保温措施有效性检测方法、装置、设备及存储介质与流程

本发明涉及数据处理技术领域，尤其涉及一种保温措施有效性检测方法、装置、设备及存储介质。

背景技术：

现有研究表明，采用保温措施对麻醉手术患者的恢复期有很大的影响，通过患者人群分组对照实验，观测到采用有效的保温措施能够缩短麻醉手术期间患者在麻醉后监测治疗室(postanesthesiacareunit，pacu)的苏醒时间。

目前的研究结果以及调研报告，大都无法给出相对量化的结果指标来预测对麻醉手术患者采取的保温措施是否有效，是否真的能够缩短患者的苏醒时间。因此，如何准确的对麻醉手术患者当前采取的保温措施是否有效进行预测判定，就成为了一个亟待解决的技术问题。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

技术实现要素：

本发明的主要目的在于提供了一种保温措施有效性检测方法、装置、设备及存储介质，旨在解决现有技术无法对麻醉手术患者当前采取的保温措施是否有效进行准确预测的技术问题。

为实现上述目的，本发明提供了一种保温措施有效性检测方法，所述方法包括以下步骤：

采集目标对象的初始体温数据，对所述初始体温数据进行预处理，以获取有效体温数据；

对所述有效体温数据进行数据拟合，并基于数据拟合后的当前拟合曲线进行体温特征参数筛选，以获取当前体温特征参数；

将所述当前体温特征参数输入至预先训练的有效性验证模型，并根据模型输出结果判断当前对所述目标对象采取的麻醉手术保温措施是否有效。

优选地，所述采集目标对象的初始体温数据，对所述初始体温数据进行预处理，以获取有效体温数据的步骤之前，所述方法还包括：

获取若干预先被判定为有效的麻醉手术保温措施对应的诊断数据；

对所述诊断数据进行体温数据提取，以获取不同对象在麻醉手术保温措施过程中对应的历史体温数据；

对所述历史体温数据进行预处理，并对预处理后的历史体温数据进行数据拟合，以获取有效拟合曲线；

基于所述有效拟合曲线分别获取预设维度的体温特征参数，并对各体温特征参数分别进行标签定义，获取标签定义后的体温特征参数；

根据标签定义后的体温特征参数建立验证集以及预设数量的训练集，根据所述训练集分别对预设回归模型进行训练，以获得所述预设数量的待验证回归模型；

根据所述验证集分别对所述待验证回归模型进行验证并获取验证结果，基于所述验证结果从所述待验证回归模型中筛选出有效性验证模型。

优选地，所述对所述历史体温数据进行预处理，并对预处理后的历史体温数据进行数据拟合，以获取有效拟合曲线的步骤，包括：

对所述历史体温数据进行数据清洗，以获取目标体温数据；

检测所述目标体温数据中是否存在不属于预设温度阈值范围的无效体温数据；

若存在，则对所述无效温度数据进行数据清除，并对数据清除后的目标体温数据进行插值处理，以获取预处理后的历史体温数据；

对所述预处理后的历史体温数据进行数据拟合，获取有效拟合曲线。

优选地，所述对所述预处理后的历史体温数据进行数据拟合，获取有效拟合曲线的步骤，包括：

对所述预处理后的历史体温数据按预设时段分别进行分段拟合，以获取对应的拟合曲线段，所述预设时段包括术前、术中、术后、麻醉后监测治疗室以及体温回常；

对所述拟合曲线段进行二次拟合，获取有效拟合曲线。

优选地，所述基于所述有效拟合曲线分别获取预设维度的体温特征参数，并对各体温特征参数分别进行标签定义，获取标签定义后的体温特征参数的步骤，包括：

基于所述有效拟合曲线分别获取预设维度的体温特征参数；

采用随机森林算法计算各体温特征参数的重要程度系数，并按从大到小的顺序对所述重要程度系数进行排序；

根据排序结果从所述体温特征参数中筛选出目标特征参数，并根据预设有效性标签对所述目标特征参数分别进行标签定义，获取标签定义后的体温特征参数。

优选地，所述根据所述验证集分别对所述待验证回归模型进行验证并获取验证结果，基于所述验证结果从所述待验证回归模型中筛选出有效性验证模型的步骤，包括：

根据所述验证集分别对所述待验证回归模型进行验证并获取验证结果，所述验证结果中包括麻醉手术保温措施有效性判定的准确率以及召回率；

根据所述准确率以及所述召回率从所述待验证回归模型中筛选出有效性验证模型。

优选地，所述根据所述准确率以及所述召回率从所述待验证回归模型中筛选出有效性验证模型的步骤，包括：

根据所述准确率以及所述召回率，通过预设公式对各待验证回归模型进行评分，获取评分结果；

根据所述评分结果从所述待验证回归模型中筛选出有效性验证模型；

其中，所述预设公式为：

fscore＝(2*precision*recall)/(precision+recall)

式中，fscore为评分结果，precision为准确率，recall为召回率。

此外，为实现上述目的，本发明还提出一种保温措施有效性检测装置，所述装置包括：

数据处理模块，用于采集目标对象的初始体温数据，对所述初始体温数据进行预处理，以获取有效体温数据；

参数获取模块，用于对所述有效体温数据进行数据拟合，并基于数据拟合后的当前拟合曲线进行体温特征参数筛选，以获取当前体温特征参数；

措施验证模块，用于将所述当前体温特征参数输入至预先训练的有效性验证模型，并根据模型输出结果判断当前对所述目标对象采取的麻醉手术保温措施是否有效。

此外，为实现上述目的，本发明还提出一种保温措施有效性检测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的保温措施有效性检测程序，所述保温措施有效性检测程序配置为实现如上文所述的保温措施有效性检测方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有保温措施有效性检测程序，所述保温措施有效性检测程序被处理器执行时实现如上文所述的保温措施有效性检测方法的步骤。

本发明通过采集目标对象的初始体温数据，对初始体温数据进行预处理，以获取有效体温数据；对有效体温数据进行数据拟合，并基于数据拟合后的当前拟合曲线进行体温特征参数筛选，以获取当前体温特征参数；将当前体温特征参数输入至预先训练的有效性验证模型，并根据模型输出结果判断当前对目标对象采取的麻醉手术保温措施是否有效，由于是通过采集用户的体温数据，对体温数据进行拟合以及体温特征参数筛选，然后将筛选出的体温特征参数输入至预先训练的有效性验证模型，由有效性验证模型来判定当前对患者采取的保温措施是否有效，从而能够以相对量化的手段实现对保温措施的准确预测，为手术患者是否能够快速恢复提供了有效的参考。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的保温措施有效性检测设备的结构示意图；

图2为本发明保温措施有效性检测方法第一实施例的流程示意图；

图3为本发明保温措施有效性检测方法第二实施例的流程示意图；

图4为本发明保温措施有效性检测方法第三实施例的流程示意图；

图5为本发明保温措施有效性检测装置第一实施例的结构框图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的保温措施有效性检测设备结构示意图。

如图1所示，该保温措施有效性检测设备可以包括：处理器1001，例如中央处理器(centralprocessingunit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005，温度传感器(图中未示出)。其中，通信总线1002用于实现这些组件之间的连接通信，温度传感器用于采集体温数据。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(randomaccessmemory，ram)存储器，也可以是稳定的非易失性存储器(non-volatilememory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对保温措施有效性检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及保温措施有效性检测程序。

在图1所示的保温措施有效性检测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明保温措施有效性检测设备中的处理器1001、存储器1005可以设置在保温措施有效性检测设备中，所述保温措施有效性检测设备通过处理器1001调用存储器1005中存储的保温措施有效性检测程序，并执行本发明实施例提供的保温措施有效性检测方法。

本发明实施例提供了一种保温措施有效性检测方法，参照图2，图2为本发明保温措施有效性检测方法第一实施例的流程示意图。

本实施例中，所述保温措施有效性检测方法包括以下步骤：

步骤s10：采集目标对象的初始体温数据，对所述初始体温数据进行预处理，以获取有效体温数据；

需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算服务设备(以下简称“检测设备”)，例如智能手机、平板电脑、个人电脑等。所述目标对象即预设时段内进行过麻醉手术、并已对其采取麻醉手术保温措施(以下简称“保温措施”)的手术患者。

应理解的是，所述初始体温数据，即体温采集设备从开始采集到采集结束过程中采集到的上述手术患者的体温数据。考虑到麻醉手术患者一般需经历术前、术中、术后、pacu以及体温回常等五个阶段，为预测当前对手术患者采取的麻醉手术措施是否有效，本实施例中所述初始体温数据的采集时段优选为术前、术中到术后这段时间。

可理解的是，通常情况下由于采集设备的问题，最初采集到的体温数据(即所述初始体温数据)，可能会存在数据失真的情况(例如采集延迟、采集间断、体温数据突变等)，因此本实施例将对采集到的初始体温数据进行预处理(包括去噪/清洗、插值等)，以获取有效体温数据。

步骤s20：对所述有效体温数据进行数据拟合，并基于数据拟合后的当前拟合曲线进行体温特征参数筛选，以获取当前体温特征参数；

需要说明的是，所述数据拟合又称曲线拟合，俗称拉曲线，是一种把现有数据透过数学方法来代入一条数式的表示方式。本实施例中所述体温体征参数可以是能够表征或影响生物体体温特征的数据，本实施例中所述体温特定参数包括但不限于不同时段(如术前、术中、术后)的拟合曲线面积、单位时间的拟合曲线面积、每个时段的平均体温值、最高体温、最低体温，体温标准差等参数。

可理解的是，体温采集设备在进行体温采集的过程中，实际采集到的体温数据可能是若干个独立的数据点，又或是间断的温度曲线，若直接基于这些数据点或间断的温度曲线进行保温措施的有效性分析，一方面会导致分析结果不够准确，另一方面也会导致分析时耗较长，一旦保温措施被判定为无效，再临时更换保温措施就将不利于患者的快速恢复。

考虑到上述缺陷，本实施例中检测设备可先对获取到的有效体温数据进行数据拟合以获取当前拟合曲线，然后基于数据拟合后的当前拟合曲线再进行体温特征参数筛选，获取当前体温特征参数。

步骤s30：将所述当前体温特征参数输入至预先训练的有效性验证模型，并根据模型输出结果判断当前对所述目标对象采取的麻醉手术保温措施是否有效。

需要说明的是，本实施例中所述有效性验证模型，可以是预先训练完成的逻辑回归模型。逻辑回归(logisticregression，lr)又称为逻辑回归分析，是分类和预测算法中的一种，其使用场景大概有两个：第一用来预测，第二寻找因变量的影响因素。逻辑回归可通过历史数据的表现来对未来结果发生的概率进行预测。例如，本实施例中将麻醉手术保温措施的是否有效设置为因变量，将手术患者的体温特征参数，如患者不同时段的体温、平均体温值、最高体温、最低体温，体温标准差等设置为自变量，根据特征参数预测保温措施的是否有效，输出结果为“0”则保温措施无效，为“1”则保温措施有效。

在具体实现中，检测设备可将获取到的当前体温特征参数输入至预先训练的有效性验证模型，然后根据模型输出结果判断当前对目标对象采取的麻醉手术保温措施是否有效，若有效则继续执行当前的保温措施；若无效，则通过预设提示方式提醒医护人员采取相应的其它保温措施，以保证手术患者的正常快速恢复。

本实施例通过采集目标对象的初始体温数据，对初始体温数据进行预处理，以获取有效体温数据；对有效体温数据进行数据拟合，并基于数据拟合后的当前拟合曲线进行体温特征参数筛选，以获取当前体温特征参数；将当前体温特征参数输入至预先训练的有效性验证模型，并根据模型输出结果判断当前对目标对象采取的麻醉手术保温措施是否有效，由于是通过采集用户的体温数据，对体温数据进行拟合以及体温特征参数筛选，然后将筛选出的体温特征参数输入至预先训练的有效性验证模型，由有效性验证模型来判定当前对患者采取的保温措施是否有效，从而能够以相对量化的手段实现对保温措施的准确预测，为手术患者是否能够快速恢复提供了有效的参考。

参考图3，图3为本发明保温措施有效性检测方法第二实施例的流程示意图。

基于上述第一实施例，在本实施例中，所述步骤s10之前，所述方法还包括：

步骤s01：获取若干预先被判定为有效的麻醉手术保温措施对应的诊断数据；

应理解的是，为了实现对保温措施是否有效进行准确的预测判定，本实施例需要预先训练出一个用于对麻醉手术患者当前使用的保温措施进行有效性验证的模型(即上述有效性验证模型)。

在具体实现中，检测设备可从医院信息系统(hospitalinformationsystem，his)对应的数据库中获取若干个被医生认定为有效的麻醉手术保温措施对应的诊疗数据，然后对从这些诊疗数据中提取相应的体温数据。所述诊疗数据可以是手术患者从手术登记到康复出院这一时段内的疾病诊断数据。

步骤s02：对所述诊断数据进行体温数据提取，以获取不同对象在麻醉手术保温措施过程中对应的历史体温数据；

在具体实现中，检测设备在从his中读取到不同麻醉手术患者(即所述不同对象)的诊断数据后，即可对所述诊断数据进行体温数据提取，以获取不同麻醉手术患者在麻醉手术保温措施过程中对应的历史体温数据。

进一步地，考虑到手术患者的个人隐私，本实施例中所述检测设备在从所述his中读取患者的诊疗数据时，还将对这些诊疗数据进行脱敏处理，然后再基于脱敏后的诊疗数据进行体温数据提取，例如将患者的姓名、身份证号，手机号等中间几位用“*”号代替，防止数据传输过程中被抓包导致患者的隐私信息泄露。

步骤s03：对所述历史体温数据进行预处理，并对预处理后的历史体温数据进行数据拟合，以获取有效拟合曲线；

需要说明的是，所述预处理包括对体温数据进行去噪/清洗、插值等操作。数据清洗，也称去噪，即将冗杂、混乱、无效的“脏数据”清洗干净，让模型能够输入高质量的数据源。

在具体实现中，检测设备可先对所述历史体温数据进行数据清洗，以获取目标体温数据；然后检测所述目标体温数据中是否存在不属于预设温度阈值范围的无效体温数据；若存在，则对所述无效温度数据进行数据清除，并对数据清除后的目标体温数据进行插值处理，以获取预处理后的历史体温数据；最后再对所述预处理后的历史体温数据进行数据拟合，获取有效拟合曲线。其中，所述预设温度阈值范围可以是根据实际经验设定的人体体温波动范围，例如(34℃～39℃)。

本实施例中所述数据清洗，即去除体温数据中某一时间点重复的温度数据，又或是体温数据发生突变的温度数据(例如6:01分目标对象的体温为36℃，6:02分目标对象的体温则变为34.4℃)。所述插值处理，即缺失值填充，本实施例中对采集间断导致的、以及数据清除后产生的体温缺失值进行填充，具体的填充方式可以是：1、采用缺失值对应时间节点的前相邻节点和后相邻节点的平均值来进行填充；2、根据采集到的温度数据中的最大温度值和最小温度值的平均值来进行填充。当然，具体的确实值填充方式本实施例不作具体的限制。

进一步地，在对历史体温数据进行预处理后，检测设备即可对预处理后的历史体温数据按预设时段分别进行分段拟合，以获取对应的拟合曲线段，所述预设时段包括术前、术中、术后、麻醉后监测治疗室以及体温回常；然后再对所述拟合曲线段进行二次拟合，获取有效拟合曲线。

例如，检测设备根据术前、术中、术后、pacu以及体温回常五个阶段对应的预处理后的历史体温数据分段拟合后分别获得了拟合曲线段1、拟合曲线段2、拟合曲线段3、拟合曲线段4以及拟合曲线段5，然后在对上述5个曲线段进行二次拟合，获取一条完整而连续的曲线段，即所述有效拟合曲线。

步骤s04：基于所述有效拟合曲线分别获取预设维度的体温特征参数，并对各体温特征参数分别进行标签定义，获取标签定义后的体温特征参数；

应理解的是，如上述第一实施例所述体温特定参数包括不同时段的拟合曲线面积(例如以体温为纵坐标，以时间为横坐标的坐标系中求取术前、术后术中等阶段的拟合曲线面积)、单位时间的拟合曲线面积(例如术后一个小时内的拟合曲线面积)、每个时段的平均体温值、最高体温、最低体温，体温标准差等。相应地，所述预设维度可以是曲线面积维度、体温平局值、体温上下限值等。

需要说明的是，所述标签定义即对每一个体温特征参数进行有效性标记，例如将对有效的保温措施存在贡献的体温特征参数标记为“1”，反之则标记为“0”。

在具体实现中，检测设备可基于所述有效拟合曲线分别获取预设维度的体温特征参数，然后对各体温特征参数分别进行标签定义，获取标签定义后的体温特征参数。

进一步地，考虑到实际情况下影响手术患者体温变化的特征参数可能种类很多，但事实上它们在决定保温措施是否有效时所占的重要性比重不尽相同，有的特征参数高，有的则较低。因此为了提高模型训练的效率本实施例保温措施有效性检测方法还将对体温特征参数进行筛选，以获取重要性较高的体温特征参数。

具体的，检测设备可基于所述有效拟合曲线分别获取预设维度的体温特征参数；采用随机森林算法计算各体温特征参数的重要程度系数，并按从大到小的顺序对所述重要程度系数进行排序；根据排序结果从所述体温特征参数中筛选出目标特征参数，并根据预设有效性标签对所述目标特征参数分别进行标签定义，获取标签定义后的体温特征参数。

应理解的是，随机森林指的是利用多棵树对样本进行训练并预测的一种分类器，结合到本实施例中，随机森林的构建过程大致包括：1、从体温特征参数训练集中使用自助法(bootstraping方法)随机有放回采样选出m个样本，共进行n_tree次采样，生成n_tree个训练集；2、对于n_tree个训练集，分别训练n_tree个决策树模型；3、对于单个决策树模型，假设训练样本特征的个数为n，那么每次分裂时根据信息增益/信息增益比/基尼指数选择最好的特征进行分裂，每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类。在决策树的分裂过程中不需要剪枝；将生成的多棵决策树组成随机森林。对于分类问题，按多棵树分类器投票决定最终分类结果；对于回归问题，则由多棵树预测值的均值决定最终预测结果。

本实施例中采用随机森林算法来对体温特征参数进行重要程度分类，并根据分类结果筛选出重要程度(即所述重要程度系数)排序靠前90％的所述目标特征参数。

步骤s05：根据标签定义后的体温特征参数建立验证集以及预设数量的训练集，根据所述训练集分别对预设回归模型进行训练，以获得所述预设数量的待验证回归模型；

应理解的是，为保证最终确定出的有效性回归验证模型具有较高的准确度，可采用建立多个训练集分别对预设回归模型进行训练，以获得多个待验证回归模型；然后对所有的待验证回归模型，采用同一个验证集来进行结果验证，即输入不同手术患者的体温特征参数，然后由这些待验证分类模型分别根据这些体温特征参数来判断不同手术患者先前采取的保温措施是否有效(实际上均是有效的)，最后根据模型的输出结果来统计每一个待验证回归模型的预测准确率。例如，待验证模型a输入了20位患者的体温特征参数，最终模型输出结果为19位患者的保温措施有效，1位无效，则准确率为(19/20)×100％＝95％。

另外，需要说明的是，不同的训练集中所包含的集合元素种类或维度是一致的，只是患者数量不同，例如第一个训练集中包含有20位患者同维度的体温特征参数，第二个训练集中包含有40位患者同维度的体温特征参数。

步骤s06：根据所述验证集分别对所述待验证回归模型进行验证并获取验证结果，基于所述验证结果从所述待验证回归模型中筛选出有效性验证模型。

在具体实现中，检测设备在根据不同的训练集训练出预设数量的待验证回归模型后，即可通过所述验证集分别对待验证回归模型进行验证并获取验证结果，然后基于所述验证结果从所述待验证回归模型中筛选出有效性验证模型，例如通过准确率的高低，选取准确率最高的待验证回归模型作为所述有效性验证模型。

本实施例通过获取若干预先被判定为有效的麻醉手术保温措施对应的诊断数据；对诊断数据进行体温数据提取，以获取不同对象在麻醉手术保温措施过程中对应的历史体温数据；然后对历史体温数据进行预处理，并对预处理后的历史体温数据进行数据拟合，以获取有效拟合曲线；再基于有效拟合曲线分别获取预设维度的体温特征参数，并对各体温特征参数分别进行标签定义，获取标签定义后的体温特征参数；然后根据标签定义后的体温特征参数建立验证集以及预设数量的训练集，根据训练集分别对预设回归模型进行训练，以获得预设数量的待验证回归模型；最后再根据验证集分别对待验证回归模型进行验证并获取验证结果，基于验证结果从待验证回归模型中筛选出有效性验证模型，能够保证最终获取到的有效性验证模型具有较高的准确度以及可靠性。

参考图4，图4为本发明保温措施有效性检测方法第三实施例的流程示意图。

基于上述各实施例，在本实施例中，所述步骤s06可包括：

步骤s061：根据所述验证集分别对所述待验证回归模型进行验证并获取验证结果，所述验证结果中包括麻醉手术保温措施有效性判定的准确率以及召回率；

应理解的是，在数据检索、分类、识别、翻译等领域两个最基本指标是召回率(recallrate)和准确率(precisionrate)，召回率也叫查全率，准确率也叫查准率。考虑到实际模型训练中，通常不会一次性建立成千上万个训练集来进行模型训练，若在筛选有效性验证模型时仅仅根据准确率来进行，并不能最大限度的保证筛选出的模型是最优的，因此本实施例优选通过准确率以及召回率来进行模型筛选。

在具体实现中，检测设备可根据所述验证集分别对所述待验证回归模型进行验证并获取验证结果，然后根据验证结果确定出每个待验证回归模型对麻醉手术保温措施有效性判定的准确率以及召回率。

步骤s062：根据所述准确率以及所述召回率从所述待验证回归模型中筛选出有效性验证模型。

考虑到实际情况下，召回率和准确率是此消彼长、难以兼顾的，本实施例考虑采用一个能够综合两种指标的数学公式来衡量待验证回归模型的优劣。具体的，检测设备根据所述准确率以及所述召回率，通过预设公式对各待验证回归模型进行评分，获取评分结果；然后根据所述评分结果从所述待验证回归模型中筛选出有效性验证模型；其中，所述预设公式为：

fscore＝(2*precision*recall)/(precision+recall)

式中，fscore为评分结果，precision为准确率，recall为召回率。

需要说明的是，上述公式中fscore既不是算术平均值，也不是几何平均值，可以理解为几何平均值的平方除以算术平均值。

在具体实现中，检测设备在根据上述预设公式计算出各待验证回归模型对应的评分结果后，还可将所述评分结果按从高到低的顺序进行排序，并根据排序结果将排序第一的评分结果作为目标评分结果；将所述目标评分结果对应的待验证回归模型作为有效性验证模型。例如，检测设备计算出的待验证回归模型a、b、c分别对应的评分结果为98.8％、99.1％、97.9％，经过从高到低的顺序排序后得知排序第一的评分结果为99.1％，从而可以确定出最优的待验证回归模型为待验证回归模型b，此时即可将待验证回归模型b作为所述有效性验证模型。

本实施例通过根据验证集分别对待验证回归模型进行验证并获取验证结果，所述验证结果中包括麻醉手术保温措施有效性判定的准确率以及召回率；然后根据验证结果中包括的麻醉手术保温措施有效性判定的准确率以及召回率从待验证回归模型中筛选出有效性验证模型，相比于仅根据准确率来进行有效性模型挑选的方式，本实施例能够保证筛选出的有效性验证模型更加符合实际，进一步提高了保温措施有效性验证的准确性。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有保温措施有效性检测程序，所述保温措施有效性检测程序被处理器执行时实现如上文所述的保温措施有效性检测方法的步骤。

参照图5，图5为本发明保温措施有效性检测装置第一实施例的结构框图。

如图5所示，本发明实施例提出的保温措施有效性检测装置包括：

数据处理模块501，用于采集目标对象的初始体温数据，对所述初始体温数据进行预处理，以获取有效体温数据；

参数获取模块502，用于对所述有效体温数据进行数据拟合，并基于数据拟合后的当前拟合曲线进行体温特征参数筛选，以获取当前体温特征参数；

措施验证模块503，用于将所述当前体温特征参数输入至预先训练的有效性验证模型，并根据模型输出结果判断当前对所述目标对象采取的麻醉手术保温措施是否有效。

本实施例通过采集目标对象的初始体温数据，对初始体温数据进行预处理，以获取有效体温数据；对有效体温数据进行数据拟合，并基于数据拟合后的当前拟合曲线进行体温特征参数筛选，以获取当前体温特征参数；将当前体温特征参数输入至预先训练的有效性验证模型，并根据模型输出结果判断当前对目标对象采取的麻醉手术保温措施是否有效，由于是通过采集用户的体温数据，对体温数据进行拟合以及体温特征参数筛选，然后将筛选出的体温特征参数输入至预先训练的有效性验证模型，由有效性验证模型来判定当前对患者采取的保温措施是否有效，从而能够以相对量化的手段实现对保温措施的准确预测，为手术患者是否能够快速恢复提供了有效的参考。

基于本发明上述保温措施有效性检测装置第一实施例，提出本发明保温措施有效性检测装置的第二实施例。

在本实施例中，所述保温措施有效性检测装置还包括模型训练模块，所述模型训练模块，用于获取若干预先被判定为有效的麻醉手术保温措施对应的诊断数据；对所述诊断数据进行体温数据提取，以获取不同对象在麻醉手术保温措施过程中对应的历史体温数据；对所述历史体温数据进行预处理，并对预处理后的历史体温数据进行数据拟合，以获取有效拟合曲线；基于所述有效拟合曲线分别获取预设维度的体温特征参数，并对各体温特征参数分别进行标签定义，获取标签定义后的体温特征参数；根据标签定义后的体温特征参数建立验证集以及预设数量的训练集，根据所述训练集分别对预设回归模型进行训练，以获得所述预设数量的待验证回归模型；根据所述验证集分别对所述待验证回归模型进行验证并获取验证结果，基于所述验证结果从所述待验证回归模型中筛选出有效性验证模型。

进一步地，所述模型训练模块，还用于对所述历史体温数据进行数据清洗，以获取目标体温数据；检测所述目标体温数据中是否存在不属于预设温度阈值范围的无效体温数据；若存在，则对所述无效温度数据进行数据清除，并对数据清除后的目标体温数据进行插值处理，以获取预处理后的历史体温数据；对所述预处理后的历史体温数据进行数据拟合，获取有效拟合曲线。

进一步地，所述模型训练模块，还用于对所述预处理后的历史体温数据按预设时段分别进行分段拟合，以获取对应的拟合曲线段，所述预设时段包括术前、术中、术后、麻醉后监测治疗室以及体温回常；对所述拟合曲线段进行二次拟合，获取有效拟合曲线。

进一步地，所述模型训练模块，还用于基于所述有效拟合曲线分别获取预设维度的体温特征参数；采用随机森林算法计算各体温特征参数的重要程度系数，并按从大到小的顺序对所述重要程度系数进行排序；根据排序结果从所述体温特征参数中筛选出目标特征参数，并根据预设有效性标签对所述目标特征参数分别进行标签定义，获取标签定义后的体温特征参数。

进一步地，所述模型训练模块，还用于根据所述验证集分别对所述待验证回归模型进行验证并获取验证结果，所述验证结果中包括麻醉手术保温措施有效性判定的准确率以及召回率；根据所述准确率以及所述召回率从所述待验证回归模型中筛选出有效性验证模型。

进一步地，所述模型训练模块，还用于根据所述准确率以及所述召回率，通过预设公式对各待验证回归模型进行评分，获取评分结果；根据所述评分结果从所述待验证回归模型中筛选出有效性验证模型；其中，所述预设公式为：fscore＝(2*precision*recall)/(precision+recall)

式中，fscore为评分结果，precision为准确率，recall为召回率。

本发明保温措施有效性检测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。