CN116469534A - 医院叫号管理***及其方法 - Google Patents

医院叫号管理***及其方法 Download PDF

Info

Publication number
CN116469534A
CN116469534A CN202310430032.4A CN202310430032A CN116469534A CN 116469534 A CN116469534 A CN 116469534A CN 202310430032 A CN202310430032 A CN 202310430032A CN 116469534 A CN116469534 A CN 116469534A
Authority
CN
China
Prior art keywords
training
word
appointment information
feature
dimensional
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
Application number
CN202310430032.4A
Other languages
English (en)
Inventor
彭亚文
柴伟
白杨
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.)
First Medical Center of PLA General Hospital
Original Assignee
First Medical Center of PLA General Hospital
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 First Medical Center of PLA General Hospital filed Critical First Medical Center of PLA General Hospital
Priority to CN202310430032.4A priority Critical patent/CN116469534A/zh
Publication of CN116469534A publication Critical patent/CN116469534A/zh
Pending legal-status Critical Current

Links

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
    • G16H40/20—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere
    • G07C2011/04—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere related to queuing systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

一种医院叫号管理***及其方法，其获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；采用基于深度学习的人工智能技术，挖掘所述各个待就诊对象的就诊预约信息的语义理解特征间的关联性特征分布信息，基于此对于就诊叫号等待时间进行准确地预估，以基于预估等待时间合理地规划自己的行程，提升患者体验度和满意。

Description

医院叫号管理***及其方法
技术领域
本申请涉及智能化管理技术领域，并且更具体地，涉及一种医院叫号管理***及其方法。
背景技术
随着医疗***快速发展、医院规模迅速壮大、就医人数日渐增多，患者挂号付费排队时间长、名医专家预约难、就医流程不便捷等问题尤为突出，医患人员要求改善就医环境的愿望越来越强烈。
目前，在患者就医的过程中，挂号排队等待的时间较长。在患者等待叫号的过程中，传统的提醒等待时间***只能提示前面还有几个人，但没有办法给出预估时间，导致就诊人员无法依此进行决策，使得患者的体验度和满意度较低。
因此，期望一种优化的医院叫号管理***。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种医院叫号管理***及其方法，其获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；采用基于深度学习的人工智能技术，挖掘所述各个待就诊对象的就诊预约信息的语义理解特征间的关联性特征分布信息，基于此对于就诊叫号等待时间进行准确地预估，以基于预估等待时间合理地规划自己的行程，提升患者体验度和满意。
第一方面，提供了一种医院叫号管理***，其包括：
就诊预约信息数据采集模块，用于获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；
预约信息语义理解模块，用于将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量；
预约信息语义关联模块，用于将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量；以及
等待时间评估模块，用于将所述预约信息语义关联特征向量通过解码器以得到解码值，所述解码值用于表示预估的等待时间。
在上述医院叫号管理***中，所述预约信息语义理解模块，包括：分词单元，用于对所述各个待就诊对象的就诊预约信息进行分词处理以将所述各个待就诊对象的就诊预约信息转化为由多个词组成的词序列；嵌入编码单元，用于使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，上下文编码单元，用于使用所述包含词嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个就诊预约信息语义理解特征向量。
在上述医院叫号管理***中，所述上下文编码单元，包括：查询向量构造子单元，用于将所述词向量的序列进行一维排列以得到全局词特征向量；自注意子单元，用于计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述多个就诊预约信息语义理解特征向量。
在上述医院叫号管理***中，所述预约信息语义关联模块，包括：第一卷积单元，用于使用所述双分支关联特征提取结构的第一一维卷积神经网络模型的各层在层的正向传递中分别对所述一维特征向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第一一维卷积神经网络模型的最后一层的输出为第一尺度预约信息特征向量，其中，所述第一一维卷积神经网络模型具有第一尺度的一维卷积核；第二卷积单元，用于使用所述双分支关联特征提取结构的第二一维卷积神经网络模型的各层在层的正向传递中分别对所述一维特征向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第二一维卷积神经网络模型的最后一层的输出为第二尺度预约信息特征向量，其中，其中，所述第二一维卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，级联单元，用于将所述第一尺度预约信息特征向量和所述第二尺度预约信息特征向量进行级联以得到所述预约信息语义关联特征向量。
在上述医院叫号管理***中，还包括对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练的训练模块。
在上述医院叫号管理***中，所述训练模块，包括：训练数据采集模块，用于获取训练数据，所述训练数据包括多个待就诊对象的训练就诊预约信息，以及，所述预估的等待时间的真实值；训练预约信息语义理解模块，用于将所述各个待就诊对象的训练就诊预约信息分别通过所述包含词嵌入层的上下文编码器以得到多个训练就诊预约信息语义理解特征向量；训练预约信息语义关联模块，用于将所述多个训练就诊预约信息语义理解特征向量排列为训练一维特征向量后通过所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到训练预约信息语义关联特征向量；优化模块，用于对所述训练预约信息语义关联特征向量进行特征分布优化以得到优化训练预约信息语义关联特征向量；解码损失模块，用于将所述优化训练预约信息语义关联特征向量通过所述解码器以得到解码损失函数值；以及，训练模块，用于基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练。
在上述医院叫号管理***中，所述优化模块，用于：以如下优化公式对所述训练预约信息语义关联特征向量进行耿贝尔正态周期性重参数化以得到所述优化预约信息语义关联特征向量；其中，所述优化公式为：
其中，vi表示所述训练预约信息语义关联特征向量的各个位置的特征值，μ和σ分别是所述训练预约信息语义关联特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示所述优化训练预约信息语义关联特征向量的各个位置的特征值。
在上述医院叫号管理***中，所述解码损失模块，包括：训练解码单元，用于使用所述解码器以如下公式对所述优化训练预约信息语义关联特征向量进行解码回归以获得训练解码值；其中，所述公式为：其中X是所述优化训练预约信息语义关联特征向量，Y是所述训练解码值，W是权重矩阵，/>表示矩阵乘；以及，损失函数计算单元，用于计算所述训练解码值和所述训练数据中所述预估的等待时间的真实值之间的方差作为所述解码损失函数值。
第二方面，提供了一种医院叫号管理方法，其包括：
获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；
将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量；
将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量；以及
将所述预约信息语义关联特征向量通过解码器以得到解码值，所述解码值用于表示预估的等待时间。
在上述医院叫号管理方法中，将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量，包括：对所述各个待就诊对象的就诊预约信息进行分词处理以将所述各个待就诊对象的就诊预约信息转化为由多个词组成的词序列；使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述包含词嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个就诊预约信息语义理解特征向量。
与现有技术相比，本申请提供的医院叫号管理***及其方法，其获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；采用基于深度学习的人工智能技术，挖掘所述各个待就诊对象的就诊预约信息的语义理解特征间的关联性特征分布信息，基于此对于就诊叫号等待时间进行准确地预估，以基于预估等待时间合理地规划自己的行程，提升患者体验度和满意。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的医院叫号管理***的应用场景图。
图2为根据本申请实施例的医院叫号管理***的框图。
图3为根据本申请实施例的医院叫号管理***中所述预约信息语义理解模块的框图。
图4为根据本申请实施例的医院叫号管理***中所述上下文编码单元的框图。
图5为根据本申请实施例的医院叫号管理***中所述预约信息语义关联模块的框图。
图6为根据本申请实施例的医院叫号管理***中所述训练模块的框图。
图7为根据本申请实施例的医院叫号管理***中所述解码损失模块的框图。
图8为根据本申请实施例的医院叫号管理方法的流程图。
图9为根据本申请实施例的医院叫号管理方法的***架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，目前，在患者就医的过程中，挂号排队等待的时间较长。在患者等待叫号的过程中，传统的提醒等待时间***只能提示前面还有几个人，但没有办法给出预估时间，导致就诊人员无法依此进行决策，使得患者的体验度和满意度较低。因此，期望一种优化的医院叫号管理***。
在本申请的一个实施例中，医院叫号管理***的有益效果在于：1.所述医院叫号管理***可以将初诊患者和复诊患者按照一定的规则和数学模型，算法进行排队叫号，不同情况规则不同。例如：初诊重要性略高于复诊，考虑到初诊还未看内心更焦虑不安，复诊是看结果的，复诊回来1个人，同时回来2-3个人等报道后进行优化***，以实现大家等待总时间更短；2.老患者的自主识别和标记。例如：两年内有患者持续挂这个医生的号，两次或者三次，就***默认为老患者，或者外科术后标记为老患者，该老患者可以特殊标记出来，一旦报道颜色区别辨认出，可以让老患者先去拍片再回来复诊，方便医生处置；3.过号模块是在叫号的基础上，如果患者没有及时就诊导致过号的一个处理，如果提前退号就不显示这名患者信息了；4.提醒等待时间模块。例如：诊区报道后显示医院公众号二维码，扫码就有个***可以显示目前排在你前面就诊的还有几个人。根据提醒，例如还有6，4，2等，该医院叫号管理***不一个一个更新，因为考虑到可能有复诊患者***，如果连续更新，会出现现在还有6个人，待会还有7个人的情况让等待患者觉得不公平。患者就可以根据这个动态变化安排自己在诊区等待，还是先去别的大厅等待干点自己的就诊快轮到自己再回来。进一步地，针对同时需要挂几个科室或者号的患者，也可以根据及时提醒服务选择先去看哪个医生再去另外一个，提升患者体验度和满意度；5.医生看完后处置分几种：化验、检查、开药和不处置。对于化验检查和开药，一旦医生在***开出化验单，就可以直接在患者手里平台，来一个抽血流程图示及视频示范，或者拍片子做检查的流程、取药、开住院申请单的流程索引。这样有利于患者后续了解自己的就诊经过，效率提升，医生们也不用因为这些细节反复解释告知，节省了医生的时间。
相应地，考虑到在实际患者进行挂号排队等待的过程中，为了对于等待的时间进行准确预估，以基于评估的时间合理规划决策自己的行程，例如针对同时需要挂几个科室或者号的患者，其可以选择先去看哪个医生再去看另外一个，以提升患者体验度和满意度，在本申请的技术方案中，期望通过对于排在目标就诊对象前的多个待就诊对象的就诊预约信息进行语义理解，以此来推断各个待就诊对象的就诊时间，从而完成等待时间的评估。也就是说，由于每个待就诊对象的病症和就诊处理方式不同，例如化验，检查，开药或不处置等，导致各个待就诊对象在就诊时所花费的时间不同，这会在就诊对象的就诊预约信息上有所呈现。但是，由于每个待就诊对象都有着各自不同的病症，其就诊预约信息中的语义理解信息也有所不同，并且，各个待就诊对象的就诊预约语义理解特征间有着关于等待时间的关联性关系，例如其中的一个患者离开时，总体的等待时间也需要重新进行计算。因此，在此过程中，难点在于如何挖掘出所述各个待就诊对象的就诊预约信息的语义理解特征间的关联性特征分布信息，以此来对于就诊叫号等待时间进行准确地预估，以基于预估等待时间合理地规划自己的行程，提升患者体验度和满意。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个待就诊对象的就诊预约信息的语义理解特征间的关联性特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取排在目标就诊对象前的多个待就诊对象的就诊预约信息。然后，考虑到由于各个所述待就诊对象的就诊预约信息都是由各个词组成的，并且各个词之间具有着上下文的语义关联特征信息，因此，将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器中进行编码，以分别提取出各个所述待就诊对象的就诊预约信息中关于该待就诊对象的病症上下文语义理解关联特征信息，即所述各个待就诊对象的就诊时间隐藏特征信息，从而得到多个就诊预约信息语义理解特征向量。
进一步地，还考虑到由于所述各个待就诊对象的病症上下文语义理解特征间具有着关于等待时间的关联性关系，也就是说，所述排在目标就诊对象前的各个待就诊对象的就诊时间共同决定了该所述目标就诊对象需要等待的时间，而当该所述目标就诊对象前的其中一个或多个患者离开时，总体的等待时间也需要重新进行计算。因此，在本申请的技术方案中，将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量。特别地，这里，所述第一一维卷积神经网络模型和第二一维卷积神经网络模型采用不同尺度的一维卷积核对于所述一维特征向量进行特征挖掘，以提取出所述各个待就诊对象的病症等待时间的语义理解特征间的多尺度关联性特征分布信息，从而得到所述预约信息语义关联特征向量。这样，能够提取出所述各个待就诊对象的就诊等待时间的时序多尺度关联特征信息。
然后，将所述预约信息语义关联特征向量通过解码器中进行解码回归，以得到用于表示预估的等待时间的解码值。也就是，以所述排在目标就诊对象前的各个待就诊对象的就诊等待时间的多尺度关联特征来进行解码，从而对于所述目标就诊对象的就诊等待时间进行评估，以使得所述目标就诊对象能够基于预估等待时间合理地规划自己的行程，提升患者体验度和满意。
特别地，在本申请的技术方案中，为了提升所述预约信息语义关联特征向量的特征表达效果，优选地将第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构得到的第一子特征向量和第二子特征向量直接级联以获得所述预约信息语义关联特征向量，但是，考虑到所述第一一维卷积神经网络模型和所述第二一维卷积神经网络模型本身的输入就是多个就诊预约信息语义理解特征向量的直接级联排列，这就使得所述预约信息语义关联特征向量的整体特征分布的连续性可能较差，从而影响训练效果。
基于此，本申请的申请人对所述预约信息语义关联特征向量，例如记为V进行耿贝尔(Gumbel)正态周期性重参数化，以获得优化后的预约信息语义关联特征向量，例如记为V′，具体为：
μ和σ分别是特征值集合vi∈V的均值和方差，且vi′∈V′。
这里，所述耿贝尔正态周期性重参数化通过将所述预约信息语义关联特征向量V的各个位置的特征值vi转换为其概率分布的角特征表达，来基于耿贝尔(Gumbel)分布的随机性周期操作方式在特征值集合的正态分布中引入随机性的周期式分布，以获得原特征分布的具有随机性的周期式连续可微近似，从而通过特征的周期性重参数化来提高反向传播的动态连续波动能力，以提高卷积核在训练过程中的动态应用性，从而补偿所述预约信息语义关联特征向量的整体特征分布的连续性差对训练效果的影响。这样，能够对于患者的就诊叫号等待时间进行准确地预估，以基于预估等待时间合理地规划患者的行程，提升患者体验度和满意。
图1为根据本申请实施例的医院叫号管理***的应用场景图。如图1所示，在该应用场景中，首先，获取排在目标就诊对象前的多个待就诊对象的就诊预约信息(例如，如图1中所示意的C)；然后，将获取的就诊预约信息输入至部署有医院叫号管理算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于医院叫号管理算法对所述就诊预约信息进行处理，以生成用于表示预估的等待时间的解码值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的医院叫号管理***的框图。如图2所示，根据本申请实施例的医院叫号管理***100，包括：就诊预约信息数据采集模块110，用于获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；预约信息语义理解模块120，用于将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量；预约信息语义关联模块130，用于将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量；以及，等待时间评估模块140，用于将所述预约信息语义关联特征向量通过解码器以得到解码值，所述解码值用于表示预估的等待时间。
具体地，在本申请实施例中，所述就诊预约信息数据采集模块110，用于获取排在目标就诊对象前的多个待就诊对象的就诊预约信息。如上所述，目前，在患者就医的过程中，挂号排队等待的时间较长。在患者等待叫号的过程中，传统的提醒等待时间***只能提示前面还有几个人，但没有办法给出预估时间，导致就诊人员无法依此进行决策，使得患者的体验度和满意度较低。因此，期望一种优化的医院叫号管理***。
相应地，考虑到在实际患者进行挂号排队等待的过程中，为了对于等待的时间进行准确预估，以基于评估的时间合理规划决策自己的行程，例如针对同时需要挂几个科室或者号的患者，其可以选择先去看哪个医生再去看另外一个，以提升患者体验度和满意度，在本申请的技术方案中，期望通过对于排在目标就诊对象前的多个待就诊对象的就诊预约信息进行语义理解，以此来推断各个待就诊对象的就诊时间，从而完成等待时间的评估。也就是说，由于每个待就诊对象的病症和就诊处理方式不同，例如化验，检查，开药或不处置等，导致各个待就诊对象在就诊时所花费的时间不同，这会在就诊对象的就诊预约信息上有所呈现。但是，由于每个待就诊对象都有着各自不同的病症，其就诊预约信息中的语义理解信息也有所不同，并且，各个待就诊对象的就诊预约语义理解特征间有着关于等待时间的关联性关系，例如其中的一个患者离开时，总体的等待时间也需要重新进行计算。因此，在此过程中，难点在于如何挖掘出所述各个待就诊对象的就诊预约信息的语义理解特征间的关联性特征分布信息，以此来对于就诊叫号等待时间进行准确地预估，以基于预估等待时间合理地规划自己的行程，提升患者体验度和满意。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个待就诊对象的就诊预约信息的语义理解特征间的关联性特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取排在目标就诊对象前的多个待就诊对象的就诊预约信息。
具体地，在本申请实施例中，所述预约信息语义理解模块120，用于将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量。然后，考虑到由于各个所述待就诊对象的就诊预约信息都是由各个词组成的，并且各个词之间具有着上下文的语义关联特征信息，因此，将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器中进行编码，以分别提取出各个所述待就诊对象的就诊预约信息中关于该待就诊对象的病症上下文语义理解关联特征信息，即所述各个待就诊对象的就诊时间隐藏特征信息，从而得到多个就诊预约信息语义理解特征向量。
图3为根据本申请实施例的医院叫号管理***中所述预约信息语义理解模块的框图，如图3所示，所述预约信息语义理解模块120，包括：分词单元121，用于对所述各个待就诊对象的就诊预约信息进行分词处理以将所述各个待就诊对象的就诊预约信息转化为由多个词组成的词序列；嵌入编码单元122，用于使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，上下文编码单元123，用于使用所述包含词嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个就诊预约信息语义理解特征向量。
进一步地，图4为根据本申请实施例的医院叫号管理***中所述上下文编码单元的框图，如图4所示，所述上下文编码单元123，包括：查询向量构造子单元1231，用于将所述词向量的序列进行一维排列以得到全局词特征向量；自注意子单元1232，用于计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1233，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1234，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元1235，用于分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述多个就诊预约信息语义理解特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short-Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在本申请实施例中，所述预约信息语义关联模块130，用于将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量。进一步地，还考虑到由于所述各个待就诊对象的病症上下文语义理解特征间具有着关于等待时间的关联性关系，也就是说，所述排在目标就诊对象前的各个待就诊对象的就诊时间共同决定了该所述目标就诊对象需要等待的时间，而当该所述目标就诊对象前的其中一个或多个患者离开时，总体的等待时间也需要重新进行计算。
因此，在本申请的技术方案中，将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量。特别地，这里，所述第一一维卷积神经网络模型和第二一维卷积神经网络模型采用不同尺度的一维卷积核对于所述一维特征向量进行特征挖掘，以提取出所述各个待就诊对象的病症等待时间的语义理解特征间的多尺度关联性特征分布信息，从而得到所述预约信息语义关联特征向量。这样，能够提取出所述各个待就诊对象的就诊等待时间的时序多尺度关联特征信息。
图5为根据本申请实施例的医院叫号管理***中所述预约信息语义关联模块的框图，如图5所示，所述预约信息语义关联模块130，包括：第一卷积单元131，用于使用所述双分支关联特征提取结构的第一一维卷积神经网络模型的各层在层的正向传递中分别对所述一维特征向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第一一维卷积神经网络模型的最后一层的输出为第一尺度预约信息特征向量，其中，所述第一一维卷积神经网络模型具有第一尺度的一维卷积核；第二卷积单元132，用于使用所述双分支关联特征提取结构的第二一维卷积神经网络模型的各层在层的正向传递中分别对所述一维特征向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第二一维卷积神经网络模型的最后一层的输出为第二尺度预约信息特征向量，其中，其中，所述第二一维卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，级联单元133，用于将所述第一尺度预约信息特征向量和所述第二尺度预约信息特征向量进行级联以得到所述预约信息语义关联特征向量。
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在本申请实施例中，所述等待时间评估模块140，用于将所述预约信息语义关联特征向量通过解码器以得到解码值，所述解码值用于表示预估的等待时间。然后，将所述预约信息语义关联特征向量通过解码器中进行解码回归，以得到用于表示预估的等待时间的解码值。也就是，以所述排在目标就诊对象前的各个待就诊对象的就诊等待时间的多尺度关联特征来进行解码，从而对于所述目标就诊对象的就诊等待时间进行评估，以使得所述目标就诊对象能够基于预估等待时间合理地规划自己的行程，提升患者体验度和满意。
在本申请一具体示例中，使用所述解码器以如下解码公式对所述预约信息语义关联特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：Vd表示所述预约信息语义关联特征向量，Y表示解码值，W表示权重矩阵，B表示偏置向量，/>表示矩阵乘。
进一步地，所述医院叫号管理***还包括对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练的训练模块。图6为根据本申请实施例的医院叫号管理***中所述训练模块的框图，如图6所示，所述训练模块150，包括：训练数据采集模块151，用于获取训练数据，所述训练数据包括多个待就诊对象的训练就诊预约信息，以及，所述预估的等待时间的真实值；训练预约信息语义理解模块152，用于将所述各个待就诊对象的训练就诊预约信息分别通过所述包含词嵌入层的上下文编码器以得到多个训练就诊预约信息语义理解特征向量；训练预约信息语义关联模块153，用于将所述多个训练就诊预约信息语义理解特征向量排列为训练一维特征向量后通过所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到训练预约信息语义关联特征向量；优化模块154，用于对所述训练预约信息语义关联特征向量进行特征分布优化以得到优化训练预约信息语义关联特征向量；解码损失模块155，用于将所述优化训练预约信息语义关联特征向量通过所述解码器以得到解码损失函数值；以及，训练模块156，用于基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练。
特别地，在本申请的技术方案中，为了提升所述预约信息语义关联特征向量的特征表达效果，优选地将第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构得到的第一子特征向量和第二子特征向量直接级联以获得所述预约信息语义关联特征向量，但是，考虑到所述第一一维卷积神经网络模型和所述第二一维卷积神经网络模型本身的输入就是多个就诊预约信息语义理解特征向量的直接级联排列，这就使得所述预约信息语义关联特征向量的整体特征分布的连续性可能较差，从而影响训练效果。
基于此，本申请的申请人对所述预约信息语义关联特征向量，例如记为V进行耿贝尔(Gumbel)正态周期性重参数化，以获得优化后的预约信息语义关联特征向量，例如记为V′，具体为：以如下优化公式对所述训练预约信息语义关联特征向量进行耿贝尔正态周期性重参数化以得到所述优化预约信息语义关联特征向量；其中，所述优化公式为：
其中，vi表示所述训练预约信息语义关联特征向量的各个位置的特征值，μ和σ分别是所述训练预约信息语义关联特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示所述优化训练预约信息语义关联特征向量的各个位置的特征值。
这里，所述耿贝尔正态周期性重参数化通过将所述预约信息语义关联特征向量V的各个位置的特征值vi转换为其概率分布的角特征表达，来基于耿贝尔(Gumbel)分布的随机性周期操作方式在特征值集合的正态分布中引入随机性的周期式分布，以获得原特征分布的具有随机性的周期式连续可微近似，从而通过特征的周期性重参数化来提高反向传播的动态连续波动能力，以提高卷积核在训练过程中的动态应用性，从而补偿所述预约信息语义关联特征向量的整体特征分布的连续性差对训练效果的影响。这样，能够对于患者的就诊叫号等待时间进行准确地预估，以基于预估等待时间合理地规划患者的行程，提升患者体验度和满意。
其中，图7为根据本申请实施例的医院叫号管理***中所述解码损失模块的框图，如图7所示，所述解码损失模块155，包括：训练解码单元1551，用于使用所述解码器以如下公式对所述优化训练预约信息语义关联特征向量进行解码回归以获得训练解码值；其中，所述公式为：其中X是所述优化训练预约信息语义关联特征向量，Y是所述训练解码值，W是权重矩阵，/>表示矩阵乘；以及，损失函数计算单元1552，用于计算所述训练解码值和所述训练数据中所述预估的等待时间的真实值之间的方差作为所述解码损失函数值。
综上，基于本申请实施例的医院叫号管理***100被阐明，其获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；采用基于深度学习的人工智能技术，挖掘所述各个待就诊对象的就诊预约信息的语义理解特征间的关联性特征分布信息，基于此对于就诊叫号等待时间进行准确地预估，以基于预估等待时间合理地规划自己的行程，提升患者体验度和满意。
如上所述，根据本申请实施例的医院叫号管理***100可以实现在各种终端设备中，例如用于医院叫号管理的服务器等。在一个示例中，根据本申请实施例的医院叫号管理***100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该医院叫号管理***100可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该医院叫号管理***100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该医院叫号管理***100与该终端设备也可以是分立的设备，并且该医院叫号管理***100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中，图8为根据本申请实施例的医院叫号管理方法的流程图。如图8所示，根据本申请实施例的医院叫号管理方法，其包括：210，获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；220，将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量；230，将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量；以及，240，将所述预约信息语义关联特征向量通过解码器以得到解码值，所述解码值用于表示预估的等待时间。
图9为根据本申请实施例的医院叫号管理方法的***架构的示意图。如图9所示，在所述医院叫号管理方法的***架构中，首先，获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；然后，将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量；接着，将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量；以及，最后，将所述预约信息语义关联特征向量通过解码器以得到解码值，所述解码值用于表示预估的等待时间。
在一个具体示例中，在上述医院叫号管理方法中，将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量，包括：对所述各个待就诊对象的就诊预约信息进行分词处理以将所述各个待就诊对象的就诊预约信息转化为由多个词组成的词序列；使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及，使用所述包含词嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个就诊预约信息语义理解特征向量。
在一个具体示例中，在上述医院叫号管理方法中，所述使用所述包含词嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个就诊预约信息语义理解特征向量，包括：将所述词向量的序列进行一维排列以得到全局词特征向量；计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述多个就诊预约信息语义理解特征向量。
在一个具体示例中，在上述医院叫号管理方法中，将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量，包括：使用所述双分支关联特征提取结构的第一一维卷积神经网络模型的各层在层的正向传递中分别对所述一维特征向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第一一维卷积神经网络模型的最后一层的输出为第一尺度预约信息特征向量，其中，所述第一一维卷积神经网络模型具有第一尺度的一维卷积核；使用所述双分支关联特征提取结构的第二一维卷积神经网络模型的各层在层的正向传递中分别对所述一维特征向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第二一维卷积神经网络模型的最后一层的输出为第二尺度预约信息特征向量，其中，其中，所述第二一维卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度预约信息特征向量和所述第二尺度预约信息特征向量进行级联以得到所述预约信息语义关联特征向量。
在一个具体示例中，在上述医院叫号管理方法中，还包括对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练。
在一个具体示例中，在上述医院叫号管理方法中，对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练，包括：获取训练数据，所述训练数据包括多个待就诊对象的训练就诊预约信息，以及，所述预估的等待时间的真实值；将所述各个待就诊对象的训练就诊预约信息分别通过所述包含词嵌入层的上下文编码器以得到多个训练就诊预约信息语义理解特征向量；将所述多个训练就诊预约信息语义理解特征向量排列为训练一维特征向量后通过所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到训练预约信息语义关联特征向量；对所述训练预约信息语义关联特征向量进行特征分布优化以得到优化训练预约信息语义关联特征向量；将所述优化训练预约信息语义关联特征向量通过所述解码器以得到解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练。
在一个具体示例中，在上述医院叫号管理方法中，对所述训练预约信息语义关联特征向量进行特征分布优化以得到优化训练预约信息语义关联特征向量，包括：以如下优化公式对所述训练预约信息语义关联特征向量进行耿贝尔正态周期性重参数化以得到所述优化预约信息语义关联特征向量；其中，所述优化公式为：
其中，vi表示所述训练预约信息语义关联特征向量的各个位置的特征值，μ和σ分别是所述训练预约信息语义关联特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示所述优化训练预约信息语义关联特征向量的各个位置的特征值。
在一个具体示例中，在上述医院叫号管理方法中，将所述优化训练预约信息语义关联特征向量通过所述解码器以得到解码损失函数值，包括：使用所述解码器以如下公式对所述优化训练预约信息语义关联特征向量进行解码回归以获得训练解码值；其中，所述公式为：其中X是所述优化训练预约信息语义关联特征向量，Y是所述训练解码值，W是权重矩阵，/>表示矩阵乘；以及，计算所述训练解码值和所述训练数据中所述预估的等待时间的真实值之间的方差作为所述解码损失函数值。
本领域技术人员可以理解，上述医院叫号管理方法中的各个步骤的具体操作已经在上面参考图1到图7的医院叫号管理***的描述中得到了详细介绍，并因此，将省略其重复描述。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还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执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、***、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例的方法、***、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种医院叫号管理***，其特征在于，包括：
就诊预约信息数据采集模块，用于获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；
预约信息语义理解模块，用于将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量；
预约信息语义关联模块，用于将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量；以及
等待时间评估模块，用于将所述预约信息语义关联特征向量通过解码器以得到解码值，所述解码值用于表示预估的等待时间。
2.根据权利要求1所述的医院叫号管理***，其特征在于，所述预约信息语义理解模块，包括：
分词单元，用于对所述各个待就诊对象的就诊预约信息进行分词处理以将所述各个待就诊对象的就诊预约信息转化为由多个词组成的词序列；
嵌入编码单元，用于使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及
上下文编码单元，用于使用所述包含词嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个就诊预约信息语义理解特征向量。
3.根据权利要求2所述的医院叫号管理***，其特征在于，所述上下文编码单元，包括：
查询向量构造子单元，用于将所述词向量的序列进行一维排列以得到全局词特征向量；
自注意子单元，用于计算所述全局词特征向量与所述词向量的序列中各个词向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述词向量的序列中各个词向量进行加权以得到所述多个就诊预约信息语义理解特征向量。
4.根据权利要求3所述的医院叫号管理***，其特征在于，所述预约信息语义关联模块，包括：
第一卷积单元，用于使用所述双分支关联特征提取结构的第一一维卷积神经网络模型的各层在层的正向传递中分别对所述一维特征向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第一一维卷积神经网络模型的最后一层的输出为第一尺度预约信息特征向量，其中，所述第一一维卷积神经网络模型具有第一尺度的一维卷积核；
第二卷积单元，用于使用所述双分支关联特征提取结构的第二一维卷积神经网络模型的各层在层的正向传递中分别对所述一维特征向量进行基于一维卷积核的卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述第二一维卷积神经网络模型的最后一层的输出为第二尺度预约信息特征向量，其中，其中，所述第二一维卷积神经网络模型具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及
级联单元，用于将所述第一尺度预约信息特征向量和所述第二尺度预约信息特征向量进行级联以得到所述预约信息语义关联特征向量。
5.根据权利要求4所述的医院叫号管理***，其特征在于，还包括对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练的训练模块。
6.根据权利要求5所述的医院叫号管理***，其特征在于，所述训练模块，包括：
训练数据采集模块，用于获取训练数据，所述训练数据包括多个待就诊对象的训练就诊预约信息，以及，所述预估的等待时间的真实值；
训练预约信息语义理解模块，用于将所述各个待就诊对象的训练就诊预约信息分别通过所述包含词嵌入层的上下文编码器以得到多个训练就诊预约信息语义理解特征向量；
训练预约信息语义关联模块，用于将所述多个训练就诊预约信息语义理解特征向量排列为训练一维特征向量后通过所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到训练预约信息语义关联特征向量；
优化模块，用于对所述训练预约信息语义关联特征向量进行特征分布优化以得到优化训练预约信息语义关联特征向量；
解码损失模块，用于将所述优化训练预约信息语义关联特征向量通过所述解码器以得到解码损失函数值；以及
训练模块，用于基于所述解码损失函数值并通过梯度下降的反向传播来对所述包含词嵌入层的上下文编码器、所述包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构和所述解码器进行训练。
7.根据权利要求6所述的医院叫号管理***，其特征在于，所述优化模块，用于：以如下优化公式对所述训练预约信息语义关联特征向量进行耿贝尔正态周期性重参数化以得到所述优化预约信息语义关联特征向量；
其中，所述优化公式为：
其中，vi表示所述训练预约信息语义关联特征向量的各个位置的特征值，μ和σ分别是所述训练预约信息语义关联特征向量的各个位置的特征值集合的均值和方差，log表示以2为底的对数函数，arcsin(·)表示反正弦函数，arccos(·)表示反余弦函数，vi′表示所述优化训练预约信息语义关联特征向量的各个位置的特征值。
8.根据权利要求7所述的医院叫号管理***，其特征在于，所述解码损失模块，包括：
训练解码单元，用于使用所述解码器以如下公式对所述优化训练预约信息语义关联特征向量进行解码回归以获得训练解码值；其中，所述公式为：其中X是所述优化训练预约信息语义关联特征向量，Y是所述训练解码值，W是权重矩阵，/>表示矩阵乘；以及
损失函数计算单元，用于计算所述训练解码值和所述训练数据中所述预估的等待时间的真实值之间的方差作为所述解码损失函数值。
9.一种医院叫号管理方法，其特征在于，包括：
获取排在目标就诊对象前的多个待就诊对象的就诊预约信息；
将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量；
将所述多个就诊预约信息语义理解特征向量排列为一维特征向量后通过包含第一一维卷积神经网络模型和第二一维卷积神经网络模型的双分支关联特征提取结构以得到预约信息语义关联特征向量；以及
将所述预约信息语义关联特征向量通过解码器以得到解码值，所述解码值用于表示预估的等待时间。
10.根据权利要求9所述的医院叫号管理方法，其特征在于，将所述各个待就诊对象的就诊预约信息分别通过包含词嵌入层的上下文编码器以得到多个就诊预约信息语义理解特征向量，包括：
对所述各个待就诊对象的就诊预约信息进行分词处理以将所述各个待就诊对象的就诊预约信息转化为由多个词组成的词序列；
使用所述包含词嵌入层的上下文编码器的嵌入层将所述词序列中各个词映射到词向量以获得词向量的序列；以及
使用所述包含词嵌入层的上下文编码器的转化器对所述词向量的序列进行基于全局的上下文语义编码以获得所述多个就诊预约信息语义理解特征向量。
CN202310430032.4A 2023-04-21 2023-04-21 医院叫号管理***及其方法 Pending CN116469534A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310430032.4A CN116469534A (zh) 2023-04-21 2023-04-21 医院叫号管理***及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310430032.4A CN116469534A (zh) 2023-04-21 2023-04-21 医院叫号管理***及其方法

Publications (1)

Publication Number Publication Date
CN116469534A true CN116469534A (zh) 2023-07-21

Family

ID=87181950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310430032.4A Pending CN116469534A (zh) 2023-04-21 2023-04-21 医院叫号管理***及其方法

Country Status (1)

Country Link
CN (1) CN116469534A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823193A (zh) * 2023-08-31 2023-09-29 深圳市永迦电子科技有限公司 基于大数据的智能制造流程管理***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116823193A (zh) * 2023-08-31 2023-09-29 深圳市永迦电子科技有限公司 基于大数据的智能制造流程管理***
CN116823193B (zh) * 2023-08-31 2023-11-03 深圳市永迦电子科技有限公司 基于大数据的智能制造流程管理***

Similar Documents

Publication Publication Date Title
CN110516161B (zh) 一种推荐方法及装置
Hassantabar et al. CovidDeep: SARS-CoV-2/COVID-19 test based on wearable medical sensors and efficient neural networks
CN106295186B (zh) 一种基于智能推理的辅助疾病诊断的***
CN109741806B (zh) 一种医学影像诊断报告辅助生成方法及其装置
KR20170061222A (ko) 건강데이터 패턴의 일반화를 통한 건강수치 예측 방법 및 그 장치
CN109378066A (zh) 一种基于特征向量实现疾病预测的控制方法及控制装置
CN109949929A (zh) 一种基于深度学习大规模病历的辅助诊断***
CN111984771A (zh) 一种基于智能对话的自动问诊***
CN111666477A (zh) 一种数据处理方法、装置、智能设备及介质
WO2020224433A1 (zh) 基于机器学习的目标对象属性预测方法及相关设备
WO2023178971A1 (zh) 就医的互联网挂号方法、装置、设备及存储介质
US10847261B1 (en) Methods and systems for prioritizing comprehensive diagnoses
CN111933291A (zh) 医疗信息推荐装置、方法、***、设备及可读存储介质
EP4156202A1 (en) Method and system for predicting needs of patient for hospital resources
CN111696661A (zh) 患者分群模型构建方法、患者分群方法及相关设备
CN115497616A (zh) 一种感染性疾病辅助决策的方法、***、设备及存储介质
CN113160993A (zh) 一种健康干预***、服务器及健康管理***
CN116469534A (zh) 医院叫号管理***及其方法
CN112908452A (zh) 事件数据建模
CN110088748B (zh) 问题生成方法和装置、问诊***、计算机可读存储介质
CN111159369A (zh) 多轮智能问诊方法、装置及计算机可读存储介质
CN117034142B (zh) 一种不平衡医疗数据缺失值填充方法及***
CN112259243B (zh) 一种基于双向GRUs的单病种临床路径构建方法及***
CN117253629A (zh) 导医信息推送方法、装置、设备、介质和计算机程序产品
CN117292783A (zh) 医学影像报告生成***

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