CN116072274B - 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 PDF

Info

Publication number
CN116072274B
CN116072274B CN202310202565.7A CN202310202565A CN116072274B CN 116072274 B CN116072274 B CN 116072274B CN 202310202565 A CN202310202565 A CN 202310202565A CN 116072274 B CN116072274 B CN 116072274B
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.)
Active
Application number
CN202310202565.7A
Other languages
English (en)
Other versions
CN116072274A (zh
Inventor
熊皓宇
刘江东
魏治川
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.)
Sichuan Huhui Software Co ltd
Original Assignee
Sichuan Huhui Software 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 Sichuan Huhui Software Co ltd filed Critical Sichuan Huhui Software Co ltd
Priority to CN202310202565.7A priority Critical patent/CN116072274B/zh
Publication of CN116072274A publication Critical patent/CN116072274A/zh
Application granted granted Critical
Publication of CN116072274B publication Critical patent/CN116072274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种救护车医护自动调派***
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：
Figure SMS_1
其中，
Figure SMS_2
为注意力模块的输出量，/>
Figure SMS_3
为注意力模块的输入量，/>
Figure SMS_4
为注意力模块的权重参数，/>
Figure SMS_5
为自然对数，/>
Figure SMS_6
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：
Figure SMS_7
其中，
Figure SMS_8
为损失函数，/>
Figure SMS_9
为目标向量化关键词数量，/>
Figure SMS_10
为关键词提取单元实际提取的向量化关键词数量，/>
Figure SMS_11
为关键词提取单元实际提取的向量化关键词数量/>
Figure SMS_12
中属于目标向量化关键词的数量，/>
Figure SMS_13
为自然对数，/>
Figure SMS_14
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
Figure SMS_15
为当前关键词提取单元应当提取到的关键词数量，/>
Figure SMS_19
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/>
Figure SMS_22
与/>
Figure SMS_17
相等时，关键词提取单元提取的关键词数量正确，在
Figure SMS_18
与/>
Figure SMS_20
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，/>
Figure SMS_21
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/>
Figure SMS_16
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：
Figure SMS_23
其中，
Figure SMS_25
为救护车匹配度，/>
Figure SMS_27
为救护车匹配子***中输入关键词的数量，
Figure SMS_30
为救护车匹配子***中完全匹配成功的关键词数量，/>
Figure SMS_26
为救护车匹配子***中剩余未匹配成功的关键词数量，/>
Figure SMS_29
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，/>
Figure SMS_31
为救护车匹配子***中输入关键词所对应的字的数量，/>
Figure SMS_32
为第一匹配系数，/>
Figure SMS_24
为自然对数，/>
Figure SMS_28
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
Figure SMS_34
低于/>
Figure SMS_38
时，说明在该救护车资料下，词的匹配度低，因此，采用/>
Figure SMS_40
函数将其匹配度进行压低，在完全匹配成功的关键词数量/>
Figure SMS_35
高于/>
Figure SMS_37
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/>
Figure SMS_39
占输入关键词的数量/>
Figure SMS_41
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/>
Figure SMS_33
占所输入关键词对应字的数量
Figure SMS_36
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：
Figure SMS_42
其中，
Figure SMS_43
为第一匹配系数，/>
Figure SMS_44
为自然对数，/>
Figure SMS_45
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
Figure SMS_46
，若其仅仅在输入关键词中出现了一次，则/>
Figure SMS_47
。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：
Figure SMS_48
其中，
Figure SMS_50
为医护匹配度，/>
Figure SMS_53
为医护匹配子***中输入关键词的数量，/>
Figure SMS_56
为医护匹配子***中完全匹配成功的关键词数量，/>
Figure SMS_51
为医护匹配子***中剩余未匹配成功的关键词数量，/>
Figure SMS_52
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，/>
Figure SMS_55
为医护匹配子***中输入关键词所对应的字的数量，/>
Figure SMS_57
为第二匹配系数，/>
Figure SMS_49
为自然对数，/>
Figure SMS_54
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
Figure SMS_60
低于/>
Figure SMS_63
时，说明在该医护资料下，词的匹配度低，因此，采用/>
Figure SMS_65
函数将其匹配度进行压低，在完全匹配成功的关键词数量/>
Figure SMS_59
高于/>
Figure SMS_62
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/>
Figure SMS_64
占输入关键词的数量/>
Figure SMS_66
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/>
Figure SMS_58
占所输入关键词对应字的数量
Figure SMS_61
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：
Figure SMS_67
其中，
Figure SMS_68
为第二匹配系数，/>
Figure SMS_69
为自然对数，/>
Figure SMS_70
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
Figure SMS_71
，若其仅仅在输入关键词中出现了一次，则/>
Figure SMS_72
。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：
Figure SMS_73
其中，
Figure SMS_74
为注意力模块的输出量，/>
Figure SMS_75
为注意力模块的输入量，/>
Figure SMS_76
为注意力模块的权重参数，/>
Figure SMS_77
为自然对数，/>
Figure SMS_78
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：
Figure SMS_79
其中，
Figure SMS_80
为损失函数，/>
Figure SMS_81
为目标向量化关键词数量，/>
Figure SMS_82
为关键词提取单元实际提取的向量化关键词数量，/>
Figure SMS_83
为关键词提取单元实际提取的向量化关键词数量/>
Figure SMS_84
中属于目标向量化关键词的数量，/>
Figure SMS_85
为自然对数，/>
Figure SMS_86
为绝对运算符号。
目标向量化关键词数量
Figure SMS_88
为当前关键词提取单元应当提取到的关键词数量，/>
Figure SMS_90
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/>
Figure SMS_91
与/>
Figure SMS_89
相等时，关键词提取单元提取的关键词数量正确，在/>
Figure SMS_92
与/>
Figure SMS_93
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，/>
Figure SMS_94
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/>
Figure SMS_87
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：
Figure SMS_95
其中，
Figure SMS_97
为救护车匹配度，/>
Figure SMS_99
为救护车匹配子***中输入关键词的数量，
Figure SMS_103
为救护车匹配子***中完全匹配成功的关键词数量，/>
Figure SMS_96
为救护车匹配子***中剩余未匹配成功的关键词数量，/>
Figure SMS_101
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，/>
Figure SMS_102
为救护车匹配子***中输入关键词所对应的字的数量，/>
Figure SMS_104
为第一匹配系数，/>
Figure SMS_98
为自然对数，/>
Figure SMS_100
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
Figure SMS_106
低于/>
Figure SMS_109
时，说明在该救护车资料下，词的匹配度低，因此，采用/>
Figure SMS_111
函数将其匹配度进行压低，在完全匹配成功的关键词数量/>
Figure SMS_107
高于
Figure SMS_110
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/>
Figure SMS_112
占输入关键词的数量/>
Figure SMS_113
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/>
Figure SMS_105
占所输入关键词对应字的数量/>
Figure SMS_108
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：
Figure SMS_114
其中，
Figure SMS_115
为第一匹配系数，/>
Figure SMS_116
为自然对数，/>
Figure SMS_117
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
Figure SMS_118
，若其仅仅在输入关键词中出现了一次，则/>
Figure SMS_119
。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：
Figure SMS_120
其中，
Figure SMS_121
为医护匹配度，/>
Figure SMS_124
为医护匹配子***中输入关键词的数量，/>
Figure SMS_127
为医护匹配子***中完全匹配成功的关键词数量，/>
Figure SMS_123
为医护匹配子***中剩余未匹配成功的关键词数量，/>
Figure SMS_126
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，/>
Figure SMS_128
为医护匹配子***中输入关键词所对应的字的数量，/>
Figure SMS_129
为第二匹配系数，/>
Figure SMS_122
为自然对数，/>
Figure SMS_125
为对数函数。
完全匹配成功的关键词数量
Figure SMS_132
低于/>
Figure SMS_134
时，说明在该医护资料下，词的匹配度低，因此，采用/>
Figure SMS_137
函数将其匹配度进行压低，在完全匹配成功的关键词数量/>
Figure SMS_131
高于/>
Figure SMS_135
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
Figure SMS_136
占输入关键词的数量/>
Figure SMS_138
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/>
Figure SMS_130
占所输入关键词对应字的数量/>
Figure SMS_133
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：
Figure SMS_139
其中，
Figure SMS_140
为第二匹配系数，/>
Figure SMS_141
为自然对数，/>
Figure SMS_142
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
Figure SMS_143
，若其仅仅在输入关键词中出现了一次，则/>
Figure SMS_144
。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 (6)

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；
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：
Figure QLYQS_1
其中，
Figure QLYQS_3
为救护车匹配度，/>
Figure QLYQS_7
为救护车匹配子***中输入关键词的数量，/>
Figure QLYQS_8
为救护车匹配子***中完全匹配成功的关键词数量，/>
Figure QLYQS_4
为救护车匹配子***中剩余未匹配成功的关键词数量，/>
Figure QLYQS_6
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，/>
Figure QLYQS_9
为救护车匹配子***中输入关键词所对应的字的数量，/>
Figure QLYQS_10
为第一匹配系数，/>
Figure QLYQS_2
为自然对数，/>
Figure QLYQS_5
为对数函数；
所述第一匹配系数的表达式为：
Figure QLYQS_11
其中，
Figure QLYQS_12
为第一匹配系数，/>
Figure QLYQS_13
为自然对数，/>
Figure QLYQS_14
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；
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：
Figure QLYQS_15
其中，
Figure QLYQS_16
为医护匹配度，/>
Figure QLYQS_19
为医护匹配子***中输入关键词的数量，/>
Figure QLYQS_22
为医护匹配子***中完全匹配成功的关键词数量，/>
Figure QLYQS_18
为医护匹配子***中剩余未匹配成功的关键词数量，/>
Figure QLYQS_21
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，/>
Figure QLYQS_23
为医护匹配子***中输入关键词所对应的字的数量，/>
Figure QLYQS_24
为第二匹配系数，/>
Figure QLYQS_17
为自然对数，/>
Figure QLYQS_20
为对数函数；
所述第二匹配系数的表达式为：
Figure QLYQS_25
其中，
Figure QLYQS_26
为第二匹配系数，/>
Figure QLYQS_27
为自然对数，/>
Figure QLYQS_28
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。
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：
Figure QLYQS_29
其中，
Figure QLYQS_30
为注意力模块的输出量，/>
Figure QLYQS_31
为注意力模块的输入量，/>
Figure QLYQS_32
为注意力模块的权重参数，/>
Figure QLYQS_33
为自然对数，/>
Figure QLYQS_34
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：
Figure QLYQS_35
其中，
Figure QLYQS_36
为损失函数，/>
Figure QLYQS_37
为目标向量化关键词数量，/>
Figure QLYQS_38
为关键词提取单元实际提取的向量化关键词数量，/>
Figure QLYQS_39
为关键词提取单元实际提取的向量化关键词数量/>
Figure QLYQS_40
中属于目标向量化关键词的数量，/>
Figure QLYQS_41
为自然对数，/>
Figure QLYQS_42
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。
CN202310202565.7A 2023-03-06 2023-03-06 一种救护车医护自动调派*** Active CN116072274B (zh)

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 CN116072274A (zh) 2023-05-05
CN116072274B true 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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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***

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101571921B (zh) * 2008-04-28 2012-07-25 富士通株式会社 关键字识别方法和装置
US10217458B2 (en) * 2016-09-23 2019-02-26 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
CN108153728B (zh) * 2017-12-22 2021-05-25 新奥（中国）燃气投资有限公司 一种关键词确定方法及装置
CN114171181A (zh) * 2018-02-24 2022-03-11 潘湘斌 一种远程监护急救***
CN109829155B (zh) * 2019-01-18 2024-03-22 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
CN111027562B (zh) * 2019-12-06 2023-07-18 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
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***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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***

Also Published As

Publication number Publication date
CN116072274A (zh) 2023-05-05

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
CN111222305A (zh) 一种信息结构化方法和装置
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
CN111602128A (zh) 计算机实现的确定方法和***
CN112151188A (zh) 一种基于医疗知识图谱的智能疾病预测***
CN111966810B (zh) 一种用于问答***的问答对排序方法
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
CN111506709B (zh) 实体链接方法、装置、电子设备和存储介质
CN110619119B (zh) 文本智能编辑方法、装置及计算机可读存储介质
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
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
CN113157852A (zh) 语音处理的方法、***、电子设备及存储介质
CN115982222A (zh) 一种基于特病特药场景的搜索方法
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***
CN116072274B (zh) 一种救护车医护自动调派***
CN108304389B (zh) 交互式语音翻译方法及装置
CN113436614A (zh) 语音识别方法、装置、设备、***及存储介质
CN112949637A (zh) 基于idcnn和注意力机制的招投标文本实体识别方法
CN113761192A (zh) 文本处理方法、文本处理装置及文本处理设备
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
CN112581297A (zh) 基于人工智能的信息推送方法、装置及计算机设备

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