一种献血智能决策方法及系统与流程

一种献血智能决策方法及系统
1.技术领域
2.本发明属于辅助决策技术领域，尤其涉及一种献血智能决策方法及系统。
3.

背景技术：

4.血液是人体不可缺少的重要组成部分，具有运输氧气、调节体温、ph值等重要功能。由于血液具有不可替代的特性，因此只能通过公众献血获得。根据世界卫生组织(who)的统计结果显示，由于血液具有易腐性，所以通常一个国家的献血者人数占全国人口的10％，才能够满足国家对安全血液的基本需求。目前有关血液的存储期间面临无偿献血量不可知、临床用血量难预期的状况。因此，迫切需要解决这种问题。
6.通过上述分析，现有技术存在的问题及缺陷为：有关血液的存储期间面临无偿献血量不可知、临床用血量难预期的状况。因此，迫切需要解决这种问题。
7.

技术实现要素：

8.针对现有技术存在的问题，本发明提供了一种献血智能决策方法及系统。
9.本发明是这样实现的，一种献血智能决策方法及系统，其所述献血智能决策方法包括如下步骤：s1、获取需要输血的患者输血相关数据，作为历史用户数据集；s2、从所述历史用户数据集中获取原始特征；s3、对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征；s4、把原始特征和组合特征或者新特征一起进行模型训练；s5、根据当前患者输血相关信息、献血量预测模型，确定献血量。
10.进一步，所述s1获取需要输血的患者输血相关数据通过无创监测仪采集大量创伤患者输血开始时和结束后的各参数信息。
11.进一步，所述s1中患者输血相关数据，作为历史用户数据集具体包括：患者输血开始时和结束后的各参数信息，作为用户基本信息数据子集，有关血监测的用户检查结果数据子集，医生诊断结果作为用户诊断信息数据子集，患者历史就诊的数据作为用户既往病史数据子集，输注血液成分作为血液数据子集。
12.进一步，所述s3具体包括包括：s11、对所述原始特征采用分类回归树算法，生成原始决策树；s12、将所述原始决策树放入决策树模型中，并将所述原始决策树作为当前决策树；
s13、基于所述数字化样本集，计算所述当前决策树的残差向量；s14、依据所述残差向量拟合新的决策树，并将该新的决策树放入所述决策树模型中；s15、若所述决策树模型中决策树的总数低于预设阈值，则将所述新的决策树作为所述当前决策树，返回所述基于所述原始特征，计算所述当前决策树的残差向量的步骤继续执行；若所述决策树模型中决策树的总数达到预设阈值，则停止拟合新的决策树；s16、将所述决策树模型中每棵决策树的路径包含的特征作为组合特征或者重构新特征。
13.进一步，所述s4具体包括：根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户献血量量的特征参数集来训练献血量预测模型。
14.进一步，所述当前患者输血相关信息包括患者历史输血信息、既往病史、体征参数信息期望值。
15.本发明另一目的在于提供一种应用所述的献血智能决策方法的献血智能决策系统，所述献血智能决策系统具体包括：血液数据采集模块、血液特征获取模块、血液特征调整模块、献血量模型训练模块、中央控制模块、献血量确定模块、献血计划和记录模块、人机交互模块；所述血液数据采集模块，与中央控制模块相连接，用于获取需要输血的患者输血相关数据，作为历史用户数据集；采集到的患者输血相关数据为电信号形式，经由a/d转换器转换为数字信号，经过传输线传输至中央控制模块进行处理，以便进行下一步工作；所述血液特征获取模块，与中央控制模块相连接，用于从所述历史用户数据集中获取原始特征；使用机器学习方法进行数据集的特征获取，获取血液数据集的多维特征，通过kpca主成分分析法对血液数据集的多维特征进行降维，得到血液数据集的主特征并存储；所述血液特征调整模块，与中央控制模块相连接，用于对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征；为了使得更好的利用血液数据集特征，血液特征获取模块将提取的主成分特征传输至血液特征调整模块，工作人员将组合特征或者重构得到的新特征与主成分特征进行对比，若两种特征呈现高度相关，则可将重构特征或组合特征输入模型训练模块，否则不断调整组合特征或重构特征，直至与主成分特征呈现高度相关性；所述献血量模型训练模块，与中央控制模块相连接，由服务器和训练程序构成，用于把原始特征和组合特征或者新特征一起进行模型训练，由训练程序向中央处理器发送索要数据的请求，该请求信息到达交换机，交换机发送至路由器，路由器发送至dns服务器到达主控器的服务器，服务器接收到索要数据的请求，将所要训练的数据进行封装打包，原路返回至献血量模型训练模块，对数据进行解码，训练程序使用训练过的深度卷积神经网络对数据进行计算评估；所述中央控制模块，与血液数据采集模块、血液特征获取模块、血液特征调整模块、献血量模型训练模块、献血量确定模块、献血计划和记录模块、人机交互模块相连接，主控制器对外部信号进行采集，通过分析处理后输出给输出通道，当外部需要模拟量输出时，系统经过d/a转换器转换成标准电信号进行输出用于控制各个模块正常工作；
所述献血量确定模块，与中央控制模块相连接，用于根据当前患者输血相关信息、献血量预测模型，确定献血量；献血量确定模块向中央控制模块发送索要数据的请求，该请求信息到达交换机，交换机发送至路由器，路由器发送至dns服务器到达主控器的服务器，服务器接收到索要数据的请求，将所要统计的数据进行封装打包，原路返回至献血量确定模块，由献血量确定模块服务器确定最终的献血量；所述献血计划和记录模块，与中央控制模块相连接，用于对决策方法的生成记录以及应急方案的使用记录进行记录，并同时记录相应的方案效果，供后期查看和应急；所述人机交互模块，与中央控制模块相连接，用于接收移动终端的传送的献血决策信息和献血决策方案以及献血应急方案的决策，并显示预警信息，决策方案信息，将数字信号进行解析显示到显示屏幕上。
16.进一步，所述通过kpca主成分分析法对血液数据集的多维特征进行降维具体如下：（1）对血液数据集的数据进行标准化处理：其中，即样本均值；（2）计算信道矩阵的协方差矩阵c：（3）奇异值分解方法求协方差矩阵c的特征值和特征向量：c＝uσv
t
；u为aa
t
的单位化的特征向量，σ为aa
t
或a
t
a的特征值的平方根，除对角线外，其他元素都是0，对角线上的元素称为奇异值，v
t
：v的转置矩阵，v为a
t
a的单位化的特征向量；（4）对σ确定的特征值进行排序，确定最大的k个特征值在矩阵中的位置，在u中找到对应位置的特征向量，将特征向量组成一组新的向量基。
17.本发明另一目的在于提供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程序，所述计算机程序被处理器执行时实现所述献血智能决策方法的步骤。
18.本发明另一目的在于提供一种电子设备，其特征在于，包括：所述的献血智能决策系统。
19.本发明另一目的在于提供一种智能终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的献血智能决策系统。
20.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明的方法操作步骤清晰明了，系统中模块相互协调，解决了有关血液存储期间面临无偿献血量不可知、临床用血量难预期的状况，能够对每个患者的输血量进行精确预测从而得知献血量，能够提高患者救治的成功率、减少死亡率。
附图说明
21.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本技术的一些实施例，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。
22.图1是本发明实施例提供的献血智能决策方法流程图；图2是本发明实施例提供的对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征的流程图；图3是本发明实施例提供的献血智能决策系统结构图；图中：１、血液数据采集模块；２、血液特征获取模块；３、血液特征调整模块；４、献血量模型训练模块；５、中央控制模块；６、献血量确定模块；７、献血计划和记录模块；８、人机交互模块。
23.具体实施方式
24.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
25.针对现有技术存在的问题，本发明提供了一种献血智能决策方法及系统，下面结合附图对本发明作详细的描述。
26.如附图1-3所示，一种献血智能决策方法及系统，其所述献血智能决策方法包括如下步骤：s1、获取需要输血的患者输血相关数据，作为历史用户数据集；s2、从所述历史用户数据集中获取原始特征；s3、对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征；s4、把原始特征和组合特征或者新特征一起进行模型训练；s5、根据当前患者输血相关信息、献血量预测模型，确定献血量。
27.所述s1获取需要输血的患者输血相关数据通过无创监测仪采集大量创伤患者输血开始时和结束后的各参数信息。
28.所述s1中患者输血相关数据，作为历史用户数据集具体包括：患者输血开始时和结束后的各参数信息，作为用户基本信息数据子集，有关血监测的用户检查结果数据子集，医生诊断结果作为用户诊断信息数据子集，患者历史就诊的数据作为用户既往病史数据子集，输注血液成分作为血液数据子集。
29.所述s3具体包括包括：s11、对所述原始特征采用分类回归树算法，生成原始决策树；s12、将所述原始决策树放入决策树模型中，并将所述原始决策树作为当前决策树；s13、基于所述数字化样本集，计算所述当前决策树的残差向量；s14、依据所述残差向量拟合新的决策树，并将该新的决策树放入所述决策树模型中；s15、若所述决策树模型中决策树的总数低于预设阈值，则将所述新的决策树作为所述当前决策树，返回所述基于所述原始特征，计算所述当前决策树的残差向量的步骤继
续执行；若所述决策树模型中决策树的总数达到预设阈值，则停止拟合新的决策树；s16、将所述决策树模型中每棵决策树的路径包含的特征作为组合特征或者重构新特征。
30.所述s4具体包括：根据特征的分布特性、相关特性以及重要性从多个特征中提取适合表征单用户献血量量的特征参数集来训练献血量预测模型。
31.所述当前患者输血相关信息包括患者历史输血信息、既往病史、体征参数信息期望值。
32.本发明实施例提供一种应用所述的献血智能决策方法的献血智能决策系统，所述献血智能决策系统具体包括：血液数据采集模块１、血液特征获取模块２、血液特征调整模块３、献血量模型训练模块４、中央控制模块５、献血量确定模块６、献血计划和记录模块７、人机交互模块８；所述血液数据采集模块１，与中央控制模块相连接，用于获取需要输血的患者输血相关数据，作为历史用户数据集；采集到的患者输血相关数据为电信号形式，经由a/d转换器转换为数字信号，经过传输线传输至中央控制模块进行处理，以便进行下一步工作；所述血液特征获取模块２，与中央控制模块相连接，用于从所述历史用户数据集中获取原始特征；使用机器学习方法进行数据集的特征获取，获取血液数据集的多维特征，通过kpca主成分分析法对血液数据集的多维特征进行降维，得到血液数据集的主特征并存储；所述血液特征调整模块３，与中央控制模块相连接，用于对所述原始特征利用梯度提升决策树算法进行训练得到对应的组合特征或者重构新特征；为了使得更好的利用血液数据集特征，血液特征获取模块将提取的主成分特征传输至血液特征调整模块，工作人员将组合特征或者重构得到的新特征与主成分特征进行对比，若两种特征呈现高度相关，则可将重构特征或组合特征输入模型训练模块，否则不断调整组合特征或重构特征，直至与主成分特征呈现高度相关性；所述献血量模型训练模块４，与中央控制模块相连接，由服务器和训练程序构成，用于把原始特征和组合特征或者新特征一起进行模型训练，由训练程序向中央处理器发送索要数据的请求，该请求信息到达交换机，交换机发送至路由器，路由器发送至dns服务器到达主控器的服务器，服务器接收到索要数据的请求，将所要训练的数据进行封装打包，原路返回至献血量模型训练模块，对数据进行解码，训练程序使用训练过的深度卷积神经网络对数据进行计算评估；所述中央控制模块５，与血液数据采集模块、血液特征获取模块、血液特征调整模块、献血量模型训练模块、献血量确定模块、献血计划和记录模块、人机交互模块相连接，主控制器对外部信号进行采集，通过分析处理后输出给输出通道，当外部需要模拟量输出时，系统经过d/a转换器转换成标准电信号进行输出用于控制各个模块正常工作；所述献血量确定模块６，与中央控制模块相连接，用于根据当前患者输血相关信息、献血量预测模型，确定献血量；献血量确定模块向中央控制模块发送索要数据的请求，该请求信息到达交换机，交换机发送至路由器，路由器发送至dns服务器到达主控器的服务器，服务器接收到索要数据的请求，将所要统计的数据进行封装打包，原路返回至献血量确定模块，由献血量确定模块服务器确定最终的献血量；
所述献血计划和记录模块７，与中央控制模块相连接，用于对决策方法的生成记录以及应急方案的使用记录进行记录，并同时记录相应的方案效果，供后期查看和应急；所述人机交互模块８，与中央控制模块相连接，用于接收移动终端的传送的献血决策信息和献血决策方案以及献血应急方案的决策，并显示预警信息，决策方案信息，将数字信号进行解析显示到显示屏幕上。
33.进一步，所述通过kpca主成分分析法对血液数据集的多维特征进行降维具体如下：（1）对血液数据集的数据进行标准化处理：其中，即样本均值；（2）计算信道矩阵的协方差矩阵c：（3）奇异值分解方法求协方差矩阵c的特征值和特征向量：c＝uσv
t
；u为aa
t
的单位化的特征向量，σ为aa
t
或a
t
a的特征值的平方根，除对角线外，其他元素都是0，对角线上的元素称为奇异值，v
t
：v的转置矩阵，v为a
t
a的单位化的特征向量；（4）对σ确定的特征值进行排序，确定最大的k个特征值在矩阵中的位置，在u中找到对应位置的特征向量，将特征向量组成一组新的向量基。
34.本发明实施例提供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程序，所述计算机程序被处理器执行时实现所述献血智能决策方法的步骤。
35.本发明实施例提供一种电子设备，其特征在于，包括：所述的献血智能决策系统。
36.本发明实施例提供一种智能终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的献血智能决策系统。
37.本发明中使用血液数据采集模块获取用户的献血信息，通过参数组合来构成历史用户数据集，方便后续的模型训练，数据传输至中央控制模块，血液特征获取模块向中央控制模块获取原始数据集，从中使用机器学习方法获取数据集原始特征，同时使用kpca主成分分析方法获得主特征，将原始特征与主特征传入中央控制模块，血液特征调整模块向中央控制模块获取原始特征、主特征，使用调整算法对原始特征进行重构特征、组合特征，并与主特征进行相关性分析，若两种特征呈现高度相关，则可将重构特征或组合特征输入模型训练模块，否则不断调整组合特征或重构特征，直至与主成分特征呈现高度相关性，将调整后的重构特征、组合特征输入神经网络模型中进行训练，得到组合训练结果，献血量确定模块获得当前患者输血相关信息、献血量预测模型的预测结果，使用服务器确定最终的献血量，献血智能决策方法及系统在实施的过程中产生的数据结果均会在鲜血计划和记录模块中，整个过程系统方法与工作人员通过人机交互模块进行指令的传输。
38.以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。