【技术实现步骤摘要】
本专利技术涉及过敏性鼻炎模型建模，尤其涉及一种过敏性鼻炎预测模型的建模方法。
技术介绍
1、现有技术中通过采用建立深度学习模型对过敏性鼻炎进行预测，中国专利技术专利（cn106384008a）公开了一种基于增量式神经网络模型的过敏性鼻炎预测系统，其将过敏性鼻炎日常数据对神经网络模型训练，从而得到过敏性鼻炎预测模型，但是该专利并没有对过敏性鼻炎的患者数据进行区分就输入神经网络模型中，不同的患者数据可能表征出不同的信息，导致过敏性鼻炎模型的科学性不高，具体表现为：
2、过敏性鼻炎与哮喘在症状特征上有一定的相似之处，当症状发作并伴有刺激性干咳、哮鸣音等临床症状，考虑成为哮喘症状，临床医学认为两者发病机制相似，属于并列关系；过敏性鼻炎导致鼻黏膜充血肿胀，降低免疫力，容易感染下呼吸道，引发呼吸道感染性疾病，炎症刺激可导致肺部的通气功能下降，引发哮喘症状。因此，过敏性鼻炎因感染因素引发的哮喘症状属于因果关系；但是，过敏性鼻炎与哮喘在非幼儿患者身上区别度较高，对于幼儿来讲，随着气温降低加上生活环境污染严重，而幼儿的身体免疫力较非幼儿差，更容易被疾病侵袭，其中哮喘与过敏性鼻炎就是经常发生在幼儿身上，相较于非幼儿症状，发生在幼儿身上的哮喘与过敏性鼻炎症状比较相似，区别度不高，仍采用现有技术进行诊断，导致过敏性鼻炎的预测精度会大大降低，因此，现有技术急需一种提高预测精度的过敏性鼻炎预测模型的技术方案。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种过敏性鼻炎预测模型的建模方法
2、本专利技术提供了一种过敏性鼻炎预测模型的建模方法，具体包括如下步骤：
3、步骤s1，获取过敏性鼻炎病例医疗数据作为所述神经网络模型的样本集；
4、步骤s2，对所述步骤s1中的所述样本集进行预处理，得到用于神经网络模型的训练集；
5、步骤s3，建立所述过敏性鼻炎预测模型；
6、步骤s4，采用所述步骤s2中的所述训练集对所述步骤s3中所述的过敏性鼻炎预测模型进行训练，得到训练好的所述过敏性鼻炎预测模型；
7、所述步骤s4中所述过敏性鼻炎预测模型包括第一预测模型和第二预测模型，所述第一预测模型用于对0-7周岁待预测对象进行过敏性鼻炎预测，所述第二预测模型用于对7周岁以上待预测对象进行过敏性鼻炎预测。
8、进一步地，所述步骤s2中，所述预处理，具体包括以下步骤：
9、步骤s2.1，从所述步骤s1中所述的样本集筛选出不合格样本，并作删除处理；
10、步骤s2.2，删除所述步骤s1中所述样本集中不包含年龄信息的样本；
11、步骤s2.3，对所有所述样本集进行步骤s2.1至s2.2操作，得到所述训练集。
12、进一步地，所述步骤s2中，所述训练集包括第一子样本集和第二子样本集，所述第一子样本集为经筛选后的样本集中年龄为0-7周岁的样本组成的样本集合，所述第二子样本集为经筛选的样本集中年龄为7周岁以上的样本组成的样本集合。
13、进一步地，所述第一预测模型为卷积神经网络模型，所述第二预测模型为bp神经网络模型。
14、进一步地，所述步骤s2中，所述训练集的获取，具体包括以下步骤：
15、步骤s2.4，对所述第一子样本集和所述第二子样本集中的患者主诉信息统计处理，得到过敏性鼻炎的常见症状；
16、步骤s2.5，对所述第一子样本集和所述第二子样本集中症状出现的频次按照从大到小排列，获得对应年龄段过敏性鼻炎的常见特征；
17、步骤s2.6，采用所述第一子样本集和所述第二子样本集中每个样本的常见特征以及诊断结论组成训练集。
18、进一步地，获取步骤s2.6中所述第一子样本集的常见特征与诊断结论组成训练集得到第一训练集合。
19、进一步地，获取所述步骤s2.6中第二子样本集的常见特征与诊断结论组成训练集得到第二训练集合。
20、进一步地，所述步骤s2.6中，所述第一子样本集的常见特征为7个，所述第二子样本集的常见特征为4个。
21、进一步地，采用所述第一训练集合训练所述第一预测模型，采用所述第二训练集合训练所述第二预测模型。
22、进一步地，所述第一子样本集的7个该年龄段的过敏性鼻炎的常见特征为：鼻塞、鼻痒、打喷嚏、流鼻涕、双下甲水肿、咳嗽、喉痒；所述第二子样本集得到的4个该年龄段的过敏性鼻炎的常见特征为：打喷嚏、鼻痒、胸闷、鼻塞。
23、根据本专利技术的一个方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有数据处理程序，数据处理程序被处理器执行上述的过敏性鼻炎预测模型的建模方法。
24、本专利技术实施例具有以下技术效果：
25、1、本专利技术提供一种过敏性鼻炎预测模型的建模方法，为了让过敏性鼻炎达到精准预测，本专利技术将患者按照年龄划分为幼儿和非幼儿两组，并对这两个年龄段建立两个子模型，分别采用不同训练集训练两个子模型，提高了过敏性鼻炎模型建立的科学性。
26、2、本专利技术提供一种过敏性鼻炎预测模型的建模方法，在针对幼儿年龄段的过敏性鼻炎预测时，选择了较为复杂准确度较高的卷积神经网络模型，且在输入模型的参数上，通过统计分析，选择了7个参数作为输入，而在针对非幼儿年龄段的过敏性鼻炎预测时，选择了较为简单的bp神经网络模型，且在输入模型的参数上，通过统计分析，选择了4个参数作为输入，这样，兼顾了精度和效率。
本文档来自技高网...【技术保护点】
1.一种过敏性鼻炎预测模型的建模方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述步骤S2中，所述预处理，具体包括以下步骤：
3.根据权利要求1所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述步骤S2中，所述训练集包括第一子样本集和第二子样本集，所述第一子样本集为经筛选后的样本集中年龄为0-7周岁的样本组成的样本集合，所述第二子样本集为经筛选的样本集中年龄为7周岁以上的样本组成的样本集合。
4.根据权利要求1所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述第一预测模型为卷积神经网络模型，所述第二预测模型为BP神经网络模型。
5.根据权利要求3所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述步骤S2中，所述训练集的获取，具体包括以下步骤：
6.根据权利要求5所述的过敏性鼻炎预测模型的建模方法，其特征在于，获取所述步骤S2.6中第一子样本集的常见特征与诊断结论组成训练集得到第一训练集合。
7.根据权利要求6所述的过敏性鼻炎预测模型的建模方法，其
8.根据权利要求7所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述步骤S2.6中，所述第一子样本集的常见特征为7个，所述第二子样本集的常见特征为4个。
9.根据权利要求7所述的过敏性鼻炎预测模型的建模方法，其特征在于，采用第一训练集合训练所述第一预测模型，采用第二训练集合训练所述第二预测模型。
10.根据权利要求8所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述第一子样本集的7个该年龄段的过敏性鼻炎的常见特征为：鼻塞、鼻痒、打喷嚏、流鼻涕、双下甲水肿、咳嗽、喉痒；所述第二子样本集得到的4个该年龄段的过敏性鼻炎的常见特征为：打喷嚏、鼻痒、胸闷、鼻塞。
...【技术特征摘要】
1.一种过敏性鼻炎预测模型的建模方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述步骤s2中，所述预处理，具体包括以下步骤：
3.根据权利要求1所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述步骤s2中，所述训练集包括第一子样本集和第二子样本集，所述第一子样本集为经筛选后的样本集中年龄为0-7周岁的样本组成的样本集合，所述第二子样本集为经筛选的样本集中年龄为7周岁以上的样本组成的样本集合。
4.根据权利要求1所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述第一预测模型为卷积神经网络模型，所述第二预测模型为bp神经网络模型。
5.根据权利要求3所述的过敏性鼻炎预测模型的建模方法，其特征在于，所述步骤s2中，所述训练集的获取，具体包括以下步骤：
6.根据权利要求5所述的过敏性鼻炎预测模型的建模方法，其特征在于，获...
【专利技术属性】
技术研发人员：王珊珊，杜俊尧，闫树婷，高晓葳，
申请(专利权)人：天津医科大学第二医院，
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。