一种中医辅助分析信息的数据处理方法及系统

本发明涉及数据挖掘，特别涉及一种中医辅助分析信息的数据处理方法及系统。

背景技术：

1、目前，中医辅助分析技术已成为医学领域的热点领域之一。尽管中医辅助分析技术可以提供有用的辅助信息，但是如何有效地处理和分析这些信息仍然是一个挑战。传统的处理和分析方法通常需要大量的时间和人力资源，且结果的准确性难以保证。

技术实现思路

1、本发明为解决上述技术问题，提出了一种中医辅助分析信息的数据处理方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种中医辅助分析信息的数据处理方法，包括以下步骤：

3、步骤s1：获取历史医疗数据，对历史医疗数据进行症状数据提取，从而获得历史症状数据；

4、步骤s2：对历史症状数据进行降维处理并构建中医症状分类模型；

5、步骤s3：获取患者电子病历信息，对患者电子病历信息进行历史疾病信息提取，从而获得患者历史疾病数据，对患者历史疾病数据进行生理系数计算，从而获得患者历史疾病生理系数；

6、步骤s4：获取患者当前生理数据，对患者当前生理数据进行生理系数计算，从而获得患者当前生理系数，根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析，从而获得第一疾病分析数据；

7、步骤s5：对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取，从而获得疾病口腔特征以及疾病眼珠特征，利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整，从而获得中医辅助分类模型；

8、步骤s6：利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析，从而获得第二疾病分析数据，并发送至医疗云平台。

9、本发明通过中医医疗系统获取历史医疗数据，对历史医疗数据进行症状数据提取，从而获得历史症状数据，将历史医疗数据中的症状信息提取出来，形成结构化的数据，方便后续的数据分析和处理。这样就可以实现对大量历史病例数据的高效处理和分析，以尽快获得更准确的结果。对历史症状数据进行降维处理并构建中医症状分类模型，通过降维处理，将高维的症状数据转换为低维的数据，不仅可以简化数据处理过程、提高处理速度，还可以减少由于维度灾难带来的噪声和误差。通过对历史症状数据的分析和处理，这样可以构建中医症状分类模型，将症状按照中医学的分类规律进行分类。这样，医生可以根据患者的症状向量，更快速地对患者进行分类，进而制定更加有效的治疗方案。通过中医医疗系统获取患者电子病历信息，对患者电子病历信息进行历史疾病信息提取，从而获得患者历史疾病数据，对患者历史疾病数据进行生理系数计算，从而获得患者历史疾病生理系数。通过生理系数计算，可将患者历史疾病数据转换为数值，从而更好地进行数据分析和处理。通过中医医疗系统获取患者当前生理数据，对患者当前生理数据进行生理系数计算，从而获得患者当前生理系数，根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析，从而获得第一疾病分析数据，通过将患者当前生理系数与历史疾病生理系数对比，发现患者当前生理系数的异常变化，并将其与过去患者所患的疾病相联系，从而对患者当前的健康状况进行病理学分析。这样就可以比较准确地得到患者的第一疾病分析数据，从而为后续的治疗方案制定和监测提供依据。对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取，从而获得疾病口腔特征以及疾病眼珠特征，利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整，从而获得中医辅助分类模型；口腔和眼珠是人体重要的器官之一，而且不同疾病表现在这些器官上也有明显的特征表现。利用数据分析方法，可以对历史病例中的口腔特征和眼珠特征进行提取，并根据提取出来的特征对中医辅助分类模型进行权重调整，以提高模型的准确性和精度。利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析，从而获得第二疾病分析数据，并发送至医疗云平台。利用模型对患者第一疾病分析数据进行分析和计算，可以得出患者其他可能存在的潜在疾病，并为医生提供更加全面准确的患者病情信息，以便更好地制定治疗方案、缩短治疗时间、节省人力和提高治疗成功率。

10、可选地，步骤s1包括以下步骤：

11、步骤s11：获取历史医疗数据；

12、步骤s12：对历史医疗数据进行体内历史医疗数据提取以及体外历史医疗数据提取，从而获得体内历史医疗数据以及体外历史医疗数据；

13、步骤s13：对体内历史医疗数据进行体内症状检测，从而获得历史体内症状数据；

14、步骤s14：对体外历史医疗数据进行体外症状检测，从而获得历史体外症状数据；

15、步骤s15：对历史体内症状数据以及历史体外症状数据进行时序合并，从而获得历史症状数据。

16、本发明通过中医医疗系统获取历史医疗数据。对历史医疗数据进行体内历史医疗数据提取以及体外历史医疗数据提取，其中体内历史医疗数据是指包括内脏、器官、神经系统、免疫系统、代谢等在内的体内系统的疾病数据；而体外历史医疗数据则是指患者体表、皮肤、骨骼、肌肉、关节等部位的病情历史数据。通过对历史医疗数据的体内体外数据提取，医生可以掌握更多患者的病情历史，发现潜在的疾病风险，更好地进行医疗方案的制定和治疗监测。对体内历史医疗数据进行体内症状检测，从而获得历史体内症状数据；对体外历史医疗数据进行体外症状检测，从而获得历史体外症状数据；通过对历史病历、检查报告和治疗记录等进行分析和症状数据提取，可以得出患者们的病情历史数据，并建立疾病与症状的关联模型，从而对体内症状进行检测。对历史体内症状数据以及历史体外症状数据进行时序合并，从而获得历史症状数据。体内症状数据和体外症状数据都是对患者不同方面症状的描述，如头疼、发热、呕吐、皮肤发痒等。这些症状描述的形式可能不同，导致数据无法直接进行比较和分析。因此，通过对这些数据进行时序合并，可并这些症状描述按照时间先后顺序组合到一起，并且标明时间点，使数据在时间上有序，更便于数据分析。

17、可选地，步骤s13包括以下步骤：

18、步骤s131：对体内历史医疗数据进行统计分析，从而获得高频体内历史症状数据以及低频体内历史症状数据；

19、步骤s132：对体内历史医疗数据进行潜在扰乱因子计算，从而获得潜在体内历史症状数据；

20、步骤s133：对潜在体内历史症状数据、高频体内历史症状数据以及低频体内历史症状数据进行时序合并，从而获得历史体内症状数据。

21、本发明对体内历史医疗数据进行统计分析，从而获得高频体内历史症状数据以及低频体内历史症状数据；对体内历史医疗数据进行统计分析，可以为病情分析和治疗方案制定提供更为全面和精细的依据。对体内历史医疗数据进行潜在扰乱因子计算，从而获得潜在体内历史症状数据；对体内历史医疗数据进行潜在扰乱因子计算，可以排除一些潜在的扰乱因素，获得更为准确的患者潜在体内历史症状信息。对潜在体内历史症状数据、高频体内历史症状数据以及低频体内历史症状数据进行时序合并，从而获得历史体内症状数据；对潜在体内历史症状数据、高频体内历史症状数据和低频体内历史症状数据进行时序合并，可以获得全面、准确的历史体内症状数据。

22、可选地，步骤s132包括以下步骤：

23、对体内历史医疗数据进行数据预处理，从而获得扰乱准备数据；

24、通过拉普拉斯机制对扰乱准备数据进行扰动处理，从而获得体内扰动数据；

25、利用因子分析方法对体内扰动数据进行因子合并，从而获得因子载荷矩阵；

26、通过正交旋转方法对因子载荷矩阵进行因子旋转，从而获得旋转因子载荷矩阵；

27、根据预设的载荷值对旋转因子载荷矩阵进行症状因子选择，从而获得症状因子；

28、根据症状因子对旋转因子载荷矩阵进行反向推导，从而获得潜在体内历史症状数据。

29、本发明对体内历史医疗数据进行数据预处理，从而获得扰乱准备数据；对体内历史医疗数据进行数据预处理，可以帮助去除潜在的扰乱因素，提高数据的可信性和准确性，为后续数据分析和挖掘提供有力支持。通过拉普拉斯机制对扰乱准备数据进行扰动处理，从而获得体内扰动数据；通过拉普拉斯机制对扰乱准备数据进行扰动处理，可以保护患者隐私，同时为医生提供具有一定随机性和不可逆性的体内扰动数据，为疾病治疗提供更好的数据保障。利用因子分析方法对体内扰动数据进行因子合并，从而获得因子载荷矩阵；利用因子分析方法对体内扰动数据进行因子合并可以帮助发现存在于数据中的潜在因素，减少数据冗余性，从而提高数据分析的效率和精度。通过正交旋转方法对因子载荷矩阵进行因子旋转，从而获得旋转因子载荷矩阵；通过正交旋转方法对因子载荷矩阵进行因子旋转，可以提高数据分析的解释性和可解释性，进一步挖掘和发现扰动因子的特征和信息。根据载荷值0.5对旋转因子载荷矩阵进行症状因子选择，从而获得症状因子；根据载荷值0.5对旋转因子载荷矩阵进行选择可以帮助筛选潜在的症状因子，提高数据分析的解释能力和准确度。载荷值是因子分析中衡量因子与原始变量之间关系程度的指标，其绝对值越大表示相关性越强，越可能是重要的因子。根据症状因子对旋转因子载荷矩阵进行反向推导，从而获得潜在体内历史症状数据。根据症状因子对旋转因子载荷矩阵进行反向推导，可以挖掘和发现潜在的体内历史症状数据，为医生疾病治疗提供更为全面和精准的支持。

30、可选地，步骤s14包括以下步骤：

31、步骤s141：对体外历史医疗数据进行统计分析，从而获得高频体外历史症状数据以及低频体外历史症状数据；

32、步骤s142：对体外历史医疗数据进行贝叶斯潜在计算，从而获得潜在体外历史症状数据；

33、步骤s143：对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并，从而获得历史体外症状数据。

34、本发明对体外历史医疗数据进行统计分析，从而获得高频体外历史症状数据以及低频体外历史症状数据；对体外历史医疗数据进行统计分析可以帮助医生了解病人的体外历史症状情况。通过分析和比较高频和低频的体外历史症状数据，可以更全面、准确地评估病人的健康状态和病情发展情况。对体外历史医疗数据进行贝叶斯潜在计算，从而获得潜在体外历史症状数据；对体外历史医疗数据进行贝叶斯潜在计算，可以更好地挖掘和发现潜在的体外历史症状数据。对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并，从而获得历史体外症状数据。对潜在体外历史症状数据、高频体外历史症状数据以及低频体外历史症状数据进行时序合并，可以组合所有的历史症状数据，形成完整的体外历史症状数据，并进一步了解病情发展和演变的情况。

35、可选地，步骤s142包括以下步骤：

36、对体外历史医疗数据进行特征选择，从而获得体外潜在特征变量；

37、将体外潜在特征变量进行节点转换，从而获得体外潜在节点集；

38、获取体外疾病症状信息，根据体外疾病症状信息对体外潜在节点集构建潜在先验分布；

39、根据体外潜在节点集构建贝叶斯网络结构；

40、根据贝叶斯网络结构对体外历史医疗数据进行计算，从而获得潜在后验分布；

41、根据潜在后验分布对体外历史医疗数据进行分类计算，从而获得潜在体外历史症状数据。

42、本发明对体外历史医疗数据进行特征选择，从而获得体外潜在特征变量；对体外历史医疗数据进行特征选择，可以从繁多的历史症状中筛选出对疾病治疗最为关键和重要的特征变量，进而提高治疗的精度和效果。将体外潜在特征变量进行节点转换，从而获得体外潜在节点集；通过独立成分分析法将体外潜在特征变量进行节点转换，可并连续或离散的特征数据转换为潜在节点集，将数据表达形式转化为更加直观和易于理解的形式。这有助于医生更加直观地了解数据的含义和特征，进而更加准确地治疗患者。获取体外疾病症状信息，根据体外疾病症状信息对体外潜在节点集构建潜在先验分布，获取体外疾病症状信息，并根据这些信息对体外潜在节点集构建潜在先验分布，可以更好地理解数据和疾病特征，进一步提高数据挖掘和分析的准确性和可靠性。其中先验分布是指在进行后续数据分析和挖掘之前，对数据本身所做的一些先验假设，它可以帮助分析者更好地理解数据，更准确地推断和预测。根据体外潜在节点集构建贝叶斯网络结构；基于贝叶斯网络学习算法根据体外潜在节点集构建贝叶斯网络结构，可以有效地对数据之间的潜在联系进行建模和预测，提高疾病治疗的准确性和可靠性。根据贝叶斯网络结构对体外历史医疗数据进行计算，从而获得潜在后验分布；根据贝叶斯网络结构对体外历史医疗数据进行计算，可以获得潜在后验分布，有助于推断出未观测到的变量状态。根据潜在后验分布对体外历史医疗数据进行分类计算，从而获得潜在体外历史症状数据。根据潜在后验分布对体外历史医疗数据进行分类计算，可以获得潜在体外历史症状数据，即对患者之前的体外症状进行分类，识别和分析不同类型的症状，从而获得潜在体外历史症状数据。

43、可选地，步骤s3中的生理系数计算具体为：

44、通过生理系数计算公式对患者历史疾病数据进行计算，从而获得患者历史疾病生理系数，其中生理系数计算公式具体为：

45、；

46、其中为生理系数，为血气含量，为脉搏速率，为二氧化碳的脉象量，为时间，为血压随时间变化的函数，为动脉阻力值，为体温，为数列求和的上限。

47、本发明中的生理系数计算公式充分考虑了影响生理系数的血气含量，脉搏速率，二氧化碳的脉象量，时间，血压随时间变化的函数，动脉阻力值，体温，形成了的函数关系。代表生理系数，反映了血气、心血管、呼吸等方面的生理指标之间的相互关系和作用。代表血气含量，即为每单位体积血液中溶解的氧气分压的数量。代表脉搏速率，即为每分钟心脏跳动的次数。表示二氧化碳的脉象量，即在单位时间内肺部呼出的二氧化碳量。代表血压随时间变化的函数，表示了心脏收缩和舒张时对血压的影响。代表动脉阻力，反映了血管的通畅度和阻力。代表体温，反映了人体内部代谢状态的高低。生理系数受到、、、、以及的影响，其中分母部分为各种因素的加权乘积。生理系数越高，说明生理功能更好，身体状态更健康。使用生理系数公式进行计算，可以避免人为干扰和主观判断的影响，进一步了解患者的病情，得出更为精准的结果，并根据生理系数的变化调整治疗方案。

48、可选地，步骤s4中的第一疾病分析具体为：

49、当患者历史疾病生理系数等于患者当前生理系数时，则对患者当前生理系数进行患者信息提取，从而生成患者复诊信息，将患者复诊信息发送至医生推荐系统；

50、当患者历史疾病生理系数小于患者当前生理系数时，则对患者当前生理系数进行严重疾病标记，从而生成严重疾病数据；

51、当患者历史疾病生理系数大于患者当前生理系数时，则对患者当前生理系数进行轻微疾病标记，从而生成轻微疾病数据；

52、将严重疾病数据以及轻微疾病数据进行数据归并，从而获得第一疾病分析数据。

53、本发明当患者历史疾病生理系数等于患者当前生理系数时，则对患者当前生理系数进行患者信息提取，从而生成患者复诊信息，将患者复诊信息发送至医生推荐系统；如果患者历史疾病生理系数以及患者当前生理系数相等，则表示患者的健康状况没有变化或变化不大，需要对其当前生理系数进行分析，提取有关的患者信息，将患者复诊信息发送至医生推荐系统，医生推荐系统可以根据患者复诊信息选择以前给患者治疗的医生进行推荐，可以节约中医人力，同时也能提高医疗的准确性和可靠性。当患者历史疾病生理系数小于患者当前生理系数时，则对患者当前生理系数进行严重疾病标记，从而生成严重疾病数据；当患者历史疾病生理系数大于患者当前生理系数时，则对患者当前生理系数进行轻微疾病标记，从而生成轻微疾病数据；当患者历史疾病生理系数小于患者当前生理系数时，可能表明患者的健康状况出现了重大问题，需要进行严重疾病标记，并对其进行进一步的检查。反之，如果历史疾病生理系数大于当前生理系数，则可能表示患者的健康状况较为稳定，只存在轻微的健康问题，需要进行轻微疾病标记。可以使用疾病标记算法，通过比较患者历史疾病生理系数和当前生理系数的差异，来确定患者的健康状况。如果历史生理系数比当前系数小很多，可能表明患者存在严重疾病，应该进行进一步的检查和治疗。如果差异不大，则可以进行轻微疾病标记，并对患者进行相关的治疗和护理。将严重疾病数据以及轻微疾病数据进行数据归并，从而获得第一疾病分析数据。将严重疾病数据和轻微疾病数据进行数据归并，可以获得第一疾病分析数据，即通过对不同类型的疾病数据进行整合和归纳，确定患者最可能患有的疾病类型。

54、可选地，步骤s6中的第二疾病分析具体为：

55、获取患者生活信息，对患者生活信息进行特征提取，从而获得患者作息特征以及患者饮食习惯特征；

56、获取患者面部信息，对患者面部信息进行特征提取，从而获得患者口腔信息以及患者眼珠信息；

57、获取患者近期服用药物信息；

58、通过行为习惯计算公式对患者近期服用药物信息、患者作息特征以及患者饮食习惯特征进行计算，从而获得患者行为习惯得分，其中行为习惯计算公式具体为：

59、；

60、为患者行为习惯得分，为患者每周从事有氧运动的频率，为患者每天睡眠时间，为患者每日摄入水分值，为患者每日使用电子设备时间，为患者每日摄入钙的毫克数，为患者吸烟年份，为患者年中吸烟的天数，为数列求和的上限；

61、本发明中的行为习惯计算公式充分考虑影响患者行为习惯得分的患者每周从事有氧运动的频率，患者每天睡眠时间，患者每日摄入水分值，患者每日使用电子设备时间，患者每日摄入钙的毫克数，患者吸烟年份，患者年中吸烟的天数，形成了的函数关系。代表患者每周从事有氧运动的频率。该变量越大，代表患者的锻炼习惯越好，对应的值也就越高。代表患者每天睡眠时间。相较于睡眠不足的人群，每天充足的睡眠对身体的影响更为积极，可将值提高。代表患者每日摄入水分的升数。充足的水分能够维持身体正常的代谢水平，提高患者的健康程度，对具有正向的影响。代表患者每日使用电子设备的时间（分钟）。经常使用电子设备且长时间用眼会对眼睛造成危害，可能使得患者更容易出现眼疾等健康问题，因此高值会降低值。代表患者每日摄入钙的毫克数。足够的钙质能够增加骨密度，预防骨质疏松等疾病，因此高值会提高值。代表患者每年吸烟的天数。吸烟对身体的危害非常大，因此每年吸烟的天数越少，值也就越高。上面公式中使用了一种极限运算符表示当接近无穷大时，该求和式的值会趋近于零。行为习惯计算公式能更加准确地反映了患者日常生活中对身体健康产生的影响。如果患者能够注重锻炼、保证充足的睡眠、摄入充足的水分和钙质，以及减少使用电子产品的时间，那么他们获得高得分的可能性就会增加，直接体现为更好的健康状态。

62、根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像，从而获得患者面诊画像；

63、基于患者面诊画像通过中医辅助分类模型对第一疾病分析数据进行分类计算，从而获得第二疾病分析数据。

64、本发明通过中医问诊获取患者生活信息，对患者生活信息进行特征提取，从而获得患者作息特征以及患者饮食习惯特征.通过中医望诊获取患者面部信息，对患者面部信息进行特征提取，从而获得患者口腔信息以及患者眼珠信息；通过中医问诊获取患者近期服用药物信息；

65、通过行为习惯计算公式对患者近期服用药物信息、患者作息特征以及患者饮食习惯特征进行计算，从而获得患者行为习惯得分，行为习惯计算公式能更加准确地反映了患者日常生活中对身体健康产生的影响。根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像，从而获得患者面诊画像；根据患者口腔信息、患者眼珠信息以及患者行为习惯得分构建患者画像，可以获得患者面诊画像，有益于提高医疗的准确性和可靠性。基于患者面诊画像通过中医辅助分类模型对第一疾病分析数据进行分类计算，从而获得第二疾病分析数据；通过中医辅助分类模型，针对患者的面诊画像和第一疾病分析数据，可以对患者进行更加准确的治疗建议。对患者的面诊画像进行分析和评估，包括舌象、脉象、面色等。同时，将第一疾病分析数据引入中医辅助分类模型中，结合中医理论，分析患者的病因和症状表现，从而对患者的疾病类型进行分类计算，并获得第二疾病分析数据。

66、可选地，本说明书还提供一种中医辅助分析信息的数据处理系统，包括：

67、医疗症状提取模块，用于获取历史医疗数据，对历史医疗数据进行症状数据提取，从而获得历史症状数据；

68、模型构建模块，用于对历史症状数据进行降维处理并构建中医症状分类模型；

69、患者历史疾病分析模块，用于获取患者电子病历信息，对患者电子病历信息进行历史疾病信息提取，从而获得患者历史疾病数据，对患者历史疾病数据进行生理系数计算，从而获得患者历史疾病生理系数；

70、第一疾病分析模块，用于获取患者当前生理数据，对患者当前生理数据进行生理系数计算，从而获得患者当前生理系数，根据患者历史疾病生理系数对患者当前生理系数进行第一疾病分析，从而获得第一疾病分析数据；

71、模型调整模块，用于对历史医疗数据进行疾病口腔特征提取以及疾病眼珠特征提取，从而获得疾病口腔特征以及疾病眼珠特征，利用疾病口腔特征以及疾病眼珠特征对症状分类模型进行权重调整，从而获得中医辅助分类模型；

72、第二疾病分析模块，用于利用中医辅助分类模型对第一疾病分析数据进行第二疾病分析，从而获得第二疾病分析数据，并发送至医疗云平台。

73、本发明的中医辅助分析信息的数据处理系统，该系统能够实现本发明任意一种中医辅助分析信息的数据处理方法，用于联合各个模块之间的操作与信号传输的媒介，以完成中医辅助分析信息的数据处理方法，系统内部结构互相协作，实现对中医医疗的智慧辅助。