一种基于机器学习的私人医疗智慧辅助方法

技术领域

本发明属于医疗卫生的技术领域，尤其涉及一种基于机器学习的私人 医疗智慧辅助方法。

背景技术

医疗卫生事业关系与人民群众切身利益密切相关，是社会高 度关注的热点。市场调研结果表明，在日常生活中人们希望得到 自己身体的各项指标数据，在生病时他们更多希望知道病因和如 何快速治疗，在重大疫情时期希望掌握关于疫情状况的实时信息。 智慧医疗服务是集成了云计算、物联网和患者数据的服务体系， 随着网络大数据的发展和完善，其模型为患者的个人健康提供了 完整的健康服务管理平台，同时也存在应用功能单一，未形成统 一高效的智慧医疗网络体系等问题。

发明内容

基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基 于机器学习的私人医疗智慧辅助方法，可以有助于缓解医疗资源不足问题， 并且能够有效的去科普以及预防传染病，结合大数据，做一些深度挖掘及 预测的工作，加快了基层医疗卫生信息化的创建和发展。

为了解决上述技术问题，本发明提供一种基于机器学习的私人医疗智 慧辅助方法，包括以下步骤：

步骤1：心率值、血氧值的检测；

步骤2：体温的检测；

步骤3：简易运动状态检测；

步骤4：链接网络及定位服务的实现；

步骤5：用户绑定；

步骤6：健康状态的分析；

步骤7：遗传病的监测；

步骤8：传染病的监测；

步骤9：突发传染病的监测。

可选的，在步骤1中，心率值、血氧值的检测通过集成脉搏血氧仪和 心率监测仪的生物传感器的模块来实现。

可选的，在步骤2中，体温的检测通过型号为MAX30102的数字温度 传感器来实现。

进一步的，在步骤6中，健康状态的分析根据传染病发病情况和家族 遗传史，生成遗传病健康报告和传染病报告，通过数据库中的数据使用基 于数据图的方法进行数据库关键字查询，对数据图直接处理，从而进行筛 选并生成专属的家族遗传病科普及防护内容推送给用户。

可选的，在步骤7的遗传病的监测中，对用户上传的病例按照年龄， 姓名属性进行分类，通过数据分析技术，根据病例生成家族遗传病知识图 谱，监测到用户患某种遗传病后，系统自动记录治疗前及治疗后的数据， 判断病情是否得到改善。

可选的，在步骤8的传染病的监测中，通过Python语言获取常见传 染病发病情况并通过直方图等图表进行可视化，根据预测结果提醒用传染 病发病时间。

由上，本发明的基于机器学习的私人医疗智慧辅助方法通过整合智能 终端的监测信息、无线通讯技术、云平台数据库、知识图谱、数据可视化 等多项新型技术，构建了基于机器学习的私人医疗智慧辅助系统。在硬件 制作中，使用MAX30102、DS18B20、MPU-6000(6050)、 ARM+Ethernet+CAN+1MSF+Wifi融合的通信接口的硬件架构设计方案 并利用SDS-TWR算法完成与标签之间的测距工作，获取定位数据。使用 基于数据图的方法进行关键字查询技术推送科普内容，系统利用深度学习 中的命名实体识别来对病例进行分类识别。采用比word2vec更好的bert 模型做迁移学习，对选取百分之五十的病例做模型预训练，训练完成后利 用bert+crf来训练病例，形成姓名，年龄，疾病名称，疾病史等属性。采 用实体-关系-属性三元组的形式利用neo4j软件生成家族遗传病知识图谱。 使用时间序列模型预测传染病下一阶段时间及水平。对于当年发生的重大 突发传染病，系统收集大量数据进行疫情防控。利用Python中的爬虫技 术实时爬取疫情信息，每隔五分钟更新一次，利用AJAX技术将数据用直 方图，柱状图等进行实时表示，展示给用户的数据每隔五分钟刷新一次，并运用高德地图的javascriptAPI接口绘制热力图。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的 技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和 其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附 图，详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图 作简单地介绍。

图1为本发明的基于机器学习的私人医疗智慧辅助方法的功能图；

图2为本发明的硬件流程图；

图3为人体基本指标雷达图；

图4为个人身体状况之生活常识图；

图5为Bert Model流程图；

图6为家族疾病史知识图谱展示；

图7为预测模型整体结构图。

具体实施方式

下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一 部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优 点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相 同或相似的部件使用相同的附图标号来表示。

针对现在医生因不能了解病人一段时间内生病体征导致确诊难、偏远 地区因医院配置不合理导致看病难、因医护人员缺少导致排队时间长，如 图1所示，本发明提出了一种基于机器学习的私人医疗智慧辅助系统，包 括云端服务器、客户端以及硬件设施。

一、硬件：硬件部分由私人医疗智慧辅助系统的测试终端构成，佩戴 于使用者的手腕部位，可以实现监测血氧值、心率值、体温、简易运动状 态等生理参数的功能，采集使用者生理参数数据包，为大数据分析以及建 议推送提供基础。硬件流程图如图2所示，具体方法如下所述：

步骤1、心率值、血氧值检测功能的硬件实现

心率值、血氧值检测功能：MAX30102是一个集成的脉搏血氧仪和心 率监测仪生物传感器的模块。它集成了一个红光LED和一个红外光LED、 光电检测器、光器件，以及带环境光抑制的低噪声电子电路。MAX30102 采用一个1.8V电源和一个独立的5.0V用于内部LED的电源，应用于可 穿戴设备进行心率和血氧采集检测，佩戴于手指、耳垂和手腕等处。标准的I2C兼容的通信接口可以将采集到的数值传输单片机进行心率和血氧计 算。

步骤2、体温检测功能的硬件实现

体温检测功能：DS18B20是常用的数字温度传感器，其输出的是数 字信号，具有体积小，硬件成本低，抗干扰能力强，精度高的特点。 DS18B20数字温度传感器接线方便，封装成后可应用于多种场合，优秀 的抗干扰能力与简便的硬件电路连接都使得它成为此次系统搭建的不二之 选。

步骤3、简易运动状态检测功能的硬件实现

简易运动状态检测功能：MPU-6000(6050)为全球首例整合性6轴 运动处理组件，相较于多组件方案，免除了组合陀螺仪与加速器时间轴之 差的问题，减少了大量的体积，从而更精确地测量偏转、倾斜时的转动角 速度，运算可以得出使用者的当前姿态。

步骤4、链接网络及定位服务的实现

在链接网络方面，采用ARM+Ethernet+CAN+1MSF+Wifi融合的通信 接口的硬件架构设计方案，自行设计灵活的配置协议，实现多种工业通信 接口与光网络的融合，通过优化软件架构设计，加速系统效率，完成硬件 系统的驱动程序设计。

定位服务中，利用SDS-TWR算法完成与标签之间的测距工作，获取 定位数据，并完成定位数据的转发上传。

二、搭建web项目。

为了方便用户随时查看自己实时以及近期的生命体征，本项目采用 Python+django+mysql构建，前端页面，采用boorstrap的栅格系统，使界 面更加美观，并且适应各种大小的屏幕，从而搭建一个Web应用系统。

具体方法如下所述：

步骤5、用户绑定

(1)用户注册

首先，用户在软件上注册用户资料，使用ASP验证用户信息是否有 效。成功之后，输入姓名、年龄、身高、体重等信息之后，存入后台数据 库中。

(2)用户信息实时更新

从服务器中读取用户的数据。系统根据检测到的佩戴者心率、体温、 血压、血氧等数据运用Echarts的Basic Radar Chart生成动态图。如图3， 为人体基本指标雷达图。当数值异常并且超过规定时间时，系统会通过手 环提醒佩戴者。当用户出现危险时，能够使报警系统有效。

利用Lora定位技术使得手环获知自身位置，事件等待所有的传感器 采集完数据，即所有的标志位置位后将数据上传到服务器。节约了CPU 资源，避免了同样的数据多次上传，提高了效率。

步骤6、健康状态分析功能

(1)生成个人健康报告

系统可以根据传染病发病情况和家族遗传史，生成遗传病健康报告和 传染病报告。此报告是实时预测且根据社会及佩戴者自身情况持续更改的， 用户可以根据报告实时查询有关内容进行了解。

(2)使用关键字查询技术推送科普内容

通过数据库中的数据使用基于数据图的方法进行数据库关键字查询， 对数据图直接处理，从中枚举简化子树，首先，把数据图看成一个带权 重的数据图，并且假设数据图已经被物化；其次，利用数据图中的节点 (元组)和边(元组之间的主外键关联)的权重，作为关键字查询找到top-k 个代价最小的简化子树。从而进行筛选并生成专属的家族遗传病科普及防 护内容推送给用户。如图4，为个人身体状况之生活常识图。

步骤7、遗传病监测功能

用户手动上传完病例后，系统利用深度学习中的命名实体识别来对病 例进行分类识别。采用比word2vec更好的bert模型做迁移学习。模型流 程如图5的Bert Model流程图。选取百分之五十的病例做模型预训练，训 练完成后利用bert+crf来训练病例，形成姓名，年龄，疾病名称，疾病史 等属性。模型采用传统的IOB标注方式，为每个字打上标签。

建模成功后用学习好的CRF模型，在新的观测序列(O

知识图谱是知识领域的映射地图，对于表达实体间关系，挖掘实体间 潜在联系作用显著，因此根据上述属性，以人物名称为中心节点，采用实 体-关系-属性三元组的形式利用neo4j软件生成家族遗传病知识图谱。如 图6的数据存储方式为：{“姓名”：“陈碧莹”，“关系”：“患有”，“疾病”： “心脏病”}遗传病预测部分使用的是XGBoost+LightGBM+LSTM。其中 前两类可以看作是树模型，LSTM为神经网络模型。这两类模型原理相差 较大，产生的结果相关性较低，融合有利于提高预测准确性。具体的模型 结构如图7所示。

预测步骤如下：

1.加载数据，使用训练好的模型，进行学习。

2.加载数据，分出变量X(各种生命体征数据)和标签Y(是否得糖 尿病)。

3.将数据集分为训练集和测试集，训练集来训练模型，测试集来测试 模型准确度。

4.使用XGBoost封装好的分类器和回归器，可直接使用 XGBClassifier建立模型。

预测模型整体结构：

使用XGBoost_1对特征组合F1进行学习，得到XGBoost_1的预测结 果(包括对于训练集和测试集的预测结果)，该结果会作为新特征，加入 特征组合F2，F3中，分别作为第二层LightGBM_1和LightGBM_2的输 入特征，LightGBM_1的结果再次作为新特征，加入特征组合F4中，作 为第三层XGBoost_2的输入特征，同时第三层包含一个LSTM模型，该 模型使用特征组合F5训练，第二层LightGBM_2的结果则与第三层 XGBoost_2，LSTM的预测结果进行加权融合作为最终结果。

调参方面：

下面是三个超参数的一般实践最佳值，可以先将它们设定为这个范围， 然后画出learning curves，再调解参数找到最佳模型：

learning_rate＝0.1或更小，越小就需要多加入弱学习器；tree_depth ＝2～8；subsample＝训练集的30％～80％；

可以调的超参数组合有：

树的个数和大小(n_estimators and max_depth).

学习率和树的个数(learning_rate and n_estimators).

行列的subsampling rates(subsample，colsample_bytree and colsample_bylevel).

步骤8、传染病监测功能

传染病监测主要目的是预测传染病发病时间，通过Python语言获取 常见传染病发病情况并通过直方图表进行可视化，根据预测结果提醒用传 染病发病时间。

步骤9、突发传染病监测功能

对于当年发生的重大突发传染病，系统收集大量数据进行疫情防控。 利用Python中的爬虫技术实时爬取疫情信息，每隔五分钟更新一次， AJAX最大的优点是在不重新加载整个页面的情况下，可以与服务器交换 数据并更新部分网页内容。利用ajax技术将数据用直方图，柱状图等进行 实时表示，展示给用户的数据每隔五分钟刷新一次。利用高德地图的 javascriptAPI接口。

以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明 之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离 本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视 为本发明的保护范围。