CN116864086A - 基于物联网***的医疗体系防控方法及*** - Google Patents
基于物联网***的医疗体系防控方法及*** Download PDFInfo
- Publication number
- CN116864086A CN116864086A CN202310814117.2A CN202310814117A CN116864086A CN 116864086 A CN116864086 A CN 116864086A CN 202310814117 A CN202310814117 A CN 202310814117A CN 116864086 A CN116864086 A CN 116864086A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- vector
- classification
- feature
- temperature
- 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.)
- Withdrawn
Links
- 230000002265 prevention Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims description 320
- 238000013527 convolutional neural network Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000011156 evaluation Methods 0.000 claims description 29
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 24
- 238000011002 quantification Methods 0.000 claims description 20
- 238000011158 quantitative evaluation Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 8
- 230000006855 networking Effects 0.000 claims 1
- 230000008859 change Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 12
- 206010011409 Cross infection Diseases 0.000 description 11
- 206010029803 Nosocomial infection Diseases 0.000 description 11
- 230000005541 medical transmission Effects 0.000 description 11
- 238000013139 quantization Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 239000004065 semiconductor Substances 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/048—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
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及智能防控领域,其具体地公开了一种基于物联网***的医疗体系防控方法及***,其通过采用基于深度学习的神经网络模型挖掘出医疗环境的温度值和湿度值的时序动态关联特征信息和空气质量量化评估值的时序变化特征信息,以此综合两者的关联性特征信息来进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险,保证医疗环境的安全性。
Description
技术领域
本申请涉及智能防控领域,且更为具体地,涉及一种基于物联网***的医疗体系防控方法及***。
背景技术
随着社会进步和医疗需求的不断增加,现代医疗体系已经变得越来越复杂和庞大。同时,医疗安全问题也成为人们普遍关注的话题。物联网技术的应用可以有效地提高医疗环境的安全性,利用物联网技术可以将医疗机构内部的人员、设备和物品与互联网连接起来,形成一个智能化的管理和监控***。
目前,通过物联网传感器和报警***对医疗环境的温湿度和空气质量等参数进行实时监测和控制,可以有效减少交叉感染和疾病传播的风险。然而,现有的物联网传感器和报警***只能针对每个医疗环境参数数据进行阈值比较分析,以此来检测各个医疗环境的参数是否处于安全性范围。这种方案并没有考虑到各个参数之间的关联关系,导致对于实际的医疗环境检测评估的精准度较低,造成误预警或不预警的情况。
因此,期望一种优化的基于物联网***的医疗体系防控方案。
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基于物联网***的医疗体系防控方法及***,其通过采用基于深度学习的神经网络模型挖掘出医疗环境的温度值和湿度值的时序动态关联特征信息和空气质量量化评估值的时序变化特征信息,以此综合两者的关联性特征信息来进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险,保证医疗环境的安全性。
根据本申请的一个方面,提供了一种基于物联网***的医疗体系防控方法,其包括:
获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值;
将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量;
对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量;
将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量;
融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;
对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
在上述基于物联网***的医疗体系防控方法中,对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量,包括:以如下关联公式对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵;其中,所述公式为:
其中Vm表示所述湿度时序输入向量,表示所述湿度时序输入向量的转置向量,Vn表示所述温度时序输入向量,M表示所述温度-湿度时序关联矩阵,/>表示向量相乘;以及,使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理;其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述温度-湿度时序关联特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述温度-湿度时序关联矩阵。
在上述基于物联网***的医疗体系防控方法中,将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量,包括:使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述空气质量时序特征向量,所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述空气质量时序输入向量。
在上述基于物联网***的医疗体系防控方法中,融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量,包括:以如下级联公式来融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;其中,所述公式为:V=Concat[V1,V2],其中,V1表示所述温度-湿度时序关联特征向量,V2表示所述空气质量时序特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
在上述基于物联网***的医疗体系防控方法中,对所述分类特征向量进行特征分布优化以得到优化分类特征向量,包括:以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量;其中,所述优化公式为:
其中vi是所述分类特征向量的第i个位置的特征值,μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差,且vi′是所述优化分类特征向量的第i个位置的特征值。
在上述基于物联网***的医疗体系防控方法中,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示,包括:使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量;以及,将所述优化编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种基于物联网***的医疗体系防控***,其包括:
数据采集模块,用于获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值;
排列模块,用于将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量;
温度-湿度时序关联特征提取模块,用于对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量;
空气质量时序特征提取模块,用于将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量;
融合模块,用于融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;
特征分布优化模块,用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及
分类结果生成模块,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于物联网***的医疗体系防控方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于物联网***的医疗体系防控方法。
与现有技术相比,本申请提供的一种基于物联网***的医疗体系防控方法及***,其通过采用基于深度学习的神经网络模型挖掘出医疗环境的温度值和湿度值的时序动态关联特征信息和空气质量量化评估值的时序变化特征信息,以此综合两者的关联性特征信息来进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险,保证医疗环境的安全性。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于物联网***的医疗体系防控方法的场景示意图;
图2为根据本申请实施例的基于物联网***的医疗体系防控方法的流程图;
图3为根据本申请实施例的基于物联网***的医疗体系防控方法的***架构图;
图4为根据本申请实施例的基于物联网***的医疗体系防控方法中时序特征提取过程的流程图;
图5为根据本申请实施例的基于物联网***的医疗体系防控方法中分类过程的流程图;
图6为根据本申请实施例的基于物联网***的医疗体系防控***的框图;
图7为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,目前,通过物联网传感器和报警***对医疗环境的温湿度和空气质量等参数进行实时监测和控制,可以有效减少交叉感染和疾病传播的风险。然而,现有的物联网传感器和报警***只能针对每个医疗环境参数数据进行阈值比较分析,以此来检测各个医疗环境的参数是否处于安全性范围。这种方案并没有考虑到各个参数之间的关联关系,导致对于实际的医疗环境检测评估的精准度较低,造成误预警或不预警的情况。因此,期望一种优化的基于物联网***的医疗体系防控方案。
相应地,考虑到在实际进行医疗体系防控过程中,为了能够对医疗环境进行实时准确地监测,关键在于充分地对于医疗环境的温湿度和空气质量进行参数的关联性分析。因此,在本申请的技术方案中,期望对于医疗环境的温度值、湿度值和空气质量量化评估值的时序变化关联特征进行捕捉刻画来综合进行医疗环境的异常监测。但是,由于所述医疗环境的温度值、湿度值和空气质量量化评估值不仅都在时间维度上有着各自的动态变化规律,并且所述医疗环境的温度和湿度之间会相互影响。因此,若想能够对于医疗环境进行实时准确监测,难点在于如何挖掘所述医疗环境的温度值和湿度值的时序动态关联特征信息和所述空气质量量化评估值的时序变化特征信息,以此综合两者的关联性特征信息来进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险,保证医疗环境的安全性。
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医疗环境的温度值和湿度值的时序动态关联特征和所述空气质量量化评估值的时序变化特征之间的关联性融合特征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,通过传感器采集预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值。接着,考虑到由于所述医疗环境的温度值、湿度值和空气质量量化评估值在时间维度上都具有着动态性的变化规律,因此,为了能够对于所述医疗环境的温度值、湿度值和空气质量量化评估值分别在时间维度上的变化特征信息进行提取,在本申请的技术方案中,将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量,以此来分别整合所述医疗环境的温度值、湿度值和空气质量量化评估值在时序上的分布信息。
然后,对于所述医疗环境的温度值和湿度值来说,考虑到这两者的时序变化特征之间具有着关于医疗环境的动态变化关联关系。因此,为了能够实时准确地进行医疗环境异常监测,在本申请的技术方案中,进一步对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型中进行处理,以提取出所述医疗环境的温度值和湿度值在时间维度上的时序动态协同关联特征信息,从而得到温度-湿度时序关联特征向量。
进一步地,对于所述医疗环境的空气质量量化评估值来说,其表示着医疗环境的空气质量分布情况,因此,为了能够进一步提高对于医疗环境异常监测的精准度,进一步将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器中进行特征挖掘,以提取出所述医疗环境的空气质量量化评估值在时间维度上的时序动态变化特征信息,从而得到空气质量时序特征向量。
接着,进一步再融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量,以此来表示所述医疗环境的温度值和湿度值的时序动态关联特征信息与所述医疗环境的空气质量量化评估值的时序动态变化特征信息的融合特征,即所述医疗环境的温度值和湿度值的时序关联特征和所述空气质量量化评估值的时序变化特征之间的关联性特征信息。然后,将所述分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
也就是,在本申请的技术方案中,所述分类器的标签包括产生医疗环境异常提示(第一标签),以及,不产生医疗环境异常提示(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否产生医疗环境异常提示”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否产生医疗环境异常提示的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否产生医疗环境异常提示”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否产生医疗环境异常提示的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险。
特别地,在本申请的技术方案中,考虑到空气质量量化评估值在源数据层面上与温度值和湿度值之间的关联性,当对所述湿度时序输入向量和所述温度时序输入向量进行关联编码得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型时,所述温度-湿度时序关联特征向量表达温度-湿度跨时序关联的高阶关联特征,而将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器时,所述空气质量时序特征向量表达空气质量量化评估值的时序关联特征,尽管在特征阶次和分布维度上存在差异,但源数据的关联性和时序表达维度的关联性仍然使得所述温度-湿度时序关联特征向量和所述空气质量时序特征向量仍然存在一定的特征分布关联,从而导致融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量得到的所述分类特征向量在高维特征空间内的概率密度表示下的维度区分度不够,影响所述分类特征向量在分类任务下的类概率表达,降低了所述分类特征向量通过分类器得到的分类结果的准确性。
因此,本申请的申请人对所述分类特征向量,例如记为V进行高斯概率密度的流形曲面维度正交化,具体表示为:
其中μ和σ是特征值集合vi∈V的均值和标准差,且v′i是优化后的分类特征向量的第i个位置的特征值。
这里,通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长,可以将所述分类特征向量V的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影,从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整,以通过提升概率密度的维度正交化来提升优化后的分类特征向量在分类任务下的类概率表达的准确性,从而改进优化后的分类特征向量通过分类器得到的分类结果的准确性。这样,能够实时准确地进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险,保证医疗环境的安全性。
基于此,本申请提出了一种基于物联网***的医疗体系防控方法,其包括:获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值;将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量;对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量;将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量;融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
图1为根据本申请实施例的基于物联网***的医疗体系防控方法的应用场景图。如图1所示,在该应用场景中,通过温度传感器(例如,如图1中所示意的V1)获取预定时间段内多个预定时间点的医疗环境的温度值,通过湿度传感器(例如,如图1中所示意的V2)获取预定时间段内多个预定时间点的医疗环境的湿度值,以及,通过空气质量传感器(例如,如图1中所示意的V3)获取预定时间段内多个预定时间点的空气质量量化评估值。接着,将上述数据输入至部署有用于基于物联网***的医疗体系防控算法的服务器(例如,图1中的S)中,其中,所述服务器能够以所述基于物联网***的医疗体系防控算法对上述输入的数据进行处理,以生成用于表示是否产生医疗环境异常提示的分类结果。
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。
示例性方法
图2为根据本申请实施例的基于物联网***的医疗体系防控方法的流程图。如图2所示,根据本申请实施例的基于物联网***的医疗体系防控方法,包括步骤:S110,获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值;S120,将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量;S130,对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量;S140,将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量;S150,融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;S160,对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,S170,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
图3为根据本申请实施例的基于物联网***的医疗体系防控方法的***架构图。如图3所示,该网络结构中,首先,获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值;接着,将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量;对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量;将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量;然后,融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;对所述分类特征向量进行特征分布优化以得到优化分类特征向量;进而,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
更具体地,在步骤S110中,获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值。应可以理解,在实际进行医疗体系防控过程中,医疗环境的温湿度和空气质量都是环境监测的重要因素,且其中各个因素之间存在着关联关系,因此,在本申请的技术方案中,可通过综合分析医疗环境的温度值、湿度值和空气质量量化评估值的时序变化关联特征来进行医疗环境的异常监测。更具体地,在一个示例中,首先,通过温度传感器来获取预定时间段内多个预定时间点的医疗环境的温度值,通过湿度传感器来获取预定时间段内多个预定时间点的医疗环境的湿度值,以及,通过空气质量传感器来获取预定时间段内多个预定时间点的空气质量量化评估值。
更具体地,在步骤S120中,将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量。考虑到由于所述医疗环境的温度值、湿度值和空气质量量化评估值在时间维度上都具有着动态性的变化规律,因此,为了能够对于所述医疗环境的温度值、湿度值和空气质量量化评估值分别在时间维度上的变化特征信息进行提取,在本申请的技术方案中,将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量,以此来分别整合所述医疗环境的温度值、湿度值和空气质量量化评估值在时序上的分布信息。
更具体地,在步骤S130中,对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量。考虑到温度和湿度之间在时间维度上存在变化关联特征,因此,在本申请的技术方案中,为了能够实时准确地进行医疗环境异常监测,对所述湿度时序输入向量和所述温度时序输入向量进行关联编码后通过作为过滤器的卷积神经网络模型中进行处理,以提取出所述医疗环境的温度值和湿度值在时间维度上的时序动态协同关联特征信息。在本申请的一个具体示例中,以如下关联公式对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵;其中,所述公式为:其中Vm表示所述湿度时序输入向量,/>表示所述湿度时序输入向量的转置向量,Vn表示所述温度时序输入向量,M表示所述温度-湿度时序关联矩阵,/>表示向量相乘;以及,使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理。其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述温度-湿度时序关联特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述温度-湿度时序关联矩阵。
更具体地,在步骤S140中,将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量。也就是,将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器中进行特征挖掘,以提取出所述医疗环境的空气质量量化评估值在时间维度上的时序动态变化特征信息,从而得到空气质量时序特征向量。在一个示例中,所述时序特征提取器包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述时序特征提取器的编码过程中,所述时序特征提取器的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的基于物联网***的医疗体系防控方法中时序特征提取过程的流程图。如图4所示,在所述时序特征提取过程中,包括:使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述空气质量时序特征向量,所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述空气质量时序输入向量。
更具体地,在步骤S150中,融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量。也就是,在得到所述温度-湿度时序关联特征向量和所述空气质量时序特征向量后,进一步将两者进行特征融合以此来表示所述医疗环境的温度值和湿度值的时序动态关联特征信息与所述医疗环境的空气质量量化评估值的时序动态变化特征信息的融合特征,即所述医疗环境的温度值和湿度值的时序关联特征和所述空气质量量化评估值的时序变化特征之间的关联性特征信息。在一个示例中,可通过级联的方式来进行特征融合,具体地,以如下级联公式来融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;其中,所述公式为:V=Concat[V1,V2],其中,V1表示所述温度-湿度时序关联特征向量,V2表示所述空气质量时序特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
更具体地,在步骤S160中,对所述分类特征向量进行特征分布优化以得到优化分类特征向量。考虑到空气质量量化评估值在源数据层面上与温度值和湿度值之间的关联性,当对所述湿度时序输入向量和所述温度时序输入向量进行关联编码得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型时,所述温度-湿度时序关联特征向量表达温度-湿度跨时序关联的高阶关联特征,而将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器时,所述空气质量时序特征向量表达空气质量量化评估值的时序关联特征,尽管在特征阶次和分布维度上存在差异,但源数据的关联性和时序表达维度的关联性仍然使得所述温度-湿度时序关联特征向量和所述空气质量时序特征向量仍然存在一定的特征分布关联,从而导致融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量得到的所述分类特征向量在高维特征空间内的概率密度表示下的维度区分度不够,影响所述分类特征向量在分类任务下的类概率表达,降低了所述分类特征向量通过分类器得到的分类结果的准确性。因此,本申请的申请人对所述分类特征向量,例如记为V进行高斯概率密度的流形曲面维度正交化,具体表示为:
其中vi是所述分类特征向量的第i个位置的特征值,μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差,且vi′是所述优化分类特征向量的第i个位置的特征值。这里,通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长,可以将所述分类特征向量V的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影,从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整,以通过提升概率密度的维度正交化来提升优化后的分类特征向量在分类任务下的类概率表达的准确性,从而改进优化后的分类特征向量通过分类器得到的分类结果的准确性。这样,能够实时准确地进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险,保证医疗环境的安全性。
更具体地,在步骤S170中,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。也就是,在得到所述优化分类特征向量后,进一步将其作为分类特征向量通过分类器以得到用于表示是否产生医疗环境异常提示的分类结果。具体地,所述分类器包括多个全连接层与所述多个全连接层最后一个全连接层级联的softmax层。其中,在所述分类器的分类处理中,使用所述分类器的多个全连接层对所述优化分类特征向量进行多次全连接编码以得到优化编码分类特征向量;进而,将所述优化编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中,所述分类器的标签包括产生医疗环境异常提示(第一标签),以及,不产生医疗环境异常提示(第二标签),其中,所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否产生医疗环境异常提示”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否产生医疗环境异常提示的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否产生医疗环境异常提示”的语言文本意义。应可以理解,在本申请的技术方案中,所述分类器的分类标签为是否产生医疗环境异常提示的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险。
图5为根据本申请实施例的基于物联网***的医疗体系防控方法中分类过程的流程图。如图5所示,在所述分类过程中,包括:S310,使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量;以及,S320,将所述优化编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基于物联网***的医疗体系防控方法被阐明,其通过采用基于深度学习的神经网络模型挖掘出医疗环境的温度值和湿度值的时序动态关联特征信息和空气质量量化评估值的时序变化特征信息,以此综合两者的关联性特征信息来进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险,保证医疗环境的安全性。
示例性***
图6为根据本申请实施例的基于物联网***的医疗体系防控***的框图。如图6所示,根据本申请实施例的基于物联网***的医疗体系防控***300,包括:数据采集模块310;排列模块320;温度-湿度时序关联特征提取模块330;空气质量时序特征提取模块340;融合模块350;特征分布优化模块360;以及,分类结果生成模块370。
其中,所述数据采集模块310,用于获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值;所述排列模块320,用于将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量;所述温度-湿度时序关联特征提取模块330,用于对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量;所述空气质量时序特征提取模块340,用于将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量;所述融合模块350,用于融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;所述特征分布优化模块360,用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及,所述分类结果生成模块370,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
在一个示例中,在上述基于物联网***的医疗体系防控***300中,所述温度-湿度时序关联特征提取模块330,用于:以如下关联公式对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵;其中,所述公式为:其中Vm表示所述湿度时序输入向量,/>表示所述湿度时序输入向量的转置向量,Vn表示所述温度时序输入向量,M表示所述温度-湿度时序关联矩阵,/>表示向量相乘;以及,使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理。其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述温度-湿度时序关联特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述温度-湿度时序关联矩阵。
在一个示例中,在上述基于物联网***的医疗体系防控***300中,所述空气质量时序特征提取模块340,用于:使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述空气质量时序特征向量,所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述空气质量时序输入向量。
在一个示例中,在上述基于物联网***的医疗体系防控***300中,所述融合模块350,用于:以如下级联公式来融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;其中,所述公式为:V=Concat[V1,V2],其中,V1表示所述温度-湿度时序关联特征向量,V2表示所述空气质量时序特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
在一个示例中,在上述基于物联网***的医疗体系防控***300中,所述特征分布优化模块360,用于:以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量;其中,所述优化公式为:
其中vi是所述分类特征向量的第i个位置的特征值,μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差,且vi′是所述优化分类特征向量的第i个位置的特征值。
在一个示例中,在上述基于物联网***的医疗体系防控***300中,所述分类结果生成模块370,用于:使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量;以及,将所述优化编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基于物联网***的医疗体系防控***300被阐明,其通过采用基于深度学习的神经网络模型挖掘出医疗环境的温度值和湿度值的时序动态关联特征信息和空气质量量化评估值的时序变化特征信息,以此综合两者的关联性特征信息来进行医疗环境的评估检测,从而对于异常的医疗环境进行预警,以减少交叉感染和疾病传播的风险,保证医疗环境的安全性。
如上所述,根据本申请实施例的基于物联网***的医疗体系防控***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的基于物联网***的医疗体系防控***300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,该基于物联网***的医疗体系防控***300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,该基于物联网***的医疗体系防控***300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,该基于物联网***的医疗体系防控***300与该终端设备也可以是分立的设备,并且该基于物联网***的医疗体系防控***300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。
示例性电子设备
下面,参考图7来描述根据本申请实施例的电子设备。
图7图示了根据本申请实施例的电子设备的框图。
如图7所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于物联网***的医疗体系防控方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如优化分类特征向量等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图7中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网***的医疗体系防控方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于物联网***的医疗体系防控方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
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。
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)
1.一种基于物联网***的医疗体系防控方法,其特征在于,包括:
获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值;
将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量;
对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量;
将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量;
融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量:
对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及
将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
2.根据权利要求1所述的基于物联网***的医疗体系防控方法,其特征在于,对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量,包括:
以如下关联公式对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵;
其中,所述公式为:
其中Vm表示所述湿度时序输入向量,表示所述湿度时序输入向量的转置向量,Vn表示所述温度时序输入向量,M表示所述温度-湿度时序关联矩阵,/>表示向量相乘;以及
使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的池化处理和激活处理;其中,所述作为过滤器的卷积神经网络的最后一层的输出为所述温度-湿度时序关联特征向量,所述作为过滤器的卷积神经网络的第一层的输入为所述温度-湿度时序关联矩阵。
3.根据权利要求2所述的基于物联网***的医疗体系防控方法,其特征在于,将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量,包括:使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述空气质量时序特征向量,所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述空气质量时序输入向量。
4.根据权利要求3所述的基于物联网***的医疗体系防控方法,其特征在于,融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量,包括:以如下级联公式来融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;
其中,所述公式为:
V=Concat[V1,V2]
其中,V1表示所述温度-湿度时序关联特征向量,V2表示所述空气质量时序特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
5.根据权利要求4所述的基于物联网***的医疗体系防控方法,其特征在于,对所述分类特征向量进行特征分布优化以得到优化分类特征向量,包括:
以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量;
其中,所述优化公式为:
其中vi是所述分类特征向量的第i个位置的特征值,μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差,且vi′是所述优化分类特征向量的第i个位置的特征值。
6.根据权利要求5所述的基于物联网***的医疗体系防控方法,其特征在于,将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示,包括:
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量;以及
将所述优化编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
7.一种基于物联网***的医疗体系防控***,其特征在于,包括:
数据采集模块,用于获取由传感器采集的预定时间段内多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值;
排列模块,用于将所述多个预定时间点的医疗环境的温度值、湿度值和空气质量量化评估值分别按照时间维度排列为湿度时序输入向量、温度时序输入向量和空气质量时序输入向量;
温度-湿度时序关联特征提取模块,用于对所述湿度时序输入向量和所述温度时序输入向量进行关联编码以得到温度-湿度时序关联矩阵后通过作为过滤器的卷积神经网络模型以得到温度-湿度时序关联特征向量;
空气质量时序特征提取模块,用于将所述空气质量时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到空气质量时序特征向量;
融合模块,用于融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;
特征分布优化模块,用于对所述分类特征向量进行特征分布优化以得到优化分类特征向量;以及
分类结果生成模块,用于将所述优化分类特征向量通过分类器以得到分类结果,所述分类结果用于表示是否产生医疗环境异常提示。
8.根据权利要求7所述的一种基于物联网***的医疗体系防控***,其特征在于,所述融合模块,用于:以如下级联公式来融合所述温度-湿度时序关联特征向量和所述空气质量时序特征向量以得到分类特征向量;
其中,所述公式为:
V=Concat[V1,V2]
其中,V1表示所述温度-湿度时序关联特征向量,V2表示所述空气质量时序特征向量,Concat[·,·]表示级联函数,V表示所述分类特征向量。
9.根据权利要求8所述的一种基于物联网***的医疗体系防控***,其特征在于,所述特征分布优化模块,用于:以如下优化公式对所述分类特征向量进行特征分布优化以得到所述优化分类特征向量;
其中,所述优化公式为:
其中vi是所述分类特征向量的第i个位置的特征值,μ和σ分别是所述分类特征向量中各个位置特征值集合的均值和标准差,且vi′是所述优化分类特征向量的第i个位置的特征值。
10.根据权利要求9所述的一种基于物联网***的医疗体系防控***,其特征在于,所述分类结果生成模块,用于:
使用所述分类器的多个全连接层对所述优化分类特征向量进行全连接编码以得到优化编码分类特征向量;以及
将所述优化编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814117.2A CN116864086A (zh) | 2023-07-05 | 2023-07-05 | 基于物联网***的医疗体系防控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310814117.2A CN116864086A (zh) | 2023-07-05 | 2023-07-05 | 基于物联网***的医疗体系防控方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116864086A true CN116864086A (zh) | 2023-10-10 |
Family
ID=88229761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310814117.2A Withdrawn CN116864086A (zh) | 2023-07-05 | 2023-07-05 | 基于物联网***的医疗体系防控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116864086A (zh) |
-
2023
- 2023-07-05 CN CN202310814117.2A patent/CN116864086A/zh not_active Withdrawn
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116759053A (zh) | 基于物联网***的医疗体系防控方法及*** | |
CN115796173B (zh) | 针对监管报送需求的数据处理方法和*** | |
US20230036159A1 (en) | Method for identifying vulnerabilities in computer program code and a system thereof | |
CN116015837A (zh) | 用于计算机网络信息安全的入侵检测方法及*** | |
CN117251699B (zh) | 基于人工智能的医疗大数据分析方法及*** | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
CN116405299A (zh) | 一种基于网络安全的报警器 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其*** | |
CN115471216B (zh) | 智慧实验室管理平台的数据管理方法 | |
CN117077075A (zh) | 用于环境保护的水质监测***及其方法 | |
CN116311005A (zh) | 一种用于运动图像处理装置、方法及存储介质 | |
CN117115743A (zh) | 矿用安全生产监控***及其方法 | |
CN117056166A (zh) | 数据异常检测方法、装置、存储介质及电子设备 | |
CN117421655A (zh) | 工业互联网数据流异常检测方法及*** | |
CN117316462A (zh) | 一种医疗数据管理方法 | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
CN117056902A (zh) | 物联网密码管理方法及*** | |
CN116975728A (zh) | 用于煤层气钻井工程的安全管理方法及其*** | |
CN116864086A (zh) | 基于物联网***的医疗体系防控方法及*** | |
CN116187294B (zh) | 信息化检测实验室电子文件快速生成方法及*** | |
CN116935586B (zh) | 用于硝酸的制备的智能化有毒有害气体报警*** | |
Xue et al. | Constrained Tuple Extraction with Interaction-Aware Network | |
CN116538442A (zh) | 排水管道智能监测***及其方法 | |
CN111860662B (zh) | 一种相似性检测模型的训练方法及装置、应用方法及装置 | |
CN116186702B (zh) | 基于协同注意力的恶意软件分类方法和装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231010 |
|
WW01 | Invention patent application withdrawn after publication |