一种基于人工智能的医疗疾病数据管理系统技术方案

一种基于人工智能的医疗疾病数据管理系统，包括医疗疾病数据获取端、医疗疾病数据管理端和医疗疾病数据存储端，医疗疾病数据获取端用于获取医疗疾病数据，并将获取的医疗疾病数据输入医疗疾病数据管理端，医疗疾病数据管理端用于对接收到的医疗疾病数据进行预处理和分类处理，并将分类所得的类集合输入医疗疾病数据存储端，医疗疾病数据存储端将接收到的类集合和其先前存储的类集合中的医疗疾病数据进行合并存储。本发明专利技术采用FCM聚类算法对收集的医疗疾病数据进行分类，并确定医疗疾病数据的疾病标签，将医疗疾病数据按照疾病标签进行分类存储，能够有效的降低医疗疾病大数据的复杂度，为医疗疾病数据后续的有效应用和分析奠定了基础。奠定了基础。奠定了基础。

【技术实现步骤摘要】
一种基于人工智能的医疗疾病数据管理系统


[0001]本专利技术创造涉及医疗大数据领域，具体涉及一种基于人工智能的医疗疾病数据管理系统。

技术介绍

[0002]随着当今互联网、云计算和物联网技术的成熟和发展，以及医疗信息化的广泛普及，使得医疗相关数据正在以惊人的速度增长，促使健康医疗领域快速进入“大数据”时代，大数据以其蕴含的丰富信息，得到了学术界和企业界的广泛关注。对大数据进行管理利用并构建大数据服务，是挖掘大数据价值的关键途径，同样的，对医疗疾病大数据进行管理和分析，可以实现对个体或群体的健康危险因素进行全面分析和评估，从而实施有针对性的预测干预，以阻断、延缓甚至逆转疾病的发生和发展，实现维护健康的目的。
[0003]当前，医疗疾病大数据主要在各医疗机构不同的信息系统中，这些数据具有冗余程度高和耦合性差的特点，同时，由于医疗疾病大数据特有的多源、高维和异构特点，使得在医疗疾病大数据提取与应用过程中很难对这些医疗疾病数据进行有效的分析，更难有效挖掘体现医疗疾病大数据蕴含的潜在价值。对医疗疾病大数据进行聚类，将同类别的医疗疾病数据归为一类，能够有效的降低医疗疾病大数据的复杂度，为医疗疾病数据后续的有效应用和分析奠定了基础。FCM聚类算法能够发掘无先验性数据集内在信息从而进行有意义的划分，克服了聚类结果的绝对化，使得聚类结果更加符合现实需求，但在采用FCM聚类算法进行聚类时，FCM聚类算法对初始聚类中心的选取十分敏感，如果不能够选取符合实际需求的初始聚类中心，则FCM聚类算法无法在其搜索范围中寻找到最优解，从而影响其全局的判断，因此如何对FCM聚类算法的初始聚类中心进行优化，从而提高聚类结果正确率成为了目前亟待解决的问题。粒子群算法作为群体智能算法，具有相当快的逼近最优解的速度，在FCM聚类算法的初始聚类中心处理方面具有一定的优越性，但是粒子群算法本身带有的局部搜索精度不高，收敛速度和寻优精度难以平衡的问题，使得在采用标准粒子群算法确定FCM聚类算法的初始聚类中心时，不能保证获取最优初始聚类中心，从而影响聚类结果的准确度。

技术实现思路

[0004]针对上述问题，本专利技术旨在提供一种基于人工智能的医疗疾病数据管理系统。
[0005]本专利技术创造的目的通过以下技术方案实现：
[0006]一种基于人工智能的医疗疾病数据管理系统，包括医疗疾病数据获取端、医疗疾病数据管理端和医疗疾病数据存储端，医疗疾病数据获取端用于获取医疗疾病数据，并将获取的医疗疾病数据输入医疗疾病数据管理端，医疗疾病数据管理端包括医疗疾病数据处理模块、医疗疾病样本数据库和医疗疾病数据标记模块，医疗疾病数据处理模块用于对医疗疾病数据获取端输入的医疗疾病数据进行预处理，并将预处理后的医疗疾病数据输入医疗疾病数据标记模块，医疗疾病样本数据库中存储有带有疾病标签的医疗疾病数据，医疗
疾病数据标记模块对接收到的医疗疾病数据进行检测，当检测到所述医疗疾病数据都带有疾病标签时，医疗疾病数据标记模块直接对其接收到的医疗疾病数据进行分类处理，并将分类所得的类集合分别输入医疗疾病数据存储端进行存储，当检测到所述医疗疾病数据中存在未带有疾病标签的医疗疾病数据时，医疗疾病数据标记模块调取医疗疾病样本数据库中存储的带有疾病标签的医疗疾病数据和其接收到的医疗疾病数据组成一个数据集，并对该数据集中的医疗疾病数据进行分类处理，从而确定各类集合中医疗疾病数据的疾病标签，将所述类集合分别输入医疗疾病数据存储端进行存储，医疗疾病数据存储端对其接收到的类集合和其现有的类集合进行检测，将拥有相同疾病标签的类集合进行合并，并去除合并后的类集合中重复的医疗疾病数据。
[0007]进一步的，医疗疾病数据处理模块用于对医疗疾病数据获取端输入的医疗疾病数据进行归一化处理和数据清洗。
[0008]进一步的，医疗疾病数据标记模块采用FCM聚类算法对医疗疾病数据进行分类处理，并采用粒子群算法确定FCM聚类算法对医疗疾病数据进行分类的初始聚类中心。
[0009]进一步的，在采用粒子群算法确定FCM聚类算法对医疗疾病数据进行分类的初始聚类中心时，采用下列方式确定粒子群中各粒子的更新方式：
[0010](1)对种群中各粒子的历史最优解和全局最优解进行检测；
[0011](2)根据粒子的历史最优解和全局最优解的检测结果确定粒子的更新方式。
[0012]进一步的，采用下列方式对种群中各粒子的历史最优解和全局最优解进行检测：
[0013]设X
i
(t)表示种群中粒子i在第t次迭代后的解，Pbest
i
(t)表示粒子i在第t次迭代后的历史最优解，Gbest(t)表示种群在第t次迭代后的全局最优解，设置Ω
i
(t)为粒子i在第t次迭代后的检测区域，当解X
i
(t)、Pbest
i
(t)和Gbest(t)不在一条直线上时，Ω
i
(t)为以解X
i
(t)、Pbest
i
(t)和Gbest(t)为三个顶点形成的三角形区域，当解X
i
(t)、Pbest
i
(t)和Gbest(t)在一条直线上时，Ω
i
(t)为连接解X
i
(t)、Pbest
i
(t)和Gbest(t)三个点的线段，在检测区域Ω
i
(t)中对粒子i的历史最优解Pbest
i
(t)和全局最优解Gbest(t)进行检测：
[0014]定义ρ
i
(Pbest
i
(t))表示历史最优解Pbest
i
(t)在检测区域Ω
i
(t)中的引导成功率，ρ
i
(Gbest(t))表示全局最优解Gbest(t)在检测区域Ω
i
(t)中的引导成功率，ρ
i
(Pbest
i
(t))和ρ
i
(Gbest(t))的值分别为：
[0015][0016][0017]在上述公式中，N
i
(Pbest
i
(t))为用于在检测区域Ω
i
(t)中对历史最优解Pbest
i
(t)进行检测的标志性解集合，N
i
(Gbest(t))为用于在检测区域Ω
i
(t)中对全局最优解Gbest(t)进行检测的标志性解集合，且N
i
(Pbest
i
(t))和N
i
(Gbest(t))中的解为采用下列方式在检测区域Ω
i
(t)中筛选所得：设X
ij
(t)为检测区域Ω
i
(t)中的第j个解，且j＝1，2，...，M
i
(t)，M
i
(t)表示检测区域Ω
i
(t)中解的数量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的医疗疾病数据管理系统，其特征在于，包括医疗疾病数据获取端、医疗疾病数据管理端和医疗疾病数据存储端，医疗疾病数据获取端用于获取医疗疾病数据，并将获取的医疗疾病数据输入医疗疾病数据管理端，医疗疾病数据管理端包括医疗疾病数据处理模块、医疗疾病样本数据库和医疗疾病数据标记模块，医疗疾病数据处理模块用于对医疗疾病数据获取端输入的医疗疾病数据进行预处理，并将预处理后的医疗疾病数据输入医疗疾病数据标记模块，医疗疾病样本数据库中存储有带有疾病标签的医疗疾病数据，医疗疾病数据标记模块对接收到的医疗疾病数据进行检测，当检测到所述医疗疾病数据都带有疾病标签时，医疗疾病数据标记模块直接对其接收到的医疗疾病数据进行分类处理，并将分类所得的类集合分别输入医疗疾病数据存储端进行存储，当检测到所述医疗疾病数据中存在未带有疾病标签的医疗疾病数据时，医疗疾病数据标记模块调取医疗疾病样本数据库中存储的带有疾病标签的医疗疾病数据和其接收到的医疗疾病数据组成一个数据集，并对该数据集中的医疗疾病数据进行分类处理，从而确定各类集合中医疗疾病数据的疾病标签，将所述类集合分别输入医疗疾病数据存储端进行存储，医疗疾病数据存储端对其接收到的类集合和其现有的类集合进行检测，将拥有相同疾病标签的类集合进行合并，并去除合并后的类集合中重复的医疗疾病数据。2.根据权利要求1所述的一种基于人工智能的医疗疾病数据管理系统，其特征在于，医疗疾病数据处理模块用于对医疗疾病数据获取端输入的医疗疾病数据进行归一化处理和数据清洗。3.根据权利要求1所述的一种基于人工智能的医疗疾病数据管理系统，其特征在于，医疗疾病数据标记模块采用FCM聚类算法对医疗疾病数据进行分类处理，并采用粒子群算法确定FCM聚类算法对医疗疾病数据进行分类的初始聚类中心。4.根据权利要求3所述的一种基于人工智能的医疗疾病数据管理系统，其特征在于，在采用粒子群算法确定FCM聚类算法对医疗疾病数据进行分类的初始聚类中心时，采用下列方式确定粒子群中各粒子的更新方式：(1)对种群中各粒子的历史最优解和全局最优解进行检测；(2)根据粒子的历史最优解和全局最优解的检测结果确定粒子的更新方式。5.根据权利要求4所述的一种基于人工智能的医疗疾病数据管理系统，其特征在于，采用下列方式对种群中各粒子的历史最优解和全局最优解进行检测：设X
i
(t)表示种群中粒子i在第t次迭代后的解，Pbest
i
(t)表示粒子i在第t次迭代后的历史最优解，Gbest(t)表示种群在第t次迭代后的全局最优解，设置Ω
i
(t)为粒子i在第t次迭代后的检测区域，当解X
i
(t)、Pbest
i
(t)和Gbest(t)不在一条直线上时，Ω
i
(t)为以解X
i
(t)、Pbest
i
(t)和Gbest(t)为三个顶点形成的三角形区域，当解X
i
(t)、Pbest
i
(t)和Gbest(t)在一条直线上时，Ω
i
(t)为连接解X
i
(t)、Pbest
i
(t)和Gbest(t)三个点的线段，在检测区域Ω
i
(t)中对粒子i的历史最优解Pbest
i
(t)和全局最优解Gbest(t)进行检测：定义ρ
i
(Pbest
i
(t))表示历史最优解Pbest
i
(t)在检测区域Ω
i
(t)中的引导成功率，ρ
i
(Gbest(t))表示全局最优解Gbest(t)在检测区域Ω
i
(t)中的引导成功率，ρ
i
(Pbest
i
(t))和p
i
(Gbest(t))的值分别为：
在上述公式中，N
i
(Pbest
i
(t))为用于在检测区域Ω
i
(t)中对历史最优解Pbest
i
(t)进行检测的标志性解集合，N
i
(Gbest(t))为用于在检测区域Ω
i
(t)中对全局最优解Gbest(t)进行检测的标志性解集合，且N
i
(Pbest
i
(t))和N
i
(Gbest(t))中的解为采用下列方式在检测区域Ω
i
(t)中筛选所得：设X
ij
(t)为检测区域Ω
i
(t)中的第j个解，且j＝1，2，...，M
i
(t)，M
i
(t)表示检测区域Ω
i
(t)中解的数量，X
ij
(t
‑
1)为解X
ij
(t)所对应的粒子在第(t
‑
1)次迭代后的解，d(X
ij
(t)，Pbest
i
(t))表示解X
ij
(t)和历史最优解Pbest
i
(t)之间的欧式距离，d(X
ij
(t
‑
1)，Pbest
i
(t))表示解X
ij
(t
‑
1)和历史最优解Pbest
i
(t)之间的欧式距离，d(X
ij
(t)，Gbest(t))表示解X
ij
(t)和全局最优解Gbest(t)之间的欧式距离，d(X
ij
(t
‑
1)，Gbest(t))表示解X
ij
(t
‑
1)和全局最优解Gbest(t)之间的欧式距离，当解X
ij
(t)同时满足：X
ij
(t
‑
1)∈Ω
i
(t)且d(X
ij
(t)，Pbest
i
(t))＜d(X
ij
(t
‑
1)，Pbest
i
(t))且d(X
ij
(t)，Gbest(t))＞d(X
ij
(t
‑
1)，Gb...

【专利技术属性】
技术研发人员：徐昆，
申请(专利权)人：云南升玥信息技术有限公司，
类型：发明
国别省市：