CN107658012A - 一种智能化医院管理*** - Google Patents
一种智能化医院管理*** Download PDFInfo
- Publication number
- CN107658012A CN107658012A CN201711125894.7A CN201711125894A CN107658012A CN 107658012 A CN107658012 A CN 107658012A CN 201711125894 A CN201711125894 A CN 201711125894A CN 107658012 A CN107658012 A CN 107658012A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- keyword
- head portrait
- mfrac
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种智能化医院管理***,包括:用以输入及输出显示图像、病例和表格的输入显示模块,存储图像、表格、病例的数据库模块,还包括处理器,其通过输入显示模块的输入信息从所述数据库模块中获取相应的信息并回传至输入显示模块进行显示。本发明通过各个计算方法计算头像、关键字、表格的匹配情况,相较于一一匹配的方式节约程序资源,并且,在头像、关键字、表格各个属性分别匹配合格后,可以分别输出准确值;或综合后输出统一数据。
Description
技术领域
本发明涉及医院管理***技术领域,尤其涉及一种基于比较判定的智能化医院管理***。
背景技术
院管理******的实施将在整个医院建设企业级的计算机网络***,并在其基础上构建企业级的应用***,实现整个医院的人、财、物等各种信息的顺畅流通和高度共享,为全院的管理水平现代化和领导决策的准确化打下坚实的基础。该***具有成熟、稳定、可靠、适用期长、扩充性好等特点,可以根据各医院各自的特点度身制作。为各医院取得了良好的社会效益与经济效益,同时也受到客户的广泛好评。
然而,现有医院管理***基本上通过现成的软件***或者管理***,通过***自身的运算实现医院管理,但现有的管理***为固定模式的,其在数据处理过程中,数据繁琐,采用单一的选择模块,对数据进行处理,数据选择不够精准。
发明内容
本发明的目的在于提供一种智能化医院管理***,用以克服现有技术的技术缺陷。
为实现上述目的,本发明提供一种智能化医院管理***,包括:用以输入及输出显示图像、病例和表格的输入显示模块,存储图像、表格、病例的数据库模块,还包括处理器,其通过输入显示模块的输入信息从所述数据库模块中获取相应的信息并回传至输入显示模块进行显示;
所述输入显示模块包括头像输入模块、头像输出模块、关键字输入模块、病例输出模块、表格序号输入模块、表格输出模块;所述头像输入模块用以输入待查找人员的头像信息,经过所述处理器进行比较处理后,所述头像输出模块输出相应人员的头像信息;所述关键字输入模块,用以输入待查找人员的病例信息,并经过所述处理器进行比较处理后,所述病例输出模块将相关人员的病例信息输出;所述表格序号输入模块,用以输入人员的相关表格序号信息,并经过所述处理器进行比较处理后,所述表格输出模块输出相关人员的各种表格信息;
所述数据库模块包括图像存储模块、表格存储模块和病例存储模块,其中,所述图像存储模块内存储有所有人员的头像信息,所述表格存储模块内存储有各种表格的序列号及相应的表格信息,所述病例存储模块内存储有相应的各个人员序号及相应的病例信息;
所述处理器通过计算获取图像重合度概率p,在图像重合度概率p大于设置的图像重合度阈值p0时,则认为能够相互匹配;通过计算获取关键字重合度值q,在关键字重合度值q大于关键字重合度q0时,则认为选择匹配;通过计算获取表格重合度值f,在表格重合度值f大于表格重合度f0时,则认为选择匹配;
所述处理器获取每次检索的头像、关键字、表格矩阵(p,q,f),通过计算结果,所述处理器分别对比三组相似度值的差值,若超过额定相似度阈值X0,则确定该头像、关键字、表格相似度不能同时满足要求,不能同时输出头像、病例、表格数据信息,则选择输出各自相似度值最高的信息,如头像相似度p为0.99,关键字相似度为0.92,表格相似度为0.92,则仅输出头像信息;若均小于额定相似度阈值X0,则说明各指标均能满足相互匹配,同时输出头像、病例、表格数据信息;若不能同时小于或大于额定相似度阈值X0,则输出相似度相对较高的两组数据信息,如输出头像、病例两种信息。
进一步地,所述处理器获取输入的头像图谱信息,在对每个头像图谱的采样时间间隔内分别获取头像图谱信息,对头像图谱进行灰度线性拉伸,获得拉伸后的头像图谱;获取所述拉伸后的头像图谱的第一像素和第二像素,其中,第一像素A为目标像素,第一像素的灰度值大于或等于初始分割阈值T0,像素总数为N;第二像素B为背景像素,第二像素的灰度值小于初始分割阈值T0,像素总数为M;头像图谱f(i,j)的最大值为Vmax,最小值为Vmin;
其中,
计算第一像素和第二像素的灰度均值的全局阈值T;
计算第一像素和第二像素的方差σ2
σ2=(PA+PB)(T-T0)2 (3);
其中,第一像素的概率为:
第二像素的概率为:
若方差在预设范围内,则以T为全局阈值对所述头像图谱进行分割。
进一步地,所述处理器通过关键字进行选择匹配时,关键词的输入次数为N1,每次输入的关键词包含字节数目为M1次,在检索过程中取一字节的瞬时重合度i,按照下述公式进行计算得出整个过程的关键字重合度q,
式中,i表示检索过程中取一字节的瞬时值重合度,Im0k表示检索过程中,每次输入关键词的平均重合度值,q表示计算所得整个过程的关键字重合度,N1表示关键词的输入次数,M1关键词包含字节数目,wt表示信号传输角频率,为预先设定值。
进一步地,所述处理器,根据下述公式对综合相似度进行判定,
式中,X1表示第一组相似度值,p1,q1,f1分别表示第一次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算。上述公式采用均方差和积分运算统计每次的综合相似度;
式中,X2表示第二组相似度值,p2,q2,f2分别表示第二次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算;
式中,X3表示第三组相似度值,p3,q3,f3分别表示第三次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算。
与现有技术相比本发明的有益效果在于,本发明通过各个计算方法计算头像、关键字、表格的匹配情况,相较于一一匹配的方式节约程序资源,并且,在头像、关键字、表格各个属性分别匹配合格后,可以分别输出准确值;或综合后输出统一数据。所述处理器获取每次检索的头像、关键字、表格矩阵(p,q,f),并计算进行判定。通过上述计算结果,所述处理器分别对比三组相似度值的差值,若超过额定相似度阈值X0,则确定该头像、关键字、表格相似度不能同时满足要求,不能同时输出头像、病例、表格数据信息,则选择输出各自相似度值最高的信息;若均小于额定相似度阈值X0,则说明各指标均能满足相互匹配,同时输出头像、病例、表格数据信息;若不能同时小于或大于额定相似度阈值X0,则输出相似度相对较高的两组数据信息,如输出头像、病例两种信息。
附图说明
图1为本发明智能化医院管理***的功能框图。
具体实施方式
以下结合附图,对本发明上述的和另外的技术特征和优点作更详细的说明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
参阅图1所示,其分别为本发明智能化医院管理***的结构示意图,本***包括用以输入及输出显示图像、病例和表格的输入显示模块,存储图像、表格、病例的数据库模块,还包括处理器,其通过输入显示模块的输入信息从所述数据库模块中获取相应的信息并回传至输入显示模块进行显示。
具体而言,所述输入显示模块包括头像输入模块、头像输出模块、关键字输入模块、病例输出模块、表格序号输入模块、表格输出模块;所述头像输入模块用以输入待查找人员的头像信息,经过所述处理器进行比较处理后,所述头像输出模块输出相应人员的头像信息;所述关键字输入模块,用以输入待查找人员的病例信息,并经过所述处理器进行比较处理后,所述病例输出模块将相关人员的病例信息输出;所述表格序号输入模块,用以输入人员的相关表格序号信息,并经过所述处理器进行比较处理后,所述表格输出模块输出相关人员的各种表格信息。
本发明通过将人员信息分组为头像、病例和各种表格信息,分别通过各个模块从所述数据库模块中获取,既可以获取单一的信息,如头像、病例、表格信息的任一种,也可以获取多种信息,如上述几种信息的任几种的组合。本发明通过单一信息选择或多种信息选择,能够简化程序资源。
具体而言,所述数据库模块包括图像存储模块、表格存储模块和病例存储模块,其中,所述图像存储模块内存储有所有人员的头像信息,所述表格存储模块内存储有各种表格的序列号及相应的表格信息,所述病例存储模块内存储有相应的各个人员序号及相应的病例信息。
具体而言,本发明处理器在对头像信息进行处理时,为了尽可能的节约程序资源,采用图谱分割的方式进行,所述处理器获取输入的头像图谱信息,在对每个头像图谱的采样时间间隔内分别获取头像图谱信息,对头像图谱进行灰度线性拉伸,获得拉伸后的头像图谱;获取所述拉伸后的头像图谱的第一像素和第二像素,其中,第一像素A为目标像素,第一像素的灰度值大于或等于初始分割阈值T0,像素总数为N;第二像素B为背景像素,第二像素的灰度值小于初始分割阈值T0,像素总数为M;头像图谱f(i,j)的最大值为Vmax,最小值为Vmin;
其中,
计算第一像素和第二像素的灰度均值的全局阈值T;
计算第一像素和第二像素的方差σ2
σ2=(PA+PB)(T-T0)2 (3);
其中,第一像素的概率为:
第二像素的概率为:
若方差在预设范围内,则以T为全局阈值对所述头像图谱进行分割。
本发明通过方差运算,确定头像图谱分割的数目并将分割后的每个分割图像信息按序列排列,与所述数据模块内的图像存储模块内的相应头像图谱信息进行一一对比,获取分割后的图像重合度概率P,在图像重合度概率P大于设置的图像重合度阈值P0时,则认为能够相互匹配。
具体而言,所述处理器通过关键字进行选择匹配时,关键词的输入次数为N1,每次输入的关键词包含字节数目为M1次,在检索过程中取一字节的瞬时重合度i,按照下述公式进行计算得出整个过程的关键字重合度q,
式中,i表示检索过程中取一字节的瞬时值重合度,Im0k表示检索过程中,每次输入关键词的平均重合度值,q表示计算所得整个过程的关键字重合度,N1表示关键词的输入次数,M1关键词包含字节数目,wt表示信号传输角频率,为预先设定值。
在关键字重合度值q大于关键字重合度q0时,则认为选择匹配。
本发明通过将每次关键词检索过程拆分为每次的关键词重合度值,以及关键词包含字节数目,通过获知任一字节的信息,进而推算整个关键词检索的重合度,相较于通过每个字节的一一对比,节约程序资源。
具体而言,所述处理器通过表格序号进行选择匹配时,按照表格序号矩阵进行比对,在本实施例中,表格序号矩阵为(α,β,γ0),其中,α表示表格数目,β表示表格包含信息量化值,γ0表示表格基准比值,其值在0.01-0.05之间,其值根据表格数目线性确定,在表格数目为1时对应为0.01,在表格数目为2时,其值为0.011,依次顺次增加。
所述处理器根据下述公式分别确定表格数目重合度I1,表格信息量重合度I2,
式中,α表示表格数目,β表示表格包含信息量化值,I3表示基准表格重合度值,其预先设定;γ0表示表格基准比值,其值在0.01-0.05之间,其值根据表格数目线性确定,在表格数目为1时对应为0.01,在表格数目为2时,其值为0.011,依次顺次增加。
经过上述计算后确定表格重合度值
在表格重合度值f大于表格重合度f0时,则认为选择匹配。
通过上述各个计算方法计算得出匹配情况,相较于一一匹配的方式节约程序资源,并且,在头像、关键字、表格各个属性分别匹配合格后,可以分别输出准确值。作为更佳的实施方式,所述处理器通过比较判定输出情况。所述处理器获取每次检索的头像、关键字、表格矩阵(p,q,f),并根据下述公式进行判定。
所述的处理器,根据下述公式对综合相似度进行判定。
式中,X1表示第一组相似度值,p1,q1,f1分别表示第一次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算。上述公式采用均方差和积分运算统计每次的综合相似度。
其中I表示基于二次函数的任意积分运算,上述公式为获取积分的比值信息,下述两公式相同,如基于函数y=ax2,在x取值为(a,b)内,a<b为任意数值。
式中,X2表示第二组相似度值,p2,q2,f2分别表示第二次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算。
式中,X3表示第三组相似度值,p3,q3,f3分别表示第三次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算。上
通过上述计算结果,所述处理器分别对比三组相似度值的差值,若超过额定相似度阈值X0,则确定该头像、关键字、表格相似度不能同时满足要求,不能同时输出头像、病例、表格数据信息,则选择输出各自相似度值最高的信息,如头像相似度p为0.99,关键字相似度为0.92,表格相似度为0.92,则仅输出头像信息;
若均小于额定相似度阈值X0,则说明各指标均能满足相互匹配,同时输出头像、病例、表格数据信息;
若不能同时小于或大于额定相似度阈值X0,则输出相似度相对较高的两组数据信息,如输出头像、病例两种信息。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (4)
1.一种智能化医院管理***,其特征在于,包括:用以输入及输出显示图像、病例和表格的输入显示模块,存储图像、病例、表格的数据库模块,还包括处理器,其通过输入显示模块的输入信息从所述数据库模块中获取相应的信息并回传至输入显示模块进行显示;
所述输入显示模块包括头像输入模块、头像输出模块、关键字输入模块、病例输出模块、表格序号输入模块、表格输出模块;所述头像输入模块用以输入待查找人员的头像信息,经过所述处理器进行比较处理后,所述头像输出模块输出相应人员的头像信息;所述关键字输入模块,用以输入待查找人员的病例信息,并经过所述处理器进行比较处理后,所述病例输出模块将相关人员的病例信息输出;所述表格序号输入模块,用以输入人员的相关表格序号信息,并经过所述处理器进行比较处理后,所述表格输出模块输出相关人员的各种表格信息;
所述数据库模块包括图像存储模块、表格存储模块和病例存储模块,其中,所述图像存储模块内存储有所有人员的头像信息,所述表格存储模块内存储有各种表格的序列号及相应的表格信息,所述病例存储模块内存储有相应的各个人员序号及相应的病例信息;
所述处理器通过计算获取图像重合度概率p,在图像重合度概率p大于设置的图像重合度阈值p0时,则认为能够相互匹配;通过计算获取关键字重合度值q,在关键字重合度值q大于关键字重合度q0时,则认为选择匹配;通过计算获取表格重合度值f,在表格重合度值f大于表格重合度f0时,则认为选择匹配;
所述处理器获取每次检索的头像、关键字、表格矩阵(p,q,f),通过计算结果,所述处理器分别对比三组相似度值的差值,若超过额定相似度阈值X0,则确定该头像、关键字、表格相似度不能同时满足要求,不能同时输出头像、病例、表格数据信息,则选择输出各自相似度值最高的信息;若均小于额定相似度阈值X0,则说明各指标均能满足相互匹配,同时输出头像、病例、表格数据信息;若不能同时小于或大于额定相似度阈值X0,则输出相似度相对较高的两组数据信息,如输出头像、病例两种信息。
2.根据权利要求1所述的智能化医院管理***,其特征在于,所述处理器获取输入的头像图谱信息,在对每个头像图谱的采样时间间隔内分别获取头像图谱信息,对头像图谱进行灰度线性拉伸,获得拉伸后的头像图谱;获取所述拉伸后的头像图谱的第一像素和第二像素,其中,第一像素A为目标像素,第一像素的灰度值大于或等于初始分割阈值T0,像素总数为N;第二像素B为背景像素,第二像素的灰度值小于初始分割阈值T0,像素总数为M;头像图谱f(i,j)的最大值为Vmax,最小值为Vmin;
其中,
计算第一像素和第二像素的灰度均值的全局阈值T;
<mrow>
<mi>T</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>N</mi>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</mrow>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<mi>M</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
计算第一像素和第二像素的方差σ2
σ2=(PA+PB)(T-T0)2 (3);
其中,第一像素的概率为:
<mrow>
<msub>
<mi>P</mi>
<mi>A</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>+</mo>
<mi>N</mi>
</mrow>
</munderover>
<mfrac>
<mi>N</mi>
<mrow>
<mi>M</mi>
<mo>+</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
第二像素的概率为:
<mrow>
<msub>
<mi>P</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>M</mi>
<mo>+</mo>
<mi>N</mi>
</mrow>
</munderover>
<mfrac>
<mi>M</mi>
<mrow>
<mi>M</mi>
<mo>+</mo>
<mi>N</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
若方差在预设范围内,则以T为全局阈值对所述头像图谱进行分割。
3.根据权利要求2所述的智能化医院管理***,其特征在于,所述处理器通过关键字进行选择匹配时,关键词的输入次数为N1,每次输入的关键词包含字节数目为M1次,在检索过程中取一字节的瞬时重合度i,按照下述公式进行计算得出整个过程的关键字重合度q,
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mn>0</mn>
<mi>k</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
</munderover>
<msqrt>
<mn>2</mn>
</msqrt>
<mo>&times;</mo>
<mi>i</mi>
<mo>&times;</mo>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mi>w</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
</munderover>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mn>0</mn>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>M</mi>
<mn>1</mn>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,i表示检索过程中取一字节的瞬时值重合度,Im0k表示检索过程中,每次输入关键词的平均重合度值,q表示计算所得整个过程的关键字重合度,N1表示关键词的输入次数,M1关键词包含字节数目,wt表示信号传输角频率,为预先设定值。
4.根据权利要求3所述的智能化医院管理***,其特征在于,所述处理器,根据下述公式对综合相似度进行判定,
<mrow>
<msub>
<mi>X</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>&times;</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mi>T</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&times;</mo>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mrow>
</msub>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,X1表示第一组相似度值,p1,q1,f1分别表示第一次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算。上述公式采用均方差和积分运算统计每次的综合相似度;
<mrow>
<msub>
<mi>X</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>*</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<mi>T</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>*</mo>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
</msub>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>2</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,X2表示第二组相似度值,p2,q2,f2分别表示第二次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算;
<mrow>
<msub>
<mi>X</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>*</mo>
<mi>I</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
</mrow>
</msub>
<mi>T</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>*</mo>
<msub>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
</mrow>
</msub>
<mi>I</mi>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mo>,</mo>
<msub>
<mi>q</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,X3表示第三组相似度值,p3,q3,f3分别表示第三次检索的头像、关键字、表格矩阵;∑表示求和运算,T表示均方差运算,I表示积分运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711125894.7A CN107658012A (zh) | 2017-11-15 | 2017-11-15 | 一种智能化医院管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711125894.7A CN107658012A (zh) | 2017-11-15 | 2017-11-15 | 一种智能化医院管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107658012A true CN107658012A (zh) | 2018-02-02 |
Family
ID=61121603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711125894.7A Pending CN107658012A (zh) | 2017-11-15 | 2017-11-15 | 一种智能化医院管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107658012A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045162A (zh) * | 2009-10-16 | 2011-05-04 | 电子科技大学 | 一种三模态生物特征持证人身份鉴别***及其控制方法 |
CN103339626A (zh) * | 2011-01-31 | 2013-10-02 | 松下电器产业株式会社 | 病例检索装置及病例检索方法 |
CN107103048A (zh) * | 2017-03-31 | 2017-08-29 | 苏州艾隆信息技术有限公司 | 药品信息匹配方法及*** |
-
2017
- 2017-11-15 CN CN201711125894.7A patent/CN107658012A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102045162A (zh) * | 2009-10-16 | 2011-05-04 | 电子科技大学 | 一种三模态生物特征持证人身份鉴别***及其控制方法 |
CN103339626A (zh) * | 2011-01-31 | 2013-10-02 | 松下电器产业株式会社 | 病例检索装置及病例检索方法 |
CN107103048A (zh) * | 2017-03-31 | 2017-08-29 | 苏州艾隆信息技术有限公司 | 药品信息匹配方法及*** |
Non-Patent Citations (1)
Title |
---|
付云凤: ""基于阈值的图像分割研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sledge et al. | Relational generalizations of cluster validity indices | |
CN111339818B (zh) | 一种人脸多属性识别*** | |
CN113191390B (zh) | 一种图像分类模型的构建方法、图像分类方法及存储介质 | |
Ji et al. | Using trajectory clusters to define the most relevant features for transient stability prediction based on machine learning method | |
CN109935337A (zh) | 一种基于相似性度量的病案查找方法及*** | |
CN104217013B (zh) | 基于项加权和项集关联度的课程正负模式挖掘方法及*** | |
CN107871103A (zh) | 一种人脸认证方法和装置 | |
Shoaib et al. | Hybrid classification structures for automatic COVID-19 detection | |
Sahu et al. | Fuzziness: a mathematical tool | |
CN107844957A (zh) | 一种基于界面的人事管理*** | |
Hasan et al. | Prediction of length-of-stay at intensive care unit (icu) using machine learning based on mimic-iii database | |
Techa et al. | Alzheimer’s disease multi-class classification model based on CNN and StackNet using brain MRI data | |
Niazi et al. | An application of transfer learning to neutrophil cluster detection for tuberculosis: efficient implementation with nonmetric multidimensional scaling and sampling | |
Xu et al. | Lattice-valued information systems based on dominance relation | |
Zheng et al. | A case retrieval method combined with similarity measurement and DEA model for alternative generation | |
CN107658012A (zh) | 一种智能化医院管理*** | |
CN109657907B (zh) | 地理国情监测数据的质量控制方法、装置和终端设备 | |
Bacák | Computing medians and means in Hadamard spaces | |
Garcia-Lapresta et al. | Consensus-based hierarchical agglomerative clustering in the context of weak orders | |
Hajargasht et al. | Accurate computation of marginal data densities using variational Bayes | |
Felkin | Comparing classification results between n-ary and binary problems | |
Payan et al. | A modified common set of weights method to complete ranking DMUs | |
Perner | Concepts for novelty detection and handling based on a case-based reasoning process scheme | |
Radwan et al. | Thyroid diagnosis based technique on rough sets with modified similarity relation | |
Buono et al. | The unified extropy and its versions in classical and Dempster–Shafer theories |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |