CN116597971A - 基于数字孪生的医院空间优化模拟方法及*** - Google Patents
基于数字孪生的医院空间优化模拟方法及*** Download PDFInfo
- Publication number
- CN116597971A CN116597971A CN202310875300.3A CN202310875300A CN116597971A CN 116597971 A CN116597971 A CN 116597971A CN 202310875300 A CN202310875300 A CN 202310875300A CN 116597971 A CN116597971 A CN 116597971A
- Authority
- CN
- China
- Prior art keywords
- distribution
- key information
- typical
- space
- distribution network
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 73
- 238000004088 simulation Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000009471 action Effects 0.000 claims abstract description 257
- 239000013598 vector Substances 0.000 claims abstract description 232
- 238000005065 mining Methods 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims description 37
- 238000012512 characterization method Methods 0.000 claims description 36
- 238000013507 mapping Methods 0.000 claims description 25
- 238000003491 array Methods 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供的基于数字孪生的医院空间优化模拟方法及***，涉及人工智能技术领域。在本发明中，采集到多个医院空间待分析动作；基于多个医院空间待分析动作，确定出第一类对象分布网；将第一类对象分布网进行图谱关键信息挖掘操作，以输出第一类分布网描述向量；基于第一类分布网描述向量，得到各医院空间待分析动作对应的动作识别数据；基于动作识别数据，确定出模拟医疗空间的空间优先级参数，在得到多个模拟医疗空间的空间优先级参数之后，基于空间优先级参数，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果。基于上述内容，可以在一定程度上提高医院空间优化模拟的可靠度。
Description
技术领域
本发明涉及人工智能技术领域，具体而言，涉及一种基于数字孪生的医院空间优化模拟方法及***。
背景技术
Digital Twin数字孪生：是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。Digital Twin是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备***的数字映射***。例如，可以基于数字孪生技术，对医疗空间进行模拟，使得可以便于进行相应的优化操作等。但是，在现有技术中，存在着医院空间优化模拟的可靠度不高的问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于数字孪生的医院空间优化模拟方法及***，以在一定程度上提高医院空间优化模拟的可靠度。
为实现上述目的，本发明实施例采用如下技术方案：
一种基于数字孪生的医院空间优化模拟方法，包括：
采集到多个医院空间待分析动作，所述医院空间待分析动作用于反映患者方人员对医疗方人员输出的医院空间动作，且每一个所述医院空间待分析动作通过相应的文本数据或图像数据进行记录，所述多个医院空间待分析动作通过对一个模拟医疗空间进行运行仿真以形成；
基于所述多个医院空间待分析动作，确定出第一类对象分布网，所述第一类对象分布网包括所述患者方人员对应的患者方人员分布对象、所述医疗方人员对应的医疗方人员分布对象、用于关联所述患者方人员分布对象和所述医疗方人员分布对象的分布对象关联线；
将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量，所述第一类分布网描述向量包括各所述患者方人员分布对象对应的患者方人员关键信息、各所述医疗方人员分布对象对应的医疗方人员关键信息和各所述分布对象关联线对应的医院空间动作关键信息；
基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据，所述动作识别数据用于反映所述医院空间待分析动作是否属于可疑动作或属于可疑动作的可能性高低；
基于各所述医院空间待分析动作对应的动作识别数据，确定出所述模拟医疗空间的空间优先级参数，以及，在得到多个模拟医疗空间的空间优先级参数之后，基于所述空间优先级参数，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果，所述目标实际医疗空间属于待建空间。
在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，在所述采集到多个医院空间待分析动作的步骤以后，所述基于数字孪生的医院空间优化模拟方法还包括：
基于所述多个医院空间待分析动作，确定出第二类对象分布网，所述第二类对象分布网包括动作类分布对象和动作对象关联线；
将所述第二类对象分布网进行图谱关键信息挖掘操作，输出各所述动作类分布对象对应的群体空间动作描述向量，所述群体空间动作描述向量属于进行群体性动作的动作关键信息；
所述基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据的步骤，包括：
基于所述第一类分布网描述向量和各所述群体空间动作描述向量，将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据。
在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述群体空间动作描述向量是利用关键信息分析网络进行图谱关键信息挖掘操作得到的；
所述关键信息分析网络的网络优化过程，包括：
提取到典型第二类对象分布网，所述典型第二类对象分布网中包括可疑医院空间动作的典型可疑动作类分布对象、用于关联两个典型动作类分布对象的典型动作对象关联线；
将所述典型第二类对象分布网中的各所述典型可疑动作类分布对象进行关键信息挖掘操作，以输出各所述典型可疑动作类分布对象对应的典型群体动作描述向量，所述典型群体动作描述向量是指典型的群体空间动作描述向量；
依据各所述典型可疑动作类分布对象的典型群体动作描述向量，利用候选关键信息分析网络，分析出各所述典型可疑动作类分布对象对应的典型动作识别数据；
基于各所述典型可疑动作类分布对象对应的典型动作识别数据和各所述典型可疑动作类分布对象，对所述候选关键信息分析网络进行参数优化调整操作，以形成所述候选关键信息分析网络对应的关键信息分析网络。
在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述将所述典型第二类对象分布网中的各所述典型可疑动作类分布对象进行关键信息挖掘操作，以输出各所述典型可疑动作类分布对象对应的典型群体动作描述向量的步骤，包括：
确定出所述典型第二类对象分布网对应的典型全局相邻关系阵列，以及，确定出各所述典型可疑动作类分布对象对应的典型局部相邻关系阵列；
将所述典型第二类对象分布网中各所述典型可疑动作类分布对象进行相邻分析操作，分析形成各所述典型可疑动作类分布对象对应的典型可疑相邻对象簇，所述典型可疑相邻对象簇包括与对应的典型可疑动作类分布对象之间关联有所述典型动作对象关联线的典型可疑相邻分布对象；
利用各所述典型可疑相邻对象簇，将所述典型局部相邻关系阵列进行强化操作，形成各所述典型可疑动作类分布对象对应的强化局部相邻关系阵列；
将各所述典型可疑动作类分布对象对应的强化局部相邻关系阵列进行参数的区间映射操作，以形成各所述典型可疑动作类分布对象对应的映射局部相邻关系阵列；
基于各所述映射局部相邻关系阵列进行可疑参数的分析操作，形成各所述典型可疑动作类分布对象对应的典型群体动作描述向量。
在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，包括：
将所述第一类对象分布网中的各所述患者方人员分布对象和各所述医疗方人员分布对象进行对象关键信息挖掘操作，以分别形成对应的对象关键信息描述向量；
将所述第一类对象分布网中各所述分布对象关联线进行关联线关键信息挖掘操作，以分别形成对应的关联线关键信息描述向量；
基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量。
在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，包括：
确定出所述第一类对象分布网对应的相邻关系表征参数分布，所述相邻关系表征参数分布用于反映分布对象之间的相邻信息；
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述患者方人员分布对象对应的患者关系表征参数分布；
基于各所述患者关系表征参数分布和各所述患者方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各所述患者方人员关键信息，所述第一类对象分布网的分布网表征参数与所述第一类对象分布网中所述分布对象关联线的数量之间具有相关关系；
倘若所述当前迭代次数等于一，则所述患者方人员分布对象的迭代次数等于一的对象关键信息描述向量为所述患者方人员分布对象的对象关键信息描述向量。
在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，还包括：
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述医疗方人员分布对象对应的医疗关系表征参数分布；
基于各所述医疗关系表征参数分布和各所述医疗方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述医疗方人员分布对象的下一迭代次数的对象关键信息描述向量；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述医疗方人员分布对象的下一迭代次数的对象关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各医疗方人员关键信息；
倘若所述当前迭代次数等于一，则所述医疗方人员分布对象的迭代次数等于一的对象关键信息描述向量为所述医疗方人员分布对象的对象关键信息描述向量。
在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，还包括：
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述分布对象关联线对应的线相邻关系表征参数分布；
基于各所述线相邻关系表征参数分布和各所述分布对象关联线的当前迭代次数的关联线关键信息描述向量，进行数据合并操作，以分别形成各所述分布对象关联线的下一迭代次数的关联线关键信息描述向量；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述分布对象关联线的下一迭代次数的关联线关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各医院空间动作关键信息；
倘若所述当前迭代次数等于一，则所述分布对象关联线的迭代次数等于一的关联线关键信息描述向量为所述分布对象关联线的关联线关键信息描述向量。
在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据的步骤，包括：
基于各所述患者方人员关键信息、各所述医疗方人员关键信息和各所述医院空间动作关键信息，将各所述分布对象关联线进行可疑医院空间动作的评估操作，输出各所述分布对象关联线为可疑医院空间动作的对应线的可能性参数；
基于各所述分布对象关联线为可疑医院空间动作的对应线的可能性参数，得到各所述医院空间待分析动作对应的动作识别数据。
本发明实施例还提供一种基于数字孪生的医院空间优化模拟***，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于数字孪生的医院空间优化模拟方法。
本发明实施例提供的基于数字孪生的医院空间优化模拟方法及***，可以先采集到多个医院空间待分析动作；基于多个医院空间待分析动作，确定出第一类对象分布网；将第一类对象分布网进行图谱关键信息挖掘操作，以输出第一类分布网描述向量；基于第一类分布网描述向量，得到各医院空间待分析动作对应的动作识别数据；基于动作识别数据，确定出模拟医疗空间的空间优先级参数，在得到多个模拟医疗空间的空间优先级参数之后，基于空间优先级参数，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果。基于前述的内容，由于是基于第一类分布网描述向量，分别将各分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，即表示对医院空间待分析动作进行独立分析，使得得到的各医院空间待分析动作对应的动作识别数据的可靠度更高，因此，可以在一定程度上提高基于动作识别数据进行的模拟医疗空间筛选的可靠度，从而提高医院空间优化模拟的可靠度。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例提供的基于数字孪生的医院空间优化模拟***的结构框图。
图2为本发明实施例提供的基于数字孪生的医院空间优化模拟方法包括的各步骤的流程示意图。
图3为本发明实施例提供的基于数字孪生的医院空间优化模拟装置包括的各模块的示意图。
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，所描述的实施例只是本发明的一部分实施例，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，本发明实施例提供了一种基于数字孪生的医院空间优化模拟***，可以包括存储器和处理器。
详细地，所述存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器中可以存储有至少一个可以以软件或固件（firmware）的形式，存在的软件功能模块（计算机程序）。所述处理器可以用于执行所述存储器中存储的可执行的计算机程序，从而实现本发明实施例提供的基于数字孪生的医院空间优化模拟方法。
应当理解的是，在一些可能的实施方式中，所述存储器可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-Only Memory，PROM），可擦除只读存储器（ErasableProgrammable Read-Only Memory，EPROM），电可擦除只读存储器（Electric ErasableProgrammable Read-Only Memory，EEPROM）等。所述处理器可以是一种通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）、片上***(System on Chip，SoC)等；还可以是数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
应当理解的是，在一些可能的实施方式中，所述基于数字孪生的医院空间优化模拟***可以是一种具备数据处理能力的服务器。
本发明实施例还提供一种基于数字孪生的医院空间优化模拟方法，可应用于上述基于数字孪生的医院空间优化模拟***。其中，所述基于数字孪生的医院空间优化模拟方法可以包括：
基于采集到的多个医院空间待分析动作，确定出第一类对象分布网；将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量；基于所述第一类分布网描述向量，进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据；在得到多个模拟医疗空间中每一个模拟医疗空间的各所述医院空间待分析动作对应的动作识别数据之后，基于所述动作识别数据，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果。
应当理解的是，在一些可能的实施方式中，所述基于采集到的多个医院空间待分析动作，确定出第一类对象分布网的步骤，可以包括：
采集到多个医院空间待分析动作，所述医院空间待分析动作用于反映患者方人员对医疗方人员输出的医院空间动作，且每一个所述医院空间待分析动作通过相应的文本数据或图像数据进行记录，所述多个医院空间待分析动作通过对一个模拟医疗空间进行运行仿真以形成；基于所述多个医院空间待分析动作，确定出第一类对象分布网，所述第一类对象分布网包括所述患者方人员对应的患者方人员分布对象、所述医疗方人员对应的医疗方人员分布对象、用于关联所述患者方人员分布对象和所述医疗方人员分布对象的分布对象关联线。
应当理解的是，在一些可能的实施方式中，所述在得到多个模拟医疗空间中每一个模拟医疗空间的各所述医院空间待分析动作对应的动作识别数据之后，基于所述动作识别数据，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果，所述目标实际医疗空间属于待建空间的步骤，包括：
基于各所述医院空间待分析动作对应的动作识别数据，确定出所述模拟医疗空间的空间优先级参数，以及，在得到多个模拟医疗空间的空间优先级参数之后，基于所述空间优先级参数，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果，所述目标实际医疗空间属于待建空间。
应当理解的是，在一些可能的实施方式中，上述的基于数字孪生的医院空间优化模拟方法的各步骤的具体内容也可以参照后文的相关描述。
结合图2，本发明实施例还提供另一种基于数字孪生的医院空间优化模拟方法，可应用于上述基于数字孪生的医院空间优化模拟***。其中，所述基于数字孪生的医院空间优化模拟方法有关的流程所定义的方法步骤，可以由所述基于数字孪生的医院空间优化模拟***实现。
下面将对图2所示的具体流程，进行详细阐述。
步骤S110，采集到多个医院空间待分析动作。
在本发明实施例中，所述基于数字孪生的医院空间优化模拟***可以采集到多个医院空间待分析动作。所述医院空间待分析动作用于反映患者方人员对医疗方人员输出的医院空间动作，且每一个所述医院空间待分析动作通过相应的文本数据或图像数据进行记录，所述多个医院空间待分析动作通过对一个模拟医疗空间进行运行仿真以形成，所述多个医院空间待分析动作属于所述模拟医疗空间中的一个或多个患者方人员对一个或多个医疗方人员进行动作输出以形成。
步骤S120，基于所述多个医院空间待分析动作，确定出第一类对象分布网。
在本发明实施例中，所述基于数字孪生的医院空间优化模拟***可以基于所述多个医院空间待分析动作，确定出第一类对象分布网。所述第一类对象分布网包括所述患者方人员对应的患者方人员分布对象、所述医疗方人员对应的医疗方人员分布对象、用于关联所述患者方人员分布对象和所述医疗方人员分布对象的分布对象关联线。所述分布对象关联线与所述医院空间待分析动作对应，即患者方人员分布对象和医疗方人员分布对象之间关联的分布对象关联线，对应于，该患者方人员分布对象对应的患者方人员对该医疗方人员分布对象对应的医疗方人员输出的医院空间待分析动作，例如，患者方人员1对医疗方人员2输出了医院空间待分析动作A，则在患者方人员1对应的患者方人员分布对象1和医疗方人员2对应的医疗方人员分布对象2之间关联有（即连接有）医院空间待分析动作A对应的分布对象关联线A。另外，患者方人员分布对象与医疗方人员分布对象之间的对象属性信息不同，如患者方人员分布对象用于描述患者方人员对应的相关属性信息，可以包括患者方人员（患者、患者家属等）的身份信息、患者方人员的病例信息等。医疗方人员分布对象用于描述医疗方人员对应的相关属性信息，可以包括医疗方人员（医生、护士等）的身份信息、医疗方人员的职业信息等。并且，所述分布对象关联线的属性信息可以为所述医院空间待分析动作对应的文本数据或图像数据。
步骤S130，将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量。
在本发明实施例中，所述基于数字孪生的医院空间优化模拟***可以将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量。所述第一类分布网描述向量包括各所述患者方人员分布对象对应的患者方人员关键信息（可以用向量的形式表示）、各所述医疗方人员分布对象对应的医疗方人员关键信息（也可以用向量的形式表示）和各所述分布对象关联线对应的医院空间动作关键信息（也可以用向量的形式表示）。
步骤S140，基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据。
在本发明实施例中，所述基于数字孪生的医院空间优化模拟***可以基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据。所述动作识别数据用于反映所述医院空间待分析动作是否属于可疑动作或属于可疑动作的可能性高低。可疑动作的具体类型可以根据实际需求进行定义，如可以设置可疑动作标签，以进行学习。
步骤S150，基于各所述医院空间待分析动作对应的动作识别数据，确定出所述模拟医疗空间的空间优先级参数，以及，在得到多个模拟医疗空间的空间优先级参数之后，基于所述空间优先级参数，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果。
在本发明实施例中，所述基于数字孪生的医院空间优化模拟***可以基于各所述医院空间待分析动作对应的动作识别数据，确定出所述模拟医疗空间的空间优先级参数，以及，在得到多个模拟医疗空间的空间优先级参数之后，基于所述空间优先级参数，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果。所述目标实际医疗空间属于待建空间。例如，所述动作识别数据表征的是属于可疑动作的可能性高低，如此，可疑计算出各所述医院空间待分析动作对应的动作识别数据的均值或最大值，然后，将该均值或最大值的负相关系数，作为所述空间优先级参数，最后，可以将空间优先级参数最大的一个或多个模拟医疗空间作为目标模拟医疗空间。或者，在所述动作识别数据表征的是“是否属于可疑动作”时，可以确定出不属于可疑动作的医院空间待分析动作的数量占比，然后，基于该数量占比确定出正相关的系数，以作为所述空间优先级参数。
基于前述的内容，由于是基于第一类分布网描述向量，分别将各分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，即表示对医院空间待分析动作进行独立分析，使得得到的各医院空间待分析动作对应的动作识别数据的可靠度更高，因此，可以在一定程度上提高基于动作识别数据进行的模拟医疗空间筛选的可靠度，从而提高医院空间优化模拟的可靠度，进而改善现有技术中存在的可靠度不高的问题。
应当理解的是，在一些可能的实施方式中，上述描述中的步骤S130，即所述将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，在一些具体的应用中可以包括以下内容：
将所述第一类对象分布网中的各所述患者方人员分布对象和各所述医疗方人员分布对象进行对象关键信息挖掘操作，以分别形成对应的对象关键信息描述向量，所述对象关键信息挖掘操作可以是指对分布对象的属性信息进行关键信息的挖掘，即进行特征挖掘，可以参照相关的现有技术；
将所述第一类对象分布网中各所述分布对象关联线进行关联线关键信息挖掘操作，以分别形成对应的关联线关键信息描述向量，所述关联线关键信息挖掘操作可以是指对分布对象关联线的属性信息进行关键信息的挖掘，即进行特征挖掘，可以参照相关的现有技术；
基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量；示例性地，所述第一类分布网描述向量可以包括各患者方人员分布对象对应的患者方人员关键信息、各医疗方人员分布对象对应的医疗方人员关键信息和各分布对象关联线对应的医院空间动作关键信息；其中，患者方人员关键信息可以包括：患者方人员分布对象的对象关键信息描述向量、与患者方人员分布对象之间关联有分布对象关联线的分布对象的对象关键信息描述向量，与患者方人员分布对象之间关联有分布对象关联线的分布对象可以为与患者方人员分布对象通过一条分布对象关联线关联的分布对象，也可以为与患者方人员分布对象通过多条分布对象关联线关联的分布对象，并且，患者方人员关键信息还可以包括与患者方人员分布对象相连接的分布对象关联线对应的医院空间动作关键信息等；其中，医疗方人员关键信息可以包括：医疗方人员分布对象的对象关键信息描述向量、与医疗方人员分布对象之间关联有分布对象关联线的分布对象的对象关键信息描述向量，且与医疗方人员分布对象之间关联有分布对象关联线的分布对象可以为与医疗方人员分布对象通过一条分布对象关联线关联的分布对象，也可以为与医疗方人员分布对象通过多条分布对象关联线关联的分布对象，并且，医疗方人员关键信息还可以包括与医疗方人员分布对象相连接的分布对象关联线对应的医院空间动作关键信息；其中，医院空间动作关键信息可以包括：分布对象关联线的关联线关键信息描述向量、与分布对象关联线具有相关关系的关联线的关联线关键信息描述向量，且与分布对象关联线具有相关关系的关联线可以为与分布对象关联线连接有共同的分布对象的关联线，并且，医院空间动作关键信息还可以包括分布对象关联线连接的患者方人员分布对象对应的患者方人员关键信息和连接的医疗方人员分布对象对应的医疗方人员关键信息。
应当理解的是，在一些可能的实施方式中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，在一些具体的应用中可以包括以下内容：
确定出所述第一类对象分布网对应的相邻关系表征参数分布，所述相邻关系表征参数分布用于反映分布对象之间的相邻信息，示例性地，所述相邻关系表征参数分布中的参数可以包括第一数值和第二数值，每一个参数可以表征所述第一类对象分布网中的两个分布对象是否相邻，即是否关联有分布对象关联线，如关联有分布对象关联线，对应的参数可以为第一数值，未关联有分布对象关联线，对应的参数可以为第二数值；
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述患者方人员分布对象对应的患者关系表征参数分布；
基于各所述患者关系表征参数分布和各所述患者方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量，例如，基于各所述患者关系表征参数分布和各所述患者方人员分布对象的第一次迭代计算出的对象关键信息描述向量，进行数据合并操作，以分别形成各所述患者方人员分布对象的第二次迭代计算出的对象关键信息描述向量；基于各所述患者关系表征参数分布和各所述患者方人员分布对象的第二次迭代计算出的对象关键信息描述向量，进行数据合并操作，以分别形成各所述患者方人员分布对象的第三次迭代计算出的对象关键信息描述向量；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各所述患者方人员关键信息，即形成所述第一类分布网描述向量中的各所述患者方人员关键信息，所述第一类对象分布网的分布网表征参数与所述第一类对象分布网中所述分布对象关联线的数量之间具有相关关系，例如，可以将该数量直接确定为所述第一类对象分布网的分布网表征参数；
倘若所述当前迭代次数等于一，则所述患者方人员分布对象的迭代次数等于一的对象关键信息描述向量为所述患者方人员分布对象的对象关键信息描述向量。
其中，应当理解的是，在一些可能的实施方式中，所述相邻关系表征参数分布可以为矩阵，所述将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述患者方人员分布对象对应的患者关系表征参数分布的步骤，在一些具体的应用中可以包括以下内容：
基于所述相邻关系表征参数分布的尺寸确定出尺寸一致的待处理参数分布，基于所述相邻关系表征参数分布中各所述患者方人员分布对象的对应分布坐标，对所述待处理参数分布进行参数赋值处理，以形成对应的目标参数分布，在所述目标参数分布中，各所述患者方人员分布对象的对应分布坐标的参数可以等于1，其他分布坐标的参数可以等于0；
将所述相邻关系表征参数分布和所述标参数分布进行按位相乘运算，以形成各所述患者方人员分布对象对应的患者关系表征参数分布。
其中，应当理解的是，在一些可能的实施方式中，所述基于各所述患者关系表征参数分布和各所述患者方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量的步骤，在一些具体的应用中可以包括以下内容：
对于一个患者方人员分布对象进行第n次迭代计算包括：
获取所述患者方人员分布对象在第n-1次迭代计算中计算出的中间描述向量，n为大于或等于2的整数，其中，所述患者方人员分布对象在第1次迭代计算中计算出的中间描述向量为对应的对象关键信息描述向量；
基于预先确定的第一参数映射矩阵，对所述患者方人员分布对象在第n-1次迭代计算中计算出的中间描述向量进行相乘运算操作，并对相乘运算操作的结果进行参数区间映射操作，如将包括的参数映射操区间0-1，以形成所述患者方人员分布对象在第n次迭代计算中计算出的中间描述向量，所述第一参数映射矩阵可以作为相应神经网络的网络参数以在网络优化的过程中形成；
基于所述患者方人员分布对象对应的患者关系表征参数分布，确定出与所述患者方人员分布对象关联有分布对象关联线的每一个其它分布对象，以及，获取每一个其它分布对象在第n-1次迭代计算中计算出的中间描述向量，再基于预先确定的第二参数映射矩阵，分别对每一个其它分布对象在第n-1次迭代计算中计算出的中间描述向量进行相乘运算操作，以及，对每一个相乘运算操作的结果进行平均计算操作，再将平均计算操作的结果进行参数区间映射操作，以形成所述患者方人员分布对象在第n次迭代计算中计算出的关联其它分布对象描述向量；
确定出与所述患者方人员分布对象连接的每一条分布对象关联线，以及，获取每一条分布对象关联线在第n-1次迭代计算中计算出的中间描述向量，再基于预先确定的第三参数映射矩阵，分别对每一条分布对象关联线在第n-1次迭代计算中计算出的中间描述向量进行相乘运算操作，以及，对每一个相乘运算操作的结果进行平均计算操作，再将平均计算操作的结果进行参数区间映射操作，以形成所述患者方人员分布对象在第n次迭代计算中计算出的分布对象关联线描述向量；
对所述患者方人员分布对象在第n次迭代计算中计算出的中间描述向量、所述患者方人员分布对象在第n次迭代计算中计算出的关联其它分布对象描述向量和所述患者方人员分布对象在第n次迭代计算中计算出的分布对象关联线描述向量进行融合操作，如进行叠加运算，或者先进行级联组合操作再进行全连接处理，以形成形成各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量。
应当理解的是，在一些可能的实施方式中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，在一些具体的应用中还可以包括以下内容：
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述医疗方人员分布对象对应的医疗关系表征参数分布，可以参照前文相关描述；
基于各所述医疗关系表征参数分布和各所述医疗方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述医疗方人员分布对象的下一迭代次数的对象关键信息描述向量，可以参照前文相关描述；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述医疗方人员分布对象的下一迭代次数的对象关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各医疗方人员关键信息，可以参照前文相关描述；
倘若所述当前迭代次数等于一，则所述医疗方人员分布对象的迭代次数等于一的对象关键信息描述向量为所述医疗方人员分布对象的对象关键信息描述向量。
应当理解的是，在一些可能的实施方式中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，在一些具体的应用中还可以包括以下内容：
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述分布对象关联线对应的线相邻关系表征参数分布，可以参照前文相关描述；
基于各所述线相邻关系表征参数分布和各所述分布对象关联线的当前迭代次数的关联线关键信息描述向量，进行数据合并操作，以分别形成各所述分布对象关联线的下一迭代次数的关联线关键信息描述向量，可以参照前文相关描述；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述分布对象关联线的下一迭代次数的关联线关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各医院空间动作关键信息，可以参照前文相关描述；
倘若所述当前迭代次数等于一，则所述分布对象关联线的迭代次数等于一的关联线关键信息描述向量为所述分布对象关联线的关联线关键信息描述向量。
应当理解的是，在一些可能的实施方式中，上述描述中的步骤S140，即所述基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据的步骤，在一些具体的应用中可以包括以下内容：
基于各所述患者方人员关键信息、各所述医疗方人员关键信息和各所述医院空间动作关键信息，将各所述分布对象关联线进行可疑医院空间动作的评估操作，输出各所述分布对象关联线为可疑医院空间动作的对应线的可能性参数，例如，对于每一条所述分布对象关联线，可以将该分布对象关联线对应的医院空间动作关键信息、连接的患者方人员分布对象对应的患者方人员关键信息和连接的医疗方人员分布对象对应的医疗方人员关键信息进行级联组合操作，然后，对级联组合操作的结果进行全连接处理，再对全连接处理的结果进行激活处理，以得到该分布对象关联线为可疑医院空间动作的对应线的可能性参数；
基于各所述分布对象关联线为可疑医院空间动作的对应线的可能性参数，得到各所述医院空间待分析动作对应的动作识别数据，例如，将该可能性参数作为动作识别数据表征的属于可疑动作的可能性，或，将可能性参数大于预设可能性参数对应的动作识别数据确定为属于可疑动作。
应当理解的是，在一些可能的实施方式中，在所述采集到多个医院空间待分析动作的步骤以后，即在上述描述中的步骤S110以后，所述基于数字孪生的医院空间优化模拟方法还可以包括以下内容：
基于所述多个医院空间待分析动作，确定出第二类对象分布网，所述第二类对象分布网包括动作类分布对象和动作对象关联线，示例性地，所述动作类分布对象对应于一个医院空间待分析动作，所述动作类分布对象的对象属性信息包括相应的患者方人员的属性信息、相应的医疗方人员的属性信息；另外，所述动作对象关联线连接的两个动作类分布对象之间具有共同的患者方人员和\或医疗方人员；
将所述第二类对象分布网进行图谱关键信息挖掘操作，输出各所述动作类分布对象对应的群体空间动作描述向量，所述群体空间动作描述向量属于进行群体性动作的动作关键信息。
基于上述的内容，在一些可能的实施方式中，所述基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据的步骤，在一些具体的应用中可以包括以下内容：
基于所述第一类分布网描述向量和各所述群体空间动作描述向量，将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据，示例性地，对于每一条所述分布对象关联线，在进行前述的级联组合操作的时候，可以将对应的群体空间动作描述向量进行一并级联组合操作，再进行后续处理。
应当理解的是，在一些可能的实施方式中，所述群体空间动作描述向量是利用关键信息分析网络进行图谱关键信息挖掘操作得到的，并且，所述关键信息分析网络的网络优化过程，可以包括以下内容：
提取到典型第二类对象分布网，所述典型第二类对象分布网中包括可疑医院空间动作对应的典型可疑动作类分布对象、用于关联两个典型动作类分布对象的典型动作对象关联线，所述典型第二类对象分布网是指典型的第二类对象分布网，即作为网络优化依据的第二类对象分布网，所述可疑医院空间动作可以是相应用户进行选择配置的，例如，患者需要向医生倾向头部的动作，可能表示听不清医生的话语，如此，可能就反映出医院空间封闭性不好，导致声音过于嘈杂等；
将所述典型第二类对象分布网中的各所述典型可疑动作类分布对象进行关键信息挖掘操作，如对相应的对象属性信息进行特征挖掘操作，以输出各所述典型可疑动作类分布对象对应的典型群体动作描述向量，所述典型群体动作描述向量是指典型的群体空间动作描述向量；
依据各所述典型可疑动作类分布对象的典型群体动作描述向量，利用候选关键信息分析网络，分析出各所述典型可疑动作类分布对象对应的典型动作识别数据，例如，可以对所述典型群体动作描述向量进行全连接处理，再对得到的全连接向量进行激活处理，以得到对应的典型动作识别数据，其中，激活处理可以通过softmax等函数实现；
基于各所述典型可疑动作类分布对象对应的典型动作识别数据和各所述典型可疑动作类分布对象，对所述候选关键信息分析网络进行参数优化调整操作，以形成所述候选关键信息分析网络对应的关键信息分析网络，即基于各所述典型可疑动作类分布对象对应的典型动作识别数据和各所述典型可疑动作类分布对象进行误差计算，再基于计算出的误差，对所述候选关键信息分析网络进行参数优化调整操作。
应当理解的是，在一些可能的实施方式中，所述将所述典型第二类对象分布网中的各所述典型可疑动作类分布对象进行关键信息挖掘操作，以输出各所述典型可疑动作类分布对象对应的典型群体动作描述向量的步骤，在一些具体的应用中可以包括以下内容：
确定出所述典型第二类对象分布网对应的典型全局相邻关系阵列，以及，确定出各所述典型可疑动作类分布对象对应的典型局部相邻关系阵列，所述典型全局相邻关系阵列是描述典型第二类对象分布网对中各典型动作类分布对象之间的关系的阵列，如典型动作类分布对象之间是否连接有动作对象关联线，所述典型局部相邻关系阵列是描述典型第二类对象分布网中各典型可疑动作类分布对象之间的关系的阵列；
将所述典型第二类对象分布网中各所述典型可疑动作类分布对象进行相邻分析操作，分析形成各所述典型可疑动作类分布对象对应的典型可疑相邻对象簇，所述典型可疑相邻对象簇包括与对应的典型可疑动作类分布对象之间关联有所述典型动作对象关联线的典型可疑相邻分布对象，所述典型可疑相邻分布对象属于典型动作类分布对象，例如，所述典型第二类对象分布网包括典型动作类分布对象A1、典型动作类分布对象A2、典型动作类分布对象A3、典型动作类分布对象A4和典型动作类分布对象A5，典型动作类分布对象A1与典型动作类分布对象A2之间关联有典型动作对象关联线，典型动作类分布对象A2与典型动作类分布对象A3之间关联有典型动作对象关联线，典型动作类分布对象A4与典型动作类分布对象A5之间关联有典型动作对象关联线，如此，若典型动作类分布对象A1为典型可疑动作类分布对象，则典型可疑动作类分布对象A1对应的典型可疑相邻对象簇包括与典型可疑动作类分布对象A1存在典型动作对象关联线的典型动作类分布对象A2，在其它实施方式中，还可以包括与典型动作类分布对象A2存在典型动作对象关联线的典型动作类分布对象A3；
利用各所述典型可疑相邻对象簇，将所述典型局部相邻关系阵列进行强化操作，形成各所述典型可疑动作类分布对象对应的强化局部相邻关系阵列，也就是说，在所述典型局部相邻关系阵列中，增加表征典型可疑相邻对象簇包括的典型动作类分布对象是否连接有动作对象关联线的参数；
将各所述典型可疑动作类分布对象对应的强化局部相邻关系阵列进行参数的区间映射操作，以形成各所述典型可疑动作类分布对象对应的映射局部相邻关系阵列，例如，可以基于强化局部相邻关系阵列中的各参数的和值，对参数进行区间映射操作，以映射到区间0-1或其它区间，或者，可以针对每一列或行，基于该列或行的参数的和值，对该列或行的参数进行区间映射操作，以映射到区间0-1或其它区间；
基于各所述映射局部相邻关系阵列进行可疑参数的分析操作，形成各所述典型可疑动作类分布对象对应的典型群体动作描述向量。
其中，应当理解的是，在一些可能的实施方式中，所述基于各所述映射局部相邻关系阵列进行可疑参数的分析操作，形成各所述典型可疑动作类分布对象对应的典型群体动作描述向量的步骤，在一些具体的应用中可以包括以下内容：
基于各所述映射局部相邻关系阵列进行可疑参数的分析操作，分析出各所述典型可疑动作类分布对象的待定的典型群体动作描述向量；
利用所述映射局部相邻关系阵列，分析出各所述典型可疑动作类分布对象对应的融合局部相邻关系阵列，例如，可以将所述映射局部相邻关系阵列和所述典型全局相邻关系阵列进行叠加，以得到对应的融合局部相邻关系阵列，以及，基于各所述融合局部相邻关系阵列，分析出各所述典型可疑动作类分布对象对应的关联线数量表征阵列，在所述关联线数量表征阵列中，主对角线之外的参数等于0，主角线上的参数的数值等于所述融合局部相邻关系阵列中对应阵列坐标对应的分布对象连接的动作对象关联线的数量，或者，主角线上的参数的数值正相关于所述融合局部相邻关系阵列中对应阵列坐标对应的分布对象连接的动作对象关联线的数量；
基于各所述融合局部相邻关系阵列、各所述关联线数量表征阵列和各所述典型可疑动作类分布对象对应的待定的典型群体动作描述向量进行合并操作，以形成各所述典型可疑动作类分布对象对应的典型群体动作描述向量。
其中，应当理解的是，在一些可能的实施方式中，所述基于各所述映射局部相邻关系阵列进行可疑参数的分析操作，分析出各所述典型可疑动作类分布对象的待定的典型群体动作描述向量的步骤，在一些具体的应用中可以包括以下内容：
为所述典型可疑动作类分布对象配置一个参考向量，所述参考向量可以为1，以及，提取到预先配置的第一比例系数和第二比例系数，所述第一比例系数和所述第二比例系数都属于0-1，且和值等于1；
对所述映射局部相邻关系阵列和中间向量进行相乘，以得到相乘结果向量，以及，基于所述第一比例系数和所述第二比例系数，对所述相乘结果向量和所述参考向量进行加权叠加，以输出目标向量，所述述第一比例系数作为所述相乘结果向量的加权系数，所述第二比例系数作为所述参考向量的加权系数；
将所述目标向量作为新的中间向量，以回转执行所述对所述映射局部相邻关系阵列和中间向量进行相乘，以得到相乘结果向量，以及，基于所述第一比例系数和所述第二比例系数，对所述相乘结果向量和所述参考向量进行加权叠加，以输出目标向量的步骤；
在多次（具体的次数根据需求配置）执行所述对所述映射局部相邻关系阵列和中间向量进行相乘，以得到相乘结果向量，以及，基于所述第一比例系数和所述第二比例系数，对所述相乘结果向量和所述参考向量进行加权叠加，以输出目标向量的步骤之后，可以最后一次执行该步骤得到的目标向量作为所述典型可疑动作类分布对象的待定的典型群体动作描述向量，其中，第一次执行该步骤时，将所述中间向量作为所述参考向量。
其中，应当理解的是，在一些可能的实施方式中，所述基于各所述融合局部相邻关系阵列、各所述关联线数量表征阵列和各所述典型可疑动作类分布对象对应的待定的典型群体动作描述向量进行合并操作，以形成各所述典型可疑动作类分布对象对应的典型群体动作描述向量的步骤，在一些具体的应用中可以包括以下内容：
对所述关联线数量表征阵列进行负零点五次幂的运算，以输出对应的幂运算阵列，对所述幂运算阵列、所述融合局部相邻关系阵列、所述幂运算阵列、所述待定的典型群体动作描述向量进行相乘运算，再对相乘运算得到的向量或阵列进行参数的区间映射操作，以形成所述典型可疑动作类分布对象对应的典型群体动作描述向量。
结合图3，本发明实施例还提供一种基于数字孪生的医院空间优化模拟装置，可应用于上述基于数字孪生的医院空间优化模拟***。其中，所述基于数字孪生的医院空间优化模拟装置可以包括：
动作采集模块，用于采集到多个医院空间待分析动作，所述医院空间待分析动作用于反映患者方人员对医疗方人员输出的医院空间动作，且每一个所述医院空间待分析动作通过相应的文本数据或图像数据进行记录，所述多个医院空间待分析动作通过对一个模拟医疗空间进行运行仿真以形成；
分布网确定模块，用于基于所述多个医院空间待分析动作，确定出第一类对象分布网，所述第一类对象分布网包括所述患者方人员对应的患者方人员分布对象、所述医疗方人员对应的医疗方人员分布对象、用于关联所述患者方人员分布对象和所述医疗方人员分布对象的分布对象关联线；
图谱关键信息挖掘模块，用于将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量，所述第一类分布网描述向量包括各所述患者方人员分布对象对应的患者方人员关键信息、各所述医疗方人员分布对象对应的医疗方人员关键信息和各所述分布对象关联线对应的医院空间动作关键信息；
动作异常识别模块，用于基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据，所述动作识别数据用于反映所述医院空间待分析动作是否属于可疑动作或属于可疑动作的可能性高低；
模拟医疗空间筛选模块，用于基于各所述医院空间待分析动作对应的动作识别数据，确定出所述模拟医疗空间的空间优先级参数，以及，在得到多个模拟医疗空间的空间优先级参数之后，基于所述空间优先级参数，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果，所述目标实际医疗空间属于待建空间。
综上所述，本发明提供的基于数字孪生的医院空间优化模拟方法及***，可以先采集到多个医院空间待分析动作；基于多个医院空间待分析动作，确定出第一类对象分布网；将第一类对象分布网进行图谱关键信息挖掘操作，以输出第一类分布网描述向量；基于第一类分布网描述向量，得到各医院空间待分析动作对应的动作识别数据；基于动作识别数据，确定出模拟医疗空间的空间优先级参数，在得到多个模拟医疗空间的空间优先级参数之后，基于空间优先级参数，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果。基于前述的内容，由于是基于第一类分布网描述向量，分别将各分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，即表示对医院空间待分析动作进行独立分析，使得得到的各医院空间待分析动作对应的动作识别数据的可靠度更高，因此，可以在一定程度上提高基于动作识别数据进行的模拟医疗空间筛选的可靠度，从而提高医院空间优化模拟的可靠度。
以上所述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)
1.一种基于数字孪生的医院空间优化模拟方法，其特征在于，包括：
基于采集到的多个医院空间待分析动作，确定出第一类对象分布网；
将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量；
基于所述第一类分布网描述向量，进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据；
在得到多个模拟医疗空间中每一个模拟医疗空间的各所述医院空间待分析动作对应的动作识别数据之后，基于所述动作识别数据，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果。
2.如权利要求1所述的基于数字孪生的医院空间优化模拟方法，其特征在于，所述基于采集到的多个医院空间待分析动作，确定出第一类对象分布网的步骤，包括：
采集到多个医院空间待分析动作，所述医院空间待分析动作用于反映患者方人员对医疗方人员输出的医院空间动作，且每一个所述医院空间待分析动作通过相应的文本数据或图像数据进行记录，所述多个医院空间待分析动作通过对一个模拟医疗空间进行运行仿真以形成；
基于所述多个医院空间待分析动作，确定出第一类对象分布网，所述第一类对象分布网包括所述患者方人员对应的患者方人员分布对象、所述医疗方人员对应的医疗方人员分布对象、用于关联所述患者方人员分布对象和所述医疗方人员分布对象的分布对象关联线。
3.如权利要求2所述的基于数字孪生的医院空间优化模拟方法，其特征在于，在所述采集到多个医院空间待分析动作的步骤以后，所述基于数字孪生的医院空间优化模拟方法还包括：
基于所述多个医院空间待分析动作，确定出第二类对象分布网，所述第二类对象分布网包括动作类分布对象和动作对象关联线；
将所述第二类对象分布网进行图谱关键信息挖掘操作，输出各所述动作类分布对象对应的群体空间动作描述向量，所述群体空间动作描述向量属于进行群体性动作的动作关键信息；
并且，所述第一类分布网描述向量包括各所述患者方人员分布对象对应的患者方人员关键信息、各所述医疗方人员分布对象对应的医疗方人员关键信息和各所述分布对象关联线对应的医院空间动作关键信息，其中，所述基于所述第一类分布网描述向量，进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据的步骤，包括：
基于所述第一类分布网描述向量和各所述群体空间动作描述向量，将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据，所述动作识别数据用于反映所述医院空间待分析动作是否属于可疑动作或属于可疑动作的可能性高低。
4.如权利要求3所述的基于数字孪生的医院空间优化模拟方法，其特征在于，所述群体空间动作描述向量是利用关键信息分析网络进行图谱关键信息挖掘操作得到的；
所述关键信息分析网络的网络优化过程，包括：
提取到典型第二类对象分布网，所述典型第二类对象分布网中包括可疑医院空间动作的典型可疑动作类分布对象、用于关联两个典型动作类分布对象的典型动作对象关联线；
将所述典型第二类对象分布网中的各所述典型可疑动作类分布对象进行关键信息挖掘操作，以输出各所述典型可疑动作类分布对象对应的典型群体动作描述向量，所述典型群体动作描述向量是指典型的群体空间动作描述向量；
依据各所述典型可疑动作类分布对象的典型群体动作描述向量，利用候选关键信息分析网络，分析出各所述典型可疑动作类分布对象对应的典型动作识别数据；
基于各所述典型可疑动作类分布对象对应的典型动作识别数据和各所述典型可疑动作类分布对象，对所述候选关键信息分析网络进行参数优化调整操作，以形成所述候选关键信息分析网络对应的关键信息分析网络。
5.如权利要求4所述的基于数字孪生的医院空间优化模拟方法，其特征在于，所述将所述典型第二类对象分布网中的各所述典型可疑动作类分布对象进行关键信息挖掘操作，以输出各所述典型可疑动作类分布对象对应的典型群体动作描述向量的步骤，包括：
确定出所述典型第二类对象分布网对应的典型全局相邻关系阵列，以及，确定出各所述典型可疑动作类分布对象对应的典型局部相邻关系阵列；
将所述典型第二类对象分布网中各所述典型可疑动作类分布对象进行相邻分析操作，分析形成各所述典型可疑动作类分布对象对应的典型可疑相邻对象簇，所述典型可疑相邻对象簇包括与对应的典型可疑动作类分布对象之间关联有所述典型动作对象关联线的典型可疑相邻分布对象；
利用各所述典型可疑相邻对象簇，将所述典型局部相邻关系阵列进行强化操作，形成各所述典型可疑动作类分布对象对应的强化局部相邻关系阵列；
将各所述典型可疑动作类分布对象对应的强化局部相邻关系阵列进行参数的区间映射操作，以形成各所述典型可疑动作类分布对象对应的映射局部相邻关系阵列；
基于各所述映射局部相邻关系阵列进行可疑参数的分析操作，形成各所述典型可疑动作类分布对象对应的典型群体动作描述向量。
6.如权利要求1所述的基于数字孪生的医院空间优化模拟方法，其特征在于，所述第一类对象分布网包括患者方人员对应的患者方人员分布对象、医疗方人员对应的医疗方人员分布对象、用于关联所述患者方人员分布对象和所述医疗方人员分布对象的分布对象关联线，所述将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，包括：
将所述第一类对象分布网中的各所述患者方人员分布对象和各所述医疗方人员分布对象进行对象关键信息挖掘操作，以分别形成对应的对象关键信息描述向量；
将所述第一类对象分布网中各所述分布对象关联线进行关联线关键信息挖掘操作，以分别形成对应的关联线关键信息描述向量；
基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量。
7.如权利要求6所述的基于数字孪生的医院空间优化模拟方法，其特征在于，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，包括：
确定出所述第一类对象分布网对应的相邻关系表征参数分布，所述相邻关系表征参数分布用于反映分布对象之间的相邻信息；
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述患者方人员分布对象对应的患者关系表征参数分布；
基于各所述患者关系表征参数分布和各所述患者方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各患者方人员关键信息，所述第一类对象分布网的分布网表征参数与所述第一类对象分布网中所述分布对象关联线的数量之间具有相关关系；
倘若所述当前迭代次数等于一，则所述患者方人员分布对象的迭代次数等于一的对象关键信息描述向量为所述患者方人员分布对象的对象关键信息描述向量。
8.如权利要求7所述的基于数字孪生的医院空间优化模拟方法，其特征在于，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，还包括：
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述医疗方人员分布对象对应的医疗关系表征参数分布；
基于各所述医疗关系表征参数分布和各所述医疗方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述医疗方人员分布对象的下一迭代次数的对象关键信息描述向量；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述医疗方人员分布对象的下一迭代次数的对象关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各医疗方人员关键信息；
倘若所述当前迭代次数等于一，则所述医疗方人员分布对象的迭代次数等于一的对象关键信息描述向量为所述医疗方人员分布对象的对象关键信息描述向量。
9.如权利要求7所述的基于数字孪生的医院空间优化模拟方法，其特征在于，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，还包括：
将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述分布对象关联线对应的线相邻关系表征参数分布；
基于各所述线相邻关系表征参数分布和各所述分布对象关联线的当前迭代次数的关联线关键信息描述向量，进行数据合并操作，以分别形成各所述分布对象关联线的下一迭代次数的关联线关键信息描述向量；
倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述分布对象关联线的下一迭代次数的关联线关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各医院空间动作关键信息；
倘若所述当前迭代次数等于一，则所述分布对象关联线的迭代次数等于一的关联线关键信息描述向量为所述分布对象关联线的关联线关键信息描述向量。
10.一种基于数字孪生的医院空间优化模拟***，其特征在于，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现权利要求1-9任意一项所述的基于数字孪生的医院空间优化模拟方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875300.3A CN116597971B (zh) | 2023-07-18 | 2023-07-18 | 基于数字孪生的医院空间优化模拟方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310875300.3A CN116597971B (zh) | 2023-07-18 | 2023-07-18 | 基于数字孪生的医院空间优化模拟方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597971A true CN116597971A (zh) | 2023-08-15 |
| CN116597971B CN116597971B (zh) | 2023-09-19 |
Family
ID=87594109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310875300.3A Active CN116597971B (zh) | 2023-07-18 | 2023-07-18 | 基于数字孪生的医院空间优化模拟方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597971B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3287914A1 (de) * | 2016-08-23 | 2018-02-28 | Siemens Healthcare GmbH | Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen |
| CN110853746A (zh) * | 2019-10-14 | 2020-02-28 | 边缘智能研究院南京有限公司 | 基于数字孪生的智慧医院***及其构建方法 |
| CN113344274A (zh) * | 2021-06-11 | 2021-09-03 | 华南理工大学 | 医院急诊空间布局优化方法、装置、计算机设备及存储介质 |
| WO2021197491A1 (zh) * | 2020-04-03 | 2021-10-07 | 清华大学 | 跨医疗数据源的网络表示学习算法 |
| CN114496195A (zh) * | 2022-02-17 | 2022-05-13 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的医疗资源调度方法及其相关设备 |
| CN114707197A (zh) * | 2021-12-01 | 2022-07-05 | 华中科技大学 | 一种平战结合型医院空间布局自动生成方法及*** |
| EP4068140A1 (en) * | 2021-03-30 | 2022-10-05 | Siemens Aktiengesellschaft | Method and system for optimizing a simulation model using machine learning |
| CN116110550A (zh) * | 2022-12-30 | 2023-05-12 | 云南建筑产业化研发中心有限公司 | 一种基于空间句法的模块化应急医院设计方法 |
| CN116126947A (zh) * | 2023-04-18 | 2023-05-16 | 西昌学院 | 应用于企业管理***的大数据分析方法及*** |
| CN116246790A (zh) * | 2023-02-03 | 2023-06-09 | 上海凌立健康管理股份有限公司 | 一种数字孪生医院的建模方法 |
-
2023
- 2023-07-18 CN CN202310875300.3A patent/CN116597971B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3287914A1 (de) * | 2016-08-23 | 2018-02-28 | Siemens Healthcare GmbH | Ermittlung von ergebnisdaten auf basis von medizinischen messdaten aus verschiedenen messungen |
| CN110853746A (zh) * | 2019-10-14 | 2020-02-28 | 边缘智能研究院南京有限公司 | 基于数字孪生的智慧医院***及其构建方法 |
| WO2021197491A1 (zh) * | 2020-04-03 | 2021-10-07 | 清华大学 | 跨医疗数据源的网络表示学习算法 |
| EP4068140A1 (en) * | 2021-03-30 | 2022-10-05 | Siemens Aktiengesellschaft | Method and system for optimizing a simulation model using machine learning |
| CN113344274A (zh) * | 2021-06-11 | 2021-09-03 | 华南理工大学 | 医院急诊空间布局优化方法、装置、计算机设备及存储介质 |
| CN114707197A (zh) * | 2021-12-01 | 2022-07-05 | 华中科技大学 | 一种平战结合型医院空间布局自动生成方法及*** |
| CN114496195A (zh) * | 2022-02-17 | 2022-05-13 | 平安国际智慧城市科技股份有限公司 | 基于知识图谱的医疗资源调度方法及其相关设备 |
| CN116110550A (zh) * | 2022-12-30 | 2023-05-12 | 云南建筑产业化研发中心有限公司 | 一种基于空间句法的模块化应急医院设计方法 |
| CN116246790A (zh) * | 2023-02-03 | 2023-06-09 | 上海凌立健康管理股份有限公司 | 一种数字孪生医院的建模方法 |
| CN116126947A (zh) * | 2023-04-18 | 2023-05-16 | 西昌学院 | 应用于企业管理***的大数据分析方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 范华冰;李文滔;魏欣;张慎;丁思;: "数字孪生医院――雷神山医院BIM技术应用与思考", 华中建筑, no. 04 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597971B (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20140006044A1 (en) | System and method for preparing healthcare service bundles | |
| CN116126945B (zh) | 基于数据分析的传感器运行状态分析方法和*** | |
| CN116109121B (zh) | 基于大数据分析的用户需求挖掘方法及*** | |
| CN113808738B (zh) | 一种基于自识别影像的疾病识别*** | |
| US20210225513A1 (en) | Method to Create Digital Twins and use the Same for Causal Associations | |
| CN112306835A (zh) | 用户数据监控分析方法、装置、设备及介质 | |
| CN116126947B (zh) | 应用于企业管理***的大数据分析方法及*** | |
| CN114491047A (zh) | 多标签文本分类方法、装置、电子设备及存储介质 | |
| CN114143049A (zh) | 异常流量检测方法、装置、存储介质以及电子设备 | |
| CN113990482A (zh) | 健康数据处理***及方法 | |
| CN115188485A (zh) | 基于智慧医疗大数据的用户需求分析方法及*** | |
| CN112308853A (zh) | 电子设备、医学图像指标生成方法、装置及存储介质 | |
| CN115482122A (zh) | 一种应用于智慧园区的综合能耗监测方法及*** | |
| KR102415220B1 (ko) | 시계열 데이터 처리 장치 및 이의 동작 방법 | |
| JP2020042645A (ja) | 時系列データ分析装置、時系列データ分析方法、および時系列データ分析プログラム | |
| CN116597971B (zh) | 基于数字孪生的医院空间优化模拟方法及*** | |
| CN116072298A (zh) | 一种基于层级标记分布学习的疾病预测*** | |
| CN113657022B (zh) | 一种芯片故障识别方法及相关设备 | |
| CN115616408A (zh) | 电池热管理数据处理方法及*** | |
| CN115762704A (zh) | 一种处方审核方法、装置、设备和存储介质 | |
| CN109360631B (zh) | 基于图片识别的人机交互方法、装置、计算机设备及介质 | |
| CN114420307A (zh) | 基于人工智能的公共卫生事件登记方法、装置及电子设备 | |
| CN113780675A (zh) | 一种消耗预测方法、装置、存储介质及电子设备 | |
| CN113160987A (zh) | 健康状态预测方法、装置、计算机设备及存储介质 | |
| CN116910729B (zh) | 应用于多组织架构的核身处理方法及*** |
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 |