CN116072274A - 一种救护车医护自动调派*** - Google Patents
一种救护车医护自动调派*** Download PDFInfo
- Publication number
- CN116072274A CN116072274A CN202310202565.7A CN202310202565A CN116072274A CN 116072274 A CN116072274 A CN 116072274A CN 202310202565 A CN202310202565 A CN 202310202565A CN 116072274 A CN116072274 A CN 116072274A
- Authority
- CN
- China
- Prior art keywords
- ambulance
- matching
- keywords
- subsystem
- medical care
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 claims abstract description 69
- 238000011176 pooling Methods 0.000 claims description 31
- 238000013500 data storage Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 1
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Public Health (AREA)
- Acoustics & Sound (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种救护车医护自动调派***,本发明通过语音识别子***将通话信息转为文字信息,由关键词提取子***提取关键词,通过将关键词分别与救护车资料和医护资料进行匹配,得到救护车匹配度和医护匹配度,根据救护车匹配度和医护匹配度,选择当前最优的救护车和医护前往,解决了由人来选择当前最优的救护车和医护存在较大的选择误差的问题。
Description
技术领域
本发明涉及控制***技术领域,具体而言,涉及一种救护车医护自动调派***。
背景技术
在人们遇到疾病突发事件时,会拨打医院的急救电话,由接线员接听,明确其病情情况后,医院派出救护车和医护赶赴现场。但是每辆救护车上的救护设备以及医护的专业能力均是不同的,如果由人来选择当前最优的救护车和医护,一方面人很难全面了解当前每个救护车和医护的能力,另一方面在紧急情况下,很难做出最正确的选择,因此,由人来选择当前最优的救护车和医护存在较大的选择误差。
发明内容
针对现有技术中的上述不足,本发明提供的一种救护车医护自动调派***解决了由人来选择当前最优的救护车和医护存在较大的选择误差的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种救护车医护自动调派***,包括:语音识别子***、关键词提取子***、救护车资料存储子***、医护资料存储子***、救护车匹配子***、医护匹配子***、救护车派送子***和医护派送子***;
所述语音识别子***用于识别通话过程中病情描述,得到病情信息;所述关键词提取子***用于从病情信息提取出关键词;所述救护车资料存储子***用于存储救护车资料;所述医护资料存储子***用于存储医护资料;所述救护车匹配子***用于将关键词与存储救护车资料进行匹配,得到救护车匹配度;所述医护匹配子***用于将关键词与医护资料进行匹配,得到医护匹配度;所述救护车派送子***用于根据救护车匹配度,派送救护车;所述医护派送子***用户根据医护匹配度,派送医护人员。
进一步地,所述关键词提取子***包括:分词单元、词组提取单元、向量化处理单元和关键词提取单元;
所述分词单元用于对病情信息进行分词,得到分词语句;
所述词组提取单元用于从分词语句中删除连接词和语气词,提取词组;
所述向量化处理单元将多个词组向量化处理,得到向量化词组;
所述关键词提取单元用于从向量化词组提取向量化关键词。
进一步地,所述关键词提取单元包括:第一卷积层Conv1、第二卷积层Conv2、第一最大池化层Maxpool1、第二最大池化层Maxpool2、第三最大池化层Maxpool3、加法器Add、注意力模块和LSTM模块;
所述第一卷积层Conv1的输入端与LSTM模块的输入端连接,并作为关键词提取单元的输入端;所述第一卷积层Conv1的输出端分别与加法器Add的第一输入端和第一最大池化层Maxpool1的输入端连接;所述第一最大池化层Maxpool1的输出端分别与第二最大池化层Maxpool2的输入端和加法器Add的第二输入端连接;所述第二最大池化层Maxpool2的输出端分别与第三最大池化层Maxpool3的输入端和加法器Add的第三输入端连接;所述第三最大池化层Maxpool3的输出端与加法器Add的第四输入端连接;所述LSTM模块的输出端与加法器Add的第五输入端连接;所述注意力模块的输入端与加法器Add的输出端连接,其输出端与第二卷积层Conv2的输入端连接;所述第二卷积层Conv2的输出端作为关键词提取单元的输出端。
上述进一步方案的有益效果为:通过LSTM模块和卷积池化两条路径提取特征数据,通过三个最大池化层,融合不同感受野的特征,保障特征提取的准确性。
进一步地,所述注意力模块的表达式为:
其中,为注意力模块的输出量,为注意力模块的输入量,为注意力模块的权重参数,为自然对数,为激活函数。
上述进一步方案的有益效果为:通过注意力模块让关键词提取单元自动识别向量化词组中哪些特征对结果影响更大,并对影响结果更大的特征赋予更大权重。
进一步地,所述关键词提取单元采用损失函数进行训练,所述损失函数为:
其中,为损失函数,为目标向量化关键词数量,为关键词提取单元实际提取的向量化关键词数量,为关键词提取单元实际提取的向量化关键词数量中属于目标向量化关键词的数量,为自然对数,为绝对运算符号。
上述进一步方案的有益效果为:目标向量化关键词数量为当前关键词提取单元应当提取到的关键词数量,为当前关键词提取单元实际提取到的向量化关键词数量,在与相等时,关键词提取单元提取的关键词数量正确,在与不相等时,关键词提取单元提取的关键词数量错误,存在多取或者少取的情况,用于表征提取的向量化关键词是否为目标向量化关键词,即提取正确的向量化关键词的数量,通过衡量当前关键词提取单元提取关键词的差距。在存在多取或者少取的情况,说明当前关键词提取单元的准确度较低,因此,通过指数函数放大差距,得到较大的损失值,从而加剧关键词提取单元中参数的变化,提高训练速度。
进一步地,所述救护车资料包括:救护车编号、救护车上设置的救护设备和救护设备的功能资料;
所述医护资料包括:医护名称和医护的救治专业资料。
进一步地,所述救护车匹配子***用于将关键词与存储救护车资料进行匹配,得到救护车匹配度,具体包括:将关键词逐一与每一救护车编号下的救护设备的功能资料进行匹配,得到救护车匹配度,所述救护车匹配度的表达式为:
其中,为救护车匹配度,为救护车匹配子***中输入关键词的数量,为救护车匹配子***中完全匹配成功的关键词数量,为救护车匹配子***中剩余未匹配成功的关键词数量,为救护车匹配子***中剩余未匹配成功的关键词中字匹配成功的数量,为救护车匹配子***中输入关键词所对应的字的数量,为第一匹配系数,为自然对数,为对数函数。
上述进一步方案的有益效果为:完全匹配成功的关键词数量低于时,说明在该救护车资料下,词的匹配度低,因此,采用函数将其匹配度进行压低,在完全匹配成功的关键词数量高于时,说明在该救护车资料下,词的匹配度高,其符合用户需求的可能性更高,因此,采用指数函数对匹配度进行拉升。在计算匹配度时,考虑两方面,一方面是匹配成功的关键词数量占输入关键词的数量的比值,另一方面在救护车资料下剩余未匹配成功的关键词的字匹配成功的数量占所输入关键词对应字的数量的比值,通过两方面去计算救护车匹配度。
进一步地,所述第一匹配系数的表达式为:
其中,为第一匹配系数,为自然对数,为救护车匹配子***中完全匹配成功的关键词在救护车匹配子***中输入关键词中的最大重复次数。
上述进一步方案的有益效果为:由于在通话过程,有些关键词是多次提到,因此,输入的关键词中,关键词会存在重复,这种关键词具备较高优先级,若在一份救护车资料下,该关键词匹配成功,则根据其在输入关键词中重复的次数,计算匹配系数,例如其重复了3次,则,若其仅仅在输入关键词中出现了一次,则。存在多个关键词,都在输入关键词中存在重复,则取重复最多次的关键词对应的重复次数,通过匹配系数提高匹配度,从而提高匹配的准确度。
进一步地,所述医护匹配子***用于将关键词与医护资料进行匹配,得到医护匹配度,具体包括:将关键词逐一与每一医护人员下的救治专业资料进行匹配,得到医护匹配度;所述医护匹配度的表达式为:
其中,为医护匹配度,为医护匹配子***中输入关键词的数量,为医护匹配子***中完全匹配成功的关键词数量,为医护匹配子***中剩余未匹配成功的关键词数量,为医护匹配子***中剩余未匹配成功的关键词中字匹配成功的数量,为医护匹配子***中输入关键词所对应的字的数量,为第二匹配系数,为自然对数,为对数函数。
上述进一步方案的有益效果为:完全匹配成功的关键词数量低于时,说明在该医护资料下,词的匹配度低,因此,采用函数将其匹配度进行压低,在完全匹配成功的关键词数量高于时,说明在该救护车资料下,词的匹配度高,其符合用户需求的可能性更高,因此,采用指数函数对匹配度进行拉升。在计算匹配度时,考虑两方面,一方面是匹配成功的关键词数量占输入关键词的数量的比值,另一方面是在救护车资料下剩余未匹配成功的关键词的字匹配成功的数量占所输入关键词对应字的数量的比值,通过两方面去计算医护匹配度。
进一步地,所述第二匹配系数的表达式为:
其中,为第二匹配系数,为自然对数,为医护匹配子***中完全匹配成功的关键词在医护匹配子***中输入关键词中的最大重复次数。
上述进一步方案的有益效果为:由于在通话过程,有些关键词是多次提到,因此,输入的关键词中,关键词会存在重复,这种关键词具备较高优先级,若在一份医护资料下,该关键词匹配成功,则根据其在输入关键词中重复的次数,计算匹配系数,例如其重复了3次,则,若其仅仅在输入关键词中出现了一次,则。存在多个关键词,都在输入关键词中存在重复,则取重复最多次的关键词对应的重复次数,通过匹配系数提高匹配度,从而提高匹配的准确度。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明通过语音识别子***将通话信息转为文字信息,由关键词提取子***提取关键词,通过将关键词分别与救护车资料和医护资料进行匹配,得到救护车匹配度和医护匹配度,根据救护车匹配度和医护匹配度,选择当前最优的救护车和医护前往,解决了由人来选择当前最优的救护车和医护存在较大的选择误差的问题。
附图说明
图1为一种救护车医护自动调派***的***框图;
图2为关键词提取单元的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示,一种救护车医护自动调派***,包括:语音识别子***、关键词提取子***、救护车资料存储子***、医护资料存储子***、救护车匹配子***、医护匹配子***、救护车派送子***和医护派送子***;
所述语音识别子***用于识别通话过程中病情描述,得到病情信息;所述关键词提取子***用于从病情信息提取出关键词;所述救护车资料存储子***用于存储救护车资料;所述医护资料存储子***用于存储医护资料;所述救护车匹配子***用于将关键词与存储救护车资料进行匹配,得到救护车匹配度;所述医护匹配子***用于将关键词与医护资料进行匹配,得到医护匹配度;所述救护车派送子***用于根据救护车匹配度,派送救护车;所述医护派送子***用户根据医护匹配度,派送医护人员。
在本实施例中,在进行匹配度计算时,选择在院且可供调配的救护车和医护人员的资料进行匹配度计算。
所述关键词提取子***包括:分词单元、词组提取单元、向量化处理单元和关键词提取单元;
所述分词单元用于对病情信息进行分词,得到分词语句;
所述词组提取单元用于从分词语句中删除连接词和语气词,提取词组;
所述向量化处理单元将多个词组向量化处理,得到向量化词组;
所述关键词提取单元用于从向量化词组提取向量化关键词。
如图2所示,所述关键词提取单元包括:第一卷积层Conv1、第二卷积层Conv2、第一最大池化层Maxpool1、第二最大池化层Maxpool2、第三最大池化层Maxpool3、加法器Add、注意力模块和LSTM模块;
所述第一卷积层Conv1的输入端与LSTM模块的输入端连接,并作为关键词提取单元的输入端;所述第一卷积层Conv1的输出端分别与加法器Add的第一输入端和第一最大池化层Maxpool1的输入端连接;所述第一最大池化层Maxpool1的输出端分别与第二最大池化层Maxpool2的输入端和加法器Add的第二输入端连接;所述第二最大池化层Maxpool2的输出端分别与第三最大池化层Maxpool3的输入端和加法器Add的第三输入端连接;所述第三最大池化层Maxpool3的输出端与加法器Add的第四输入端连接;所述LSTM模块的输出端与加法器Add的第五输入端连接;所述注意力模块的输入端与加法器Add的输出端连接,其输出端与第二卷积层Conv2的输入端连接;所述第二卷积层Conv2的输出端作为关键词提取单元的输出端。
本发明通过LSTM模块和卷积池化两条路径提取特征数据,通过三个最大池化层,融合不同感受野的特征,保障特征提取的准确性。
所述注意力模块的表达式为:
其中,为注意力模块的输出量,为注意力模块的输入量,为注意力模块的权重参数,为自然对数,为激活函数。
本发明通过注意力模块让关键词提取单元自动识别向量化词组中哪些特征对结果影响更大,并对影响结果更大的特征赋予更大权重。
所述关键词提取单元采用损失函数进行训练,所述损失函数为:
其中,为损失函数,为目标向量化关键词数量,为关键词提取单元实际提取的向量化关键词数量,为关键词提取单元实际提取的向量化关键词数量中属于目标向量化关键词的数量,为自然对数,为绝对运算符号。
目标向量化关键词数量为当前关键词提取单元应当提取到的关键词数量,为当前关键词提取单元实际提取到的向量化关键词数量,在与相等时,关键词提取单元提取的关键词数量正确,在与不相等时,关键词提取单元提取的关键词数量错误,存在多取或者少取的情况,用于表征提取的向量化关键词是否为目标向量化关键词,即提取正确的向量化关键词的数量,通过衡量当前关键词提取单元提取关键词的差距。在存在多取或者少取的情况,说明当前关键词提取单元的准确度较低,因此,通过指数函数放大差距,得到较大的损失值,从而加剧关键词提取单元中参数的变化,提高训练速度。
所述救护车资料包括:救护车编号、救护车上设置的救护设备和救护设备的功能资料;
所述医护资料包括:医护名称和医护的救治专业资料。
所述救护车匹配子***用于将关键词与存储救护车资料进行匹配,得到救护车匹配度,具体包括:将关键词逐一与每一救护车编号下的救护设备的功能资料进行匹配,得到救护车匹配度,所述救护车匹配度的表达式为:
其中,为救护车匹配度,为救护车匹配子***中输入关键词的数量,为救护车匹配子***中完全匹配成功的关键词数量,为救护车匹配子***中剩余未匹配成功的关键词数量,为救护车匹配子***中剩余未匹配成功的关键词中字匹配成功的数量,为救护车匹配子***中输入关键词所对应的字的数量,为第一匹配系数,为自然对数,为对数函数。
在本发明中,完全匹配成功为关键词与存储的资料中的词完全相同,存在某一个字不同,则不是完全匹配成功。
完全匹配成功的关键词数量低于时,说明在该救护车资料下,词的匹配度低,因此,采用函数将其匹配度进行压低,在完全匹配成功的关键词数量高于时,说明在该救护车资料下,词的匹配度高,其符合用户需求的可能性更高,因此,采用指数函数对匹配度进行拉升。在计算匹配度时,考虑两方面,一方面是匹配成功的关键词数量占输入关键词的数量的比值,另一方面在救护车资料下剩余未匹配成功的关键词的字匹配成功的数量占所输入关键词对应字的数量的比值,通过两方面去计算救护车匹配度。
所述第一匹配系数的表达式为:
其中,为第一匹配系数,为自然对数,为救护车匹配子***中完全匹配成功的关键词在救护车匹配子***中输入关键词中的最大重复次数。
由于在通话过程,有些关键词是多次提到,因此,输入的关键词中,关键词会存在重复,这种关键词具备较高优先级,若在一份救护车资料下,该关键词匹配成功,则根据其在输入关键词中重复的次数,计算匹配系数,例如其重复了3次,则,若其仅仅在输入关键词中出现了一次,则。存在多个关键词,都在输入关键词中存在重复,则取重复最多次的关键词对应的重复次数,通过匹配系数提高匹配度,从而提高匹配的准确度。
所述医护匹配子***用于将关键词与医护资料进行匹配,得到医护匹配度,具体包括:将关键词逐一与每一医护人员下的救治专业资料进行匹配,得到医护匹配度;所述医护匹配度的表达式为:
其中,为医护匹配度,为医护匹配子***中输入关键词的数量,为医护匹配子***中完全匹配成功的关键词数量,为医护匹配子***中剩余未匹配成功的关键词数量,为医护匹配子***中剩余未匹配成功的关键词中字匹配成功的数量,为医护匹配子***中输入关键词所对应的字的数量,为第二匹配系数,为自然对数,为对数函数。
完全匹配成功的关键词数量低于时,说明在该医护资料下,词的匹配度低,因此,采用函数将其匹配度进行压低,在完全匹配成功的关键词数量高于时,说明在该救护车资料下,词的匹配度高,其符合用户需求的可能性更高,因此,采用指数函数对匹配度进行拉升。在计算匹配度时,考虑两方面,一方面是匹配成功的关键词数量占输入关键词的数量的比值,另一方面是在救护车资料下剩余未匹配成功的关键词的字匹配成功的数量占所输入关键词对应字的数量的比值,通过两方面去计算医护匹配度。
所述第二匹配系数的表达式为:
其中,为第二匹配系数,为自然对数,为医护匹配子***中完全匹配成功的关键词在医护匹配子***中输入关键词中的最大重复次数。
由于在通话过程,有些关键词是多次提到,因此,输入的关键词中,关键词会存在重复,这种关键词具备较高优先级,若在一份医护资料下,该关键词匹配成功,则根据其在输入关键词中重复的次数,计算匹配系数,例如其重复了3次,则,若其仅仅在输入关键词中出现了一次,则。存在多个关键词,都在输入关键词中存在重复,则取重复最多次的关键词对应的重复次数,通过匹配系数提高匹配度,从而提高匹配的准确度。
本发明实施例的技术方案至少具有如下优点和有益效果:本发明通过语音识别子***将通话信息转为文字信息,由关键词提取子***提取关键词,通过将关键词分别与救护车资料和医护资料进行匹配,得到救护车匹配度和医护匹配度,根据救护车匹配度和医护匹配度,选择当前最优的救护车和医护前往,解决了由人来选择当前最优的救护车和医护存在较大的选择误差的问题。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种救护车医护自动调派***,其特征在于,包括:语音识别子***、关键词提取子***、救护车资料存储子***、医护资料存储子***、救护车匹配子***、医护匹配子***、救护车派送子***和医护派送子***;
所述语音识别子***用于识别通话过程中病情描述,得到病情信息;所述关键词提取子***用于从病情信息提取出关键词;所述救护车资料存储子***用于存储救护车资料;所述医护资料存储子***用于存储医护资料;所述救护车匹配子***用于将关键词与存储救护车资料进行匹配,得到救护车匹配度;所述医护匹配子***用于将关键词与医护资料进行匹配,得到医护匹配度;所述救护车派送子***用于根据救护车匹配度,派送救护车;所述医护派送子***用户根据医护匹配度,派送医护人员。
2.根据权利要求1所述的救护车医护自动调派***,其特征在于,所述关键词提取子***包括:分词单元、词组提取单元、向量化处理单元和关键词提取单元;
所述分词单元用于对病情信息进行分词,得到分词语句;
所述词组提取单元用于从分词语句中删除连接词和语气词,提取词组;
所述向量化处理单元将多个词组向量化处理,得到向量化词组;
所述关键词提取单元用于从向量化词组提取向量化关键词。
3.根据权利要求2所述的救护车医护自动调派***,其特征在于,所述关键词提取单元包括:第一卷积层Conv1、第二卷积层Conv2、第一最大池化层Maxpool1、第二最大池化层Maxpool2、第三最大池化层Maxpool3、加法器Add、注意力模块和LSTM模块;
所述第一卷积层Conv1的输入端与LSTM模块的输入端连接,并作为关键词提取单元的输入端;所述第一卷积层Conv1的输出端分别与加法器Add的第一输入端和第一最大池化层Maxpool1的输入端连接;所述第一最大池化层Maxpool1的输出端分别与第二最大池化层Maxpool2的输入端和加法器Add的第二输入端连接;所述第二最大池化层Maxpool2的输出端分别与第三最大池化层Maxpool3的输入端和加法器Add的第三输入端连接;所述第三最大池化层Maxpool3的输出端与加法器Add的第四输入端连接;所述LSTM模块的输出端与加法器Add的第五输入端连接;所述注意力模块的输入端与加法器Add的输出端连接,其输出端与第二卷积层Conv2的输入端连接;所述第二卷积层Conv2的输出端作为关键词提取单元的输出端。
4.根据权利要求3所述的救护车医护自动调派***,其特征在于,所述注意力模块的表达式为:
其中,为注意力模块的输出量,为注意力模块的输入量,为注意力模块的权重参数,为自然对数,为激活函数。
5.根据权利要求3所述的救护车医护自动调派***,其特征在于,所述关键词提取单元采用损失函数进行训练,所述损失函数为:
其中,为损失函数,为目标向量化关键词数量,为关键词提取单元实际提取的向量化关键词数量,为关键词提取单元实际提取的向量化关键词数量中属于目标向量化关键词的数量,为自然对数,为绝对运算符号。
6.根据权利要求1所述的救护车医护自动调派***,其特征在于,所述救护车资料包括:救护车编号、救护车上设置的救护设备和救护设备的功能资料;
所述医护资料包括:医护名称和医护的救治专业资料。
7.根据权利要求6所述的救护车医护自动调派***,其特征在于,所述救护车匹配子***用于将关键词与存储救护车资料进行匹配,得到救护车匹配度,具体包括:将关键词逐一与每一救护车编号下的救护设备的功能资料进行匹配,得到救护车匹配度;所述救护车匹配度的表达式为:
其中,为救护车匹配度,为救护车匹配子***中输入关键词的数量,为救护车匹配子***中完全匹配成功的关键词数量,为救护车匹配子***中剩余未匹配成功的关键词数量,为救护车匹配子***中剩余未匹配成功的关键词中字匹配成功的数量,为救护车匹配子***中输入关键词所对应的字的数量,为第一匹配系数,为自然对数,为对数函数。
8.根据权利要求7所述的救护车医护自动调派***,其特征在于,所述第一匹配系数的表达式为:
其中,为第一匹配系数,为自然对数,为救护车匹配子***中完全匹配成功的关键词在救护车匹配子***中输入关键词中的最大重复次数。
9.根据权利要求6所述的救护车医护自动调派***,其特征在于,所述医护匹配子***用于将关键词与医护资料进行匹配,得到医护匹配度,具体包括:将关键词逐一与每一医护人员下的救治专业资料进行匹配,得到医护匹配度;所述医护匹配度的表达式为:
其中,为医护匹配度,为医护匹配子***中输入关键词的数量,为医护匹配子***中完全匹配成功的关键词数量,为医护匹配子***中剩余未匹配成功的关键词数量,为医护匹配子***中剩余未匹配成功的关键词中字匹配成功的数量,为医护匹配子***中输入关键词所对应的字的数量,为第二匹配系数,为自然对数,为对数函数。
10.根据权利要求9所述的救护车医护自动调派***,其特征在于,所述第二匹配系数的表达式为:
其中,为第二匹配系数,为自然对数,为医护匹配子***中完全匹配成功的关键词在医护匹配子***中输入关键词中的最大重复次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310202565.7A CN116072274B (zh) | 2023-03-06 | 2023-03-06 | 一种救护车医护自动调派*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310202565.7A CN116072274B (zh) | 2023-03-06 | 2023-03-06 | 一种救护车医护自动调派*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116072274A true CN116072274A (zh) | 2023-05-05 |
CN116072274B CN116072274B (zh) | 2023-06-13 |
Family
ID=86182077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310202565.7A Active CN116072274B (zh) | 2023-03-06 | 2023-03-06 | 一种救护车医护自动调派*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116072274B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009266232A (ja) * | 2008-04-28 | 2009-11-12 | Fujitsu Ltd | キーワード識別方法及装置 |
US20180090131A1 (en) * | 2016-09-23 | 2018-03-29 | Intel Corporation | Technologies for improved keyword spotting |
CN207341864U (zh) * | 2016-12-14 | 2018-05-11 | 严治 | 用于创伤、胸痛中的救护车 |
CN108153728A (zh) * | 2017-12-22 | 2018-06-12 | 新奥(中国)燃气投资有限公司 | 一种关键词确定方法及装置 |
CN108417264A (zh) * | 2018-02-24 | 2018-08-17 | 潘湘斌 | 一种远程监护急救*** |
CN108876045A (zh) * | 2018-06-25 | 2018-11-23 | 上海应用技术大学 | 基于lstm模型预测的急救车最优路线推荐方法 |
CN111027562A (zh) * | 2019-12-06 | 2020-04-17 | 中电健康云科技有限公司 | 基于多尺度cnn和结合注意力机制的rnn的光学字符识别方法 |
WO2020147238A1 (zh) * | 2019-01-18 | 2020-07-23 | 平安科技(深圳)有限公司 | 关键词的确定方法、自动评分方法、装置、设备及介质 |
CN111462881A (zh) * | 2020-04-14 | 2020-07-28 | 奚小忠 | 一种基于智慧医疗的医护人员调度***及其方法 |
CN114664436A (zh) * | 2022-04-01 | 2022-06-24 | 山东大学齐鲁医院 | 一种基于智能体决策的急救辅助*** |
CN114974526A (zh) * | 2021-10-27 | 2022-08-30 | 重庆臻链汇物联网科技有限公司 | 一种院前急救与院内救治协同救护*** |
-
2023
- 2023-03-06 CN CN202310202565.7A patent/CN116072274B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009266232A (ja) * | 2008-04-28 | 2009-11-12 | Fujitsu Ltd | キーワード識別方法及装置 |
US20180090131A1 (en) * | 2016-09-23 | 2018-03-29 | Intel Corporation | Technologies for improved keyword spotting |
CN207341864U (zh) * | 2016-12-14 | 2018-05-11 | 严治 | 用于创伤、胸痛中的救护车 |
CN108153728A (zh) * | 2017-12-22 | 2018-06-12 | 新奥(中国)燃气投资有限公司 | 一种关键词确定方法及装置 |
CN108417264A (zh) * | 2018-02-24 | 2018-08-17 | 潘湘斌 | 一种远程监护急救*** |
CN108876045A (zh) * | 2018-06-25 | 2018-11-23 | 上海应用技术大学 | 基于lstm模型预测的急救车最优路线推荐方法 |
WO2020147238A1 (zh) * | 2019-01-18 | 2020-07-23 | 平安科技(深圳)有限公司 | 关键词的确定方法、自动评分方法、装置、设备及介质 |
CN111027562A (zh) * | 2019-12-06 | 2020-04-17 | 中电健康云科技有限公司 | 基于多尺度cnn和结合注意力机制的rnn的光学字符识别方法 |
CN111462881A (zh) * | 2020-04-14 | 2020-07-28 | 奚小忠 | 一种基于智慧医疗的医护人员调度***及其方法 |
CN114974526A (zh) * | 2021-10-27 | 2022-08-30 | 重庆臻链汇物联网科技有限公司 | 一种院前急救与院内救治协同救护*** |
CN114664436A (zh) * | 2022-04-01 | 2022-06-24 | 山东大学齐鲁医院 | 一种基于智能体决策的急救辅助*** |
Non-Patent Citations (3)
Title |
---|
伏紫妍;张勇;: "救护车辆配置优化设计", 河北工业科技, no. 05, pages 317 - 323 * |
张文鹏;王兴;: "基于中文关键词提取的预案智能匹配方案", 科学技术与工程, no. 21, pages 5192 - 5197 * |
陈驰;喻德荣;: "基于信息时代下的智能救护车***的设计构想", 广西轻工业, no. 11, pages 143 - 144 * |
Also Published As
Publication number | Publication date |
---|---|
CN116072274B (zh) | 2023-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442869B (zh) | 一种医疗文本处理方法及其装置、设备和存储介质 | |
CN110163181B (zh) | 手语识别方法及装置 | |
WO2021151271A1 (zh) | 基于命名实体的文本问答的方法、装置、设备及存储介质 | |
CN113094559B (zh) | 信息匹配方法、装置、电子设备和存储介质 | |
CN112151188A (zh) | 一种基于医疗知识图谱的智能疾病预测*** | |
WO2022227203A1 (zh) | 基于对话表征的分诊方法、装置、设备及存储介质 | |
CN110543553B (zh) | 问题生成方法、装置、计算机设备及存储介质 | |
CN111966810B (zh) | 一种用于问答***的问答对排序方法 | |
CN112183075B (zh) | 一种对话中的槽提取方法、装置、电子设备及存储介质 | |
CN110941720A (zh) | 一种基于知识库的特定人员信息纠错方法 | |
CN110717021A (zh) | 人工智能面试中获取输入文本和相关装置 | |
CN110222192A (zh) | 语料库建立方法及装置 | |
CN112580324A (zh) | 文本纠错方法、装置、电子设备以及存储介质 | |
CN113488157B (zh) | 智能导诊处理方法、装置、电子设备及存储介质 | |
CN116882372A (zh) | 文本生成方法、装置、电子设备以及存储介质 | |
CN114358001A (zh) | 诊断结果的标准化方法及其相关装置、设备和存储介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN113496122A (zh) | 命名实体识别方法、装置、设备及介质 | |
CN117371534B (zh) | 一种基于bert的知识图谱构建方法及*** | |
CN108304389B (zh) | 交互式语音翻译方法及装置 | |
CN116072274B (zh) | 一种救护车医护自动调派*** | |
CN113705164A (zh) | 一种文本处理方法、装置、计算机设备以及可读存储介质 | |
CN113761192A (zh) | 文本处理方法、文本处理装置及文本处理设备 | |
CN110287487B (zh) | 主谓语识别方法、装置、设备及计算机可读存储介质 | |
CN111191035A (zh) | 一种识别肺癌临床数据库文本实体的方法及装置 |
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 |