一种医学诊断人工智能系统、装置及其自我学习方法制造方法及图纸

本发明专利技术提供一种医学诊断人工智能系统、装置及其自我学习方法，包括：进行原始数据采集；得到分类后数据；将分类后数据代入数据指标算法中，进行数据转换，形成直观数据；以及，不断进行数据指标算法的验证；使用直观数据构建用户画像；根据用户画像判断是否能找到匹配的医学模型，进行风险提醒；根据用户样本特征通过机器学习算法构建新的医学模型；根据新医学模型自行构建新数据指标算法；将新数据指标算法替换原数据指标算法。本发明专利技术可以24小时收集处理患者的数据，且不影响用户的正常生活，且本发明专利技术的医学诊断人工智能平台可以进行自我学习，使得诊断越来越准确，可诊断疾病范围越来越多。

A Medical Diagnostic Artificial Intelligence System, Device and Self-learning Method

【技术实现步骤摘要】
一种医学诊断人工智能系统、装置及其自我学习方法
本专利技术涉及一种人工智能平台及其运行方法，具体地，涉及一种可自我学习的医学诊断人工智能系统、装置及其自我学习方法。
技术介绍
目前的网上医学诊断平台，大多停留在医生驻留在网站上，患者通过网络通讯技术与医生进行沟通，将自己的病症描述给医生以让医生作出诊断的方式。这种方式有以下缺点：(1)医生不能实际接触到患者，更不能进行望闻问切，患者如果不能把症状描述清楚，则很可能会误导医生做出错误判断；(2)由于获取的信息极为有限，即使网上医学诊断平台上的医生做出了诊断，患者还是要亲自去医院检查以最终确诊，这使得该网上医学诊断平台实际上成为了鸡肋，且对患者和医生都造成了时间的浪费；(3)医生在诊断时，没有任何可参考数据，极易误判，产生不可逆的后果；(4)由于医生夜晚要休息，网上医学诊断平台在晚上时，是处于瘫痪状态的，不能全天候服务病患。因此，市场上急需一种可以自行收集数据、诊断病症、诊断准确、不知疲倦的人工智能疾病诊断系统。
技术实现思路
针对现有技术中的缺陷，本专利技术的目的是提供一种医学诊断人工智能系统、装置及自我学习方法，其可以自行收集使用者数据、诊断病症，且诊断准确，不易出现诊断错误，能够根据新病症及时生成新数据指标算法，以适应更加庞大的受众群体。根据本专利技术的第一方面，提供一种医学诊断人工智能系统的自我学习方法，包括：采集医学诊断原始数据；将采集到的所述原始数据进行分类处理，得到分类后数据；将所述分类后数据代入数据指标算法中，进行数据转换，形成直观数据；以及，不断进行所述数据指标算法的验证；使用所述直观数据构建用户画像；根据所述用户画像判断是否能找到匹配的医学模型，若是，则对用户进行风险提醒；否则，告知用户未找到匹配的医学模型，根据用户样本特征通过机器学习算法构建新的医学模型；根据所述新医学模型自行构建新数据指标算法，将所述新数据指标算法替换原数据指标算法。可选地，所述得到分类后数据后还包括：将所述分类后数据存储至大数据平台数据池。可选地，根据所述新医学模型自行构建新数据指标算法，包括：从所述大数据平台数据池中提取所述分类后数据；根据所述新医学模型结合所述分类后数据自行构建新数据指标算法。可选地，所述原始数据采集后还包括：去除所述原始数据中的明显偏差数据。可选地，所述原始数据采集，通过智能终端不间断采集原始数据。根据本专利技术的第二方面，提供一种可自我学习的医学诊断人工智能系统，包括：原始数据采集模块，用于进行医学诊断原始数据采集；数据分类模块，用于将所述原始数据采集模块采集到的所述原始数据进行分类处理，得到分类后数据；数据转换模块，用于将所述数据分类模块生成的所述分类后数据代入数据指标算法中，进行数据转换，形成直观数据；所述数据转换模块还用于不断进行所述数据指标算法的验证；用户画像构建模块，用于使用所述数据转换模块形成的所述直观数据构建用户画像；医学模型匹配判断模块，用于根据所述用户画像构建模块构建的所述用户画像判断是否能找到匹配的医学模型；风险提醒模块，用于在所述医学模型匹配判断模块找到匹配的医学模型时，进行风险提醒；新医学模型生成模块，用于在所述医学模型匹配判断模块没有找到匹配的医学模型时，告知用户未找到匹配的医学模型，并根据用户样本特征通过机器学习算法构建新的医学模型；新数据指标算法构建模块，用于根据所述新医学模型生成模块生成的所述新医学模型自行构建新数据指标算法；数据指标算法替换模块，用于将所述数据转换模块中的所述数据指标算法替换为所述新数据指标算法构建模块构建出的所述新数据指标算法。可选地，所述可自我学习的医学诊断人工智能系统还包括：大数据平台数据池，用于存储所述所述数据分类模块产生的分类后数据。可选地，所述新数据指标算法构建模块包括：分类后数据提取单元，用于在所述新数据指标算法构建模块前，从所述大数据平台数据池中提出所述分类后数据；新数据指标算法构建单元，用于根据所述新医学模型生成模块生成的所述新医学模型结合所述分类后数据提取单元提取到的所述分类后数据自行构建新数据指标算法。可选地，所述可自我学习的医学诊断人工智能系统还包括：清洗模块，用于去除所述原始数据采集模块采集的所述原始数据中的明显偏差数据。可选地，所述原始数据采集模块，不间断采集原始数据。根据本专利技术的第三方面，提供一种可自我学习的医学诊断人工智能装置，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，所述处理器执行所述程序时可用于执行所述的医学诊断人工智能系统的自我学习方法。与现有技术相比，本专利技术具有如下的有益效果：本专利技术上述的可自我学习方法，可以进行自我学习，自行完善数据指标算法，用于医学诊断人工智能系统、装置，能提高诊断结果的准确性，对应的健康类型越来越多。本专利技术上述的可自我学习的医学诊断人工智能系统、装置，可以24小时收集处理患者的数据，无需用户主动要求诊断，不影响用户的正常生活，在检测到用户可能存在健康问题时，即刻想用户发送警报，告知用户有健康风险。附图说明通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：图1为本专利技术一实施例方法的流程图；图2为本专利技术的另一实施例的流程图；图3为本专利技术的另一实施例的流程图；图4为本专利技术的另一实施例的流程图；图5为本专利技术的一实施例全天分析之心率密度占比序列图；图6a、图6b为本专利技术一实施例中平均心率与耗氧量、能量代谢率之间的关系图；图7a、图7b分别是运动中心率与耗氧量、能量代谢率的关系图；图8～图10为本专利技术一实施例中中医学诊断人工智能系统监控显示图；图11为本专利技术一实施例中新医学模型训练原理框图。具体实施方式下面结合具体实施例对本专利技术进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本专利技术，但不以任何形式限制本专利技术。应当指出的是，对本领域的普通技术人员来说，在不脱离本专利技术构思的前提下，还可以做出若干变形和改进。这些都属于本专利技术的保护范围。参照图1所示，本专利技术一实施例中医学诊断人工智能系统的自我学习方法的流程图，包括如下步骤：S100，通过智能终端，进行原始数据采集，智能终端可以是手机、手环或智能手表等设备，在采集原始数据时，是呈时间段连续采集的，如整个白天的原始数据、整个夜间的原始数据、全天的原始数据、亦或是静息时的原始数据，原始数据可以是PPG传感器检测到的连续变化的血液容积，也可以是六轴传感器检测出的行走数等；S200，将采集到的原始数据进行分类处理，得到分类后数据，分类处理，是指：根据每个人的时间周期进行心率采集，时间周期分睡眠(深度睡眠和浅度睡眠)、清晨(早上清醒未起床)、静息、运动，并根据二十四小时时间进行时间单点与各个区间段的归类；S300，将分类后数据代入数据指标算法中，进行数据转换，形成直观数据；以及，不断进行数据指标算法的验证；数据指标算法是对不同类型的的心率值进行对比与重构，得到同一个时间同一个类型的心率在不同周期的计算比值变化、分布状态，以及一个人同多数人的各系列心率值的对比与偏差度计算。具体的，如时间阵列指标分析：其中全天分析之心率密度占比序列图，可以观看出一个人整体心率密度分布涵盖区间及心率密度好坏与否。如图5所示。S400，使用直观数据构建用户画像，本文档来自技高网...

【技术保护点】
1.一种医学诊断人工智能系统的自我学习方法，其特征在于，包括：采集医学诊断原始数据；将采集到的所述原始数据进行分类处理，得到分类后数据；将所述分类后数据代入数据指标算法中，进行数据转换，形成直观数据；以及，不断进行所述数据指标算法的验证；使用所述直观数据构建用户画像；根据所述用户画像判断是否能找到匹配的医学模型，若是，则对用户进行风险提醒；否则，告知用户未找到匹配的医学模型，根据用户样本特征通过机器学习算法构建新的医学模型；根据所述新医学模型自行构建新数据指标算法，将所述新数据指标算法替换原数据指标算法。

【技术特征摘要】
1.一种医学诊断人工智能系统的自我学习方法，其特征在于，包括：采集医学诊断原始数据；将采集到的所述原始数据进行分类处理，得到分类后数据；将所述分类后数据代入数据指标算法中，进行数据转换，形成直观数据；以及，不断进行所述数据指标算法的验证；使用所述直观数据构建用户画像；根据所述用户画像判断是否能找到匹配的医学模型，若是，则对用户进行风险提醒；否则，告知用户未找到匹配的医学模型，根据用户样本特征通过机器学习算法构建新的医学模型；根据所述新医学模型自行构建新数据指标算法，将所述新数据指标算法替换原数据指标算法。2.根据权利要求1所述的一种医学诊断人工智能系统的自我学习方法，其特征在于，所述得到分类后数据后还包括：将所述分类后数据存储至大数据平台数据池。3.根据权利要求2所述的一种医学诊断人工智能系统的自我学习方法，其特征在于，根据所述新医学模型自行构建新数据指标算法，包括：从所述大数据平台数据池中提取所述分类后数据；根据所述新医学模型结合所述分类后数据自行构建新数据指标算法。4.根据权利要求1所述的一种医学诊断人工智能系统的自我学习方法，其特征在于，所述原始数据采集，还包括：去除所述原始数据中的明显偏差数据；和/或，所述原始数据采集，通过智能终端不间断采集原始数据。5.一种可自我学习的医学诊断人工智能系统，其特征在于，包括：原始数据采集模块，用于进行医学诊断原始数据采集；数据分类模块，用于将所述原始数据采集模块采集到的所述原始数据进行分类处理，得到分类后数据；数据转换模块，用于将所述数据分类模块生成的所述分类后数据代入数据指标算法中，进行数据转换，形成直观数据；所述数据转换模块还用于不断进行所述数据指标算法的验证；用户画像构建模块，用于使用所述数据转换模块形成的所述直观数据构建用户画像；医...

【专利技术属性】
技术研发人员：张俊峰，
申请(专利权)人：上海亲看慧智能科技有限公司，
类型：发明
国别省市：上海,31