基于认知学习的身体异常气味智能筛查系统的制作方法

本发明涉及人工智能领域，尤其涉及一种基于认知学习的身体异常气味智能筛查系统。

背景技术：

身体气味可以用于对人的身体健康状况进行判断，如果一个人身体状况不好，那么他排出的气体往往会有一股怪味，因为一个人如果身体不好，那么他的免疫系统就会被激活，同时有了炎性反应，身体就会分泌各种化学物质，这些物质会从汗腺或者尿液等渠道挥发出来，所以病人闻起来有味儿，其实和这些化学物质有关系。而且，一旦闻到外界怪异的味道时，我们的免疫系统也会迅速提高警惕，密切防范可能侵入的细菌。毫无疑问，身体突发异常气味是疾病的征兆。闻气味，很可能成为一个新的医疗辅助诊断方法。

但是，现有的异常气味智能筛查系统在获取了待检测气味数据后，给出的结果往往不是一个很精确的结果，反而会是一个较大范围的推测，用户还需要拿着检测单去询问对应医疗工作者，这是因为它们自身数据库并没有实时进行更新，需要依赖于工作人员进行更新，所以，亟需一种身体异常气味智能筛查系统能够较为精确的告知用户身体相关异常情况。

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：

有鉴于此，本发明提出了一种基于认知学习的身体异常气味智能筛查系统，旨在解决现有技术无法通过卷积神经网络来实现系统案例库自主学习各类案例并扩充系统案例库数据的技术问题。

本发明的技术方案是这样实现的：

一方面，本发明提供了一种基于认知学习的身体异常气味智能筛查系统，所述基于认知学习的身体异常气味智能筛查系统包括：

收集模块，用于收集待检测气味状况以及记录该待检测气味特征数据；

模型建立模块，用于建立卷积神经网络，从本地案例数据库中获取气味特征数据，根据该卷积神经网络通过气味特征数据据建立异常气味筛查模型；

检测模块，用于根据异常气味筛查模型对待检测气味特征数据进行筛查，并生成对应的检测报告单；

更新模块，用于向用户返回检测报告单，并将该检测报告单数据存入本地案例库中，对案例库进行更新。

在以上技术方案的基础上，优选的，收集模块包括描述模块，用于在收集待检测气味状况以及记录该待检测气味特征数据之后，对待检测气味进行词语描述，所述词语描述包括：口气、鼻气、屁气、无气味、有血腥气味以及气味正常。

在以上技术方案的基础上，优选的，模型建立模块包括分词处理模块，用于从本地案例数据库中获取气味特征数据，所述气味特征数据数据包括：异常气味描述的词语以及对应的疾病类型，对该气味特征数据数据进行分词，将异常气味描述的词语转化为异常气味描述分词，所述异常气味描述分词包括：血腥味、鱼腥味、苹果味、正常以及无气味，通过异常气味描述分词与对应的疾病建立异常气味描述分词集。

在以上技术方案的基础上，优选的，模型建立模块还包括词向量模型建立模块，用于对异常气味描述分词集进行训练，获取每个异常气味描述分词的词向量，根据该词向量建立词向量模型。

在以上技术方案的基础上，优选的，模型建立模块还包括异常气味筛查模型建立模块，用于建立卷积神经网络，将词向量模型中的词向量放入卷积神经网络中，并通过卷积神经网络中的网络算法计算出预测输出，根据预测输出建立异常气味筛查模型建立模块。

在以上技术方案的基础上，优选的，异常气味筛查模型建立模块包括网络算法单元，所述网络算法为：

op＝fn(...(f2(f1(xpwj1)wj2)))；

其中，op为预测输出，n为卷积神经网络的层数，wj1，wj2为第j次迭代训练第i层卷积神经网络的系数矩阵，该系数矩阵为模型的参数，其中i＝1,2,...n，xp为词向量模型中的一个样本，表示异常气味描述的分词，其中，p＝1,2,...n，n为样本数。

在以上技术方案的基础上，优选的，检测模块包括报告单生成模块，用于根据异常气味筛查模型对待检测气味特征数据进行筛查，获取筛查结果，并根据筛查结果从异常气味筛查模型中查找对应的预测疾病，利用筛查结果以及对应的预测疾病生成检测报告单。

在以上技术方案的基础上，优选的，更新模块包括案例库更新模块，用于从检测报告单提取筛查结果以及对应的预测疾病，并同步对本案例库进行查找，若查找到相同筛查结果以及对应的预测疾病，则不更新案例库；若未查找到相同筛查结果以及对应的预测疾病，则对案例库进行更新。

更进一步优选的，所述基于认知学习的身体异常气味智能筛查设备包括：

收集单元，用于收集待检测气味状况以及记录该待检测气味特征数据；

模型建立单元，用于建立卷积神经网络，从本地案例数据库中获取气味特征数据，根据该卷积神经网络通过气味特征数据据建立异常气味筛查模型；

检测单元，用于根据异常气味筛查模型对待检测气味特征数据进行筛查，并生成对应的检测报告单；

更新单元，用于向用户返回检测报告单，并将该检测报告单数据存入本地案例库中，对案例库进行更新。

本发明的一种基于认知学习的身体异常气味智能筛查系统相对于现有技术具有以下有益效果：

(1)通过利用卷积神经网络算法，能够更加精确对身体异常气味进行智能筛选，同时也提高了整个系统的运行速度，提高了用户体验；

(2)通过利用卷积神经网络算法，能够实现本地案例库的自动更新，能够直接直接援引以前积累的经验和知识解决现在的问题，同时将当前问题及解决结果补充为新知识，极大提高了系统判断准确率，同时也提高了运行速度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明基于认知学习的身体异常气味智能筛查系统第一实施例的结构框图；

图2为本发明基于认知学习的身体异常气味智能筛查系统的第二实施例结构框图；

图3为本发明基于认知学习的身体异常气味智能筛查系统的第三实施例结构框图；

图4为本发明基于认知学习的身体异常气味智能筛查系统的第四实施例结构框图；

图5为本发明基于认知学习的身体异常气味智能筛查系统的第五实施例结构框图；

图6为本发明基于认知学习的身体异常气味智能筛查系统基于认知学习的身体异常气味智能筛查设备结构框图。

具体实施方式

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

如图1所示，图1为本发明基于认知学习的身体异常气味智能筛查系统第一实施例的结构框图。其中，所述基于认知学习的身体异常气味智能筛查系统包括：收集模块10、模型建立模块20、检测模块30和更新模块40。

收集模块10，用于收集待检测气味状况以及记录该待检测气味特征数据；

模型建立模块20，用于建立卷积神经网络，从本地案例数据库中获取气味特征数据，根据该卷积神经网络通过气味特征数据据建立异常气味筛查模型；

检测模块30，用于根据异常气味筛查模型对待检测气味特征数据进行筛查，并生成对应的检测报告单；

更新模块40，用于向用户返回检测报告单，并将该检测报告单数据存入本地案例库中，对案例库进行更新。

进一步地，如图2所示，基于上述各实施例提出本发明基于认知学习的身体异常气味智能筛查系统的第二实施例结构框图，在本实施例中，收集模块10还包括：

描述模块101，用于在收集待检测气味状况以及记录该待检测气味特征数据之后，对待检测气味进行词语描述，所述词语描述包括：口气、鼻气、屁气、无气味、有血腥气味以及气味正常；

需要说明的是，系统首先会采集患者病历中自述，把里面提到的各种排泄物、分泌物或者身体各个出气部位发生的气味特征以及该气味特征的文本描述进行人工标注。标注分为两类：一类是正常气味特征的标注；一类是异常气味特征的标注。

应当理解的是，然后系统会按照不同年龄、性别的异常气味特征类别，进行专业的评判，通过专家一致评审的方法，构建异常气味特征的知识平台以及异常气味特征对应的健康状况和疾病征兆关系数据库和知识库，并进行归一化处理。归一化主要按照人体部位、排泄物和分泌物及其他四个类别进行。人体部位有口气、鼻气以及屁气等、排泄物有呕吐物、大便、尿液等；分泌物有汗液、痰液等；其他类包括身体(不分部位)等。

以呕吐物气味为例进行说明，一般呕吐物有腥臭味、血腥味、腐臭味等等；呕吐物出现异常气味的时候，往往伴有好几类特征：1、呕吐物颜色发生了变化，有的深咖啡色或酱油色、有的呈黄色或草绿色等；2、呕吐物性状发生了变化，有的清稀痰涎；有的秽浊；有的伴隔餐或前一、二天的食物等。除此以外，呕吐物分类结果还可以包括呕吐物的气味程度，即浓或者不浓；呕吐物气味来自性别或者年龄等。为方便对每个疾病筛查文本的分类结果进行分析统计，可以设置不同的分类标签表示不同的分类结果。本实施例中，设置了5个分类标签对文本中的短句进行类别标注，具体如下：

1、呕吐物无气味信息描述，表示该句没有关于呕吐物气味的描述，如“呕吐物没有气味，或者气味正常”；

2、呕吐物有气味描述，表示该句包含呕吐物气味的描述，如“呕吐物有一种血腥的气味”等；

3、呕吐物有气味和颜色的描述，表示该句包含呕吐物气味和颜色的描述，如“呕吐物有血腥气味伴少量血丝”等；

4、呕吐物有气味和性状的描述，表示该句包含呕吐物气味和性状的描述，如“呕吐物有血腥气味，带少量血丝，伴有没有消化的食物”等；

5、呕吐物有气味和其他特征的描述，表示该句包含呕吐物气味和其他特征的描述，如“呕吐物有血腥气味，带少量血丝，伴有没有消化的食物、为中年以上病人”等。

进一步地，如图3所示，基于上述各实施例提出本发明基于认知学习的身体异常气味智能筛查系统的第三实施例结构框图，在本实施例中，模型建立模块20还包括：

分词处理模块201，用于从本地案例数据库中获取气味特征数据，所述气味特征数据数据包括：异常气味描述的词语以及对应的疾病类型，对该气味特征数据数据进行分词，将异常气味描述的词语转化为异常气味描述分词，所述异常气味描述分词包括：血腥味、鱼腥味、苹果味、正常以及无气味，通过异常气味描述分词与对应的疾病建立异常气味描述分词集。

词向量模型建立模块202，用于对异常气味描述分词集进行训练，获取每个异常气味描述分词的词向量，根据该词向量建立词向量模型。

异常气味筛查模型建立模块203，用于建立卷积神经网络，将词向量模型中的词向量放入卷积神经网络中，并通过卷积神经网络中的网络算法计算出预测输出，根据预测输出建立异常气味筛查模型建立模块。

其中，异常气味筛查模型建立模块203包括网络算法单元203'，所述网络算法为：

op＝fn(...(f2(f1(xpwj1)wj2)))；

其中，op为预测输出，n为卷积神经网络的层数，wj1，wj2为第j次迭代训练第i层卷积神经网络的系数矩阵，该系数矩阵为模型的参数，其中i＝1,2,...n，xp为词向量模型中的一个样本，表示异常气味描述的分词，其中，p＝1,2,...n，n为样本数。

应当理解的是，在将异常气味描述的词语转化为异常气味描述分词后，将该文本表示为各个分词对应的序号的集合，然后再将各个分词对应的序号转化为个性特征向量。其中，个性特征向量为只存在一个1其余全为0的n位序列，假设对于1-5的数字用个性特征向量进行表示，1可以表示为[1，0，0，0，0]，2可以表示为[0，1，0，0，0]，...，5可以表示为[0，0，0，0，1]。将疾病筛查文本中每个分词对应的个性特征向量输入词嵌入网络，得到每个分词对应的特征向量。在确定了上述疾病筛查文本中每个分词对应的个性特征向量之后，计算机设备可以将其输入词嵌入网络中，经过词嵌入网络中隐藏层的处理，可以得到每个分词对应的特征向量。

应当理解的是，把采集到的人体各种排泄物、分泌物或者身体各个出气部位发生的气味状况的学习样本，按照正常气味和异常气味的标签分类成a、b两个组。a：气味正常；b：气味异常。

结合语义词典,通过计算特征词汇之间的语义相似度,将原有特征集分成若干特征词集；同一词集内的特征词语义彼此间相似；而不同词集的特征词彼此间相似度比较小。

将同一特征词集内的词汇权重相加，从而突出同义词以及近义词对文本分类的贡献，这样可以充分利用每个分词的特征信息进行后续分析，避免冗余信息对分类结果的干扰；再利用文本分类网络对每个分词的特征向量进行特征映射及分类，最终得到疾病筛查文本的分类结果，大大提高了疾病筛查文本分类结果的准确性。

进一步地，如图4所示，基于上述各实施例提出本发明基于认知学习的身体异常气味智能筛查系统的第四实施例结构框图，在本实施例中，检测模块30还包括：

报告单生成模块301，用于根据异常气味筛查模型对待检测气味特征数据进行筛查，获取筛查结果，并根据筛查结果从异常气味筛查模型中查找对应的预测疾病，利用筛查结果以及对应的预测疾病生成检测报告单。

应当理解的是，将得到的学习模型用于系统，判断目标对象某一类(包括排泄物、分泌物、人体出气部位发出气味)气味是否有异常变化。如果气味与正常情况下的颜色不一致，发生了异常变化，就可以预测或者推测出身体健康状况可能出现了问题或者是某一种疾病的征兆；如果气味与正常情况下的颜色一致，没有发生异常变化，说明身体指标正常或者身体健康状况良好，在诊断完成之后，利用筛查结果以及对应的预测疾病生成检测报告单。

进一步地，如图5所示，基于上述各实施例提出本发明基于认知学习的身体异常气味智能筛查系统的第五实施例结构框图，在本实施例中，更新模块40还包括：

案例库更新模块401，用于从检测报告单提取筛查结果以及对应的预测疾病，并同步对本案例库进行查找，若查找到相同筛查结果以及对应的预测疾病，则不更新案例库；若未查找到相同筛查结果以及对应的预测疾病，则对案例库进行更新。

应当理解的是，最后对新的筛查过程进行考察，将当前异常气味及解决结果(案例)补充为新知识，并将其存入气味筛查案例库中，从而实现机器自主学习和增量学习。

应当理解的是，本系统主要由四个库：即知识库、案例库、气味特征数据库、规则库和推理系统、案例学习构成。具体包括：

知识库：问题求解知识、经验的集合，它主要由专家提供，包括气味基本信息、异常气味特征的分类信息以及不同类别气味与疾病征兆特征属性及其权值，并以此构建异常气味案例库和疾病征兆数据库；

异常气味案例库：关于异常气味的各种信息(包括解决方案)，是存储案例和产生新案例的仓库，为新问题的解决提供参考依据；

异常气味特征数据库：身体发生异常气味的潜在疾病征兆特征属性；

规则库：各种异常气味之间以及疾病征兆之间的相互关联信息；

推理系统：整个系统的核心，由案例检索、案例匹配、案例调整组成。它决定了诊断效率的高低以及对知识处理的高低，实现从已有的案例集中找到与当前故障问题最为相似的案例，并提供相应的解决方案；

案例学习：不断获取新知识和改进旧知识，生成新的案例方案，并按一定的存储策略添加到案例库中。这样，通过不断的学习新案例和修改或删除案例库中的旧案例，使案例库不断得到扩充和完善。

需要说明的是，以上仅为举例说明，并不对本申请的技术方案构成任何限定。

通过上述描述不难发现，本实施例提出了一种基于认知学习的身体异常气味智能筛查系统，包括：收集模块，用于收集待检测气味状况以及记录该待检测气味特征数据；模型建立模块，用于建立卷积神经网络，从本地案例数据库中获取气味特征数据，根据该卷积神经网络通过气味特征数据据建立异常气味筛查模型；检测模块，用于根据异常气味筛查模型对待检测气味特征数据进行筛查，并生成对应的检测报告单；更新模块，用于向用户返回检测报告单，并将该检测报告单数据存入本地案例库中，对案例库进行更新，本实施例通过利用卷积神经网络来实现对身体异常气味的精确筛查以及本案例库的自动更新，能够极大提高疾病筛查的精确度，提高系统筛查效率。

此外，本发明实施例还提出一种基于认知学习的身体异常气味智能筛查设备。如图6所示，该基于认知学习的身体异常气味智能筛查设备包括：收集单元10、模型建立单元20、检测单元30以及更新单元40。

收集单元10，用于收集待检测气味状况以及记录该待检测气味特征数据；

模型建立单元20，用于建立卷积神经网络，从本地案例数据库中获取气味特征数据，根据该卷积神经网络通过气味特征数据据建立异常气味筛查模型；

检测单元30，用于根据异常气味筛查模型对待检测气味特征数据进行筛查，并生成对应的检测报告单；

更新单元40，用于向用户返回检测报告单，并将该检测报告单数据存入本地案例库中，对案例库进行更新。

此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。

另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的基于认知学习的身体异常气味智能筛查系统，此处不再赘述。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。