CN108831548B - 远程智能医疗的优化方法、装置及*** - Google Patents

远程智能医疗的优化方法、装置及*** Download PDF

Info

Publication number
CN108831548B
CN108831548B CN201810645413.3A CN201810645413A CN108831548B CN 108831548 B CN108831548 B CN 108831548B CN 201810645413 A CN201810645413 A CN 201810645413A CN 108831548 B CN108831548 B CN 108831548B
Authority
CN
China
Prior art keywords
medical
information data
optimization
remote intelligent
scheme
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.)
Active
Application number
CN201810645413.3A
Other languages
English (en)
Other versions
CN108831548A (zh
Inventor
王智明
徐雷
毋涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN201810645413.3A priority Critical patent/CN108831548B/zh
Publication of CN108831548A publication Critical patent/CN108831548A/zh
Application granted granted Critical
Publication of CN108831548B publication Critical patent/CN108831548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种远程智能医疗的优化方法、装置及***，属于智能医疗技术领域。该优化方法包括：S1、接收远程智能医疗优化请求，并确定多个综合医疗方案，各综合医疗方案包括对应各远程智能医疗优化请求的信息数据；S2、获取历史综合医疗方案；S3、根据当前的各综合医疗方案和历史综合医疗方案，依照正则神经网络优化分析策略进行优化分析，选择出最优的综合医疗方案作为当前的推荐方案；S4、判断第一评价条件是否满足，若是，则输出当前的推荐方案；否则执行S5；S5、依照正向奖励负向惩罚激励优化策略得出优化后的各综合医疗方案，之后重复S3和S4进行迭代，直至第一评价条件满足，或迭代次数满足预设阈值时，输出当前的推荐方案。

Description

远程智能医疗的优化方法、装置及***
技术领域
本发明属于智能医疗技术领域，具体涉及一种远程智能医疗的优化方法、装置及***。
背景技术
随着物联网迅猛发展，远程智能医疗终端设备的数量迅速增加，同时远程智能医疗终端设备所产生数据量已达到泽字节(ZB)
级别。利用现有的云计算***进行集中式数据处理过程中，高延迟、高流量成本、识别准确度低等问题日益突出。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一，提供一种能够降低时延和流量成本，提高精确度的远程智能医疗的优化方法。
解决本发明技术问题所采用的技术方案是一种远程智能医疗的优化方法，包括：
S1、接收各远程智能医疗终端发送的远程智能医疗优化请求，并根据所述远程智能医疗优化请求确定多个综合医疗方案，每个所述综合医疗方案中都包括对应各所述远程智能医疗优化请求的信息数据；其中，所述信息数据包括：时延、流量成本、精确度中的至少一者；不同综合医疗方案中至少一个同一远程智能医疗优化请求的信息数据不同；
S2、获取历史综合医疗方案，所述历史综合医疗方案包括历史信息数据；
S3、根据当前的各综合医疗方案中的信息数据和历史信息数据，依照预设的正则神经网络优化分析策略进行优化分析，从所述各综合医疗方案中选择出最优的综合医疗方案作为当前的推荐方案；
S4、根据历史综合医疗方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；当判断出预设的第一评价条件不满足时，则执行步骤S5；
S5、根据当前的各综合医疗方案和历史优化方案，依照预设的正向奖励负向惩罚激励优化策略对当前的各综合医疗方案进行优化，得出优化后的各综合医疗方案，之后重复步骤S3和S4进行迭代，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。
优选的，所述信息数据包括：时延、流量成本、精确度；
每个综合医疗方案中的各信息数据以三维信息向量的形式存储为：
Figure BDA0001703399130000021
其中，k为迭代次数，
Figure BDA0001703399130000022
为第k次迭代的综合医疗方案M中坐标为(i,j,t)的信息数据，且i＝1,2,…m，j＝1,2,…n，t＝1,2,…p，
Figure BDA0001703399130000023
分别为信息数据
Figure BDA0001703399130000024
的第k次迭代的时延、流量成本和精确度。
进一步优选的，所述步骤S3具体包括：
根据当前的各综合医疗方案的信息数据确定所有综合医疗方案中的当前最小信息数据；
根据历史信息数据确定最大历史信息数据；
根据当前的各综合医疗方案中的信息数据、当前最小信息数据、最大历史信息数据，依照正则神经网络优化分析策略进行优化分析，从所述当前的各综合医疗方案中选择出最优的综合医疗方案作为推荐方案。
进一步优选的，所述正则神经网络优化分析策略具体为：
Figure BDA0001703399130000025
其中，MminK为最小信息数据，MmaxG为最大历史信息数据。
进一步优选的，所述第一评价条件具体为：
Figure BDA0001703399130000031
其中，LminK为当前的各信息数据中的最小时延、CminK为当前的各信息数据中的最小流量成本、AmaxK为当前的各信息数据中的最大精确度。
进一步优选的，所述正向奖励负向惩罚激励优化策略具体为：
Figure BDA0001703399130000032
Figure BDA0001703399130000033
Figure BDA0001703399130000034
其中，LminG为历史最小时延、CminG为历史最小流量成本、AmaxG为历史最大精确度、MminG为历史最小信息数据、MmaxK为第k次迭代的最大信息数据、
Figure BDA0001703399130000035
为第k+1次迭代的综合医疗方案M中坐标为(i,j,t)的信息数据，且i＝1,2,…m，j＝1,2,…n，t＝1,2,…p，
Figure BDA0001703399130000036
为第k次迭代的平均信息数据、
Figure BDA0001703399130000037
为第k次迭代的平均时延、
Figure BDA0001703399130000038
为第k次迭代的平均流量成本、
Figure BDA0001703399130000039
为第k次迭代的平均精确度。
解决本发明技术问题所采用的技术方案是一种远程智能医疗的优化装置，包括：
接收单元，用于接收各远程智能医疗终端发送的远程智能医疗优化请求，并更根据所述远程智能医疗优化请求确定多个当前的综合医疗方案，每个所述综合医疗方案中都包括对应所述远程智能医疗优化请求的信息数据，其中，不同综合医疗方案中至少一个同一远程智能医疗优化请求的信息数据不同；所述信息数据包括：时延、流量成本、精确度中的至少一者；
历史获取单元，用于获取历史综合医疗方案，所述历史综合医疗方案包括历史信息数据；
分析单元，用于根据当前的各综合医疗方案中的信息数据和历史信息数据，依照预设的正则神经网络优化分析策略进行优化分析，从所述各综合医疗方案中选择出最优的综合医疗方案作为当前的推荐方案；
评价单元，用于根据历史综合医疗方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；
优化单元，当判断出预设的第一评价条件不满足时，根据当前的各综合医疗方案和历史优化方案，依照预设的正向奖励负向惩罚激励优化策略对当前的各综合医疗方案进行优化，得出优化后的各综合医疗方案，发送给分析单元，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。
解决本发明技术问题所采用的技术方案是一种远程智能医疗的优化***，包括：
上述远程智能医疗的优化装置；
多个远程智能医疗终端，用于向所述接收单元发送远程智能医疗优化请求。
优选的，所述远程智能医疗的优化***还包括：
边缘处理单元，用于接收并处理远程智能医疗终端发出的部分远程智能医疗优化请求；
所述边缘处理单元设于所述远程智能医疗终端本地，且所述边缘处理单元与远程智能医疗的优化装置接收的远程智能医疗优化请求不同。
优选的，所述远程智能医疗的优化***还包括：
网络传输单元，用于传输所述远程智能医疗终端发出的远程智能医疗优化请求。
本发明的远程智能医疗的优化方法中，基于各远程智能医疗终端发送的远程智能医疗优化请求确定多个综合医疗方案，根据各综合医疗方案中的各信息数据、以及历史综合医疗方案中的历史信息数据等，多个综合医疗方案选择一个最优的综合医疗方案最为推荐方案输出，当不满足输出条件时，通过对各综合医疗方案进行一次或者多次迭代优化分析，确定出其中最优的综合医疗方案(推荐方案)，从而使最终得出的综合医疗方案具有低时延、低流量成本、高精确度等效果。
附图说明
图1为本发明的实施例1的远程智能医疗的优化方法的流程图；
图2为本发明的实施例2的远程智能医疗的优化装置的框图；
图3为本发明的实施例3的远程智能医疗的优化***的框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。
实施例1：
如图1所示，本实施例提供一种远程智能医疗的优化方法。
具体以请求为远程智能医疗终端发出的远程智能医疗优化请求为例进行说明。
该远程智能医疗的优化方法包括如下步骤：
S1、接收各远程智能医疗终端发送的远程智能医疗优化请求，并根据远程智能医疗优化请求确定多个当前的综合医疗方案，每个综合医疗方案中都包括对应远程智能医疗优化请求的信息数据，其中，不同综合医疗方案中至少一个同一远程智能医疗优化请求的信息数据不同。
远程智能医疗优化请求的内容具体包括医疗通信、体征指标、病情诊断等。本步骤中，具体可以是通过远程智能医疗终端主动上报远程智能医疗优化请求，也可以是根据定期被询问机制获取远程智能医疗优化请求。
步骤S1中，根据各远程智能医疗终端发出的远程智能医疗优化请求综合处理确定出多种可实现方案(综合医疗方案)，综合医疗方案中都有应对各远程智能医疗终端的远程智能医疗优化请求的请求结果，以满足各远程智能医疗终端的远程智能医疗优化请求。但是由于不同综合医疗方案中对应同一远程智能医疗优化请求的信息数据(例如时延、流量成本、精确度等)不同，即每个综合医疗方案整体的时延、流量成本、精确度等都不同，导致各综合医疗方案整体各自有各自的优缺点，例如某一综合医疗方案时延高、精确度高，另一综合医疗方案时延低，流量成本低，精确度也低。本实施例中，通过对各综合医疗方案进行一次或者多次迭代优化分析，找出其中整体最优的综合医疗方案，从而使最终输出的综合医疗方案具有低时延、低流量成本、高精确度等效果。
本实施例中，信息数据包括时延、流量成本、精确度中的至少一者。下面以信息数据包括时延、流量成本、精确度三者为例对该远程智能医疗的优化方法进行具体说明。
其中，每个综合医疗方案中的各信息数据以三维信息向量的形式存储为：
Figure BDA0001703399130000061
k为迭代次数，
Figure BDA0001703399130000062
为第k次迭代的综合医疗方案M中坐标为(i,j,t)的信息数据，且i＝1,2,…m，j＝1,2,…n，t＝1,2,…p，
Figure BDA0001703399130000063
分别为信息数据
Figure BDA0001703399130000064
的第k次迭代的时延、流量成本和精确度。
S2、获取历史综合医疗方案，历史综合医疗方案包括历史信息数据。
对应的，历史综合医疗方案中的历史信息数据也以三维信息向量的形式存储。
S3、根据当前的各综合医疗方案中的信息数据和历史信息数据，依照预设的正则神经网络优化分析策略进行优化分析，从各综合医疗方案中选择出最优的综合医疗方案作为当前的推荐方案。
优选的，本步骤具体包括：
S31、根据当前的各综合医疗方案的信息数据确定所有综合医疗方案中的当前最小信息数据。
S32、根据历史信息数据确定最大历史信息数据。
S33、根据当前的各综合医疗方案中的信息数据、当前最小信息数据、最大历史信息数据，依照正则神经网络优化分析策略进行优化分析，从当前的各综合医疗方案中选择出最优的综合医疗方案作为推荐方案。
进一步优选，正则神经网络优化分析策略具体为：
Figure BDA0001703399130000071
其中，MminK为第k次迭代的最小信息数据，MmaxG为最大历史信息数据。即本步骤中，优选根据各综合医疗方案中所有信息数据以及最小信息数据和最大历史信息数据，计算出在第k次迭代中各综合医疗方案对应的Z值，其中对应Z值最小的综合医疗方案为最优的综合医疗方案(即推荐方案)。
S4、根据历史综合医疗方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；当判断出预设的第一评价条件不满足时，则执行步骤S5。
本步骤中，依照第一评价条件对步骤S4中选出的最优的综合医疗方案(即当前的推荐方案)进行评价，以确定该推荐方案是否能够输出作为最终结果。
具体的，本步骤中根据当前的综合医疗方案中的所有信息数据中的最小时延、最小流量成本、最大精确度，以及当前的推荐方案中的各个信息数据中的时延、流量成本和精确度判断第一评价条件是否满足，若满足，则输出当前的推荐方案；若不满足，则执行步骤S5，重新选择新的推荐方案。
优选的，第一评价条件具体为：
Figure BDA0001703399130000081
其中，LminK为第k次迭代中(即当前的)各信息数据中的最小时延各信息数据中的最小时延、CminK为第k次迭代中(即当前的)各信息数据中的最小流量成本、AmaxK为第k次迭代中(即当前的)各信息数据中的最大精确度。
S5、根据当前的各综合医疗方案和历史优化方案，依照预设的正向奖励负向惩罚激励优化策略对当前的各综合医疗方案进行优化，得出优化后的各综合医疗方案，之后重复步骤S3和S4进行迭代，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。
步骤S4中的第一评价条件不满足，说明步骤S3中选出的推荐方案没有达到输出要求，需要重新选择新的综合医疗方案最为推荐方案。而由于步骤S4中的推荐方案已经是步骤S3中从所有的综合医疗方案中选出的最优方案，那么既然步骤S4中的推荐方案不能满足输出，则其它综合医疗方案也不能满足输出。因此，本步骤中，依照预设的正向奖励负向惩罚激励优化策略对当前的各综合医疗方案进行优化，得出优化更新后的各综合医疗方案，之后返回步骤S3，重新从优化更新后的各综合医疗方案中选择推荐方案，并通过步骤S4再次判断重新选出的推荐方案是否满足第一评价条件，即判断是否满足
Figure BDA0001703399130000082
以进行输出或是再次进行优化。通过如此一次次地迭代，将各综合医疗方案不断地进行优化，从而最终输出一个最优的综合医疗方案(即推荐方案)。在此需要说明的是，当迭代次数达到一定阈值d时，可认为此时选出的推荐方案已无限接近于满足第一评价条件，故即使该推荐方案仍不能满足第一评价条件，也可输出该推荐方案，以避免无限次数地进行迭代优化，造成计算资源的浪费。其中，迭代次数k需满足k＝1,2,…,d的条件，其中，d优选为50。
具体的，本步骤中，可依照正向奖励负向惩罚激励优化策略，结合历史综合医疗方案中的各信息数据对各综合医疗方案中的各信息数据进行优化更新，从而实现对各综合医疗方案的优化更新。优选的，对任意一个综合医疗方案中的信息数据，都可通过正向奖励负向惩罚激励优化策略进行优化更新，通过当前的各信息数据的时延、流量成本、精确度，以及第k次迭代的平均时延、平均流量成本、平均精确度确定第k次迭代的正则无监督学***均信息数据、第k次迭代的最大信息数据、历史最小信息数据和各信息数据确定各信息数据自身的奖励兼惩罚因子，从而通过正则无监督学习因子和奖励兼惩罚因子对各信息数据进行优化更新。该正向奖励负向惩罚激励优化策略具体可为：
Figure BDA0001703399130000091
Figure BDA0001703399130000092
其中，
Figure BDA0001703399130000093
为第k+1次迭代的综合医疗方案M中坐标为(i,j,t)的信息数据，即优化更新后的综合医疗方案M中坐标为(i,j,t)的信息数据、
Figure BDA0001703399130000094
为第k次迭代的综合医疗方案M中坐标为(i,j,t)的信息数据，即优化更新前的综合医疗方案M中坐标为(i,j,t)的信息数据、
Figure BDA0001703399130000095
为正则无监督学***均信息数据，即优化更新前的所有综合医疗方案中的所有信息数据的平均值、
Figure BDA0001703399130000101
为第k次迭代的平均时延，即优化更新前的所有综合医疗方案中的所有信息数据的平均时延、
Figure BDA0001703399130000102
为第k次迭代的平均流量成本，即优化更新前的所有综合医疗方案中的所有信息数据的平均流量成本、
Figure BDA0001703399130000103
为第k次迭代的平均精确度，即优化更新前的所有综合医疗方案中的所有信息数据的平均精确度。
综上，本实施例提供的远程智能医疗的优化方法中，基于各远程智能医疗终端发送的远程智能医疗优化请求确定多个综合医疗方案，根据各综合医疗方案中的各信息数据、以及历史综合医疗方案中的历史信息数据等，多个综合医疗方案选择一个最优的综合医疗方案最为推荐方案输出，当不满足输出条件时，通过对各综合医疗方案进行一次或者多次迭代优化分析，确定出其中最优的综合医疗方案(推荐方案)，从而使最终得出的综合医疗方案具有低时延、低流量成本、高精确度等效果。
实施例2：
如图2所示，本实施例提供一种远程智能医疗的优化装置，其可根据实施例1提供的远程智能医疗的优化方法对远程智能医疗终端发出的请求进行处理。该远程智能医疗的优化装置包括：接收单元、历史获取单元、分析单元、评价单元和优化单元。
其中，接收单元用于接收各远程智能医疗终端发送的远程智能医疗优化请求，并更根据远程智能医疗优化请求确定多个当前的综合医疗方案，每个综合医疗方案中都包括对应远程智能医疗优化请求的信息数据，其中，不同综合医疗方案中至少一个同一远程智能医疗优化请求的信息数据不同；信息数据包括：时延、流量成本、精确度中的至少一者。
优选的，信息数据包括：时延、流量成本、精确度三者。历史获取单元用于获取历史综合医疗方案，历史综合医疗方案包括历史信息数据。
分析单元用于根据当前的各综合医疗方案中的信息数据和历史信息数据，依照预设的正则神经网络优化分析策略进行优化分析，从各综合医疗方案中选择出最优的综合医疗方案作为当前的推荐方案。
评价单元用于根据历史综合医疗方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案。
优化单元当判断出预设的第一评价条件不满足时，根据当前的各综合医疗方案和历史优化方案，依照预设的正向奖励负向惩罚激励优化策略对当前的各综合医疗方案进行优化，得出优化后的各综合医疗方案，发送给分析单元，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。
优选的，本实施例中还包括基础设施单元，用于向上述的接收单元、历史获取单元、分析单元、评价单元和优化单元提供计算资源、IT虚拟资源、IT物理资源等的支持，保证远程智能医疗的优化装置的工作运行。
本实施例提供的远程智能医疗的优化装置，基于各远程智能医疗终端发送的远程智能医疗优化请求确定多个综合医疗方案，根据各综合医疗方案中的各信息数据、以及历史综合医疗方案中的历史信息数据等，多个综合医疗方案选择一个最优的综合医疗方案最为推荐方案输出，当不满足输出条件时，通过对各综合医疗方案进行一次或者多次迭代优化分析，确定出其中最优的综合医疗方案(推荐方案)，从而使最终得出的综合医疗方案具有低时延、低流量成本、高精确度等效果。
实施例3：
如图3所示，本实施例提供一种远程智能医疗的优化***，包括：实施例2中提供的任意一种远程智能医疗的优化装置、多个远程智能医疗终端。其中，远程智能医疗终端可向远程智能医疗的优化装置发送远程智能医疗优化请求。
优选的，远程智能医疗的优化***还包括：网络传输单元，用于将远程智能医疗终端发出的远程智能医疗优化请求通过网络传输至远程智能医疗的优化装置。网络传输单元具体可包括：运营商基站、卫星等设备。
进一步的，远程智能医疗的优化***还包括：网关单元，其可包括多个医疗网关，用于保证远程智能医疗的优化***中网络传输的安全性。
优选的，远程智能医疗的优化***还包括边缘处理单元，用于接收并处理远程智能医疗终端发出的部分远程智能医疗优化请求。该边缘处理单元可设置于远程智能医疗终端本地，其具有一定的远程智能医疗优化请求处理能力，能够直接处理远程智能医疗终端发出的部分远程智能医疗优化请求。且边缘处理单元与远程智能医疗的优化装置接收的远程智能医疗优化请求不同，也即，远程智能医疗终端本地可处理部分远程智能医疗优化请求，其只需要将边缘处理单元无法处理的剩余远程智能医疗优化请求发送至远程智能医疗的优化装置进行处理即可，从而至少部分解决远程智能医疗优化请求在传输过程中造成的高时延、高流量成本的问题。
本实施例提供的远程智能医疗的优化***中，远程智能医疗终端发送远程智能医疗优化请求后，通过网络传输单元发送至远程智能医疗的优化装置，远程智能医疗的优化装置基于各远程智能医疗终端发送的远程智能医疗优化请求最终确定出一个最优的综合医疗方案，并通过网络传输单元返回至各远程智能医疗终端。其中，远程智能医疗的优化装置在确定最优的综合医疗方案的过程中，基于各远程智能医疗终端发送的远程智能医疗优化请求确定多个综合医疗方案，根据各综合医疗方案中的各信息数据、以及历史综合医疗方案中的历史信息数据等，多个综合医疗方案选择一个最优的综合医疗方案作为推荐方案输出，当不满足输出条件时，通过对各综合医疗方案进行一次或者多次迭代优化分析，确定出其中最优的综合医疗方案(推荐方案)，从而使最终得出的综合医疗方案具有低时延、低流量成本、高精确度等效果，进而使得远程智能医疗的优化***能够实现低时延、低流量成本、高精确度。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (8)

1.一种远程智能医疗的优化方法，其特征在于，包括：
S1、接收各远程智能医疗终端发送的远程智能医疗优化请求，并根据所述远程智能医疗优化请求确定多个综合医疗方案，每个所述综合医疗方案中都包括对应各所述远程智能医疗优化请求的信息数据；其中，所述信息数据包括：时延、流量成本、精确度中，每个综合医疗方案中的各信息数据以三维信息向量的形式存储为：
Figure FDA0003074326390000011
其中，k为迭代次数，
Figure FDA0003074326390000012
为第k次迭代的综合医疗方案M中坐标为(i,j,t)的信息数据，且i＝1,2,…m，j＝1,2,…n，t＝1,2,…p，
Figure FDA0003074326390000013
分别为信息数据
Figure FDA0003074326390000014
的第k次迭代的时延、流量成本和精确度；不同综合医疗方案中至少一个同一远程智能医疗优化请求的信息数据不同；
S2、获取历史综合医疗方案，所述历史综合医疗方案包括历史信息数据；
S3、根据当前的各综合医疗方案中的信息数据和历史信息数据，依照预设的正则神经网络优化分析策略进行优化分析，从所述各综合医疗方案中选择出最优的综合医疗方案作为当前的推荐方案；
S4、根据历史综合医疗方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；当判断出预设的第一评价条件不满足时，则执行步骤S5；其中，所述第一评价条件具体为：
Figure FDA0003074326390000015
其中，LminK为当前的各信息数据中的最小时延、CminK为当前的各信息数据中的最小流量成本、AmaxK为当前的各信息数据中的最大精确度；
S5、根据当前的各综合医疗方案和历史优化方案，依照预设的正向奖励负向惩罚激励优化策略对当前的各综合医疗方案进行优化，得出优化后的各综合医疗方案，之后重复步骤S3和S4进行迭代，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。
2.根据权利要求1所述的远程智能医疗的优化方法，其特征在于，所述步骤S3具体包括：
根据当前的各综合医疗方案的信息数据确定所有综合医疗方案中的当前最小信息数据；
根据历史信息数据确定最大历史信息数据；
根据当前的各综合医疗方案中的信息数据、当前最小信息数据、最大历史信息数据，依照正则神经网络优化分析策略进行优化分析，从所述当前的各综合医疗方案中选择出最优的综合医疗方案作为推荐方案。
3.根据权利要求2所述的远程智能医疗的优化方法，其特征在于，所述正则神经网络优化分析策略具体为：
Figure FDA0003074326390000021
其中，MminK为最小信息数据，MmaxG为最大历史信息数据。
4.根据权利要求1所述的远程智能医疗的优化方法，其特征在于，
所述正向奖励负向惩罚激励优化策略具体为：
Figure FDA0003074326390000022
Figure FDA0003074326390000023
Figure FDA0003074326390000024
其中，LminG为历史最小时延、CminG为历史最小流量成本、AmaxG为历史最大精确度、MminG为历史最小信息数据、MmaxK为第k次迭代的最大信息数据、
Figure FDA0003074326390000031
为第k+1次迭代的综合医疗方案M中坐标为(i,j,t)的信息数据，且i＝1,2,L m，j＝1,2,L n，t＝1,2,L p，
Figure FDA0003074326390000032
为第k次迭代的平均信息数据、
Figure FDA0003074326390000033
为第k次迭代的平均时延、
Figure FDA0003074326390000034
为第k次迭代的平均流量成本、
Figure FDA0003074326390000035
为第k次迭代的平均精确度。
5.一种远程智能医疗的优化装置，其特征在于，包括：
接收单元，用于接收各远程智能医疗终端发送的远程智能医疗优化请求，并更根据所述远程智能医疗优化请求确定多个当前的综合医疗方案，每个所述综合医疗方案中都包括对应所述远程智能医疗优化请求的信息数据，其中，不同综合医疗方案中至少一个同一远程智能医疗优化请求的信息数据不同；所述信息数据包括：时延、流量成本、精确度，每个综合医疗方案中的各信息数据以三维信息向量的形式存储为：
Figure FDA0003074326390000036
其中，k为迭代次数，
Figure FDA0003074326390000037
为第k次迭代的综合医疗方案M中坐标为(i,j,t)的信息数据，且i＝1,2,…m，j＝1,2,…n，t＝1,2,…p，
Figure FDA0003074326390000038
分别为信息数据
Figure FDA0003074326390000039
的第k次迭代的时延、流量成本和精确度；
历史获取单元，用于获取历史综合医疗方案，所述历史综合医疗方案包括历史信息数据；
分析单元，用于根据当前的各综合医疗方案中的信息数据和历史信息数据，依照预设的正则神经网络优化分析策略进行优化分析，从所述各综合医疗方案中选择出最优的综合医疗方案作为当前的推荐方案；
评价单元，用于根据历史综合医疗方案和当前的推荐方案，判断预设的第一评价条件是否满足，当判断出预设的第一评价条件满足时，则输出当前的推荐方案；其中，所述第一评价条件具体为：
Figure FDA00030743263900000310
其中，LminK为当前的各信息数据中的最小时延、CminK为当前的各信息数据中的最小流量成本、AmaxK为当前的各信息数据中的最大精确度；
优化单元，当判断出预设的第一评价条件不满足时，根据当前的各综合医疗方案和历史优化方案，依照预设的正向奖励负向惩罚激励优化策略对当前的各综合医疗方案进行优化，得出优化后的各综合医疗方案，发送给分析单元，直至判断出预设的第一评价条件满足，或者迭代次数满足预设阈值时，输出当前的推荐方案。
6.一种远程智能医疗的优化***，其特征在于，包括：
权利要求5所述的远程智能医疗的优化装置；
多个远程智能医疗终端，用于向所述接收单元发送远程智能医疗优化请求。
7.根据权利要求6所述的远程智能医疗的优化***，其特征在于，还包括：
边缘处理单元，用于接收并处理远程智能医疗终端发出的部分远程智能医疗优化请求；
所述边缘处理单元设于所述远程智能医疗终端本地，且所述边缘处理单元与远程智能医疗的优化装置接收的远程智能医疗优化请求不同。
8.根据权利要求6所述的远程智能医疗的优化***，其特征在于，还包括：
网络传输单元，用于传输所述远程智能医疗终端发出的远程智能医疗优化请求。
CN201810645413.3A 2018-06-21 2018-06-21 远程智能医疗的优化方法、装置及*** Active CN108831548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810645413.3A CN108831548B (zh) 2018-06-21 2018-06-21 远程智能医疗的优化方法、装置及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810645413.3A CN108831548B (zh) 2018-06-21 2018-06-21 远程智能医疗的优化方法、装置及***

Publications (2)

Publication Number Publication Date
CN108831548A CN108831548A (zh) 2018-11-16
CN108831548B true CN108831548B (zh) 2021-07-06

Family

ID=64141968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810645413.3A Active CN108831548B (zh) 2018-06-21 2018-06-21 远程智能医疗的优化方法、装置及***

Country Status (1)

Country Link
CN (1) CN108831548B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110176311A (zh) * 2019-05-17 2019-08-27 北京印刷学院 一种基于对抗神经网络的自动医疗方案推荐方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796734A (zh) * 2015-03-20 2015-07-22 四川长虹电器股份有限公司 实时交互的智能电视节目组合推荐***及方法
CN105279288A (zh) * 2015-12-04 2016-01-27 深圳大学 一种基于深度神经网络的在线内容推荐方法
CN108023840A (zh) * 2017-12-12 2018-05-11 中国联合网络通信集团有限公司 Ovs网络流量加速优化方法及ovs网络流量加速优化***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104796734A (zh) * 2015-03-20 2015-07-22 四川长虹电器股份有限公司 实时交互的智能电视节目组合推荐***及方法
CN105279288A (zh) * 2015-12-04 2016-01-27 深圳大学 一种基于深度神经网络的在线内容推荐方法
CN108023840A (zh) * 2017-12-12 2018-05-11 中国联合网络通信集团有限公司 Ovs网络流量加速优化方法及ovs网络流量加速优化***

Also Published As

Publication number Publication date
CN108831548A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
CN108243216B (zh) 数据处理的方法、端侧设备、云侧设备与端云协同***
US20190279088A1 (en) Training method, apparatus, chip, and system for neural network model
CN111079780A (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN114065863B (zh) 联邦学习的方法、装置、***、电子设备及存储介质
CN115293358A (zh) 一种面向物联网的分簇联邦多任务学习方法及装置
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN114528987A (zh) 一种神经网络边缘-云协同计算分割部署方法
CN112446462B (zh) 目标神经网络模型的生成方法和装置
CN108830422B (zh) 智能驾驶的优化方法、装置及***
CN108831548B (zh) 远程智能医疗的优化方法、装置及***
WO2021111456A1 (en) Moderator for identifying deficient nodes in federated learning
CN108770014B (zh) 网络服务器的计算评估方法、***、装置及可读存储介质
WO2022252694A1 (zh) 神经网络优化方法及其装置
CN115983362A (zh) 一种量化方法、推荐方法以及装置
CN113516163B (zh) 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质
CN108900594B (zh) 移动视频的优化方法、装置及***
CN112992367B (zh) 基于大数据的智慧医疗交互方法及智慧医疗云计算***
Kushwaha et al. Optimal device selection in federated learning for resource-constrained edge networks
CN108848514B (zh) 数据通信优化方法及数据通信优化器
CN116628181B (zh) 基于物联网的用户控制偏好感知方法及***
CN114531669B (zh) 一种基于车辆边缘计算的任务卸载方法及***
CN116936048B (zh) 异构医疗信息的联邦学习医院选择方法、设备及存储介质
CN113839794B (zh) 数据处理方法、装置、设备及存储介质
CN111050299B (zh) 智能车辆数据互检方法和装置
US20230396564A1 (en) Information processing apparatus and information processing method

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
GR01 Patent grant
GR01 Patent grant