[发明专利]并发症风险预警方法、装置、电子设备及存储介质在审

专利信息
申请号: 202210451031.3 申请日: 2022-04-26
公开(公告)号: CN114999659A 公开(公告)日: 2022-09-02
发明(设计)人: 高荣华;冯璐;李奇峰;马为红;余礼根 申请(专利权)人: 北京市农林科学院信息技术研究中心
主分类号: G16H50/50 分类号: G16H50/50;G16H50/30;G16H50/20;G06N3/08;G06N3/04
代理公司: 北京路浩知识产权代理有限公司 11002 代理人: 张文玄
地址: 100097 北京市海淀区*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 并发症 风险 预警 方法 装置 电子设备 存储 介质
【权利要求书】:

1.一种并发症风险预警方法,其特征在于,包括:

提取目标生物体的所有症状特征,以确定症状特征向量组合;

将所述症状特征向量组合输入至并发症风险预警模型,以获取所述症状特征向量组合所对应的所有并发症的预警级别;

所述症状特征向量组合是所有症状特征向量化表示的组合;

所述并发症风险预警模型是基于多个特征向量组合样本,以及各特征向量组合样本对应的并发症预警级别标签训练获取的。

2.根据权利要求1所述的并发症风险预警方法,其特征在于,在提取目标生物体的所有症状特征,以确定症状特征向量组合之前,包括:

构建所有样本病例所对应的特征向量组合样本;

确定每个样本病例所对应的并发症预警级别标签;

基于所述特征向量组合样本以及所述特征向量组合样本所对应的并发症预警级别标签构建并发症风险预警模型;

所述特征向量组合样本由预设个数的样本特征向量组合而成。

3.根据权利要求2所述的并发症风险预警方法,其特征在于,在基于所述特征向量组合样本以及所述特征向量组合样本所对应的并发症预警级别标签构建并发症风险预警模型之前,还包括:

获取所有样本特征;

基于单个一级症状特征获取每个第一主病症的预警级别;

基于多个二级症状特征获取每个第二主病症的预警级别;

基于单个一级症状特征以及多个二级症状特征,获取每个第一主病症所相关的所有第一并发症的预警级别;

基于单个一级症状特征、多个二级症状特征以及多个三级症状特征获取每个第一主病症所相关的所有第二并发症的预警级别;

基于多个二级症状特征以及多个三级症状特征获取每个第二主病症所相关的所有第三并发症的预警级别;

所述并发症预警级别标签为所有第一主病症的预警级别、所有第二主病症的预警级别、所有第一并发症的预警级别、所有第二并发症的预警级别以及所有第三并发症的预警级别的集合;

所述样本特征包括一级症状特征、二级症状特征以及三级症状特征的至少一种。

4.根据权利要求3所述的并发症风险预警方法,其特征在于,所述基于所述特征向量组合样本以及所述特征向量组合样本所对应的并发症预警级别标签构建并发症风险预警模型,包括:

基于每个样本病例所对应的样本特征以及并发症预警级别标签构建特征数据集;

向量化每个所述特征数据集,以获取特征向量组合样本训练所述特征向量组合样本,以构建并发症风险预警模型。

5.根据权利要求1所述的并发症风险预警方法,其特征在于,所述目标生物体的所有症状特征包括外观特征、解剖特征、呼吸特征、行为异常特征、体温特征、发病情况特征中的至少一种。

6.根据权利要求5所述的并发症风险预警方法,其特征在于,所述目标生物体为目标生物的集群;

相应地,所述目标生物体的所有症状特征还包括接种特征、配种特征、粪便特征、季节特征、日龄特征、环境温度特征、环境湿度特征、食量特征、饲料特征中的至少一种。

7.根据权利要求5或6所述的并发症风险预警方法,其特征在于,所述目标生物体为蛋禽;

相应地,所述目标生物体的所有症状特征还包括禽蛋形状特征、羽毛形状特征、产蛋能力特征中的至少一种。

8.一种并发症风险预警装置,其特征在于,包括:

确定装置:用于提取目标生物体的所有症状特征,以确定症状特征向量组合;

获取装置:用于将所述症状特征向量组合输入至并发症风险预警模型,以获取所述症状特征向量组合所对应的所有并发症的预警级别。

9.一种电子设备,包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述的并发症风险预警方法。

10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的并发症风险预警方法。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京市农林科学院信息技术研究中心,未经北京市农林科学院信息技术研究中心许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210451031.3/1.html,转载请声明来源钻瓜专利网。

同类专利
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top