基于智能芯片的虫媒性传染病预防控制系统的制作方法

本发明涉及疾病防控，具体为基于智能芯片的虫媒性传染病预防控制系统。

背景技术：

1、虫媒病是以节肢动物为传播媒介的一类传染病，通过叮咬传播给动物及人类宿主，主要包括蚊媒、蜱媒、螨、虱媒和蚤媒传染病。历史上曾造成严重危害，如疟疾、流行性乙型脑炎等等。

2、虫媒传染病在我国每年传染病总发病病例中约占5％～10％，但其死亡数字占了传染病总死亡数的30％～40％。我国虫媒生物种类繁多，分布情况复杂，而相关监测与控制水平与防疫要求存在较大差距。目前，虫媒传染病远距离传播的情况越来越常见，新发虫媒传染病发生和流行的危险性很大。

3、公开号为cn114520058a的中国专利公开了一种虫媒传染病的传播风险预测方法及装置，其中，方法包括：获取全国范围内虫媒传染病的历史病例数据和与其匹配的当地气候环境数据；将所述历史病例数据作为因变量，当地气候环境数据作为自变量，基于广义可加性混合模型进行建模分析，并验证不同策略下的模型精度，得到最佳拟合模型；获取预测的未来预设时间的气象数据；根据所述未来预设时间的气象数据和所述最佳拟合模型，结合不同气候变化情景，预测未来预设时间的虫媒传染病的时空分布；但是该专利存在以下缺陷：

4、现有的不能对虫媒性传染病情况进行及时地掌握，导致不能对虫媒性传染病进行有效地预防控制，使得虫媒性传染病预防控制效果差。

技术实现思路

1、本发明的目的在于提供基于智能芯片的虫媒性传染病预防控制系统，可对虫媒性传染病情况进行及时地掌握，能对虫媒性传染病进行有效地预防控制，可提升虫媒性传染病预防控制效果，解决了上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、基于智能芯片的虫媒性传染病预防控制系统，包括：

4、数据采集模块，用于实时采集患者问诊数据、患者影像数据及患者检验数据，确定出基于智能芯片的患者监测实时数据；

5、数据处理模块，用于对基于智能芯片的患者监测实时数据进行检索、排序及特征提取，确定出基于智能芯片的患者监测特征数据；

6、模型训练模块，用于对模型架构进行训练，确定出适用于虫媒性传染病预防控制的神经网络模型；

7、测试优化模块，用于对神经网络模型进行性能测试及调整优化，确定出调整优化后最佳的神经网络模型；

8、预测评估模块，用于对患者监测特征数据进行预测评估，确定出基于智能芯片的患者预测评估结果；

9、预防控制模块，用于制定传染病预防控制方案，基于传染病预防控制方案对虫媒性传染病进行智能化预防控制。

10、优选的，所述数据采集模块包括：

11、问诊采集单元，用于对患者的问诊信息进行实时地采集，确定出基于智能芯片的患者问诊数据；

12、影像采集单元，用于对患者的影像信息进行实时地采集，确定出基于智能芯片的患者影像数据；

13、检验采集单元，用于对患者的检验信息进行实时地采集，确定出基于智能芯片的患者检验数据；

14、其中，基于实时采集的患者问诊数据、患者影像数据及患者检验数据；

15、确定出基于智能芯片的患者监测实时数据。

16、优选的，影像采集单元，包括：

17、实时采集单元，用于对患者的影像信息进行实时地采集，获取所述患者影像数据；

18、灰度图像获取模块，用于对所述患者影像数据进行灰度处理，获取所述患者影像数据对应的灰度图像；

19、灰度值提取模块，用于提取所述患者影像数据中每个像素块的灰度值；

20、图像清晰度评价系数获取模块，用于利用所述患者影像数据中所包含的长度边上所包含的像素块行对应的清晰度系数和宽度边上所包含的像素块列对应的清晰度系数获取图像清晰度评价系数，其中，所述图像清晰度评价系数通过如下公式获取：

21、

22、其中，g表示图像清晰度评价系数；k表示患者影像数据长度边上所包含的像素块行数；r表示患者影像数据宽度边上所包含的像素块列数；k01i表示第i行长度边上所包含的像素块行对应的权重系数；k02i表示第i列宽度边上所包含的像素块列对应的权重系数；s01i表示第i行长度边上所包含的像素块行对应的清晰度系数；s02i表示第i列宽度边上所包含的像素块列对应的清晰度系数；

23、比较模块，用于将所述图像清晰度评价系数与预设的清晰度评价系数阈值进行比较；

24、清晰度报警整模块，用于当所述图像清晰度评价系数低于预设的清晰度评价系数阈值时，则对所述患者影像数据进行清晰度异常报警。

25、优选的，所述图像清晰度评价系数获取模块包括：

26、像素块行数提取模块，用于提取所述患者影像数据中所包含的长度边上所包含的像素块行数；

27、第一灰度值获取模块，用于针对所述患者影像数据中所包含的长度边上所包含的每个像素块行，提取每个像素块的灰度值，作为第一灰度值；

28、第一清晰度系数获取模块，用于利用所述第一灰度值获取长度边上所包含的像素块行对应的清晰度系数；其中，所述长度边上所包含的像素块行对应的清晰度系数通过如下公式获取：

29、

30、其中，s01表示长度边上所包含的像素块行对应的清晰度系数；n表示患第i行长度边上所包含的像素块行所包含的像素块个数；si表示第i个患者影像数据长度上的像素块对应的灰度值；si-1表示第i-1个患者影像数据长度上的像素块对应的灰度值；smini表示第i行长度边上所包含的像素块行对应的灰度最小值；smaxi表示第i行长度边上所包含的像素块行对应的灰度最大值；

31、像素块列数提取模块，用于提取所述患者影像数据中所包含的宽度边上所包含的像素块列数；

32、第二灰度值获取模块，用于针对所述患者影像数据中所包含的宽度边上所包含的每个像素块列数，提取每个像素块的灰度值，作为第二灰度值；

33、第二清晰度系数获取模块，用于利用所述第二灰度值获取宽度边上所包含的像素块列对应的清晰度系数，其中，所述宽度边上所包含的像素块列对应的清晰度系数通过如下公式获取：

34、

35、其中，m表示第i列宽度边上所包含的像素块列；sj表示第j个患者影像数据宽度上的像素块对应的灰度值；sj-1表示第j-1个患者影像数据宽度上的像素块对应的灰度值；sminj表示第j列宽度边上所包含的像素块行对应的灰度最小值；smaxj表示第j列宽度边上所包含的像素块行对应的灰度最大值。

36、优选的，所述数据处理模块包括：

37、数据检索单元，用于对基于智能芯片的患者监测实时数据进行检索；

38、获取基于智能芯片的患者监测实时数据；

39、基于顺序检索方法，对基于智能芯片的患者监测实时数据进行检索；

40、检查基于智能芯片的患者监测实时数据的一致性；

41、去除基于智能芯片的患者监测实时数据中含有的超出正常范围、逻辑上不合理或相互矛盾的数据；

42、对基于智能芯片的患者监测实时数据进行无效值及缺失值处理；

43、去除基于智能芯片的患者监测实时数据中含有的对虫媒性传染病预防控制无价值的无效数据及缺失数据；

44、确定出对虫媒性传染病预防控制有价值的患者监测实时数据；

45、数据排序单元，用于对检索后的患者监测实时数据进行排序；

46、获取检索后的对虫媒性传染病预防控制有价值的患者监测实时数据；

47、基于内部排序方法，对检索后的对虫媒性传染病预防控制有价值的患者监测实时数据进行排序；

48、确定出具有排列次序的患者监测实时数据；

49、特征提取单元，用于对排序后的患者监测实时数据进行特征提取；

50、获取排序后的具有排列次序的患者监测实时数据；

51、对排序后的具有排列次序的患者监测实时数据进行特征提取；

52、确定出基于智能芯片的患者监测特征数据。

53、优选的，所述模型训练模块包括：

54、数据存储单元，用于存储虫媒性传染病患者历史信息；

55、根据基于智能芯片的虫媒性传染病预防控制需求，预先采集虫媒性传染病患者历史信息，且对预先采集的虫媒性传染病患者历史信息进行存储；

56、数据划分单元，用于对虫媒性传染病患者历史信息进行划分；

57、获取存储的虫媒性传染病患者历史信息；

58、对虫媒性传染病患者历史信息进行划分；

59、确定出训练集及测试集；

60、模型选择单元，用于选择合适的模型架构；

61、根据基于智能芯片的虫媒性传染病预防控制需求；

62、基于训练集，选择合适的模型架构；

63、模型训练单元，用于对选择的模型架构进行训练；

64、获取选择的模型架构；

65、基于训练集，对模型架构进行训练；

66、确定出适用于虫媒性传染病预防控制的神经网络模型。

67、优选的，所述测试优化模块包括：

68、模型测试单元，用于测试适用于虫媒性传染病预防控制的神经网络模型；

69、获取适用于虫媒性传染病预防控制的神经网络模型；

70、基于测试集，对适用于虫媒性传染病预防控制的神经网络模型进行测试；

71、确定出基于虫媒性传染病预防控制的神经网络模型测试结果；

72、调整优化单元，用于对适用于虫媒性传染病预防控制的神经网络模型进行调整优化；

73、获取基于虫媒性传染病预防控制的神经网络模型测试结果；

74、对基于虫媒性传染病预防控制的神经网络模型测试结果进行挖掘分析；

75、确定出基于虫媒性传染病预防控制的模型调整优化方案；

76、基于模型调整优化方案对适用于虫媒性传染病预防控制的神经网络模型进行调整优化；

77、确定出调整优化后最佳的神经网络模型。

78、优选的，所述预测评估模块包括：

79、数据提取单元，用于对基于智能芯片的患者监测特征数据进行提取；

80、根据基于智能芯片的虫媒性传染病预防控制需求，提取出基于智能芯片的患者监测特征数据；

81、预测评估单元，用于对基于智能芯片的患者监测特征数据进行预测评估；

82、获取提取出来的基于智能芯片的患者监测特征数据；

83、获取调整优化后最佳的神经网络模型；

84、将患者监测特征数据输入到神经网络模型中，基于神经网络模型对患者监测特征数据进行预测评估；

85、确定出基于智能芯片的患者预测评估结果。

86、优选的，所述预防控制模块包括：

87、策略制定单元，用于制定传染病预防控制方案；

88、获取基于智能芯片的患者预测评估结果；

89、对基于智能芯片的患者预测评估结果进行挖掘及分析；

90、确定出基于智能芯片的传染病预防控制方案；

91、智能防控单元，用于对虫媒性传染病进行智能化预防控制；

92、获取基于智能芯片的传染病预防控制方案；

93、基于传染病预防控制方案对虫媒性传染病进行智能化预防控制。

94、优选的，基于传染病预防控制方案对虫媒性传染病进行智能化预防控制，执行以下操作：

95、当基于智能芯片的患者预测评估结果为患者具有虫媒性传染病，则基于智能芯片的传染病预防控制方案为：对患者进行及时地隔离及救治，重点排查患者接触地点及人物，对接触地点进行消杀，对接触人物进行逐个诊断，充分隔绝虫媒性传染病。

96、与现有技术相比，本发明的有益效果是：

97、本发明通过实时采集患者问诊数据、患者影像数据及患者检验数据，确定出基于智能芯片的患者监测实时数据，通过对基于智能芯片的患者监测实时数据进行检索、排序及特征提取，确定出基于智能芯片的患者监测特征数据，将患者监测特征数据输入到适用于虫媒性传染病预防控制的神经网络模型中，基于神经网络模型对患者监测特征数据进行预测评估，确定出基于智能芯片的患者预测评估结果，且制定传染病预防控制方案，基于传染病预防控制方案对虫媒性传染病进行智能化预防控制，可对虫媒性传染病情况进行及时地掌握，能对虫媒性传染病进行有效地预防控制，可提升虫媒性传染病预防控制效果。