本发明专利技术公开了一种病情检测模型训练、检测方法、装置和设备，其中，病情检测模型训练方法包括：获取用于表征目标病症的训练样本，训练样本包括多个人员的体征数据和各个人员是否患病的数据标签；利用训练样本对预设的多元回归模型进行训练，多元回归模型包括线性参数，线性参数用于对人员的体征数据进行线性降维，以计算出该人员是否患病的结果；当满足预设条件时，输出多元回归模型，并根据多元回归模型构建病情检测模型。本发明专利技术提供的技术方案，提高基于体征数据对目标人员进行病情识别的效率。率。率。
【技术实现步骤摘要】
一种病情检测模型训练、检测方法、装置和电子设备
[0001]本专利技术涉及大数据分析领域，具体涉及一种病情检测模型训练、检测方法、装置和设备。
技术介绍
[0002]随着大数据技术的发展，在各行各业通过大数据进行人脸识别、语句分类的技术层出不穷，它们本质上通过大量数据和机器学习技术的结合，分析出目标的内在区别，实现了肉眼等感官做不到的识别与预测能力。通常，在医疗领域，患病的患者在做一系列检查时需要进行抽血、胸透等步骤，往往检查效率很低，检查结果输出很慢，尤其涉及到传染病时需要对大量人员进行检查，检查效率是一项至关重要的因素。为了提高检查效率，通常在检查前，医护人员通过体温等体征数据对目标人员进行一个初步检测，检测结果往往通过人为主观判断，很不准确。之后，越来越多的研究人员开始基于体征数据进行基于大数据检测目标病症的研究，但是，为了提高检测准确率，通常需要容量很大的神经网络进行数据训练，其检测过程即为一个数据运行整个神经网络运算的过程，检测效率同样不高。因此，如何在保证检测准确率的前提下，提高医护人员基于体征数据对目标人员进行病情识别的效率是亟待解决的问题。
技术实现思路
[0003]有鉴于此，本专利技术实施方式提供了一种病情检测模型训练、检测方法、装置和设备，从而提高了基于体征数据对目标人员进行病情识别的效率。
[0004]根据第一方面，本专利技术提供了一种病情检测模型训练方法，所述方法包括：获取用于表征目标病症的训练样本，所述训练样本包括多个人员的体征数据和各个人员是否患病的数据标签；利用所述训练样本对预设的多元回归模型进行训练，所述多元回归模型包括线性参数，所述线性参数用于对人员的体征数据进行线性降维，以计算出该人员是否患病的结果；当满足预设条件时，输出所述多元回归模型，并根据所述多元回归模型构建所述病情检测模型。
[0005]可选地，所述获取用于表征目标病症的训练样本，包括：获取多个标有患病标签的第一体征数据，并将所述第一体征数据作为正样本；获取多个标有未患病标签的第二体征数据，并将所述第二体征数据作为负样本；以相同采样频率对各个正样本和负样本进行标准化；将标准化之后的所述正样本和所述负样本组成样本集合，生成所述训练样本。
[0006]可选地，在对所述预设的多元回归模型进行训练之前，所述方法还包括：将第一变量和第一噪声参数的和作为第一线性表达式，所述第一变量是所述体征数据与预设的第一线性参数的乘积，所述第一噪声参数用于表征所述体征数据的噪声；将第二变量和第二噪声参数的和作为第二线性表达式，所述第二变量是所述第一线性表达式输出结果与预设的第二线性参数的乘积，所述第二噪声参数用于表征所述第一线性表达式输出结果的噪声，所述第二线性表达式的输出结果用于预测所述体征数据对应的人员是否患病，所述预设的
第一线性参数和预设的第二线性参数为多元回归模型的所述线性参数；将所述第一线性表达式和所述第二线性表达式组合，构成所述多元回归模型。
[0007]可选地，所述利用所述训练样本对预设的多元回归模型进行训练，包括：分别将第一线性表达式和第二线性表达式变换为表征第一噪声参数和第二噪声参数的形式；基于变换后的第一线性表达式和第二线性表达式建立目标函数；将所述体征数据和所述数据标签代入所述目标函数进行迭代计算，对所述预设的第一线性参数和所述预设的第二线性参数进行调整，以使所述第一噪声参数的范数和第二噪声参数的范数进行递减；输出至少一组调整后的线性参数，并基于所述调整后的线性参数生成至少一个对应的多元回归模型，以完成训练。
[0008]可选地，所述根据所述多元回归模型构建所述病情检测模型，包括：若利用所述训练样本对预设的多元回归模型进行训练得到多个所述多元回归模型，则将计算多个所述多元回归模型输出结果的平均值的表达式作为所述病情检测模型。
[0009]根据第二方面，本专利技术提供了一种病情检测方法，所述方法包括：获取目标人员的体征数据；将所述体征数据代入根据第一方面任意一项可选实施方式生成的病情检测模型进行计算；根据所述病情检测模型的输出结果判断所述目标人员是否患有所述目标病症。
[0010]根据第三方面，本专利技术提供了一种病情检测模型训练装置，所述装置包括：数据采集模块，用于获取用于表征目标病症的训练样本，所述训练样本包括多个人员的体征数据和各个人员是否患病的数据标签；模型训练模块，用于利用所述训练样本对预设的多元回归模型进行训练，所述多元回归模型包括线性参数，所述线性参数用于对人员的体征数据进行线性降维，以计算出该人员是否患病的结果；模型输出模块，用于当满足预设条件时，输出所述多元回归模型，并根据所述多元回归模型构建所述病情检测模型。
[0011]根据第四方面，本专利技术提供了一种病情检测装置，所述装置包括：第二数据采集模块，获取目标人员的体征数据；计算模块，用于将所述体征数据代入根据第一方面任意一项可选实施方式生成的病情检测模型进行计算；结果输出模块，用于根据所述病情检测模型的输出结果判断所述目标人员是否患有所述目标病症。
[0012]根据第五方面，本专利技术提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面、第二方面，或者第一方面以及第二方面任意一种可选实施方式中所述的方法。
[0013]根据第六方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面、第二方面，或者第一方面以及第二方面任意一种可选实施方式中所述的方法。
[0014]本申请提供的技术方案，具有如下优点：
[0015]本申请提供的技术方案，获取大量的体征数据，包括但不限于体温数据、血氧饱和度数据、心率数据作为训练样本，然后根据采集数据可以测得的数据噪声，建立通过线性参数将多维数据降低为一维识别结果的多元回归模型，从而以降低体温数据的数据噪声、血氧饱和度数据的数据噪声和心率数据的数据噪声为目标，使用训练样本对多元回归模型的线性参数进行训练。从而在线性参数训练完成之后，即可使用基于简单线性计算的多元回归模型对目标人员的体征数据进行计算，从而判定目标人员是否患病的结果，其在实际使
用过程中，计算量远远小于大容量的神经网络等机器学习模型，作为初步诊断病症的诊断模型，能够大大提高诊断效率。
附图说明
[0016]通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：
[0017]图1示出了本专利技术一个实施方式中一种病情检测模型训练方法的步骤示意图；
[0018]图2示出了本专利技术一个实施方式中一种病情检测方法的步骤示意图；
[0019]图3示出了本专利技术一个实施方式中一种病情检测模型训练装置的结构示意图；
[0020]图4示出了本专利技术一个实施方式中一种病情检测装置的结构示意图；
[0021]图5示出了本专利技术一个实施方式中一种本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种病情检测模型训练方法，其特征在于，所述方法包括：获取用于表征目标病症的训练样本，所述训练样本包括多个人员的体征数据和各个人员是否患病的数据标签；利用所述训练样本对预设的多元回归模型进行训练，所述多元回归模型包括线性参数，所述线性参数用于对人员的体征数据进行线性降维，以计算出该人员是否患病的结果；当满足预设条件时，输出所述多元回归模型，并根据所述多元回归模型构建所述病情检测模型。2.根据权利要求1所述的方法，其特征在于，所述获取用于表征目标病症的训练样本，包括：获取多个标有患病标签的第一体征数据，并将所述第一体征数据作为正样本；获取多个标有未患病标签的第二体征数据，并将所述第二体征数据作为负样本；以相同采样频率对各个正样本和负样本进行标准化；将标准化之后的所述正样本和所述负样本组成样本集合，生成所述训练样本。3.根据权利要求1所述的方法，其特征在于，在对所述预设的多元回归模型进行训练之前，所述方法还包括：将第一变量和第一噪声参数的和作为第一线性表达式，所述第一变量是所述体征数据与预设的第一线性参数的乘积，所述第一噪声参数用于表征所述体征数据的噪声；将第二变量和第二噪声参数的和作为第二线性表达式，所述第二变量是所述第一线性表达式输出结果与预设的第二线性参数的乘积，所述第二噪声参数用于表征所述第一线性表达式输出结果的噪声，所述第二线性表达式的输出结果用于预测所述体征数据对应的人员是否患病，所述预设的第一线性参数和预设的第二线性参数为多元回归模型的所述线性参数；将所述第一线性表达式和所述第二线性表达式组合，构成所述多元回归模型。4.根据权利要求3所述的方法，其特征在于，所述利用所述训练样本对预设的多元回归模型进行训练，包括：分别将第一线性表达式和第二线性表达式变换为表征第一噪声参数和第二噪声参数的形式；基于变换后的第一线性表达式和第二线性表达式建立目标函数；将所述体征数据和所述数据标签代入所述目标函数进行迭代计算，对所述预设的第一线性参数和所述预设的第二线性参数进行调整，以使所述第一噪声参数的范数和第二噪声参数的范数进行递减；输出至...
【专利技术属性】
技术研发人员：余晓填，蚁韩羚，王爱波，王孝宇，陈宁，
申请(专利权)人：深圳云天励飞技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。