病变分析装置和存储指令的计算机可读介质的制作方法

本技术涉及疾病分析，具体而言，涉及一种病变分析装置和存储指令的计算机可读介质。

背景技术：

1、肌肉骨骼疾病的典型特征是疼痛(通常是持续疼痛)，导致患者的行动能力，灵活性和总体功能受限。肌肉骨骼疾病大大降低人们生活质量，严重可导致提前退休等情况。由于人口老龄化和工作时长增加，患有肌肉骨骼疾病的人数在迅速增加。肌肉骨骼疾病导致的致残率持续增加，预计在未来几十年内仍将继续增加。肌肉骨骼疾病包括以下疾病：关节问题，骨骼问题，肌肉问题，脊椎问题和身体多个部位的系统性问题。在全球康复需求中，肌肉骨骼疾病康复需求最大。在所有需要康复的成年人中，大约三分之二的人需要肌肉骨骼疾病康复服务。

2、肌肉骨骼疼痛治疗多依赖康复训练，康复训练的有效性由肌肉骨骼疾病的实际情况决定，但是，目前对肌肉骨骼疾病的实际情况进行判断时，通常是基于影像学结论和康复师的经验进行判断，人力成本较高，且判断过程复杂繁琐、错误率高，从而导致康复训练的效果较差。

技术实现思路

1、有鉴于此，本技术实施例的目的在于提供一种病变分析装置和存储指令的计算机可读介质，以改善现有技术中存在的康复训练的效果较差的问题。

2、为了解决上述问题，第一方面，本技术实施例提供了一种病变分析装置，所述装置包括：采集模块、分析模块和评价模块；

3、所述采集模块用于获取用户对应的采集数据；

4、所述分析模块用于在多种机器学习算法中确定对应的目标算法，并基于所述目标算法对所述采集数据进行计算分析，得到分析结果；

5、评价模块用于基于所述分析结果进行评价处理，得到病变结果。

6、在上述实现过程中，通过采集模块获取表征用户实际情况的采集数据，并根据用户的实际情况，选择相应的机器学习算法，通过分析模块根据选择的合适的目标算法对采集数据进行计算分析，得到相应的机器学习的分析结果。再通过评价模块对分析结果进行相应地评价处理，得到表征用户病变情况的病变结果。通过机器学习算法进行计算和分析，能够减少对肌肉骨骼疾病的实际情况进行判断时所需的人工成本，有效地提高了获取病变结果的效率以及病变结果的准确性，从而为康复训练提供有效的病变结果，以提升用户进行康复训练的效果。

7、可选地，所述采集模块包括：获取子模块和处理子模块；

8、所述获取子模块用于获取所述用户基于预设的问题信息反馈的体感信息；

9、所述处理子模块用于根据所述体感信息进行规范处理，得到所述采集数据。

10、在上述实现过程中，可以预设相应的问题信息并发送给客户，以供客户根据问题信息填写相应的体感信息，并反馈给病变分析装置，由采集模块中的获取子模块获取体感信息，并且，由于体感信息中可以包括多种不同类型的问题答案，还可以通过处理子模块对获取的体感信息进行规范化处理，以将体感信息转换为统一数据格式或单位的采集数据，以便于后续进行计算处理。

11、可选地，所述处理子模块具体用于：确定所述问题信息中每类问题的答案范围；根据处理需求和所述答案范围，确定标准化范围；基于所述标准化范围对所述体感信息进行离差标准化处理，得到所述采集数据。

12、在上述实现过程中，可以根据问题信息中多类型问题的答案范围，集合实际场景或用户的处理需求，确定进行规范化处理的标准范围，并基于标准化范围对体感信息中的多个问题答案进行离差标准化处理，得到统一化的采集数据。能够根据实际情况和需求进行规范化处理，有效地提高了采集数据的统一性和有效性。

13、可选地，所述评价模块还用于：基于所述标准化范围确定对应的病变阈值表；其中，所述病变阈值表中包括多个数值区间，多个所述数值区间表征多个不同的病变程度。

14、在上述实现过程中，为了将标准化范围中的数值与不同的病变程度相对应，评价模块可以根据标准化范围确定具有多个数值区间的病变阈值表，以对不同的数值区间所表征的病变程度进行说明。能够将病变程度转换为标准化范围内的多个数值区间进行表示，以清楚地表征不同程度的病变情况。

15、可选地，所述分析模块包括：分类子模块、确定子模块和计算子模块；

16、所述分类子模块用于确定所述采集数据的病变类型；其中，所述病变类型包括：颈椎退行性骨关节病、颈椎间盘突出、颈椎退行性椎管狭窄、颈椎退行性滑脱、颈椎退行性关节病中的至少一种；

17、所述采集模块还用于确定所述采集数据的数据特性；其中，所述数据特性包括采集时间、用户身份、用户需求中的至少一种；

18、所述确定子模块用于获取所述采集模块中确定的所述数据特性，并根据所述数据特性在多种所述机器学习算法中确定对应的所述目标算法；

19、所述计算子模块用于通过所述目标算法基于所述采集数据进行计算处理，得到所述病变类型对应的所述分析结果。

20、在上述实现过程中，由于用户反馈的采集数据可以包括多种不同类型的病变类型，因此，为了对不同类型的病变情况进行针对性地分析，可以先通过分类子模块根据采集数据的实际情况进行分类，以确定采集数据对应的病变类型。并且，由于采集的时间以及用户的身份、需求等的差异，不同情况下得到的采集数据具有不同的数据特性，采集模块还可以确定采集数据对应的数据特征，以供确定子模块根据数据特性在多种机器学习算法中选择合适的算法作为目标算法，通过计算子模块基于目标算法对采集数据进行计算处理，得到相应的计算结果作为病变类型对应的分析结果。能够根据不同的病变类型进行分类处理，并根据采集数据的实际情况选择合适的算法进行计算，有效地提高了获取的分析结果的针对性和有效性。

21、可选地，所述评价模块具体用于：确定所述分析结果在病变阈值表中的目标区间；基于所述目标区间确定对应的目标病变程度；根据所述目标病变程度和所述病变类型生成所述病变结果。

22、在上述实现过程中，在评价模块进行评价处理时，可以根据分析结果的数值在病变阈值表中的多个数值区间中确定其所属的目标区间，从而以目标区间对应的病变程度作为目标病变程度，结合病变类型生成表征多种信息的病变结果。能够根据统一规范的数值进行对应地评价处理，有效地提高了病变结果的准确性和获取效率。

23、可选地，其中，多种所述机器学习算法包括：决策树算法、k最邻近算法，支持向量机算法和多层感知器算法。

24、在上述实现过程中，由于不同的采集数据具有不同的数据特性，不同的数据特性具有不同的计算特性，因此，可以使用决策树算法、k最邻近算法，支持向量机算法和多层感知器算法等多种机器学习算法进行计算，以满足不同的计算特性。

25、可选地，所述装置还包括：模型训练模块；

26、所述模型训练模块用于确定每个所述机器学习算法对应的算法模型计算得到的分析准确率；根据所述分析准确率对所述问题信息进行修改，得到更新信息；基于所述更新信息对所述算法模型进行更新训练。

27、在上述实现过程中，为了在实际的应用过程中进一步地提高机器学习算法的计算准确率，还可以在装置中设置模型训练模块，对每个机器学习算法对应的算法模型计算的到的分析结果的准确率进行分析统计，从而根据分析准确率的实际情况，对原有的问题信息进行修改，以得到相应的更新信息，使用更新信息对算法模型进行更新训练，能够根据更新信息对算法模型计算时的特征进行修改，从而不断地优化算法模型的计算过程，提高后续获取的分析结果的准确率。

28、可选地，所述装置还包括：验证模块；

29、所述验证模块用于对所述分析结果进行验证；

30、若所述分析结果验证失败，所述确定子模块还用于根据所述数据特性在多种所述机器学习算法中重新确定更新算法；所述计算子模块还用于通过所述更新算法基于所述采集数据进行重新计算处理，得到验证成功的更新分析结果。

31、在上述实现过程中，为了提高分析结果的准确性，以提高最终得到的病变结果的准确性，还可以在装置中设置验证模块对机器学习算法计算得到的分析结果进行验证，若验证失败，则可以根据数据特性重新确定新的更新算法，并通过更新算法对采集数据重新进行计算处理，直至得到能够验证成功的更新分析结果，能够通过验证和重新计算的方式提高分析结果的准确性。

32、第二方面，本技术实施例还提供了一种存储指令的计算机可读介质，所述指令在被一个或多个处理器执行时适于使一个或多个处理器执行上述任一项所述装置中的方法，所述方法包括：

33、通过采集模块获取用户对应的采集数据；

34、通过分析模块在多种机器学习算法中确定对应的目标算法，并基于所述目标算法对所述采集数据进行计算分析，得到分析结果；

35、通过评价模块基于所述分析结果进行评价处理，得到病变结果。

36、在上述实现过程中，能够获取表征用户实际情况的采集数据，并根据用户的实际情况，选择相应的机器学习算法对采集数据进行计算分析，得到相应的机器学习的分析结果，再对分析结果进行相应地评价处理，得到表征用户病变情况的病变结果。

37、综上所述，本技术实施例提供了一种病变分析装置和存储指令的计算机可读介质，能够根据用户的实际情况，选择相应的机器学习算法对用户反馈的采集数据进行计算分析和评价处理，有效地提高了获取病变结果的效率以及病变结果的准确性，从而减少对肌肉骨骼疾病的实际情况进行判断时所需的人工成本，能够为康复训练提供有效的病变结果，以提升用户进行康复训练的效果。