一种基于电子护理文本数据的人体跌倒风险预测方法及系统技术方案

本发明专利技术属于数据处理技术领域，具体涉及一种基于电子护理文本数据的人体跌倒风险预测方法及系统，该方法包括：获取电子护理数据集，并对电子护理数据集中的数据进行预处理，根据预处理后的电子护理数据集中的数据构建莫尔斯跌倒词典；采用自然语言处理技术对待预测用户的电子护理文本数据进行文本特征提取；采用建莫尔斯跌倒词典对提取的文本特征进行解析，得到变量数据集；使用变量数据集对决策树算法进行训练，得到人体跌倒风险的预测结果；根据预测结果对用户聚类和精准护理；本发明专利技术通过电子健康档案构建莫尔斯跌倒词典，并根据莫尔斯跌倒词典获取用户的的风险因子，并根据风险因子对用户进行迭代风险预测，提高了预测的效率。率。率。

【技术实现步骤摘要】
一种基于电子护理文本数据的人体跌倒风险预测方法及系统


[0001]本专利技术属于数据处理
，具体涉及一种基于电子护理文本数据的人体跌倒风险预测方法及系统。

技术介绍

[0002]跌倒风险因素包括与受护理对象相关的因素、组织或环境因素以及跌倒时的行为活动。跌倒风险因素评估只是预防跌倒的一小部分。在繁忙且人手不足的护理中心中，提炼避免跌倒的知识准则是一个挑战。它必须在人员自由活动与严重受伤风险之间取得平衡。通过护理文本对话机制，为护理团队以及受护理人及家庭提供有关该人员的决策支持信息，包括跌倒风险因素、预防策略相关建议，以及跌倒后的应对策略。基于电子健康档案(EHR)的护理文本数据，开发可计算的本体知识，表征跌倒风险管理的现有知识，对具有不同风险程度的老人制定对应的护理方案，从而优化护理方案。
[0003]将人工标注与基于莫尔斯跌倒得分(MFS)词典的自动标注进行比较，虽然二者准确性都为较高，但人工标注的效率要远低于自动标注，在标注过程中需要重复浏览检查，且发生错误和遗漏的概率更高。

技术实现思路

[0004]为解决以上现有技术存在的问题，本专利技术提出了一种基于电子护理文本数据的人体跌倒风险预测方法，该方法包括：获取电子护理数据集，并对电子护理数据集中的数据进行预处理，根据预处理后的电子护理数据集中的数据构建莫尔斯跌倒词典；采用自然语言处理技术对待预测用户的电子护理文本数据进行文本特征提取；采用建莫尔斯跌倒词典对提取的文本特征进行解析，得到变量数据集；使用变量数据集对决策树算法进行训练，得到人体跌倒风险的预测结果；根据预测结果对用户聚类和精准护理。
[0005]优选的，构建莫尔斯跌倒词典的过程包括：对电子护理数据集中的所有电子护理文本数据进行情感得分挖掘和跌倒词典得分挖掘；根据情感得分挖掘的结果和跌倒词典得分挖掘结果构建莫尔斯跌倒词典。
[0006]进一步的，对电子护理文本数据进行情感得分挖掘的过程包括：采用Jieba分词工具对电子护理文本数据进行分词处理，得到向量词组；采用自然语言处理技术提取向量词组的情感词；遍历所有的情感词，将情感词划分为有否定词的情感词、无否定词的情感词以及其他情感词；采用否定词得分机制计算有否定词的情感词的情感得分，采用无否定词得分机制计算无否定词的情感得分，计算其他情感词的情感得分；将有否定词的情感词的情感得分、无否定词的情感得分以及其他情感词的情感得分进行求和，得到该情感词的总得分。
[0007]进一步的，采用否定词得分机制计算有否定词的情感词的情感得分的过程包括：
[0008]步骤1：对文档分词，找出文档中的情感词、否定词以及程度副词；
[0009]步骤2：判断每个情感词之前是否有否定词及程度副词，将它之前的否定词和程度
副词划分为一个组；
[0010]步骤3：根据NLP词典计算有否定词的情感词的得分和程度副词的权值；如果有否定词将情感词的情感权值乘以
‑
1，如果有程度副词就乘以程度副词的程度值；
[0011]步骤4：将初始得分取相反数后再与程度副词权值相乘，得到有否定词的情感词的情感得分；所有组的得分加起来，大于0的归于正向，小于0的归于负向，其中得分的绝对值大小反映了积极或消极的程度。
[0012]进一步的，程度副词的权值计算公式为：
[0013][0014]其中，freq(w,positive)是一个词汇w在积极的文本中出现的次数，freq(positive)表示每个护理文本中每个词汇的总数，freq(negative)表示每个护理文本中消极词汇的总数，req(w,negative)是一个词汇w在消极的文本中出现的次数。
[0015]优选的，采用无否定词得分机制计算无否定词的情感得分包括：计算无否定词的情感词的初始得分和程度副词权值；将初始得分取与程度副词权值相乘，得到无否定词的情感词的情感得分。
[0016]优选的，对电子护理文本数据进行跌倒词典得分挖掘的过程包括：构建跌倒词典；采用Jieba分词工具对电子护理文本数据进行分词处理，得到向量词组；采用跌倒词典提取向量词组中的跌倒词；遍历所有的跌倒词，计算每个跌倒词的得分，并将所有的得分求和，得到跌倒词典得分。
[0017]优选的，数据变量集中的数据包括跌倒等级、跌倒历史、二次诊断结果、拐杖、手杖、助步车、静脉用具/肝素锁或生理盐水指标、步态/移动、精神状态、情感得分以及莫尔斯跌倒计分。
[0018]优选的，采用决策树算法对数据变量集中的数据进行处理的过程包括：
[0019]第一步：构建决策树，将数据变量集中的莫尔斯跌倒计分作为决策树的根节点，并根据根节点对用户进行分类；
[0020]第二步：查询各个子类，确定各个子类的分类结果是否正确，若正确，则将分支末端节点作为决策树的叶子节点；否则，选取一个非父节点的属性，重复第一步；
[0021]第三步：选取一个非父节点的属性，根据该属性得分对第一步已经分类出来的结果继续进行分类；该分类结果为最终的预测结果。
[0022]一种基于电子护理文本数据的人体跌倒风险预测系统，该系统包括：数据获取模块、数据预处理模块、文本特征提取模块、莫尔斯跌倒词典模块、迭代风险预测模块、跌倒事件防控模块以及反馈模块；
[0023]所述数据获取模块用于获取用户的电子护理文本数据，并将获取的数据输入到数据预处理模块中；
[0024]所述数据预处理模块用于对电子护理文本数据进行预处理，该预处理包括对电子护理文本数据筛选出对应的特征，删除重复的特征，对缺失特征进行补全；
[0025]所述文本特征提取模块用于对经过数据预处理模块处理后的数据进行文本特征提取；
[0026]所述莫尔斯跌倒词典模块用于对提取的文本特征进行解析，得到变量数据集；
[0027]所述迭代风险预测模块采用决策树算法对变量数据集中的特征进行选择，得到人体跌倒风险的预测结果；将预测结果输入到跌倒事件防控模块中；
[0028]所述跌倒事件防控模块根据预测结果构建跌倒风险预防策略；
[0029]所述反馈模块用于将跌倒事件防控模块生成的跌倒风险预防策略反馈给用户。
[0030]本专利技术的有益效果：
[0031]本专利技术通过电子健康档案构建莫尔斯跌倒词典，并根据莫尔斯跌倒词典获取用户的的风险因子，并根据风险因子对用户进行迭代风险预测，提高了预测的效率；本专利技术通过数据的智能决策支持，节省人工标准成本并同时避免人工错误的发生。
附图说明
[0032]图1为本专利技术的人体跌倒风险预测流程图；
[0033]图2为本专利技术的情感得分挖掘流程图；
[0034]图3为本专利技术的跌倒词典得分挖掘流程图；
[0035]图4为本专利技术的提取数据遍历集的流程图；
[0036]图5为本专利技术的决策树算法对数据进行处理的流程图；
[0037]图6为本专利技术的谱系图；
[0038]图7为基于电子护理文本数据的人体跌倒风险预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电子护理文本数据的人体跌倒风险预测方法，其特征在于，该方法包括：获取电子护理数据集，并对电子护理数据集中的数据进行预处理，根据预处理后的电子护理数据集中的数据构建莫尔斯跌倒词典；采用自然语言处理技术对待预测用户的电子护理文本数据进行文本特征提取；采用建莫尔斯跌倒词典对提取的文本特征进行解析，得到变量数据集；使用变量数据集对决策树算法进行训练，得到人体跌倒风险的预测结果；根据预测结果对用户聚类和精准护理。2.根据权利要求1所述的一种基于电子护理文本数据的人体跌倒风险预测方法，其特征在于，构建莫尔斯跌倒词典的过程包括：对电子护理数据集中的所有电子护理文本数据进行情感得分挖掘和跌倒词典得分挖掘；根据情感得分挖掘的结果和跌倒词典得分挖掘结果构建莫尔斯跌倒词典。3.根据权利要求2所述的一种基于电子护理文本数据的人体跌倒风险预测方法，其特征在于，对电子护理文本数据进行情感得分挖掘的过程包括：采用Jieba分词工具对电子护理文本数据进行分词处理，得到向量词组；采用自然语言处理技术提取向量词组的情感词；遍历所有的情感词，将情感词划分为有否定词的情感词、无否定词的情感词以及其他情感词；采用否定词得分机制计算有否定词的情感词的情感得分，采用无否定词得分机制计算无否定词的情感得分，计算其他情感词的情感得分；将有否定词的情感词的情感得分、无否定词的情感得分以及其他情感词的情感得分进行求和，得到该情感词的总得分。4.根据权利要求3所述的一种基于电子护理文本数据的人体跌倒风险预测方法，其特征在于，采用否定词得分机制计算有否定词的情感词的情感得分的过程包括：步骤1：对文档分词，找出文档中的情感词、否定词以及程度副词；步骤2：判断每个情感词之前是否有否定词及程度副词，将它之前的否定词和程度副词划分为一个组；步骤3：根据NLP词典计算有否定词的情感词的得分和程度副词的权值；如果有否定词将情感词的情感权值乘以
‑
1，如果有程度副词就乘以程度副词的程度值；步骤4：将初始得分取相反数后再与程度副词权值相乘，得到有否定词的情感词的情感得分；所有组的得分加起来，大于0的归于正向，小于0的归于负向，其中得分的绝对值大小反映了积极或消极的程度。5.根据权利要求4所述的一种基于电子护理文本数据的人体跌倒风险预测方法，其特征在于，程度副词的权值计算公式为：其中，freq(w,positive)是一个词汇w在积极的文本中出现的次数，freq(positive)表示每个护理文本中每个词汇的总数，freq(negative)表示每个护理文本中消极词汇的总数，req(w,negative)是一个词汇w在消极的文本中出...

【专利技术属性】
技术研发人员：余海燕，左小龙，颜毅，范国慷，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：