CN114067935B - 一种流行病调查方法、***、电子设备及存储介质 - Google Patents
一种流行病调查方法、***、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114067935B CN114067935B CN202111293264.7A CN202111293264A CN114067935B CN 114067935 B CN114067935 B CN 114067935B CN 202111293264 A CN202111293264 A CN 202111293264A CN 114067935 B CN114067935 B CN 114067935B
- Authority
- CN
- China
- Prior art keywords
- information
- target patient
- extracting
- personal
- patient
- 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
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种流行病调查方法、***、电子设备及存储介质,本方法首先获取目标患者的答案集,其次从答案集中提取目标患者的活动范围信息和患者个人信息,然后一方面根据活动范围信息调取活动范围影像,从活动范围影像中提取目标患者在活动范围内的防护程度等级特征;另一方面根据患者个人信息获取目标患者的疾病诊断特征,最后根据防护程度等级特征和疾病诊断特征进行分析推理,得到目标患者的流行病调查结果。本方法可以快速采集疑似患者的信息,并快速的给出客观的判断及处理意见,起到辅助人工判断的作用,缩短处理流行性疾病时间,提升处理流行性疾病的效率,还能减少单纯个人对流行性疾病判断带来的个人经验主义偏颇的缺点。
Description
技术领域
本发明涉及流行病防治技术领域,特别涉及一种流行病调查方法、***、电子设备及存储介质。
背景技术
随着现代经济的蓬勃发展,全球的医疗卫生事业也得到了蓬勃发展,大部分医院着力推进内涵发展,着力提高服务质量和办院水平,不断满足人民群众日益增长的医疗卫生服务需求。但是在面对一些突发的、且传染性极强的流行性疾病时,众多医院显得束手无策,仅仅是依靠救治感染的病人不是控制流行性疾病蔓延的绝佳手段,不能有效的切断感染源,只能使得感染人数不断上升。
在现阶段,在控制大规模流行病散播路径时,往往是要等待患者在检测后确诊为传染病,才会对患者的活动路径进行控制,这种方案不仅会极大的延长处理流行性疾病的时间,而且处理效率也较低。
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。为此,本发明提出一种流行病调查方法、***、电子设备及存储介质。能够缩短处理流行性疾病时间,提升处理流行性疾病的效率,还能减少单纯个人对流行性疾病判断带来的个人经验主义偏颇的缺点。
本发明的第一方面,提供了一种流行病调查方法,包括以下步骤;
获取目标患者回答问题的答案集;
从所述答案集中提取所述目标患者的活动范围信息和个人病理信息;
根据所述活动范围信息调取活动范围影像,从所述活动范围影像中提取所述目标患者在活动范围内的防护程度等级特征;
根据所述个人病理信息获取所述目标患者的疾病诊断特征;
根据所述防护程度等级特征和所述疾病诊断特征进行分析推理,得到所述目标患者的流行病调查结果。
根据本发明的实施例,至少具有如下技术效果:
本方法首先获取目标患者的答案集,其次从答案集中提取目标患者的活动范围信息和患者个人信息,然后一方面根据活动范围信息调取活动范围影像,从活动范围影像中提取目标患者在活动范围内的防护程度等级特征;另一方面根据患者个人信息获取目标患者的疾病诊断特征,最后根据防护程度等级特征和疾病诊断特征进行分析推理,得到目标患者的流行病调查结果。本方法可以快速采集疑似患者的信息,并快速的给出客观的判断及处理意见,起到辅助人工判断的作用,缩短处理流行性疾病时间,提升处理流行性疾病的效率,还能减少单纯个人对流行性疾病判断带来的个人经验主义偏颇的缺点。
本发明的第二方面,提供了一种流行病调查***,包括:
答案获取模块,用于获取目标患者回答问题的答案集;
信息提取模块,用于从所述答案集中提取所述目标患者的活动范围信息和个人病理信息;
图像识别模块,用于根据所述活动范围信息调取活动范围影像,从所述活动范围影像中提取所述目标患者在活动范围内的防护程度等级特征;
疾病诊断模块,用于根据所述个人病理信息获取所述目标患者的疾病诊断特征;
智能推理模块,用于根据所述防护程度等级特征和所述疾病诊断特征进行分析推理,得到所述目标患者的流行病调查结果。
本发明的第三方面,提供了一种电子设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行上述的流行病调查方法。
本发明的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机能够执行上述的流行病调查方法。
可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明一个实施例提供执行一种流行病调查方法的***架构示意图;
图2为本发明一个实施例提供的一种流行病调查方法的流程示意图;
图3为本发明一个实施例提供从答案集中提取关键字段集的流程框图;
图4为本发明一个实施例提供自动定位目标患者的流程框图;
图5为本发明一个实施例提供提取防护程度等级特征的流程框图;
图6为本发明另外一个实施例提供的一种流行病调查方法的流程示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在现阶段,在控制大规模流行性疾病散播路径时,往往是要等待疑似患者在检测后确诊为传染病,才会对患者的活动路径进行控制,在面对传染性极强的传染病,这种方式是不可取的。
为了解决上述缺陷,本申请首先获取疑似患者回答问题的答案集,其次能够从答案集中提取活动范围信息和患者个人信息,得到该患者近期的活动区域以及该患者的个人信息,然后一方面调取患者近期的活动区域的活动范围影像(例如监控录像),从活动范围影像提取出患者在活动范围内的防护程度等级特征,另一方面根据患者个人信息进行自动诊断,得到患者的疾病诊断特征,最后通过多层感知机对防护程度等级特征和疾病诊断特征进行分析推理,充分利用患者在活动范围内的防护程度数据和疾病诊断数据对于流行性疾病的影响,得到患者的流行病调查结果。本申请可以快速采集疑似患者的信息,并快速的给出客观的判断及处理意见,起到辅助人工判断的作用,缩短处理流行性疾病时间和减少单纯个人对流行性疾病判断带来的个人经验主义偏颇的缺点。
本申请一个实施例提供的流行病调查方法可以在电子设备中执行。终端/设备可以为移动电子设备,也可以为非移动电子设备。移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机、上网本、个人数字助理等;非移动电子设备可以为个人计算机、电视机、柜员机或者自助机等;本申请实施方案不作具体限定。
电子设备可以包括处理器,外部存储器接口,内部存储器,通用串行总线(universal serial bus,USB)接口,充电管理模块,电源管理模块,电池,天线,移动通信模块,无线通信模块,音频模块,扬声器,受话器,麦克风,耳机接口,传感器模块,按键,马达,指示器,摄像头,显示屏,以及用户标识模块(Subscriber Identification Module,SIM)卡接口等。
下面结合附图,对本申请实施例作进一步阐述。
参照图1,是本申请一个实施例提供的用于执行一种流行病调查方法的***架构示意图,在图1的示例中,该***架构主要包括但不限于相互电连接的答案获取模块100,信息提取模块200,图像识别模块300,疾病诊断模块400以及智能推理模块500。其中:
答案获取模块100用于获取目标患者回答问题的答案集。
信息提取模块200用于从答案集中提取目标患者的活动范围信息和个人病理信息。
图像识别模块300用于根据活动范围信息调取活动范围影像,从活动范围影像中提取目标患者在活动范围内的防护程度等级特征。
疾病诊断模块400用于根据个人病理信息获取目标患者的疾病诊断特征。
智能推理模块500用于根据防护程度等级特征和疾病诊断特征进行分析推理,得到目标患者的流行病调查结果。
本申请实施例描述的***架构以及应用场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着***架构的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1中示出的***架构并不构成对本申请实施例的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
在图1所示的***架构中,各个单元可以分别调用其储存的程序,以执行流行病调查方法。
基于上述***架构,提出本申请实施例的流行病调查方法的各个实施例。
参照图2,本申请的一个实施例,提供了一种流行病调查方法,方法包括以下步骤;
步骤S101、获取目标患者回答问题的答案集。
这里的目标患者为疑似患者,这里的问题为医学专家预先设定的问题,每一位目标患者在回答问题之后会得到对应的回答集。需要注意的是,本实施例对具体的问题不做限制,可根据当地实际情况、当地医学专家意见以及当前流行病种类进行预先设定。
在一些实施例中,步骤S101、具体包括如下步骤:
步骤S1011、构建问题集。
步骤S1012、获取目标患者回答问题集每一个问题的语音信息。
步骤S1013、将语音信息转换成文字信息,将所有文字信息组成答案集。
在本实施例中,首先由医学专家预先设定问题集Q={q1,q2,...,qn},其中qn表示第n个问题,目标患者通过语音回答对应的问题集,得到患者的语音信息,然后通过语音识别技术(为本领域的公知常识,此处不再细述)将语音信息转换成文字信息,最后组成答案集A={a1,a2,...,an},其中an表示问题qn对应的答案。相较于让目标患者填表等处理方式,通过一问一答的方式收集目标患者的信息,最后利用语音识别技术得到答案集的处理效率更高。
步骤S103、从答案集中提取目标患者的活动范围信息和患者个人信息。
在一些实施例中,步骤S103具体包括如下步骤:
步骤S1031、通过BERT 模型提取答案集中答案的自注意力特征集。
对于答案ai包含m个词,且ai=[ci1,ci2,...,cim],cim为词汇aim的词向量其过程,通过BERT 自注意力模型对ai做自注意力特征的提取,其过程如下:
ai=BERT([ci1,ci2,...,cim],θa)
其中,θq为BERT模型的可学习的权重参数,ai=[ai1,ai2,...,aim],其中aij是经过BERT模型得到的新特征,且j∈m。
步骤S1032、从自注意力特征集中切分出切分特征集。
对于特征矩阵ai,将其沿矩阵的Y轴方向依次切分为K和L等份,得到切分矩阵,得到切分特征集其中L<K<m,通过切分来将关键字段与无用字段通过特征切分的方式在一定程度上切分出来,从而让模型更大程度上的识别关键字段。
步骤S1033、通过卷积从切分特征集中提取关键字段集。
通过卷积操作将切分的特征矩阵进行特征抽取,通过学习的方式识别关键的特征矩阵以及无用的特征矩阵,其方式如下:
将切分块的卷积特征作线性变换,其方式如下:
通过上诉步骤S1031至步骤S1033不断的从医学专家预先设定问题集 Q={q1,q2,...,qn},来得到得到目标患者相应的答案集的关键字段集key= {key1,key2,...,keyn}。
步骤S1034、从关键字段集中提取目标患者的活动范围字段和个人信息字段。
步骤S1034、根据目标患者的活动范围字段和个人信息字段分别得到目标患者的活动范围信息和个人病理信息。
在步骤S1033基础上,得到了目标患者的关键字段集 key={key1,key2,...,keyn},找到涉及到患者的活动范围字段keyj。同理的,在关键字段集中找到涉及到患者的个人信息的关键字段key*∈key。在一些实施例中,本实施例中的个人病理信息包括但不仅限于饮食信息、家族病史信息、接触病史信息、发病时间信息以及身体体征信息。通过设置饮食信息、家族病史信息、接触病史信息、发病时间信息以及身体体征信息能够从多维度的获取目标患者的个人信息,增加判断的准确性。
步骤S105、根据活动范围信息调取活动范围影像,从活动范围影像中提取目标患者在活动范围内的防护程度等级特征。
在一些实施例中,步骤S105具体包括如下步骤:
步骤S1051、从活动范围影像提取出存在目标患者出现的所有图片帧。
在步骤S1034获取目标患者的活动范围之后,进而调取目标患者活动范围的活动范围影像,这里的活动范围影像优选是监控录像。
通过视频目标检测方法(属于本领域的公知常识)对活动范围影像的视频片段pi进行目标患者的定位识别,其中识别过程如下:
T=Transformer(li,θl)
其中θl为Transformer模型的可学习的权重参数,Transformer模型的目的是从视频片段中pi获取患者出现在该地点每一帧的图片集T={t1,t2,...,tn}。
步骤S1052、通过卷积算子将所有图片帧逐一进行特征变换,得到特征集。
步骤S1053、通过Transformer自注意力模型从特征集中提取防护程度等级特征。
通过Transformer自注意力模型来查找存在关键信息的图片,通过 Transformer模型的自注意力方式来关注对整个流程有效的图片信息,如房门紧闭,患者周围人群不带口罩等都属于关键信息,以此得到患者特征,得到患者活动范围的防护等级特征的综合特征H,其步骤如下:
H,A=Transformer(T*,θt)
步骤S107、根据患者个人信息获取目标患者的疾病诊断特征。
在一些实施例中,步骤S107具体包括如下步骤:
步骤S1071、从知识图谱数据库中调取查询规则,得到查询规则集。
步骤S1072、根据患者个人信息和查询规则集,对目标患者进行自动诊断,得到目标患者的疾病诊断特征。
根据知识图谱数据库设定对应的查询规则,得到查询规则集R。知识图谱数据库为本领域公知常识,这里对知识图谱数据库和查询规则不作限制。根据答案集关键字段key*以及查询规则集R得到对应的疾病诊断特征集 M={m1,m2,...,mn}。值得注意的是,本步骤S107通过AI(Artificial Intelligence,人工智能)技术实现自动诊断。
步骤S109、根据防护程度等级特征和疾病诊断特征进行分析推理,得到目标患者的流行病调查结果。
在一些实施例中,步骤S109具体包括如下步骤:
步骤S1091、获取多层感知机的结果集。首先由医学专家提前设定结果集 Y={y1,y2,...,yn}。
步骤S1092、将防护程度等级特征和疾病诊断特征进行拼接融合,得到融合特征。
基于上述内容,这里将特征H与特征M进行融合,得到融合特征S,其中特征融合的方式是直接将两个特征进行连接,通过直接拼接的方式使得新特征空间具有特征H与特征M特征纬度信息,其方式如下:
S=H||M
其中,所述||表示拼接函数。
步骤S1093、将融合特征输入至多层感知机中,得到多层感知机输出结果集中概率最大的一个结果作为目标患者的流行病调查结果。
将融合特征S输入到多层感知进行分析推理,以此来得到综合性的处理意见。其方式如下,通过对融合特征S进行线性变换得到对结果集Y中每一个结果进行概率推断,取概率最大的结果作为最终判断结果:
Y=softmax(WsS+bs)
本方法首先利用语音识别获取疑似患者语音回答问题的答案集;然后利用信息提取技术从答案集中提取出关键字段信息,从而提取出患者的活动范围、患者近期的饮食情况、家族病史、接触病史、发病时间、体征等关键信息;然后一方面根据活动范围信息调取活动范围影像,从活动范围影像中提取患者在活动范围内的防护程度等级特征;另一方面根据AI自动诊断技术从患者个人信息中判断目标患者的疾病诊断特征;最后通过多层感知机对防护程度等级特征和疾病诊断特征进行分析推理,得到目标患者的流行病调查结果。本方法可以快速采集疑似患者的信息,并快速的给出客观的判断及处理意见,起到辅助人工判断的作用,缩短处理流行性疾病时间和减少单纯个人对流行性疾病判断带来的个人经验主义偏颇的缺点。
参照图3至图6,为了便于本领域技术人员的理解,本申请的一个最佳实施例,当发生大规模流行性疾病,所有的目标患者(疑似患者)都聚集到医院时,可以使用本申请实施例提供的流行病调查方法对每一位目标患者进行分析处理,全程智能化、自动化,具体包括如下流程:
步骤S202、获取目标患者回答问题的答案集,从答案集中提取关键字段集。
通过一问一答的方式来来收集目标患者的信息,其中由医学专家预先设定问题集Q={q1,q2,...,qn},患者回答应对的问题,由语音识别工具将患者的回答转换为文字,对于问题集Q,将会得到患者相应的答案集A={a1,a2,...,an}。通过 BERT模型对答案集做信息提取,提取其中的关键信息,其流程如下:
对于答案ai包含m个词,且ai=[ci1,ci2,...,cim],cim为词汇aim的词向量,通过BERT模型对ai做自注意力特征的提取,其过程如下:
ai=BERT([ci1,ci2,...,cim],θa)
其中θq为BERT模型的可学习的权重参数,ai=[ai1,ai2,...,aim],其中aij是经过BERT模型得到的新特征,且j∈m。
对于特征矩阵ai,将其沿Y轴方向依次切分为K和L等份,得到切分矩阵,得到切分特征集其中L<K<m,通过切分来将关键字段与无用字段通过特征切分的方式在一定程度上切分出来,让模型更大程度上的识别关键字段,通过卷积操作将切分的特征矩阵进行特征抽取,通过学习的方式识别关键的特征矩阵以及无用的特征矩阵,其方式如下:
将切分块的卷积特征作线性变换,其方式如下:
得到目标患者相应的答案集的关键字段集key={key1,key2,...,keyn}。
步骤S204、从关键字段集中提取目标患者的活动范围字段,调取目标患者的活动范围对应的监控录像,从监控录像中提取目标患者在活动范围内的防护程度等级特征。
从关键字段集key={key1,key2,...,keyn}中获取涉及到患者的活动范围字段keyj,调取患者活动范围的监控录像,通过“图像识别模块”来自动获取患者的活动范围的人群密度、患者的防护程度、周围人群的防护程度、空间密闭性等防护等级特征。具体实现流程如下:
(1)目标患者自动定位:
将监控录像的视频片段pi输入到目标检测算法中,识别过程如下:
T=Transformer(li,θl)
其中θl为Transformer模型的可学习的权重参数,Transformer模型的目的是从视频片段中pi获取患者出现在该地点每一帧的图片集体T={t1,t2,...,tn}。
(2)防护等级特征提取:
通过Transformer自注意力模型来查找存在关键信息的图片,通过Transformer模型的自注意力方式来关注对整个流程有效的图片信息,如房门紧闭,患者周围人群不带口罩等都属于关键信息,以此得到患者特征,得到患者活动范围的防护等级特征的综合特征H,其步骤如下:
H,A=Transformer(T*,θt)
步骤S206、从关键字段集中提取目标患者的个人病理信息,根据个人病理信息获取目标患者的疾病诊断特征。
从关键字段集key={key1,key2,...,keyn}中获取涉及到患者的发病时间、体征、接触病史、饮食情况、家族病史的关键字段key*∈key,利用“AI诊断”对患者可能患上的疾病来进行判断。
利用“AI诊断”对患者可能患上的疾病来进行判断的具体流程如下:
根据知识图谱数据库设定对应的查询规则,得到查询规则集R,根据答案集关键字段key*以及查询规则集R得到对应的问诊结果集(即疾病诊断特征) M={m1,m2,...,mn},问诊结果为目标患者可能患上的疾病。
步骤S208、根据防护程度等级特征和疾病诊断特征进行分析推理,得到目标患者的流行病调查结果。
为了能综合考虑人群密度、患者的自我防护程度、周围人群的防护程度、空间密闭性、患者可能感染的疾病等特征,首先将特征H与特征M进行融合,得到融合特征S,其中特征融合方式是直接将两个特征进行直接拼接,通过直接拼接的方式使得新特征空间具有特征H与特征M特征纬度信息,其方式如下:
S=H||M
将融合特征S输入到多层感知机进行分析推理,以此来得到综合性的处理意见。其方式如下,其中Y为结果集,需要专家提前设定结果集Y={y1,y2,...,yn},通过对融合特征S进行线性变换得到对结果集Y中每一个结果进行概率推断,取概率最大的结果作为最终判断结果:
Y=softmax(WsS+bs)
本方法首先利用语音识别获取疑似患者语音回答问题的答案集;然后利用信息提取技术从答案集中提取出关键字段信息,从而提取出患者的活动范围、患者近期的饮食情况、家族病史、接触病史、发病时间、体征等关键信息;然后一方面根据活动范围信息调取活动范围影像,从活动范围影像中提取患者在活动范围内的防护程度等级特征;另一方面根据AI自动诊断技术从患者个人信息中判断目标患者的疾病诊断特征;最后通过多层感知机对防护程度等级特征和疾病诊断特征进行分析推理,得到目标患者的流行病调查结果。本方法可以快速采集疑似患者的信息,并快速的给出客观的判断及处理意见,起到辅助人工判断的作用,缩短处理流行性疾病时间和减少单纯个人对流行性疾病判断带来的个人经验主义偏颇的缺点。
本申请的一个实施例,提供了一种电子设备,该设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。
处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
需要说明的是,本实施例中的电子设备能够构成图1所示实施例中的***架构的一部分,这些实施例均属于相同的发明构思,因此这些实施例具有相同的实现原理以及技术效果,此处不再详述。
实现上述实施例的流行病调查方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例方法,例如,执行以上描述的图2 中的方法步骤S101至S109,图6中的方法步骤S202至S208。
以上所描述的终端实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外,本申请实施例的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述电子设备实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的流行病调查方法,例如,执行以上描述的图2中的方法步骤S101至S109,图6中的方法步骤S202至S208。又如,被上述设备连接器实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的流行病调查方法,例如,执行以上描述的图2中的方法步骤S101至S109,图6中的方法步骤S202至S208。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种流行病调查方法,其特征在于,包括以下步骤;
获取目标患者回答问题的答案集;
从所述答案集中提取所述目标患者的活动范围信息和个人病理信息:
通过BERT模型提取所述答案集中答案的自注意力特征集;从所述自注意力特征集中切分出切分特征集;通过卷积从所述切分特征集中提取关键字段集;从所述关键字段集中提取所述目标患者的活动范围字段和个人病理信息字段;根据所述目标患者的活动范围字段和个人病理信息字段分别得到所述目标患者的活动范围信息和个人病理信息;
根据所述活动范围信息调取活动范围影像,从所述活动范围影像中提取所述目标患者在活动范围内的防护程度等级特征;其中,所述从所述活动范围影像中提取所述目标患者在活动范围内的防护程度等级特征,包括:
从所述活动范围影像提取出存在目标患者出现的所有图片帧;通过卷积算子将所述所有图片帧逐一进行特征变换,得到特征集;通过Transformer自注意力模型从所述特征集中提取所述防护程度等级特征;
根据所述个人病理信息获取所述目标患者的疾病诊断特征:
从知识图谱数据库中调取查询规则,得到查询规则集;根据所述个人病理信息和所述查询规则集,对所述目标患者进行自动诊断,得到所述目标患者的疾病诊断特征;
根据所述防护程度等级特征和所述疾病诊断特征进行分析推理,得到所述目标患者的流行病调查结果:
获取多层感知机的结果集;将所述防护程度等级特征和所述疾病诊断特征进行拼接融合,得到融合特征;将所述融合特征输入至所述多层感知机中,得到所述多层感知机输出所述结果集中概率最大的一个结果作为所述目标患者的流行病调查结果。
2.根据权利要求1所述的流行病调查方法,其特征在于,所述个人病理信息包括饮食信息、家族病史信息、接触病史信息、发病时间信息以及身体体征信息。
3.根据权利要求1所述的流行病调查方法,其特征在于,所述获取目标患者回答问题的答案集,包括:
构建问题集;
获取目标患者回答所述问题集每一个问题的语音信息;
将所述语音信息转换成文字信息,将所有所述文字信息组成所述答案集。
4.一种流行病调查***,其特征在于,包括:
答案获取模块,用于获取目标患者回答问题的答案集;
信息提取模块,用于从所述答案集中提取所述目标患者的活动范围信息和个人病理信息:
通过BERT模型提取所述答案集中答案的自注意力特征集;从所述自注意力特征集中切分出切分特征集;通过卷积从所述切分特征集中提取关键字段集;从所述关键字段集中提取所述目标患者的活动范围字段和个人病理信息字段;根据所述目标患者的活动范围字段和个人病理信息字段分别得到所述目标患者的活动范围信息和个人病理信息;
图像识别模块,用于根据所述活动范围信息调取活动范围影像,从所述活动范围影像中提取所述目标患者在活动范围内的防护程度等级特征,其中,所述从所述活动范围影像中提取所述目标患者在活动范围内的防护程度等级特征,包括:
从所述活动范围影像提取出存在目标患者出现的所有图片帧;通过卷积算子将所述所有图片帧逐一进行特征变换,得到特征集;通过Transformer自注意力模型从所述特征集中提取所述防护程度等级特征;
疾病诊断模块,用于根据所述个人病理信息获取所述目标患者的疾病诊断特征:
从知识图谱数据库中调取查询规则,得到查询规则集;根据所述个人病理信息和所述查询规则集,对所述目标患者进行自动诊断,得到所述目标患者的疾病诊断特征;
智能推理模块,用于根据所述防护程度等级特征和所述疾病诊断特征进行分析推理,得到所述目标患者的流行病调查结果:
获取多层感知机的结果集;将所述防护程度等级特征和所述疾病诊断特征进行拼接融合,得到融合特征;将所述融合特征输入至所述多层感知机中,得到所述多层感知机输出所述结果集中概率最大的一个结果作为所述目标患者的流行病调查结果。
5.一种电子设备,其特征在于:包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行权利要求1至3任一项所述的流行病调查方法。
6.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1至3任一项所述的流行病调查方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293264.7A CN114067935B (zh) | 2021-11-03 | 2021-11-03 | 一种流行病调查方法、***、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293264.7A CN114067935B (zh) | 2021-11-03 | 2021-11-03 | 一种流行病调查方法、***、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067935A CN114067935A (zh) | 2022-02-18 |
CN114067935B true CN114067935B (zh) | 2022-05-20 |
Family
ID=80273641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111293264.7A Active CN114067935B (zh) | 2021-11-03 | 2021-11-03 | 一种流行病调查方法、***、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067935B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027525A (zh) * | 2020-03-09 | 2020-04-17 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及*** |
CN111403045A (zh) * | 2020-03-04 | 2020-07-10 | 苏州远征魂车船技术有限公司 | 一种传染疫情多元精准管控*** |
CN111710420A (zh) * | 2020-05-15 | 2020-09-25 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、***、终端以及存储介质 |
CN111739657A (zh) * | 2020-07-20 | 2020-10-02 | 北京梦天门科技股份有限公司 | 基于知识图谱的流行病感染者预测方法及*** |
CN111785380A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云(北京)技术有限公司 | 传染性疾病患病风险等级的预测方法及装置、介质、设备 |
CN111899850A (zh) * | 2020-08-12 | 2020-11-06 | 上海依智医疗技术有限公司 | 医学影像的信息处理方法、显示方法及可读存储介质 |
CN111933303A (zh) * | 2020-09-30 | 2020-11-13 | 平安科技(深圳)有限公司 | 事件预测方法、装置、电子设备及存储介质 |
CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
CN112100498A (zh) * | 2020-09-16 | 2020-12-18 | 北京百度网讯科技有限公司 | 疾病舆情的监控方法、装置 |
CN112580525A (zh) * | 2020-12-22 | 2021-03-30 | 南京信息工程大学 | 一种基于行人再识别的病例活动轨迹监测方法 |
CN112712903A (zh) * | 2021-01-15 | 2021-04-27 | 杭州中科先进技术研究院有限公司 | 一种基于人机物三元空间协同感知的传染病监测方法 |
CN112992317A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、***、设备及介质 |
US11056242B1 (en) * | 2020-08-05 | 2021-07-06 | Vignet Incorporated | Predictive analysis and interventions to limit disease exposure |
CN113096820A (zh) * | 2021-04-13 | 2021-07-09 | 武汉明德生物科技股份有限公司 | 一种流行病与急诊一体化管理方法及装置 |
CN113241135A (zh) * | 2021-04-30 | 2021-08-10 | 山东大学 | 一种基于多模态融合的疾病风险预测方法和*** |
CN113299401A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技(深圳)有限公司 | 传染病数据的传播监测方法、装置、计算机设备及介质 |
CN113362959A (zh) * | 2021-06-03 | 2021-09-07 | 重庆南鹏人工智能科技研究院有限公司 | 一种区域疫情防控用突发呼吸道传染病风险预测模型 |
CN113365211A (zh) * | 2021-04-19 | 2021-09-07 | 中科劲点(北京)科技有限公司 | 基于活动轨迹的疫情预报方法及其装置、介质及电子设备 |
CN113555074A (zh) * | 2021-08-26 | 2021-10-26 | 中国医学科学院阜外医院 | 一种流行病学调查装置及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11495332B2 (en) * | 2017-12-28 | 2022-11-08 | International Business Machines Corporation | Automated prediction and answering of medical professional questions directed to patient based on EMR |
WO2021211610A1 (en) * | 2020-04-13 | 2021-10-21 | aiberry, Inc. | Multimodal analysis combining monitoring modalities to elicit cognitive states and perform screening for mental disorders |
-
2021
- 2021-11-03 CN CN202111293264.7A patent/CN114067935B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111403045A (zh) * | 2020-03-04 | 2020-07-10 | 苏州远征魂车船技术有限公司 | 一种传染疫情多元精准管控*** |
CN111027525A (zh) * | 2020-03-09 | 2020-04-17 | 中国民用航空总局第二研究所 | 疫情期间公共场所潜在被感染者追踪方法、装置及*** |
CN111710420A (zh) * | 2020-05-15 | 2020-09-25 | 深圳先进技术研究院 | 一种基于电子病历大数据的并发症发病风险预测方法、***、终端以及存储介质 |
CN111785380A (zh) * | 2020-07-01 | 2020-10-16 | 医渡云(北京)技术有限公司 | 传染性疾病患病风险等级的预测方法及装置、介质、设备 |
CN111739657A (zh) * | 2020-07-20 | 2020-10-02 | 北京梦天门科技股份有限公司 | 基于知识图谱的流行病感染者预测方法及*** |
US11056242B1 (en) * | 2020-08-05 | 2021-07-06 | Vignet Incorporated | Predictive analysis and interventions to limit disease exposure |
CN111899850A (zh) * | 2020-08-12 | 2020-11-06 | 上海依智医疗技术有限公司 | 医学影像的信息处理方法、显示方法及可读存储介质 |
CN112037922A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 病理数据的分析方法、装置、计算机设备和存储介质 |
CN112100498A (zh) * | 2020-09-16 | 2020-12-18 | 北京百度网讯科技有限公司 | 疾病舆情的监控方法、装置 |
CN111933303A (zh) * | 2020-09-30 | 2020-11-13 | 平安科技(深圳)有限公司 | 事件预测方法、装置、电子设备及存储介质 |
CN112580525A (zh) * | 2020-12-22 | 2021-03-30 | 南京信息工程大学 | 一种基于行人再识别的病例活动轨迹监测方法 |
CN112712903A (zh) * | 2021-01-15 | 2021-04-27 | 杭州中科先进技术研究院有限公司 | 一种基于人机物三元空间协同感知的传染病监测方法 |
CN113096820A (zh) * | 2021-04-13 | 2021-07-09 | 武汉明德生物科技股份有限公司 | 一种流行病与急诊一体化管理方法及装置 |
CN113365211A (zh) * | 2021-04-19 | 2021-09-07 | 中科劲点(北京)科技有限公司 | 基于活动轨迹的疫情预报方法及其装置、介质及电子设备 |
CN113241135A (zh) * | 2021-04-30 | 2021-08-10 | 山东大学 | 一种基于多模态融合的疾病风险预测方法和*** |
CN112992317A (zh) * | 2021-05-10 | 2021-06-18 | 明品云(北京)数据科技有限公司 | 一种医学数据处理方法、***、设备及介质 |
CN113299401A (zh) * | 2021-05-28 | 2021-08-24 | 平安科技(深圳)有限公司 | 传染病数据的传播监测方法、装置、计算机设备及介质 |
CN113362959A (zh) * | 2021-06-03 | 2021-09-07 | 重庆南鹏人工智能科技研究院有限公司 | 一种区域疫情防控用突发呼吸道传染病风险预测模型 |
CN113555074A (zh) * | 2021-08-26 | 2021-10-26 | 中国医学科学院阜外医院 | 一种流行病学调查装置及方法 |
Non-Patent Citations (2)
Title |
---|
Cohesive Multi-modality Feature Learning and Fusion for COVID-19 Patient Severity Prediction;Jinzhao Zhou 等;《IEEE Transactions on Circuits and Systems for Video Technology》;20210304;第1-16页 * |
基于大数据建立传染病监测预警响应模式的探索与实践;林鸿波 等;《中国卫生信息管理杂志》;20200820;第17卷(第04期);第416-421页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114067935A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110175526A (zh) | 狗情绪识别模型训练方法、装置、计算机设备及存储介质 | |
CN111488815A (zh) | 基于图卷积网络和长短时记忆网络的篮球比赛进球事件预测方法 | |
CN116546023B (zh) | 一种油气作业区暴力行为识别方法及*** | |
CN110929806A (zh) | 基于人工智能的图片处理方法、装置及电子设备 | |
CN109492537B (zh) | 一种物体识别方法及装置 | |
CN114637884B (zh) | 一种电像计算时空轨迹与道路网的匹配方法、装置及设备 | |
CN112651381A (zh) | 基于卷积神经网络的视频图像中家畜识别方法及装置 | |
CN116414990A (zh) | 一种车辆故障诊断与预防方法 | |
JP6621092B1 (ja) | 危険度判別プログラム及びシステム | |
CN114492755A (zh) | 基于知识蒸馏的目标检测模型压缩方法 | |
CN114067935B (zh) | 一种流行病调查方法、***、电子设备及存储介质 | |
CN113205158A (zh) | 网络模型的剪枝量化处理方法、装置、设备及存储介质 | |
CN115909144A (zh) | 一种基于对抗学习的监控视频异常检测方法及*** | |
CN116364064A (zh) | 一种音频拼接方法、电子设备及存储介质 | |
CN114898737A (zh) | 声学事件检测方法、装置、电子设备和存储介质 | |
CN115719428A (zh) | 基于分类模型的人脸图像聚类方法、装置、设备及介质 | |
CN116958852A (zh) | 视频与文本的匹配方法、装置、电子设备和存储介质 | |
CN114638973A (zh) | 目标图像检测方法及图像检测模型训练方法 | |
Mulyono et al. | Design and Implementation of Real-time Object Detection for Blind using Convolutional Neural Network | |
CN113033397A (zh) | 目标跟踪方法、装置、设备、介质及程序产品 | |
CN112668631A (zh) | 基于卷积神经网络的移动端社区宠物识别方法 | |
CN113012006A (zh) | 一种智能侦查研判方法、***、计算机设备及存储介质 | |
CN114693624B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
CN113706449B (zh) | 基于病理图像的细胞分析方法、装置、设备及存储介质 | |
CN113283394B (zh) | 一种融合上下文信息的行人重识别方法及*** |
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 |