[发明专利]基于机器学习的健康信息分布的确定方法及装置

说明书

本发明公开了一种基于机器学习的健康信息分布的确定方法及装置，涉及数据处理技术领域，主要目的在于解决现有健康信息分布图像确定效率较低，无法满足健康医疗对数据处理的便捷性、快速性需求的问题。包括：获取光谱数据；基于已训练的光谱分类模型对所述光谱数据进行分类处理，得到包含所述光谱数据分别标记健康特征的分类处理结果，所述光谱分类模型为基于不同层级机器学习模型组合建立的混合模型；依据预设光谱整合权值，对所述分类处理结果中的健康特征进行整合处理，得到健康信息的分布图像。主要用于基于机器学习的健康信息分布的确定。

技术领域

本发明涉及一种数据处理技术领域，特别是涉及一种基于机器学习的健康信息分布的确定方法及装置。

背景技术

随着人们对自身健康及他人健康的关注度越来越大，智能化的健康体检已经逐步发展为医疗保障方案中关注焦点。其中，智能化的健康体检是指通过采集血液、血压、血糖、超声波图像等简单的医疗检查方式获取用户的基础健康数据，通过精确地数据处理方式对基础健康数据进行分析，得到用户的健康指标或者各健康信息的分布。

目前，现有对健康信息的分布通常是基于基础健康数据中各单一指标与国际医疗标准进行对比，无法满足对健康信息的综合分析的需求，且单一的对比方式使得数据处理得到的结果较为冗余；而基础监控数据作为一种医疗资源，单一的对比方式也无法满足需要随着不同医疗场景变化，确定出相适应的健康信息分布图像的需求，使得健康信息分布图像确定效率较低，无法满足健康医疗对数据处理的便捷性、快速性需求。

发明内容

有鉴于此，本发明提供一种基于机器学习的健康信息分布的确定方法及装置，主要目的在于解决现有健康信息分布图像确定效率较低，无法满足健康医疗对数据处理的便捷性、快速性需求的问题。

依据本发明一个方面，提供了一种基于机器学习的健康信息分布的确定方法，包括：

获取光谱数据；

基于已训练的光谱分类模型对所述光谱数据进行分类处理，得到包含所述光谱数据分别标记健康特征的分类处理结果，所述光谱分类模型为基于不同层级机器学习模型组合建立的混合模型；

依据预设光谱整合权值，对所述分类处理结果中的健康特征进行整合处理，得到健康信息的分布图像。

进一步地，所述基于已训练的光谱分类模型对所述光谱数据进行分类处理之前，所述方法还包括：

获取光谱训练数据集，所述光谱训练数据集中包括标记不同分类的健康特征所对应的光谱数据；

组合构建包含至少两个决策树模型、以及一个神经网络模型的光谱分类模型，其中，所述组合构建为以所述至少两个决策树模型为输入层、以所述一个神经网络模型为输出层进行实现的；

基于所述光谱训练数据集对完成组合构建的光谱分类模型进行训练。

进一步地，所述获取光谱数据包括：

获取至少包括血液红外光谱数据、血液紫外光谱数据、唾液红外光谱数据、唾液紫外光谱数据的光谱数据。

进一步地，所述依据预设光谱整合权值，对所述分类处理结果中的健康特征进行整合处理，得到健康信息的分布图像包括：

利用加权求和方式结合预设光谱整合权值统计所述分类处理结果中所述血液红外光谱数据、所述血液紫外光谱数据、所述唾液红外光谱数据、所述唾液紫外光谱数据标记的健康特征的整合区间；

以叠加的方式绘制包含所述整合区间的健康信息的分布图像。

进一步地，所述基于已训练的光谱分类模型对所述光谱数据进行分类处理之前，所述方法还包括：

分别判断所述血液红外光谱数据、所述血液紫外光谱数据、所述唾液红外光谱数据、所述唾液紫外光谱数据中的波长值、振幅值是否存在失真状态；