基于大数据的失语症个性化治疗方案推荐方法及系统
文献发布时间:2023-06-19 09:36:59
技术领域
本发明涉及医疗信息处理技术领域,具体涉及一种基于大数据的失语症个性化治疗方案推荐方法及系统。
背景技术
目前失语症辅助康复人员在处理医疗数据时,需要查询各种各样相关的医疗数据,查阅相关的医学资料,得出更准确的医疗结果,同时数据处理过程中需要注意对患者隐私信息的保护。但是我国的康复医护人员数量较少,专业的语言康复治疗师更是稀缺,人手严重不足。相反地,我国失语症患者目前有400万的存量,并且每年有40万-80万的增量,相关医疗资源非常紧缺,很多失语症患者因此得不到有效治疗而错过了黄金治疗期。
发明内容
为解决上述问题,本发明提供一种基于大数据的失语症个性化治疗方案推荐方法及系统,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
为了实现上述目的,本发明提供以下技术方案:
一种基于大数据的失语症个性化治疗方案推荐方法,所述方法包括:
抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;所述源信息为患者进行训练时产生的训练信息;
根据所述训练数据生成患者训练模型;
根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
将所述用户设置的个性化参数对应的个性化治疗方案进行展示。
进一步,所述将所述源信息进行预处理,包括:
对所述源信息进行链接去重、特征词提取和数据格式转换其中至少一种。
进一步,所述基于所述预处理后的源信息得到训练数据,包括:
将所述训练信息的格式转换成文本文档,以获取所述训练信息的文本数据;
将所述文本数据进行降维处理,得到训练数据。
进一步,所述根据所述训练数据生成患者训练模型,包括:
采用向量空间模型对训练数据中的特征词和该特征词的权重进行训练,对每一个特征词的权重按大小进行排序,得到特征向量集:
基于特征向量集生成患者训练模型。
进一步,所述特征词的权重通过以下公式计算得到:
式中,
进一步,所述根据用户设置的个性化参数和患者训练模型生成个性化治疗方案,包括:
将特征向量集根据主题进行分类,将特征词相同的特征向量集聚在一起;
读取用户设置的个性化参数,将所述个性化参数分别与聚类后的特征向量集做匹配计算,将计算得到的相似度值和预设阈值进行比较,匹配大于预设阈值的特征向量集所对应的源信息,将所述源信息作为个性化治疗方案。
进一步,所述预设阈值的取值范围为[0.7,1.0]。
一种基于大数据的失语症个性化治疗方案推荐系统,所述系统包括:预处理层、模型训练层、方案推荐层和信息展示层;
所述预处理层,用于抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;所述源信息为患者进行训练时产生的训练信息;
所述模型训练层,用于根据所述训练数据生成患者训练模型;
所述方案推荐层,用于根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
所述信息展示层,用于将所述用户设置的个性化参数对应的个性化治疗方案进行展示。
一种基于大数据的失语症个性化治疗方案推荐系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述任一项所述的基于大数据的失语症个性化治疗方案推荐方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的基于大数据的失语症个性化治疗方案推荐方法的步骤。
本发明的有益效果是:本发明申请一种基于大数据的失语症个性化治疗方案推荐方法及系统,本发明根据训练数据生成患者训练模型,通过用户设置的个性化参数和患者训练模型生成个性化治疗方案,可以辅助医生快速的为患者定制个性化诊疗方案,本发明提高了个性化诊疗方案的推荐效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种基于大数据的失语症个性化治疗方案推荐方法的流程示意图;
图2是本发明实施例中步骤S100的一个流程示意图;
图3是本发明实施例中一种基于大数据的失语症个性化治疗方案推荐系统的结构框图。
具体实施方式
以下将结合实施例和附图对本申请的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本申请的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
参考图1,本申请实施例提供一种基于大数据的失语症个性化治疗方案推荐方法,所述方法包括以下步骤:
步骤S100、抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;
其中,所述源信息为患者进行训练时产生的训练信息;
步骤S200、根据所述训练数据生成患者训练模型;
步骤S300、根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
步骤S400、将所述用户设置的个性化参数对应的个性化治疗方案进行展示。
其中,所述训练信息可以是以网页、文档或文本等形式作为载体。
在一个改进的实施例中,步骤S100中,所述将所述源信息进行预处理,包括:对所述源信息进行链接去重、特征词提取和数据格式转换其中至少一种。本实施例中,所述特征词包括分词和停用词。
参考图2,在一个改进的实施例中,步骤S100中,所述基于所述预处理后的源信息得到训练数据,包括:
步骤S110、将所述训练信息的格式转换成文本文档,以获取所述训练信息的文本数据;
从而易于对所述训练信息进行处理,以所述训练信息是以网页作为载体为例,通过调用html解析模块将训练信息转换为文本文档。
步骤S120、将所述文本数据进行降维处理,得到训练数据。
从而减少后续推荐算法处理所述文本数据的维数,提高计算效率。
本实施例中,先进行源信息预处理,再进行信息解析,最后进行特征提取。从而保证提取得到的特征词的准确性和有效性,保证最终推荐输出的失语症个性化治疗方案具有实用性。
在一个改进的实施例中,步骤S200包括:
步骤S210、采用向量空间模型对训练数据中的特征词和该特征词的权重进行训练,对每一个特征词的权重按大小进行排序,得到特征向量集:
步骤S220、基于特征向量集生成患者训练模型。
本实施例中,特征向量集表示为:
D(w)={(t
其中,t
本实施例中,对训练数据中的特征词和该特征词的权重进行训练的目的在于增强对特征词的区分度,训练完成后得到的特征向量集趋于稳定,可以更准确地为患者推荐个性化治疗方案。
在一个改进的实施例中,所述特征词的权重通过以下公式计算得到:
式中,
本实施例中,所述特征词为预先设置,通过将训练数据中的文本和预先设置的特征词进行匹配得到。示例性的,预先设置的特征词有:哎、啊、吧、当、到、的、地。
在一个改进的实施例中,所述步骤S300包括:
步骤S310、将特征向量集根据主题进行分类,将特征词相同的特征向量集聚在一起;
其中,该部分通过BP神经网络算法来实现;本实施例利用基于内容的信息推荐算法的思想,使得推荐算法的结果更为精准。
步骤S320、读取用户设置的个性化参数,将所述个性化参数分别与聚类后的特征向量集做匹配计算,将计算得到的相似度值和预设阈值进行比较,匹配大于预设阈值的特征向量集所对应的源信息,将所述源信息作为个性化治疗方案。
其中,该部分是通过SOM神经网络来实现的。本实施例利用了基于项目的协同过滤推荐算法思想,使得推荐算法的结果更为精准。本实施例中,所述预设阈值的取值范围为[0.7,1.0],以保证推荐结果的准确性,优选的,将所述预设阈值设置为0.8。
需要说明的是,本实施例步骤S400中,读取用户设置的个性化参数后,生成个性化治疗方案,接着,将所述用户设置的个性化参数对应的个性化治疗方案进行展示。示例性的,当训练信息以网页作为载体时,则以网页的形式展示该个性化治疗方案。另外,本实施例还包括:将所述源信息和索引文件进行存储。
所述用户设置的个性化参数包括患者对医疗主题的定制信息、主题小窗口的位置和颜色等用户喜好信息,然后将方案推荐层生成的个性化治疗方案结合所述用户设置的个性化参数生成一个可视化的页面展现给患者,从而提供友好的用户体验。
参考图3,本发明实施例还提供一种基于大数据的失语症个性化治疗方案推荐系统,所述系统包括:预处理层、模型训练层、方案推荐层和信息展示层;
所述预处理层,用于抓取源信息,将所述源信息进行预处理,基于所述预处理后的源信息得到训练数据;所述源信息为患者进行训练时产生的训练信息;
所述模型训练层,用于根据所述训练数据生成患者训练模型;
所述方案推荐层,用于根据用户设置的个性化参数和患者训练模型生成个性化治疗方案;
所述信息展示层,用于将所述用户设置的个性化参数对应的个性化治疗方案进行展示。
在一个改进的实施例中,所述预处理层包括源信息抓取模块、源信息预处理模块、信息解析模块和特征提取模块。
所述源信息抓取模块,用于抓取源信息,所述源信息为患者进行训练时产生的训练信息;
在一个实施例中,当接收到患者输入的请求信息时,所述源信息抓取模块响应所述请求信息,调用其抓取服务功能,抓取源信息,以获取患者进行训练时产生的训练信息,所述训练信息可以是以网页、文档或文本等形式作为载体。
所述源信息预处理模块,用于将所述源信息进行预处理,将预处理后的源信息以索引文件的形式发送给所述信息展示层保存;
其中,将所述源信息进行预处理,包括:对所述源信息进行链接去重、特征词提取和数据格式转换其中至少一种。本实施例中,所述特征词包括分词和停用词。
所述信息解析模块,用于将所述训练信息的格式转换成文本文档,以获取所述训练信息的文本数据;从而易于对所述训练信息进行处理,以所述训练信息是以网页作为载体为例,通过调用html解析模块将训练信息转换为文本文档。
所述特征提取模块,用于将所述文本数据进行降维处理,得到训练数据。从而减少后续推荐算法处理所述文本数据的维数,提高计算效率。
在一个改进的实施例中,所述模型训练层包括特征向量生成模块和信息推荐模块;
所述特征向量生成模块,用于采用向量空间模型对训练数据中的特征词和该特征词的权重进行训练,对每一个特征词的权重按大小进行排序,得到特征向量集:
所述信息推荐模块,用于基于特征向量集生成患者训练模型。
本实施例中,特征向量集表示为:
D(w)={(t
其中,t
本实施例中,对训练数据中的特征词和该特征词的权重进行训练的目的在于增强对特征词的区分度,训练完成后得到的特征向量集趋于稳定,可以更准确地为患者推荐个性化治疗方案。
在一个或多个实施例中,首先通过多种渠道获取所述训练信息,接着经过中文分词后进行特征提取,其中,特征词的权重计算公式如下:
式中,
本实施例中,所述特征词为预先设置,通过将训练数据中的文本和预先设置的特征词进行匹配得到。示例性的,预先设置的特征词有:哎、啊、吧、当、到、的、地。
在一个改进的实施例中,所述方案推荐层包括:
分类模块,用于将特征向量集根据主题进行分类,将特征词相同的特征向量集聚在一起;
该部分通过BP神经网络算法来实现;本实施例利用基于内容的信息推荐算法的思想,使得推荐算法的结果更为精准。
匹配模块,用于读取用户设置的个性化参数,将所述个性化参数分别与聚类后的特征向量集做匹配计算,将计算得到的相似度值和预设阈值进行比较,匹配大于预设阈值的特征向量集所对应的源信息,将所述源信息作为个性化治疗方案。
该部分是通过SOM神经网络来实现的。本实施例利用了基于项目的协同过滤推荐算法思想,使得推荐算法的结果更为精准。本实施例中,所述预设阈值的取值范围为[0.7,1.0]。
本实施例中,方案推荐层采用基于内容和基于协同过滤的混合信息推荐算法,设计了一种基于神经网络的信息推荐方法。本实施例根据患者训练模型和处理后得到的特征向量集之间的匹配度来决定该治疗方案是否要推荐给患者,使得推荐算法的结果更为精准。
需要说明的是,本实施例中,所述信息展示层读取用户设置的个性化参数后,将所述个性化参数发送给方案推荐层,之后,读取方案推荐层生成的个性化治疗方案,最后,将所述用户设置的个性化参数对应的个性化治疗方案进行展示。示例性的,当训练信息以网页作为载体时,则以网页的形式展示该个性化治疗方案。另外,所述信息展示层还提供信息存储功能,将所述源信息和索引文件进行存储。
所述用户设置的个性化参数包括患者对医疗主题的定制信息、主题小窗口的位置和颜色等用户喜好信息,然后信息展示层将方案推荐层生成的个性化治疗方案结合所述用户设置的个性化参数生成一个可视化的页面展现给患者,从而提供友好的用户体验。
需要说明的是,本发明实施例提供的基于大数据的失语症个性化治疗方案推荐系统根据应用环境选择B/S设计模式(B/S是指浏览器/服务器模式),用户通过万维网浏览器来访问本系统,本发明实施例提供的步骤在服务器端实现。在服务器端采用JAVA语言开发,在浏览器端采用JSP技术来开发。
其中,B/S设计模式大大简化了客户端的运行负担,同时减轻了系统维护和升级的成本与工作量,而且能够很好地实现用户、应用和数据的分离,使广大用户可以在web访问过程中方便的获取在线推荐结果,而不必依赖于本地机。
本发明实施例还提供一种基于大数据的失语症个性化治疗方案推荐系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述任一实施例所述的基于大数据的失语症个性化治疗方案推荐方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的基于大数据的失语症个性化治疗方案推荐方法的步骤。
所述基于大数据的失语症个性化治疗方案推荐系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述基于大数据的失语症个性化治疗方案推荐系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是基于大数据的失语症个性化治疗方案推荐系统的示例,并不构成对基于大数据的失语症个性化治疗方案推荐系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于大数据的失语症个性化治疗方案推荐系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central-Processing-Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor,DSP)、专用集成电路(Application-Specific-Integrated-Circuit,ASIC)、现场可编程门阵列(Field-Programmable-Gate-Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于大数据的失语症个性化治疗方案推荐系统的控制中心,利用各种接口和线路连接整个基于大数据的失语症个性化治疗方案推荐系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于大数据的失语症个性化治疗方案推荐系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart-Media-Card,SMC),安全数字(Secure-Digital,SD)卡,闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
- 基于大数据的失语症个性化治疗方案推荐方法及系统
- 基于大数据知识库的个性化治疗方案推荐系统