买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南通大学

摘要：本发明涉及健康数据分析技术领域，具体为一种消化道健康数据分析方法及系统，包括以下步骤，基于消化道内镜图像数据，通过高斯滤波器，对图像进行去噪处理，并利用直方图均衡化，增强图像对比度，应用卷积神经网络，通过卷积层、ReLU激活层和池化层的组合，从图像中提取视觉特征，生成视觉特征数据。本发明，通过结合卷积神经网络与FasterR‑CNN，提高了病变区域检测的准确性和速度，实现快速精准识别，长短期记忆网络分析时间序列数据，预测病情发展，支持早期诊断，随机森林算法识别异常模式，增强疾病预警，拓扑数据分析揭示病变结构和关联，结合医学知识图谱的决策树算法提供个性化治疗建议，考虑综合效益和风险，实现更精准、个性化的诊疗。

主权项：1.一种消化道健康数据分析方法，其特征在于，包括以下步骤：基于消化道内镜图像数据，通过高斯滤波器，对图像进行去噪处理，并利用直方图均衡化，增强图像对比度，应用卷积神经网络，通过卷积层、ReLU激活层和池化层的组合，从图像中提取视觉特征，生成视觉特征数据；基于消化道内镜图像数据，通过高斯滤波器，对图像进行去噪处理，并利用直方图均衡化，增强图像对比度，应用卷积神经网络，通过卷积层、ReLU激活层和池化层的组合，从图像中提取视觉特征，生成视觉特征数据的具体步骤如下，基于消化道内镜图像数据，采用高斯滤波算法进行去噪处理，通过对图像的像素点应用高斯核，计算周围像素点的加权平均值，减少图像噪声，生成去噪图像；基于所述去噪图像，应用直方图均衡化技术，通过重新分配图像的像素强度值，优化图像的像素强度分布，增强图像的对比度，生成对比度增强图像；基于所述对比度增强图像，使用卷积神经网络中的卷积层，通过卷积层的滤波器在图像上滑动，提取局部区域的特征，并获取特征映射，生成基础特征映射；基于所述基础特征映射，使用ReLU激活函数和最大池化层，进行特征处理，通过ReLU激活函数对特征映射应用非线性转换，优化模型的表达能力，利用最大池化层降低特征的空间维度，提取特征表示，生成视觉特征数据；基于所述视觉特征数据，采用FasterR-CNN目标检测算法，通过区域建议网络生成候选区域，结合卷积特征，进行区域分类和边框回归，识别和定位病变区域，生成病变区域定位信息；基于所述视觉特征数据，采用FasterR-CNN目标检测算法，通过区域建议网络生成候选区域，结合卷积特征，进行区域分类和边框回归，识别和定位病变区域，生成病变区域定位信息的具体步骤如下，基于所述视觉特征数据，采用FasterR-CNN的区域建议网络，结合图像特征和空间位置信息，通过卷积层处理图像，提取特征映射，并在特征映射上应用锚点机制，获得覆盖图像中存在目标的区域的候选框架，生成候选区域数据；基于所述候选区域数据，使用FasterR-CNNROI的Pooling层，通过裁剪和缩放操作将差异化尺寸的候选区域，转换为统一尺寸的特征图，生成规范化特征图；基于所述规范化特征图，应用FasterR-CNN的分类层，分类和边框回归网络，分类网络对每个区域进行类别判断，判断区域是否存在病变，并为区域分配相应的类别概率，利用边框回归网络调整候选框位置，覆盖实际病变区域，生成调整后区域数据；基于所述调整后区域数据，采用非极大值抑制算法，通过非极大值抑制算法减少重叠的候选框，结合分类概率，确定图像中的病变区域位置，生成病变区域定位信息；基于患者生物标志物数据和症状记录，采用长短期记忆网络，进行时间序列数据分析，通过门控单元处理数据的长期依赖关系，分析健康指标随时间的变化模式，生成时间序列分析结果；基于患者生物标志物数据和症状记录，采用长短期记忆网络，进行时间序列数据分析，通过门控单元处理数据的长期依赖关系，分析健康指标随时间的变化模式，生成时间序列分析结果的具体步骤如下，基于患者生物标志物数据和症状记录，采用缺失值插补和数据标准化技术，使用线性插补，填充缺失数据，应用Z-score方法，对数据进行规范化处理，生成预处理时间序列数据；基于所述预处理时间序列数据，构建长短期记忆网络模型，模型由多个长短期记忆网络层组成，每层通过遗忘门、输入门和输出门控制信息的流动和记忆，通过门控单元分析时间序列数据，学习数据的长期依赖关系，生成基础长短期记忆网络模型；基于所述基础长短期记忆网络模型，对所述预处理后的时间序列数据进行学习，应用反向传播算法和梯度下降优化策略，优化模型参数，通过模型识别和学习时间序列中的变化趋势和模式，生成训练后长短期记忆网络模型；基于所述训练后长短期记忆网络模型，对时间序列数据进行分析，应用模型预测健康状态变化和趋势，挖掘和识别健康指标随时间的变化模式，生成时间序列分析结果；基于所述时间序列分析结果，使用线性回归模型，通过分析时间序列数据中的线性趋势，从历史数据中提取趋势信息，预测未来健康状况发展方向，生成疾病趋势预测结果；基于所述时间序列分析结果，使用线性回归模型，通过分析时间序列数据中的线性趋势，从历史数据中提取趋势信息，预测未来健康状况发展方向，生成疾病趋势预测结果的具体步骤如下，基于所述时间序列分析结果，采用主成分分析，通过线性变换，将原始特征转换成一组线性不相关的成分，捕获数据的变化方向，降低数据复杂性，生成特征数据；基于所述特征数据，构建普通最小二乘法线性回归模型，普通最小二乘法通过构建特征与预测目标之间的线性关系，并分析关系中的系数，预测未来的变化趋势，生成基础线性回归模型；基于所述基础线性回归模型，对特征数据进行拟合，通过最小化模型预测值与实际值之间的误差，调整模型参数，生成训练后线性回归模型；基于所述训练后线性回归模型，对时间序列数据中的未来趋势进行预测分析，依据模型参数对历史数据中的线性关系进行推断，预测健康状况的未来发展方向，生成疾病趋势预测结果；基于所述病变区域定位信息和疾病趋势预测结果，采用随机森林算法，通过多个决策树的组合，识别异常信息和潜在的疾病预兆信号，生成异常模式识别结果；基于所述病变区域定位信息和疾病趋势预测结果，采用随机森林算法，通过多个决策树的组合，识别异常信息和潜在的疾病预兆信号，生成异常模式识别结果的具体步骤如下，基于所述病变区域定位信息和疾病趋势预测结果，采用数据融合技术，执行数据融合操作，使用Pandas库中的合并函数，按照预设键值对数据进行对齐，并采用数据清洗方法，通过空值处理和数据格式统一，优化数据集的一致性和完整性，生成融合后数据集；基于所述融合后数据集，构建随机森林模型，通过初始化多个决策树，并设置随机选取数据样本和特征参数，优化模型的随机性和多样性，生成基础随机森林模型；基于所述融合后数据集，对所述基础随机森林模型进行训练，采用决策树作为基础学习器，对数据集中的特征进行学习，应用自助聚合，综合多决策树预测结果，并通过调整随机森林中树的数量、树的深度和特征的随机选择参数，优化模型性能，生成训练后随机森林模型；基于所述训练后随机森林模型，对所述融合后数据集，进行异常模式识别，利用模型的分类能力，分析和识别数据中的异常模式和潜在疾病预兆，生成异常模式识别结果；基于所述视觉特征数据和时间序列分析结果，应用拓扑数据分析，通过持久同调，分析拓扑数据结构，识别数据中的形状和空间结构特征，通过计算数据的Betti数和构建持久图，分析数据的几何特征和关联模式，生成拓扑结构分析结果；基于所述视觉特征数据和时间序列分析结果，应用拓扑数据分析，通过持久同调，分析拓扑数据结构，识别数据中的形状和空间结构特征，通过计算数据的Betti数和构建持久图，分析数据的几何特征和关联模式，生成拓扑结构分析结果的具体步骤如下，基于所述视觉特征数据和时间序列分析结果，通过数据库联接算法，根据共有的标识符，将视觉特征数据和时间序列数据进行匹配合并，应用数据清洗技术，通过缺失值处理和数据格式标准化，优化数据集的一致性和完整性，生成整合数据集；基于所述整合数据集，应用持久同调，进行拓扑特征提取，通过分析数据集中的多维几何特征，包括形状和空间结构特征，揭示数据的拓扑属性，生成拓扑特征数据；基于所述拓扑特征数据，使用持久同调算法，对拓扑特征数据中的多维几何结构进行分析，识别和分类数据中的孔洞，并进行Betti数计算，定量描述数据中孔洞的数量和类型，量化数据的几何特性，生成Betti数计算结果；基于所述Betti数计算结果，构建持久图，可视化数据的拓扑结构，通过展示数据中的几何特征与随尺度变化的持久性，揭示数据的内在关联模式，生成拓扑结构分析结果；基于所述异常模式识别结果和拓扑结构分析结果，结合基于医学知识图谱的推理分析，通过决策树算法，构建树形结构模型，根据医学知识图谱中的因果关系和概率信息，对治疗方案的效益和风险进行分析，生成个性化治疗建议；基于所述异常模式识别结果和拓扑结构分析结果，结合基于医学知识图谱的推理分析，通过决策树算法，构建树形结构模型，根据医学知识图谱中的因果关系和概率信息，对治疗方案的效益和风险进行分析，生成个性化治疗建议的具体步骤如下，基于所述异常模式识别结果和拓扑结构分析结果，采用主成分分析算法，通过线性变换技术降低数据维度，计算数据的协方差矩阵，筛选影响疾病预测的特征，减少冗余信息，生成筛选数据；基于所述异常模式识别结果和拓扑结构分析结果，应用K均值聚类算法，通过计算样本间的欧氏距离，并迭代优化簇中心，将数据集划分为多个群组，识别疾病发展的差异化阶段，生成聚类结果数据；基于所述筛选数据和聚类结果数据，结合医学知识图谱，运用贝叶斯网络算法，通过构建有向无环图，表示变量间的条件依赖关系，计算治疗方案的条件概率，生成因果关系数据；基于所述筛选数据、聚类结果数据和因果关系数据，采用分类回归树算法，通过递归二分每个节点，构建树形结构模型，利用基尼不纯度和均方误差作为分割标准，细化决策树结构，生成个性化治疗建议；所述视觉特征数据包括图像的纹理特征、颜色分布、边缘信息和形状特征，所述病变区域定位信息包括病变区域的坐标位置、面积大小、形状描述和类别标签，所述时间序列分析结果包括患者健康指标的时间变化趋势、周期性模式和异常波动，所述疾病趋势预测结果包括疾病发展的方向、速度和转折点，所述异常模式识别结果包括识别的异常健康模式、潜在风险因素和预警信息，所述拓扑结构分析结果包括数据的拓扑结构特征、结构连接和结构异常，所述个性化治疗建议包括治疗方案选择、治疗方法优先级排序、治疗副作用和风险评估。

全文数据：

权利要求：

百度查询： 南通大学 一种消化道健康数据分析方法及系统