一种基于神经网络分类器的儿科分诊方法及系统与流程

本发明涉及人工智能技术领域，尤其涉及一种基于神经网络分类器的儿科分诊方法及系统。

背景技术：

神经网络，是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象，建立某种简单模型，按不同的连接方式组成不同的网络。bp神经网络是1986年由rumelhart和mcclelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络，bp神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。

儿科分诊是儿科门诊急诊工作的重要组成部分，而且是儿科门诊急诊工作的最初环节，其质量高低直接影响着儿童医院的形象，也在一定程度上决定着儿童医院所取得的社会效应。一名合格的儿科分诊护士的最基本要求是具备对患儿的爱心和良好的沟通能力，其次应该掌握尽可能多的专业知识，并能根据不同情况，选择不同的分诊方法。

由于儿科患儿发病急，病情变化快，不能自述病情，家属紧张，焦虑，文化层次不一，对患儿病情不能准确描述，以及对医院就诊程序陌生等，家属有时候会不理解，甚至发生过把一米栏都摔了的情况。作为一名儿科分诊护士，要求能准确对就诊患儿进行初步筛查，合理安排，力求做到分诊准确，秩序井然，缩短候诊时间，争取治疗时机，使患儿在就诊过程中，通过分诊护士的优质服务，快速选择正确的医生就诊。

儿科分诊就是将重症与轻症患儿等进行分流，使患儿保持良好的就诊秩序，为患儿及其家长创造良好的就医环境，也使有限的医疗资源得到合理的配置。

结合以上的分析，现开发出一款基于神经网络分类器通过自我训练来达到分诊的方法，解决现有儿科分诊的困难。

技术实现要素：

本发明为了解决上述问题，现提出一种基于神经网络分类器的儿科分诊方法，具体包括以下步骤：

步骤s1，对儿患进行初步问诊得到所述儿患的症状数据；

步骤s2，采集所述儿患的身体状态数据；

步骤s3，根据预先生成的神经网络分类器对所述问诊数据和所述身体状态数据进行处理得到相应的分诊结果；

步骤s4，根据所述分诊结果生成所述儿患的分诊报告；

步骤s5，根据所述分诊报告对所述儿患进行引导。

优选的，所述身体状态数据包括生命体征数据和/或生命体格数据。

优选的，所述分诊结果为所述儿患的病情严重程度；

所述病情严重程度包括重症和轻症。

优选的，所述神经网络分类器为误差反向传播神经网络分类器。

优选的，所述误差反向传播神经网络分类器设置于一服务器中，且所述服务器连接一儿科数据库；

所述误差反向传播神经网络分类器的生成方法包括：

步骤a1，于所述儿科数据库中获取若干儿患的所述症状数据和所述身体状态数据，以及与所述症状数据和所述身体状态数据对应的分诊结果；

步骤a2，将所述症状数据和所述身体状态数据作为输入，以对应的所述分诊结果作为输出，对所述误差反向传播神经网络模型进行训练并输出训练结果；

步骤a3，根据所述训练结果生成所述误差反向传播神经网络分类器。

优选的，一种基于神经网络分类器的儿科分诊系统，应用于所述的基于神经网络分类器的儿科分诊方法，具体包括：

第一数据采集模块，用于对儿患进行初步问诊得到所述儿患的症状数据；

第二数据采集模块，用于采集所述儿患的身体状态数据；

数据处理模块，连接所述第一数据采集模块和所述第二数据采集模块，用于根据预先生成的神经网络分类器对所述问诊数据和所述身体状态数据进行处理得到相应的分诊结果；

报告生成模块，连接所述数据处理模块，用于根据所述分诊结果生成所述儿患的分诊报告。

优选的，所述身体状态数据包括生命体征数据和/或生命体格数据。

优选的，所述分诊结果为所述儿患的病情严重程度；

所述病情严重程度包括重症和轻症。

优选的，所述神经网络分类器为误差反向传播神经网络分类器。

本发明具有以下有益效果:

本发明基于神经网络分类器将重症与轻症儿患进行智能分诊，该分诊准确，缩短了候诊时间，为儿患争取治疗时机，同时创造了良好就医环境，并使医疗资源得到有效配置。

附图说明

图1为一种基于神经网络分类器的儿科分诊方法的示意图；

图2为一种基于神经网络分类器的儿科分诊方法中，误差反向传播神经网络分类器生成方法的示意图；

图3为一种基于神经网络分类器的儿科分诊系统结构图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明为了解决上述问题，现提供一种基于神经网络分类器的儿科分诊方法，如图1所示，具体包括以下步骤：

步骤s1，对儿患进行初步问诊得到儿患的症状数据；

步骤s2，采集儿患的身体状态数据；

步骤s3，根据预先生成的神经网络分类器对问诊数据和身体状态数据进行处理得到相应的分诊结果；

步骤s4，根据分诊结果生成儿患的分诊报告；

步骤s5，根据分诊报告对儿患进行引导。

具体地，本实施例中，采集儿患的多模态生命体征数据，该数据包括对儿患进行初步问诊得到的症状数据和儿患的身体状态数据，把这些数据输入到神经网络分类器，经过神经网络分类器进行处理得到分诊结果，并根据该分诊结果生成一份分诊报告，儿患家属可以按照生成的分诊报告到对应的科室进行就诊。

本发明较佳的实施例中，身体状态数据包括生命体征数据和/或生命体格数据。

本发明较佳的实施例中，分诊结果为儿患的病情严重程度；

病情严重程度包括重症和轻症。

本发明较佳的实施例中，神经网络分类器为误差反向传播神经网络分类器。

具体地，本实施例中，误差反向传播神经网络即bp神经网络，是在模式分类中影响最大的一种神经网络。从结构上来讲，它是一种分层型网络，具有输入层、隐含层和输出层的3层结构。在一个bp网络中，隐含层可以有2个以上，而具有一个隐含层的网络则是一种基本的网络模型。bp神经网络无需事先确定输入输出之间映射关系的数学方程，仅通过自身的训练，学习某种规则，在给定输入值时得到最接近期望输出值的结果。

本发明较佳的实施例中，误差反向传播神经网络分类器设置于一服务器中，且服务器连接一儿科数据库；

如图2所示，误差反向传播神经网络分类器的生成方法包括：

步骤a1，于儿科数据库中获取若干儿患的症状数据和身体状态数据，以及与症状数据和身体状态数据对应的分诊结果；

步骤a2，将症状数据和身体状态数据作为输入，以对应的分诊结果作为输出，对误差反向传播神经网络模型进行训练并输出训练结果；

步骤a3，根据训练结果生成误差反向传播神经网络分类器。

具体地，本实施例中，误差反向传播神经网络是一种分层型网络，具有输入层、隐含层和输出层的三层结构。

首先，将症状数据和身体状态数据作为输入信号从输入层经隐含层传向输出层正向传播，并在输出端产生输出信号，在信号的向前传递过程中，网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差信号反向传播。

其次，网络的实际输出与期望输出之间的差值即为误差信号，误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。在误差信号反向传播的过程中，网络的权值由误差反馈进行调节。通过权值的不断修正，使神经网络稳定，权值不再变化或均方误差小于某一阈值，则训练过程结束。

最后，经过学习后生成误差反向传播神经网络分类器。

本发明较佳的实施例中，一种基于神经网络分类器的儿科分诊系统，应用于一种基于神经网络分类器的儿科分诊方法，如图3所示，具体包括：

第一数据采集模块11，用于对儿患进行初步问诊得到儿患的症状数据；

第二数据采集模块12，用于采集儿患的身体状态数据；

数据处理模块2，连接第一数据采集模块11和第二数据采集模块12，用于根据预先生成的神经网络分类器对问诊数据和身体状态数据进行处理得到相应的分诊结果；

报告生成模块3，连接数据处理模块2，用于根据分诊结果生成儿患的分诊报告。

具体地，本实施例中，第一数据采集模块11和第二数据采集模块12，采集的数据传到数据处理模块2，经过数据处理模块2内的神经网络分类器进行处理得到分诊结果，分诊结果在报告生成模块3中生成分诊报告。

本发明较佳的实施例中，身体状态数据包括生命体征数据和/或生命体格数据。

本发明较佳的实施例中，分诊结果为儿患的病情严重程度；

病情严重程度包括重症和轻症。

本发明较佳的实施例中，神经网络分类器为误差反向传播神经网络分类器。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。