醒患者及时就医或调整治疗方案；数据可视化功能将分析结果以图表等形式直观展示，让医生和患者清晰了解病情变化趋势，帮助医生制定更合理的诊疗方案，提高患者的治疗效果。
进一步的，所述远程医疗咨询模块其主要目的是实现医生与患者的在线沟通，让医生实时掌握患者的病情和数据，及时给出诊疗意见和建议，该模块通过互联网、移动应用程序等方式实现医生与患者之间的远程沟通，患者通过本***上传自己的病情和数据，医生通过登录***查看患者上传的数据和病情报告，对患者的病情进行诊断和分析，并给出治疗建议和指导，同时，医生通过***的即时通讯功能与患者进行在线沟通，解答患者的疑问，提供专业的医疗咨询服务，值得一提的是，本发明的远程医疗咨询模块不仅能为患者提供便捷的医疗服务，同时也能帮助医生更好地掌握患者的病情和数据，提高诊疗的准确性和效率，通过实时的远程沟通和数据共享，医生更好地把握患者的病情变化，及时调整治疗方案，降低糖尿病病症对患者的影响。
本发明提供的基于算法和大数据的糖尿病智慧互联远程实时监测管理***具有多方面的有益效果：利用尺度不变与特征变换算法其优点在于区分性好，能够在海量的图像数据库中进行快速准确的区分信息进行匹配，就算只有单个物体，也能产生大量特征向量，实现速度快，能够快速的进行特征向量匹配，并且能够与其它形式的特征向量进行联合扩展，创新点在于相关系数为图像位数进行进一步分类，以降低计算的复杂度，相关系数是可以通过数字对变量的关系进行度量，并且带有方向性，1表示正相关，-1表示负相关，可以对变量关系的强弱进行度量，越靠近0相关性越弱1；此外本发明的有益效果还包括实时监测、智能预警、个性化治疗、提高患者生活质量以及减轻医护负担，具体描述为：1.实时监测：该***可以实时监测糖尿病患者的生理指标，为医生提供了更准确的数据。在医生监管下，可以及时发现偏高或偏低的数据，从而更好地控制病情，减少住院率。2智能预警：该***基于智能算法分析患者的生理数据，识别出可能存在的病症并提前发出预警，使医生能够及时采取措施，避免病情的恶化。3.个性化治疗：该***可以根据糖尿病患者的个人特点和生理指标，为每位患者量身定制治疗方案。通过精确的治疗方案，可以更好地控制糖尿病病情，减少并发症的发生。4提高患者生活质量：该***为患者提供了更加便捷、快捷的医疗服务。通过实时监测和智能预警，患者可以更好地控制病情，减少住院和就诊次数，提高生活质量。5减轻医护负担：该***能够自动化地采集和分析糖尿病患者的生理数据，减轻医护人员的工作负担，医生可以更加高效地对患者进行监管，提高工作效率。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
基于算法和大数据的糖尿病智慧互联远程实时监测管理***，包括数据采集模块、数据分析模块、病情预警模块和远程医疗咨询模块，所述数据采集模块包括硬件和软件两部分，将患者的糖尿病病症数据进行统一采集，所述数据分析模块具有数据清洗、特征提取、数据建模和监测报告生成的功能，对患者的数据进行实时分析，并生成相应的监测报告，为医生和患者提供参考依据，所述病情预警模块基于患者的历史数据和实时数据，并且对于糖尿病患者的病症特征图利用改进后的尺度不变特征变换算法提取图像特征，并进行预测和分析，及时预警并提示患者及医生，所述远程医疗咨询模块实现医生与患者的在线沟通，让医生实时掌握患者的病情和数据，及时给出诊疗意见和建议。
具体的，所述数据采集模块包括硬件和软件两部分：硬件方面，使用现有的糖尿病监测设备，如血糖仪、血压计、体重计，通过蓝牙、WiFi等技术与***进行数据传输；软件方面，数据采集模块通过各种接口、API方式与不同型号的设备进行通信，获取并解析设备传输的数据，同时，数据采集模块还支持多种格式的数据输入，如Excel、CSV格式；在数据采集的过程中，数据采集模块能够对数据进行实时校验、验证和过滤，确保数据的准确性和完整性，采集到的数据还可以通过数据压缩、加密等技术进行优化处理，提高数据的传输效率和安全性；此外数据采集模块不仅可以采集患者的糖尿病监测数据，还可以获取其他相关信息，如患者的基本信息、就诊记录，这些数据的采集在医生对患者进行诊疗时提供参考，帮助医生更好地了解患者的病情，制定更有效的治疗方案。
具体的，所述数据分析模块，功能如下：
(1)数据清洗：对采集的数据进行去噪、去重、补全等处理，确保数据质量和完整性；
(2)特征提取：提取患者糖尿病病症数据中的关键特征，如血糖值、胰岛素用量、运动量等，以便进一步分析和预测；
(3)数据建模：基于机器学习和数据挖掘算法，构建模型来预测患者的糖尿病病症趋势和风险，同时对患者当前的健康状态进行评估；
(4)监测报告生成：将数据分析的结果生成监测报告，包括患者当前状况、病情变化趋势、潜在风险等内容，供医生和患者参考和分析；
通过数据分析模块的实时分析和监测，医生和患者更加全面地了解患者的病情和健康状态，及时采取相应的治疗措施和调整方案，提高治疗效果和生活质量。
优选的，所述病情预警模块旨在基于患者的历史数据和实时数据进行预测和分析，及时预警并提示患者及医生，其主要功能包括数据预处理、病情预测、预警提示、数据可视化，其中，数据预处理功能是对所采集到的患者数据进行处理，去除数据中的异常值和噪声，保证数据的准确性和可靠性；病情预测功能基于历史数据和实时数据，采用改进后的尺度不变特征变换算法，对患者的病情进行预测，分析患者的病情变化趋势，通过患者的病症特征图预测患者可能发生的病情变化，具体如下：
对于糖尿病患者的病症特征图利用改进后的尺度不变特征变换算法提取图像特征，首先构造尺度空间，将图像转换到尺度空间上，利用高斯函数G(x，y，σ)对图像I(x，y)进行卷积计算，将平面上的二维图像转换到尺度空间图像，计算如下：L(x，y，σ)＝G(x，y，σ)*I(x，y)，其中，L(x，y，σ)为尺度空间中的图像，x为图像的横坐标，y为图像的纵坐标，σ为空间尺度因子，G(x，y，σ)为高斯核函数，满足：
I(x，y)为平面内的二维图像，为了获取尺度空间所对应的极值点D(x，y，σ)，其计算如下：
D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ)
其中，k为乘数因子，用于改变相邻尺度的尺度大小；
接着通过图像高斯模糊和图像的降采样两个步骤生成高斯差分金字塔，由图像降采样获取特定的渐变图像，之后按照顺序进行排列，原始图像处于最下端，高斯差分金字塔的每一层由高斯金字塔相邻的两层结果差分运算得到，接着，对图像的极值点进行检测，首先对图像内的各个点都要筛选一遍，进而分析各点是否存在极值，判断极值点的标准是将该点与临近层的26个点展开进行对比，判断这个点是最大值还是最小值，如果是最值，那么该点将保留下来，利用函数拟合得到特征点的定位，即对高斯差分算子D(x，y，σ)进行二次泰勒展开进行运算，然后对采样点进行计算：
对上式进行求导，并令D(X)＝0，有：
其中，/>
为极值点到样本数据点的偏移量，当偏移量在x，y，σ三个维度内的某个维度超过0.5时，将这个特征点调节至邻近的位置，之后对特征点所对应的偏移量进行估算，直到特征点在全部维度都完成收敛为止，当特征点位置逾越了边界范围，将该特征点抛弃；通过海塞矩阵将可靠性差的响应点清除，具体为：对主曲率的大小进行分析，并对特征点具有的可靠性进行判定，主曲率通过特征点的海塞矩阵求出，其计算公式为：
其中，Dxx表示对高斯差分算子求x的偏导后再求x的二阶偏导，Dxy表示对高斯差分算子求x的偏导后再求y的二阶偏导，Dyy表示对高斯差分算子求y的偏导后再求y的二阶偏导，分析矩阵H特征值a和b，其先后指代的是特征点在两轴方向所对应的梯度，可知：
tr(H)＝Dxx+Dyy＝a+b
det(H)＝DxxDyy-(Dyy)2＝ab
其中tr(·)为矩阵的求迹操作，det(·)为矩阵的行列式操作，记c为a与b的两个特征值的比值，有：a＝cb，满足：
在展开检验中，如果/>
成立，则表明该点为稳定点，否则需要进行剔除。
优选的，进行特征点方向的分配，在尺度不变特征变换过程中，因为每个特征点都根据统计而分配了一个相对方向，所以图像的旋转不变得以实现，计算特征点邻近像素的梯度值和梯度方向，得到特征点方向参数，计算如下：
θ(x，y)＝tan-1((L(x，y+1)-L(x，y-1))/L(x+1，y)-L(x-1，y))
其中，L(x，y)指代的是像素点(x，y)所对应的特征值，m(x，y)指代的是像素点(x，y)所对应的梯度模值，θ(x，y)主要指代的是(x，y)对应的梯度方向值，在对特征点邻域梯度信息展开运算之后，还需生成Len维特征向量，必须通过梯度直方图对其展开详细的统计，梯度直方图将方向划分为36柱，各柱指代的是特定的梯度方向，选择其极值所在柱的方向充当其主方向，选择第二极限值所在柱的方向充当相应的辅助方向，将45°为划分单位，将它划分为8个方向，分别为东、南、西、北，东北、东南、西北、西南，接着生成特征点，为了确保旋转不变性得到良好的保障，对主方向展开标准化的转换：
其中，x｀，y｀分别为旋转变换后的图像像素点的横纵坐标，
其中，
是特征描述子，/>
归一化的特征描述子，定义匹配图像特征描述符为X＝(x1，x2，...，xLen)，待配准图像中的某个特征描述子主要为Y＝(y1，y2，...，yLen)，如果它们的欧氏距离比值没有超过特定的阈值，那么认为这个特征点实现了有效匹配，欧式距离如下表示：
具体的，进一步对尺度不变特征变换算法进行改进，包括：通过重新划分矩形像素区域，减少子像素区域的个数来降低特征点的特征向量的维度；在匹配阶段，匹配条件不仅仅是欧式距离的比值，另融入了向量相关性系数来保证特征点的匹配正确率，轻量化原特征向量维数更新为Len*，归一化处理后得到：
其中，D是描述子，
是归一化后的描述子，接着对尺度不变与特征变换算法融入向量相关系数，定义向量X，Y的长度相似度为a(X，Y)，长度相似度是衡量向量大小的标准，假设存在向量X`＝(x`1，x`2，...，x`n)和Y`＝(y`1，y`2，...，y`n)，则b为：/>
其中，c(X`，Y`)＝a(X`，Y`)·b(X`，Y`)，其中c(X，Y)∈[-1，1]，当θ＝ξ/2时，两个向量正交，此时相似度系数c(X，Y)＝0，当θ＝0时，并且范数相同时，两向量的相似度系数c(X，Y)＝1；当θ＝ξ时，并且范数相同时，两向量的相似度系数c(X，Y)＝-1；
此外，当患者病情出现异常或有可能发生异常时，病情预警模块会发出预警提示，及时提醒患者及时就医或调整治疗方案；数据可视化功能将分析结果以图表等形式直观展示，让医生和患者清晰了解病情变化趋势，帮助医生制定更合理的诊疗方案，提高患者的治疗效果。
具体的，所述远程医疗咨询模块其主要目的是实现医生与患者的在线沟通，让医生实时掌握患者的病情和数据，及时给出诊疗意见和建议，该模块通过互联网、移动应用程序等方式实现医生与患者之间的远程沟通，患者通过本***上传自己的病情和数据，医生通过登录***查看患者上传的数据和病情报告，对患者的病情进行诊断和分析，并给出治疗建议和指导，同时，医生通过***的即时通讯功能与患者进行在线沟通，解答患者的疑问，提供专业的医疗咨询服务，值得一提的是，本发明的远程医疗咨询模块不仅能为患者提供便捷的医疗服务，同时也能帮助医生更好地掌握患者的病情和数据，提高诊疗的准确性和效率，通过实时的远程沟通和数据共享，医生更好地把握患者的病情变化，及时调整治疗方案，降低糖尿病病症对患者的影响。
本发明提供的基于算法和大数据的糖尿病智慧互联远程实时监测管理***具有多方面的有益效果：利用尺度不变与特征变换算法其优点在于区分性好，能够在海量的图像数据库中进行快速准确的区分信息进行匹配，就算只有单个物体，也能产生大量特征向量，实现速度快，能够快速的进行特征向量匹配，并且能够与其它形式的特征向量进行联合扩展，创新点在于相关系数为图像位数进行进一步分类，以降低计算的复杂度，相关系数是可以通过数字对变量的关系进行度量，并且带有方向性，1表示正相关，-1表示负相关，可以对变量关系的强弱进行度量，越靠近0相关性越弱1；此外本发明的有益效果还包括实时监测、智能预警、个性化治疗、提高患者生活质量以及减轻医护负担，具体描述为：1.实时监测：该***可以实时监测糖尿病患者的生理指标，为医生提供了更准确的数据。在医生监管下，可以及时发现偏高或偏低的数据，从而更好地控制病情，减少住院率。2智能预警：该***基于智能算法分析患者的生理数据，识别出可能存在的病症并提前发出预警，使医生能够及时采取措施，避免病情的恶化。3.个性化治疗：该***可以根据糖尿病患者的个人特点和生理指标，为每位患者量身定制治疗方案。通过精确的治疗方案，可以更好地控制糖尿病病情，减少并发症的发生。4提高患者生活质量：该***为患者提供了更加便捷、快捷的医疗服务。通过实时监测和智能预警，患者可以更好地控制病情，减少住院和就诊次数，提高生活质量。5减轻医护负担：该***能够自动化地采集和分析糖尿病患者的生理数据，减轻医护人员的工作负担，医生可以更加高效地对患者进行监管，提高工作效率。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种基于算法和大数据的糖尿病智慧互联远程实时监测管理***，其特征在于，包括数据采集模块、数据分析模块、病情预警模块和远程医疗咨询模块，所述数据采集模块包括硬件和软件两部分，将患者的糖尿病病症数据进行统一采集，所述数据分析模块具有数据清洗、特征提取、数据建模和监测报告生成的功能，对患者的数据进行实时分析，并生成相应的监测报告，为医生和患者提供参考依据，所述病情预警模块基于患者的历史数据和实时数据，并且对于糖尿病患者的病症特征图利用改进后的尺度不变特征变换算法提取图像特征，并进行预测和分析，及时预警并提示患者及医生，所述远程医疗咨询模块实现医生与患者的在线沟通，让医生实时掌握患者的病情和数据，及时给出诊疗意见和建议。
2.根据权利要求1所述的基于算法和大数据的糖尿病智慧互联远程实时监测管理***，其特征在于，所述数据采集模块包括硬件和软件两部分：硬件方面，使用现有的糖尿病监测设备，如血糖仪、血压计、体重计，通过蓝牙、WiFi技术与***进行数据传输；软件方面，数据采集模块通过各种接口、API方式与不同型号的设备进行通信，获取并解析设备传输的数据，同时，数据采集模块还支持多种格式的数据输入，如Excel、CSV格式；在数据采集的过程中，数据采集模块能够对数据进行实时校验、验证和过滤，确保数据的准确性和完整性，采集到的数据还可以通过数据压缩、加密等技术进行优化处理，提高数据的传输效率和安全性；此外数据采集模块不仅可以采集患者的糖尿病监测数据，还可以获取其他相关信息，如患者的基本信息、就诊记录，这些数据的采集在医生对患者进行诊疗时提供参考，帮助医生更好地了解患者的病情，制定更有效的治疗方案。
3.根据权利要求1所述的基于算法和大数据的糖尿病智慧互联远程实时监测管理***，其特征在于，所述数据分析模块，功能如下：
(1)数据清洗：对采集的数据进行去噪、去重、补全等处理，确保数据质量和完整性；
(2)特征提取：提取患者糖尿病病症数据中的关键特征，如血糖值、胰岛素用量、运动量等，以便进一步分析和预测；
(3)数据建模：基于机器学习和数据挖掘算法，构建模型来预测患者的糖尿病病症趋势和风险，同时对患者当前的健康状态进行评估；
(4)监测报告生成：将数据分析的结果生成监测报告，包括患者当前状况、病情变化趋势、潜在风险等内容，供医生和患者参考和分析；
通过数据分析模块的实时分析和监测，医生和患者更加全面地了解患者的病情和健康状态，及时采取相应的治疗措施和调整方案，提高治疗效果和生活质量。
4.根据权利要求1所述的基于算法和大数据的糖尿病智慧互联远程实时监测管理***，其特征在于，所述病情预警模块旨在基于患者的历史数据和实时数据进行预测和分析，及时预警并提示患者及医生，其主要功能包括数据预处理、病情预测、预警提示、数据可视化，其中，数据预处理功能是对所采集到的患者数据进行处理，去除数据中的异常值和噪声，保证数据的准确性和可靠性；病情预测功能基于历史数据和实时数据，采用改进后的尺度不变特征变换算法，对患者的病情进行预测，分析患者的病情变化趋势，通过患者的病症特征图预测患者可能发生的病情变化，具体如下：
对于糖尿病患者的病症特征图利用改进后的尺度不变特征变换算法提取图像特征，首先构造尺度空间，将图像转换到尺度空间上，利用高斯函数G(x，y，σ)对图像I(x，y)进行卷积计算，将平面上的二维图像转换到尺度空间图像，计算如下：L(x，y，σ)＝G(x，y，σ)*I(x，y)，其中，L(x，y，σ)为尺度空间中的图像，x为图像的横坐标，y为图像的纵坐标，σ为空间尺度因子，G(x，y，σ)为高斯核函数，满足：
I(x，y)为平面内的二维图像，为了获取尺度空间所对应的极值点D(x，y，σ)，其计算如下：
D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ)
其中，k为乘数因子，用于改变相邻尺度的尺度大小；
接着通过图像高斯模糊和图像的降采样两个步骤生成高斯差分金字塔，由图像降采样获取特定的渐变图像，之后按照顺序进行排列，原始图像处于最下端，高斯差分金字塔的每一层由高斯金字塔相邻的两层结果差分运算得到，接着，对图像的极值点进行检测，首先对图像内的各个点都要筛选一遍，进而分析各点是否存在极值，判断极值点的标准是将该点与临近层的26个点展开进行对比，判断这个点是最大值还是最小值，如果是最值，那么该点将保留下来，利用函数拟合得到特征点的定位，即对高斯差分算子D(x，y，σ)进行二次泰勒展开进行运算，然后对采样点进行计算：
对上式进行求导，并令D(X)＝0，有：
其中，/>
为极值点到样本数据点的偏移量，当偏移量在x，y，σ三个维度内的某个维度超过0.5时，将这个特征点调节至邻近的位置，之后对特征点所对应的偏移量进行估算，直到特征点在全部维度都完成收敛为止，当特征点位置逾越了边界范围，将该特征点抛弃；通过海塞矩阵将可靠性差的响应点清除，具体为：对主曲率的大小进行分析，并对特征点具有的可靠性进行判定，主曲率通过特征点的海塞矩阵求出，其计算公式为：
其中，Dxx表示对高斯差分算子求x的偏导后再求x的二阶偏导，Dxy表示对高斯差分算子求x的偏导后再求y的二阶偏导，Dyy表示对高斯差分算子求y的偏导后再求y的二阶偏导，分析矩阵H特征值a和b，其先后指代的是特征点在两轴方向所对应的梯度，可知：
tr(H)＝Dxx+Dyy＝a+b
det(H)＝DxxDyy-(Dyy)2＝ab
其中tr(·)为矩阵的求迹操作，det(·)为矩阵的行列式操作，记c为a与b的两个特征值的比值，有：a＝cb，满足：
在展开检验中，如果/>
成立，则表明该点为稳定点，否则需要进行剔除。
5.根据权利要求4所述的基于算法和大数据的糖尿病智慧互联远程实时监测管理***，其特征在于，进行特征点方向的分配，在尺度不变特征变换过程中，因为每个特征点都根据统计而分配了一个相对方向，所以图像的旋转不变得以实现，计算特征点邻近像素的梯度值和梯度方向，得到特征点方向参数，计算如下：
θ(x，y)＝tan-1((L(x，y+1)-L(x，y-1))/L(x+1，y)-L(x-1，y))
其中，L(x，y)指代的是像素点(x，y)所对应的特征值，m(x，y)指代的是像素点(x，y)所对应的梯度模值，θ(x，y)主要指代的是(x，y)对应的梯度方向值，在对特征点邻域梯度信息展开运算之后，还需生成Len维特征向量，必须通过梯度直方图对其展开详细的统计，梯度直方图将方向划分为36柱，各柱指代的是特定的梯度方向，选择其极值所在柱的方向充当其主方向，选择第二极限值所在柱的方向充当相应的辅助方向，将45°为划分单位，将它划分为8个方向，分别为东、南、西、北，东北、东南、西北、西南，接着生成特征点，为了确保旋转不变性得到良好的保障，对主方向展开标准化的转换：
其中，x`，y`分别为旋转变换后的图像像素点的横纵坐标，
其中，
是特征描述子，/>
归一化的特征描述子，定义匹配图像特征描述符为X＝(x1，x2，...，xLen)，待配准图像中的某个特征描述子主要为Y＝(y1，y2，...，yLen)，如果它们的欧氏距离比值没有超过特定的阈值，那么认为这个特征点实现了有效匹配，欧式距离如下表示：
6.根据权利要求5所述的基于算法和大数据的糖尿病智慧互联远程实时监测管理***，其特征在于，进一步对尺度不变特征变换算法进行改进，包括：通过重新划分矩形像素区域，减少子像素区域的个数来降低特征点的特征向量的维度；在匹配阶段，匹配条件不仅仅是欧式距离的比值，另融入了向量相关性系数来保证特征点的匹配正确率，轻量化原特征向量维数更新为Len*，归一化处理后得到：
其中，D是描述子，
是归一化后的描述子，接着对尺度不变与特征变换算法融入向量相关系数，定义向量X，Y的长度相似度为a(X，Y)，长度相似度是衡量向量大小的标准，假设存在向量X`＝(x`1，x`2，...，x`n)和Y`＝(y`1，y`2，...，y`n)，则b为：/>
其中，c(X`，Y`)＝a(X`，Y`)·b(X`，Y`)，其中c(X，Y)∈[-1，1]，当θ＝ξ/2时，两个向量正交，此时相似度系数c(X，Y)＝0，当θ＝0时，并且范数相同时，两向量的相似度系数c(X，Y)＝1；当θ＝ξ时，并且范数相同时，两向量的相似度系数c(X，Y)＝-1；
此外，当患者病情出现异常或有可能发生异常时，病情预警模块会发出预警提示，及时提醒患者及时就医或调整治疗方案；数据可视化功能将分析结果以图表等形式直观展示，让医生和患者清晰了解病情变化趋势，帮助医生制定更合理的诊疗方案，提高患者的治疗效果。
7.根据权利要求1所述的基于算法和大数据的糖尿病智慧互联远程实时监测管理***，其特征在于，所述远程医疗咨询模块其主要目的是实现医生与患者的在线沟通，让医生实时掌握患者的病情和数据，及时给出诊疗意见和建议，该模块通过互联网、移动应用程序等方式实现医生与患者之间的远程沟通，患者通过本***上传自己的病情和数据，医生通过登录***查看患者上传的数据和病情报告，对患者的病情进行诊断和分析，并给出治疗建议和指导，同时，医生通过***的即时通讯功能与患者进行在线沟通，解答患者的疑问，提供专业的医疗咨询服务。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207448.XA CN116313083B (zh) | 2023-03-06 | 2023-03-06 | 基于算法和大数据的糖尿病智慧互联远程实时监测管理*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310207448.XA CN116313083B (zh) | 2023-03-06 | 2023-03-06 | 基于算法和大数据的糖尿病智慧互联远程实时监测管理*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116313083A true CN116313083A (zh) | 2023-06-23 |
| CN116313083B CN116313083B (zh) | 2024-06-04 |
Family
ID=86812567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310207448.XA Active CN116313083B (zh) | 2023-03-06 | 2023-03-06 | 基于算法和大数据的糖尿病智慧互联远程实时监测管理*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116313083B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116825336A (zh) * | 2023-08-30 | 2023-09-29 | 山东志诚普惠健康科技有限公司 | 一种基于ai的医疗信息智能管理方法及*** |
| CN116844733A (zh) * | 2023-08-31 | 2023-10-03 | 吉林大学第一医院 | 一种基于人工智能的医疗数据完整性分析方法 |
| CN116936102A (zh) * | 2023-08-24 | 2023-10-24 | 南方医科大学南方医院 | 一种基于大数据的中老年患者诊疗预警***和方法 |
| CN117079807A (zh) * | 2023-08-24 | 2023-11-17 | 南方医科大学南方医院 | 一种针对中老年常见疾病的智能诊断支持***和方法 |
| CN117219247A (zh) * | 2023-11-08 | 2023-12-12 | 厦门培邦信息科技有限公司 | 一种用于患者就诊的智慧管理*** |
| CN117275699B (zh) * | 2023-11-23 | 2024-02-13 | 四川省医学科学院·四川省人民医院 | 一种智慧病房*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040101721A (ko) * | 2003-05-26 | 2004-12-03 | 주식회사 케어앤케어 | 당뇨병 환자 원격관리 시스템 및 방법 |
| US20120148103A1 (en) * | 2009-08-23 | 2012-06-14 | Iad Gesellschaft Fur Informatik, Automatisierung Und Datenverarbeitung Mbh | Method and system for automatic object detection and subsequent object tracking in accordance with the object shape |
| CN105740378A (zh) * | 2016-01-27 | 2016-07-06 | 北京航空航天大学 | 一种数字病理全切片图像检索方法 |
| CN111145908A (zh) * | 2019-12-26 | 2020-05-12 | 糖医生健康管理南京有限公司 | 一种健康评估综合信息服务平台 |
-
2023
- 2023-03-06 CN CN202310207448.XA patent/CN116313083B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040101721A (ko) * | 2003-05-26 | 2004-12-03 | 주식회사 케어앤케어 | 당뇨병 환자 원격관리 시스템 및 방법 |
| US20120148103A1 (en) * | 2009-08-23 | 2012-06-14 | Iad Gesellschaft Fur Informatik, Automatisierung Und Datenverarbeitung Mbh | Method and system for automatic object detection and subsequent object tracking in accordance with the object shape |
| CN105740378A (zh) * | 2016-01-27 | 2016-07-06 | 北京航空航天大学 | 一种数字病理全切片图像检索方法 |
| CN111145908A (zh) * | 2019-12-26 | 2020-05-12 | 糖医生健康管理南京有限公司 | 一种健康评估综合信息服务平台 |
Non-Patent Citations (1)
| Title |
|---|
| 陈虹;肖越;肖成龙;宋好;: "基于SIFT算子融合最大相异系数的自适应图像匹配算法", 计算机应用, no. 05, 26 December 2017 (2017-12-26) * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116936102A (zh) * | 2023-08-24 | 2023-10-24 | 南方医科大学南方医院 | 一种基于大数据的中老年患者诊疗预警***和方法 |
| CN117079807A (zh) * | 2023-08-24 | 2023-11-17 | 南方医科大学南方医院 | 一种针对中老年常见疾病的智能诊断支持***和方法 |
| CN116825336A (zh) * | 2023-08-30 | 2023-09-29 | 山东志诚普惠健康科技有限公司 | 一种基于ai的医疗信息智能管理方法及*** |
| CN116844733A (zh) * | 2023-08-31 | 2023-10-03 | 吉林大学第一医院 | 一种基于人工智能的医疗数据完整性分析方法 |
| CN116844733B (zh) * | 2023-08-31 | 2023-11-07 | 吉林大学第一医院 | 一种基于人工智能的医疗数据完整性分析方法 |
| CN117219247A (zh) * | 2023-11-08 | 2023-12-12 | 厦门培邦信息科技有限公司 | 一种用于患者就诊的智慧管理*** |
| CN117219247B (zh) * | 2023-11-08 | 2024-02-23 | 厦门培邦信息科技有限公司 | 一种用于患者就诊的智慧管理*** |
| CN117275699B (zh) * | 2023-11-23 | 2024-02-13 | 四川省医学科学院·四川省人民医院 | 一种智慧病房*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116313083B (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116313083B (zh) | 基于算法和大数据的糖尿病智慧互联远程实时监测管理*** | |
| CN109544518B (zh) | 一种应用于骨骼成熟度评估的方法及其*** | |
| CN104424386A (zh) | 基于多参数磁共振影像的***癌计算机辅助识别*** | |
| CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
| CN117009924B (zh) | 电子病历引导的多模态自适应多中心数据融合方法及*** | |
| CN112966792B (zh) | 血管图像分类处理方法、装置、设备及存储介质 | |
| Elayaraja et al. | An efficient approach for detection and classification of cancer regions in cervical images using optimization based CNN classification approach | |
| CN112767374A (zh) | 基于mri的阿尔茨海默症病灶区域语义分割算法 | |
| CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及*** | |
| CN117854749A (zh) | 基于人工智能的内分泌代谢病远程监测与预警*** | |
| Nagadeepa et al. | Artificial intelligence based cervical cancer risk prediction using m1 algorithms | |
| EP4199002A1 (en) | A computer implemented method and a system | |
| Yang et al. | Diagnosis of Parkinson’s disease based on 3D ResNet: The frontal lobe is crucial | |
| CN117557840B (zh) | 一种基于小样本学习的眼底病变分级方法 | |
| CN114519705A (zh) | 一种用于医学选拔与鉴定的超声标准数据处理方法及*** | |
| CN113284613A (zh) | 一种基于深度学习的人脸诊断*** | |
| CN116091446A (zh) | 食管内窥镜图像的异常检测方法、***、介质及设备 | |
| CN112052882B (zh) | 磁共振脑结构影像的分类模型构建、分类与可视化方法 | |
| Amiri et al. | Medical images fusion based on equilibrium optimization and discrete wavelet | |
| CN113822917A (zh) | 一种肝癌影像组学图像精确配准方法 | |
| CN116738352B (zh) | 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置 | |
| CN117496323B (zh) | 基于Transformer的多尺度二阶病理图像分类方法及*** | |
| CN115831356B (zh) | 一种基于人工智能算法的辅助预测诊断方法 | |
| EP4198997A1 (en) | A computer implemented method, a method and a system | |
| CN117174280A (zh) | 基于人工智能技术自动化匹配患者健康方案的方法及*** |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240102 Address after: Room 501, Room 502, room 503, room 504, room 505, floor 5, building 10, Industrialization Center, No.19 Alishan Road, Songshanhu high tech Industrial Development Zone, Dongguan City, Guangdong Province 523000 Applicant after: Guangdong deao smart Medical Technology Co.,Ltd. Address before: People's Hospital, No. 504 Qingnian Road, Xishan District, Kunming City, Yunnan Province 650000 Applicant before: Song Chao |
|
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Qu Binbin Inventor after: Xu Yahui Inventor after: Song Chao Inventor after: Li Bobin Inventor before: Song Chao Inventor before: Li Bobin |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240513 Address after: 266042 No. four, No. 127 South Road, Shandong, Qingdao Applicant after: QINGDAO CENTRAL Hospital Country or region after: China Address before: Room 501, Room 502, room 503, room 504, room 505, floor 5, building 10, Industrialization Center, No.19 Alishan Road, Songshanhu high tech Industrial Development Zone, Dongguan City, Guangdong Province 523000 Applicant before: Guangdong deao smart Medical Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |