一种基于尿液颜色的疾病认知系统技术方案

本发明专利技术提出了一种基于尿液颜色的疾病认知系统。包括：第一数据获取模块、数据集建立模块、分类模型建立模块、第二数据获取模块、认知模块；第一数据获取模块，用于获取历史尿液样本，从中提取特征信息数据；数据集建立模块，用于对特征信息数据进行处理得到第一数据集和第二数据集；分类模型建立模块，用于通过优化的KNN算法对第一数据集进行分类，并建立分类模型；第二数据获取模块，获取待检测尿液样本，提取待检测尿液样本中的特征信息，作为待检测特征信息；认知模块，利用建立好的分类模型对待检测特征信息进行认知，并生成疾病认知报告。本发明专利技术通过优化后的KNN算法建立分类模型，对尿液颜色进行诊断认知，提高了诊断过程中的效率和准确度。效率和准确度。效率和准确度。

【技术实现步骤摘要】
一种基于尿液颜色的疾病认知系统


[0001]本专利技术涉及人工智能领域，尤其涉及一种基于尿液颜色的疾病认知系统。
技术背景
[0002]人体的泌尿系统是一个连续的管道系统，尿液源于肾脏的肾小球，经肾小管等收集系统的作用，再经肾盂、输尿管进入膀胱。尿液流出膀胱还需要经过一个闸门，这就是尿道括约肌，男性尿液还要经穿过前列腺的尿道才能排出体外。从尿液的起源到排出体外，所经的任何一个器官部位出现疾病，都会影响尿液的颜色，换句话说就是尿液的颜色与疾病有关，也就是说，通过对尿液颜色变化的观察分析,可以初步了解身体的健康状况。
[0003]现有的医学诊断方法一般是通过干化学尿液分析仪对尿液样本进行检测得到检测结果，对尿液样本的检测结果进行分析，即对照疾病特征信息对尿液样本的检测数据进行逐一分析，根据分析结果确定对应的疾病。疾病认知的整个过程都是由人工辅助操作的，操作环节多，过程繁琐，还可能出现尿液颜色判断不准确的问题，从而影响报告输出效率以及报告结果的精确度。

技术实现思路

[0004]有鉴于此，本专利技术提出了一种基于尿液颜色的疾病认知系统，减少了尿液颜色认知疾病过程中的人工操作，提高了疾病认知的效率以及精确度。
[0005]本专利技术的技术方案是这样实现的：
[0006]本专利技术提供了一种基于尿液颜色的疾病认知系统，所述基于尿液颜色的疾病认知系统包括：第一数据获取模块、数据集建立模块、分类模型建立模块、第二数据获取模块、认知模块；
[0007]第一数据获取模块，用于获取历史尿液样本，从中提取特征信息数据；
[0008]所述历史尿液样本包括正常尿液样本和异常尿液样本，所述特征信息数据包括尿液透明度数据以及尿液具体颜色数据；
[0009]数据集建立模块，用于对所述尿液具体颜色数据和尿液透明度数据进行归一化处理，并将该尿液具体颜色数据和尿液透明度数据进行组合，得到组合数据，根据组合数据获取对应的疾病征兆特征信息数据，根据该组合数据与对应的疾病征兆特征信息数据建立第一数据集；获取该疾病征兆特征信息数据对应的疾病治疗方案，根据该疾病征兆特征信息数据与疾病治疗方案建立第二数据集；
[0010]分类模型建立模块，用于通过优化的KNN算法对所述第一数据集进行分类，并建立分类模型；
[0011]第二数据获取模块，获取待检测尿液样本，提取待检测尿液样本中的特征信息，作为待检测特征信息；
[0012]认知模块，利用建立好的分类模型对所述待检测特征信息进行分类认知，并生成疾病认知报告。
[0013]在以上技术方案的基础上，优选的，所述分类模型建立模块还包括预处理模块，用于将所述第一数据集进行标准化、归一化，得到第一特征集合，对所述第一特征集合进行去重、合并，得到第二特征集合，采用分词软件ICTCLAS第二特征集合进行处理，划分出描述特征点，作为待分类数据。
[0014]在以上技术方案的基础上，优选的，所述分类模型建立模块还包括模型构建模块，用于通过优化的KNN算法对所述待分类数据进行聚类划分，建立KNN分类模型。
[0015]在以上技术方案的基础上，优选的，所述优化的KNN算法采用改进的粒子群算法进行优化，输入S个待分类数据作为测试样本，其中70％作为训练集，30％作为预测样本集，对预测样本集进行分类，利用粒子群优化方法的随机搜索能力在训练集中进行搜索，快速找到预测样本的K个近邻；
[0016]采用粒子群优化方法的具体步骤如下：
[0017]S1，采用随机方法初始化粒子群，计算出每个个体的适应值，根据适应值的大小得到初始化粒子群中的群体最优值和个体最优值；
[0018]S2，根据每个粒子自身的位置和速度对群体最优值和个体最优值进行更新；
[0019]S3，当群体最优值达到设定的阈值或者已经达到最大迭代次数，结束算法流程，否则，重新执行步骤S2。
[0020]进一步优选的，采用粒子群优化方法还包括：
[0021]步骤S1中，假设在一个d维空间中，一个群体共有N个粒子，记为X＝(x1,x2,...,x
N
)，所述采用随机方法初始化粒子群，包括初始化粒子群的位置x
i
＝(x
i1
,x
i2
,...,x
id
)和速度v
i
＝(v
i1
,v
i2
,...,v
id
)以及群体最优值和个体最优值，其中，x
id
表示粒子i的位置的第d维分量，v
id
表示粒子i的速度的第d维分量，i＝1,2,...,N；
[0022]计算每个粒子当前位置的适应值F
id
＝f(X
id
)，根据所述适应值的大小，初始化个体最优值P
besti
＝F
i
和群体最优值G
best
＝min(F1,F2,...,F
n
)，i＝1,2,...,n；
[0023]步骤S2中，所述每个粒子自身的位置和速度的计算方法为：
[0024][0025][0026]式中，v
id
为粒子的速度，x
id
为粒子的位置，k为当前迭代次数，w为惯性权重因子，c1和c2为非负的常数，称为加速度因子，r1和r2是分布于[0,1]之间的随机数，p
id
为个体最优值，p
gd
为整体最优值，i＝1,2,...,N。
[0027]进一步优选的，所述惯性权重w表达式为：
[0028][0029]式中，w
max
为最大惯性权重，w
min
为最小惯性权重，Time
max
为最大迭代次数，Time
i
为当前迭代次数；
[0030]在粒子群粒子自身的计算公式中加入动量项：其中，Δv
id
表示粒子速度的改变量，k为当前迭代次数，w为惯性权重因子，α为约束因子；
[0031]采用余弦函数控制惯性权重的变化：
[0032]改进后的每个粒子自身的位置和速度的计算方法为：
[0033][0034][0035]在以上技术方案的基础上，优选的，所述通过优化的KNN对所述描述特征点进行聚类划分，还包括以下步骤：
[0036]随机选择训练集中A[1]～A[K]个样本作为待预测样本Y的k个初始最近邻节点；
[0037]使用欧式距离与余弦相似度线性结合的方式来计算待预测样本Y与每个初始k最近邻节点的距离，计算公式为：
[0038]Dist(Y,A[i])＝w1·
dist(Y,A[i])+w2·
sim(Y,A[i])
[0039]其中，w1+w2＝1；
[0040]将计算出来的距离Dist(Y,A[i])按照升序方式排序，计算出现在Dist(Y,A[i])序列中的每本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于尿液颜色的疾病认知系统，其特征在于，所述基于尿液颜色的疾病认知系统包括：第一数据获取模块、数据集建立模块、分类模型建立模块、第二数据获取模块、认知模块；第一数据获取模块，用于获取历史尿液样本，从中提取特征信息数据；所述历史尿液样本包括正常尿液样本和异常尿液样本，所述特征信息数据包括尿液透明度数据以及尿液具体颜色数据；数据集建立模块，用于对所述尿液具体颜色数据和尿液透明度数据进行归一化处理，并将该尿液具体颜色数据和尿液透明度数据进行组合，得到组合数据，根据组合数据获取对应的疾病征兆特征信息数据，根据该组合数据与对应的疾病征兆特征信息数据建立第一数据集；获取该疾病征兆特征信息数据对应的疾病治疗方案，根据该疾病征兆特征信息数据与疾病治疗方案建立第二数据集；分类模型建立模块，用于通过优化的KNN算法对所述第一数据集进行分类，并建立分类模型；第二数据获取模块，获取待检测尿液样本，提取待检测尿液样本中的特征信息，作为待检测特征信息；认知模块，利用建立好的分类模型对所述待检测特征信息进行分类认知，并生成疾病认知报告。2.如权利要求1所述的一种基于尿液颜色的疾病认知系统，其特征在于：所述分类模型建立模块还包括预处理模块，用于将所述第一数据集进行标准化、归一化，得到第一特征集合，对所述第一特征集合进行去重、合并，得到第二特征集合，采用分词软件ICTCLAS第二特征集合进行处理，划分出描述特征点，作为待分类数据。3.如权利要求2所述的一种基于尿液颜色的疾病认知系统，其特征在于：所述分类模型建立模块还包括模型构建模块，用于通过优化的KNN算法对所述待分类数据进行聚类划分，建立KNN分类模型。4.如权利要求3所述的一种基于尿液颜色的疾病认知系统，其特征在于：所述优化的KNN算法采用改进的粒子群算法进行优化，输入S个待分类数据作为测试样本，其中70％作为训练集，30％作为预测样本集，对预测样本集进行分类，利用粒子群优化方法的随机搜索能力在训练集中进行搜索，快速找到预测样本的K个近邻；采用粒子群优化方法的具体步骤如下：S1，采用随机方法初始化粒子群，计算出每个个体的适应值，根据适应值的大小得到初始化粒子群中的群体最优值和个体最优值；S2，根据每个粒子自身的位置和速度对群体最优值和个体最优值进行更新；S3，当群体最优值达到设定的阈值或者已经达到最大迭代次数，结束算法流程，否则，重新执行步骤S2。5.如权利要求4所述的一种基于尿液颜色的疾病认知系统，其特征在于，所述采用粒子群优化方法还包括：步骤S1中，假设在一个d维空间中，一个群体共有N个粒子，记为X＝(x1,x2,...,x
N
)，所述采用随机方法初始化粒子群，包括初始化粒子群的位置x
i
＝(x
i1
,x
i2
,...,x
id
)和速度v
i
＝(v
i1
...

【专利技术属性】
技术研发人员：杜登斌，杜小军，杜乐，
申请(专利权)人：吾征智能技术北京有限公司，
类型：发明
国别省市：