CN117095802B - 陪护人员的智能管理***及其方法 - Google Patents
陪护人员的智能管理***及其方法 Download PDFInfo
- Publication number
- CN117095802B CN117095802B CN202311338555.2A CN202311338555A CN117095802B CN 117095802 B CN117095802 B CN 117095802B CN 202311338555 A CN202311338555 A CN 202311338555A CN 117095802 B CN117095802 B CN 117095802B
- Authority
- CN
- China
- Prior art keywords
- information
- accompanying
- feature vectors
- classification
- context
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 232
- 238000007726 management method Methods 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 230000011218 segmentation Effects 0.000 claims description 19
- 238000010586 diagram Methods 0.000 claims description 17
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000013139 quantization Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000474 nursing effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002996 emotional effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 235000021152 breakfast Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 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
- 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
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Epidemiology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
Abstract
本申请公开了一种陪护人员的智能管理***及其方法,涉及智能管理领域,其采用基于深度神经网络模型的人工智能技术,获取陪护人员信息和患者需求信息,将陪护信息通过上下文编码和过滤器卷积网络提取陪护人员上下文语义理解特征,将需求信息通过上下文编码和双向LSTM模型捕捉患者需求中的语义关联和长期依赖关系,融合后以得到用于表示陪护人员的排班班次的标签的分类结果。进而,可以实现陪护人员排班班次的自动化分类,提高排班的科学性和准确性。
Description
技术领域
本申请涉及智能管理领域,具体涉及一种陪护人员的智能管理***及其方法。
背景技术
陪护人员是专门从事照顾和护理需要帮助的人群(如老年人、病患、残障人士等)的专业人员。他们提供日常生活照料、医疗协助和情感支持等服务,旨在帮助被照顾者提高生活质量、促进康复或维持独立生活能力。
医疗管理部门需要依据陪护人员的基本信息如姓名、员工编号、技能等级、工作经验、可用时间段等和患者的需求信息如病情、护理需求对陪护人员进行合理的排班工作。
但由于传统排班通常是由人工进行调度和安排,需要考虑到多个因素,这样的人工调度过程可能繁琐、耗时,并且容易出现错误或不完全考虑到各种约束条件,传统排班可能无法充分考虑陪护人员的个人需求和偏好,以及患者的特殊需求,导致陪护人员的工作满意度降低,同时可能无法提供最优质的护理服务。
因此,期待一种优化的陪护人员的智能管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请提供了一种陪护人员的智能管理***及其方法,其采用基于深度神经网络模型的人工智能技术,获取陪护人员信息和患者需求信息,将陪护信息通过上下文编码和过滤器卷积网络提取陪护人员上下文语义理解特征,将需求信息通过上下文编码和双向LSTM模型捕捉患者需求中的语义关联和长期依赖关系,融合后以得到用于表示陪护人员的排班班次的标签的分类结果。进而,可以实现陪护人员排班班次的自动化分类,提高排班的科学性和准确性。
根据本申请的一个方面,提供了一种陪护人员的智能管理***,其包括:
信息获取模块,用于获取陪护人员信息和患者需求信息;
陪护信息上下文理解模块,用于将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量;
高斯融合模块,用于将所述多个陪护人员信息局部特征向量通过高斯密度图以得到陪护人员信息特征矩阵;
陪护特征提取模块,用于将所述陪护人员信息特征矩阵通过作为过滤器的卷积神经网络模型以得到陪护人员信息特征向量;
患者需求上下文理解模块,用于将所述患者需求信息通过包含嵌入层的上下文编码模块以得到多个患者需求局部特征向量;
双向注意力提取模块,用于将所述多个患者需求局部特征向量通过双向LSTM模型以得到患者需求特征向量后和所述陪护人员信息特征向量融合以得到分类特征向量;
插值匹配模块,用于对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量;
排班结果生成模块,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陪护人员的排班班次的标签。
在上述陪护人员的智能管理***中,所述陪护信息上下文理解模块,包括:第一分词单元,用于对所述陪护人员信息进行分词处理以将所述陪护人员信息转化为由多个词组成的陪护词序列;第一词嵌入单元,用于使用所述包含嵌入层的上下文编码模块的嵌入层分别将所述陪护词序列中各个词映射为词嵌入向量以得到陪护词嵌入向量的序列;以及,第一上下文编码单元,用于使用所述包含嵌入层的上下文编码模块的转换器对所述陪护词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个陪护人员信息局部特征向量。
在上述陪护人员的智能管理***中,所述第一上下文编码单元,包括:排列子单元,用于将所述陪护词嵌入向量的序列进行一维排列以得到全局特征向量;自注意子单元,用于计算所述全局特征向量与所述陪护词嵌入向量的序列中各个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,加权子单元,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陪护词嵌入向量的序列中各个向量进行加权以得到所述多个陪护人员信息局部特征向量
在上述陪护人员的智能管理***中,所述高斯融合模块,包括:融合单元,用于使用高斯密度图来融合所述多个陪护人员信息局部特征向量以得到融合高斯密度图;以及,高斯离散化单元,用于对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述陪护人员信息特征矩阵。
在上述陪护人员的智能管理***中,所述陪护特征提取模块,用于: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:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图的通道维度的各个特征矩阵进行全局均值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,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述陪护人员信息特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述陪护人员信息特征矩阵。
在上述陪护人员的智能管理***中,所述患者需求上下文理解模块,包括:第二分词单元,用于对所述患者需求信息进行分词处理以将所述患者需求信息转化为由多个词组成的需求词序列;第二词嵌入单元,用于使用所述包含嵌入层的上下文编码模块的嵌入层分别将所述需求词序列中各个词映射为词嵌入向量以得到需求词嵌入向量的序列;以及,第二上下文编码单元,用于使用所述包含嵌入层的上下文编码模块的转换器对所述需求词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个患者需求局部特征向量。
根据本申请的另一方面,提供了一种陪护人员的智能管理方法,其包括:
获取陪护人员信息和患者需求信息;
将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量;
将所述多个陪护人员信息局部特征向量通过高斯密度图以得到陪护人员信息特征矩阵;
将所述陪护人员信息特征矩阵通过作为过滤器的卷积神经网络模型以得到陪护人员信息特征向量;
将所述患者需求信息通过包含嵌入层的上下文编码模块以得到多个患者需求局部特征向量;
将所述多个患者需求局部特征向量通过双向LSTM模型以得到患者需求特征向量后和所述陪护人员信息特征向量融合以得到分类特征向量;
对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量;
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陪护人员的排班班次的标签。
本发明的有益效果:
本申请提供的一种陪护人员的智能管理***及其方法,其采用基于深度神经网络模型的人工智能技术,获取陪护人员信息和患者需求信息,将陪护信息通过上下文编码和过滤器卷积网络提取陪护人员上下文语义理解特征,将需求信息通过上下文编码和双向LSTM模型捕捉患者需求中的语义关联和长期依赖关系,融合后以得到用于表示陪护人员的排班班次的标签的分类结果。进而,可以实现陪护人员排班班次的自动化分类,提高排班的科学性和准确性。
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陪护人员的智能管理***的框图;
图2为根据本申请实施例的陪护人员的智能管理***的架构示意图;
图3为根据本申请实施例的陪护人员的智能管理***中陪护信息上下文理解模块的框图;
图4为根据本申请实施例的陪护人员的智能管理***中插值匹配模块的框图;
图5为根据本申请实施例的陪护人员的智能管理方法的流程图;
图6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。
示例性***
图1为根据本申请实施例的陪护人员的智能管理***的框图。如图1所示,根据本申请实施例的陪护人员的智能管理***100,包括:信息获取模块110,用于获取陪护人员信息和患者需求信息;陪护信息上下文理解模块120,用于将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量;高斯融合模块130,用于将所述多个陪护人员信息局部特征向量通过高斯密度图以得到陪护人员信息特征矩阵;陪护特征提取模块140,用于将所述陪护人员信息特征矩阵通过作为过滤器的卷积神经网络模型以得到陪护人员信息特征向量;患者需求上下文理解模块150,用于将所述患者需求信息通过包含嵌入层的上下文编码模块以得到多个患者需求局部特征向量;双向注意力提取模块160,用于将所述多个患者需求局部特征向量通过双向LSTM模型以得到患者需求特征向量后和所述陪护人员信息特征向量融合以得到分类特征向量;插值匹配模块170,用于对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量;以及,排班结果生成模块180,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陪护人员的排班班次的标签。
图2为根据本申请实施例的陪护人员的智能管理***的架构示意图。如图2所示,首先,获取陪护人员信息和患者需求信息。接着,将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量。然后,将所述多个陪护人员信息局部特征向量通过高斯密度图以得到陪护人员信息特征矩阵。接着,将所述陪护人员信息特征矩阵通过作为过滤器的卷积神经网络模型以得到陪护人员信息特征向量。同时,将所述患者需求信息通过包含嵌入层的上下文编码模块以得到多个患者需求局部特征向量。然后,将所述多个患者需求局部特征向量通过双向LSTM模型以得到患者需求特征向量后和所述陪护人员信息特征向量融合以得到分类特征向量。接着,对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量。最后,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陪护人员的排班班次的标签。
在本申请实施例中,所述信息获取模块110,用于获取陪护人员信息和患者需求信息。考虑到通过获取陪护人员的信息,可以了解到每个陪护人员的工作经验、技能水平、特殊能力等方面的情况。这些信息可以作为排班决策的依据,以确保将合适的陪护人员分配给相应的任务。例如,某些患者可能需要特殊医疗技能或语言沟通能力,而获取陪护人员的信息可以帮助匹配到具备相关技能的陪护人员。而了解患者的需求是为了能够提供更好的护理服务。不同患者可能有不同的医疗需求、生活习惯、行动能力等方面的差异,而获取患者需求信息可以帮助了解这些差异,并根据患者的需求安排合适的陪护人员。例如,某些患者可能需要特殊的医疗设备或定期的药物管理,而获取患者需求信息可以帮助安排具备相关经验和技能的陪护人员。另外,通过获取陪护人员和患者的信息,可以实现更个性化的护理服务。不同的陪护人员可能有不同的工作偏好和特长,而不同的患者可能有不同的偏好和需求。通过了解陪护人员和患者的信息,可以更好地匹配二者之间的需求关系,提供更贴合个体需求的护理服务。因此,获取陪护人员信息和患者需求信息的目的是为了能够全面了解陪护人员和患者的需求,以便实现合理的排班班次安排和提供个性化的护理服务。
在本申请实施例中,陪护信息上下文理解模块120,用于将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量。考虑到陪护人员信息通常是由多个属性或特征组成的,每个属性都具有一定的语义含义,而上下文编码可以帮助将这些语义信息进行建模。通过将陪护人员信息嵌入到语义空间中,可以更好地表示陪护人员的特征。例如,将陪护人员的教育背景、专业技能等信息进行上下文编码,可以将这些信息转化为语义丰富的特征向量。例如,陪护人员的工作经验和技能水平可能相互影响,而上下文编码可以帮助捕捉到这种相关性。因此,通过包含嵌入层的上下文编码模块将陪护人员信息转化为多个陪护人员信息局部特征向量的目的是为了捕捉上下文相关性和语义信息,从而更好地表示陪护人员的特征。这样可以提供更丰富、更准确的陪护人员信息表示,为后续的排班决策提供更可靠的依据。
图3为根据本申请实施例的陪护人员的智能管理***中陪护信息上下文理解模块的框图。具体地,在本申请实施例中,如图3所示,所述陪护信息上下文理解模块120,包括:第一分词单元121,用于对所述陪护人员信息进行分词处理以将所述陪护人员信息转化为由多个词组成的陪护词序列;第一词嵌入单元122,用于使用所述包含嵌入层的上下文编码模块的嵌入层分别将所述陪护词序列中各个词映射为词嵌入向量以得到陪护词嵌入向量的序列;以及,第一上下文编码单元123,用于使用所述包含嵌入层的上下文编码模块的转换器对所述陪护词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个陪护人员信息局部特征向量。
更具体地,在本申请实施例中,所述第一上下文编码单元123,包括:排列子单元,用于将所述陪护词嵌入向量的序列进行一维排列以得到全局特征向量;自注意子单元,用于计算所述全局特征向量与所述陪护词嵌入向量的序列中各个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,加权子单元,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陪护词嵌入向量的序列中各个向量进行加权以得到所述多个陪护人员信息局部特征向量。
在本申请实施例中,所述高斯融合模块130,用于将所述多个陪护人员信息局部特征向量通过高斯密度图以得到陪护人员信息特征矩阵。考虑到陪护人员信息可能包含大量的属性和特征,通过高斯密度图可以将这些特征向量进行聚类分析。高斯密度图可以根据特征向量之间的相似性将其划分为不同的聚类簇,从而将具有相似特征的陪护人员归为同一类。这有助于发现陪护人员信息中的潜在模式和群体,为后续的排班决策提供更多参考。另外,高斯密度图可以帮助学习到陪护人员信息的特征表示。通过将特征向量映射到高斯密度图中的概率分布,可以将原始的特征空间转化为一个更紧凑、更具表达力的特征空间。这样可以减少特征的维度,并且保留了特征之间的相对关系。
具体地,在本申请实施例中,所述高斯融合模块130,包括:融合单元,用于使用高斯密度图来融合所述多个陪护人员信息局部特征向量以得到融合高斯密度图;以及,高斯离散化单元,用于对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述陪护人员信息特征矩阵。
在本申请实施例中,所述陪护特征提取模块140,用于将所述陪护人员信息特征矩阵通过作为过滤器的卷积神经网络模型以得到陪护人员信息特征向量。考虑到对于陪护人员信息特征矩阵,卷积操作可以识别局部模式和关联信息,例如特定的特征组合或者重要的上下文关系。这有助于捕捉到陪护人员信息中的重要特征,提高了特征表示的表达能力。另外,卷积神经网络通过使用共享权重的方式减少了网络的参数量,这使得网络更加高效。对于陪护人员信息特征矩阵,卷积神经网络可以通过共享权重来学习到不同位置的相同或相似的特征。这样可以减少特征提取过程中的计算量,并且提高了模型的泛化能力。此外,卷积神经网络可以通过卷积层和池化层来逐步提取更高级别的特征表示。这种层级特征提取的过程可以帮助模型从原始的陪护人员信息特征矩阵中提取出更抽象、更语义化的特征。这些高级别的特征表示可以更好地表示陪护人员的重要属性和特征,有助于后续的排班决策和分析。
具体地,在本申请实施例中,所述陪护特征提取模块140,用于: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:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图的通道维度的各个特征矩阵进行全局均值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,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述陪护人员信息特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述陪护人员信息特征矩阵。
在本申请实施例中,所述患者需求上下文理解模块150,用于将所述患者需求信息通过包含嵌入层的上下文编码模块以得到多个患者需求局部特征向量。考虑到患者需求通常是由一系列相关的语句、描述或问题组成的。这些语句之间可能存在上下文关系,其中前面的语句可能会对后续的语句产生影响。通过上下文编码模块,可以将患者需求信息中的上下文信息进行建模和编码,从而更好地理解患者需求的整体语义。具体地,上下文编码模块可以帮助捕捉患者需求中的语义关联。通过嵌入层和上下文编码模块,可以将原始的文本数据转化为连续的向量表示,这些向量可以捕捉到患者需求中的语义和上下文信息,推断出患者需求中的隐含意思、情感倾向或特定的要求,从而更准确地理解患者的需求和意图。
具体地,在本申请实施例中,所述患者需求上下文理解模块150,包括:第二分词单元,用于对所述患者需求信息进行分词处理以将所述患者需求信息转化为由多个词组成的需求词序列;第二词嵌入单元,用于使用所述包含嵌入层的上下文编码模块的嵌入层分别将所述需求词序列中各个词映射为词嵌入向量以得到需求词嵌入向量的序列;以及,第二上下文编码单元,用于使用所述包含嵌入层的上下文编码模块的转换器对所述需求词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个患者需求局部特征向量。
在本申请实施例中,所述双向注意力提取模块160,用于将所述多个患者需求局部特征向量通过双向LSTM模型以得到患者需求特征向量后和所述陪护人员信息特征向量融合以得到分类特征向量。考虑到患者需求通常是由多个语句或描述组成的序列。这些语句之间的顺序和上下文关系对于理解患者需求的整体意图和要求非常重要。通过使用双向LSTM模型,可以同时考虑前向和后向的上下文信息,从而更好地建模患者需求的序列特征和语义关联。具体地,LSTM模型具有记忆单元和门控机制,可以有效地处理长期依赖关系。对于患者需求信息,某些语句或描述可能会对后续的语句产生重要影响,而这种长期依赖关系可能无法通过简单的前馈神经网络模型捕捉到。通过使用LSTM模型,可以捕捉到患者需求序列中的长期依赖关系,从而更全面地理解患者需求的语义和上下文。
在本申请实施例中,所述插值匹配模块170,用于对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量。
在本申请的技术方案中,所述分类特征向量的特征分布沿着特定维度存在一定的顺序关系,特别地,所述分类特征向量在空间维度存在秩序性,因此,如果能够挖掘出所述分类特征向量在空间维度的秩序性特征,则显然那可以优化所述分类特征向量的特征表达。
具体地,在本申请的技术方案中,首先沿着空间维度对所述分类特征向量进行向量切分以得到多个分类特征局部特征向量。本质上,所述分类特征向量为所述多个分类特征局部特征向量的特征集合。接着,对所述分类特征向量的各个局部空间的特征集合进行向量嵌入化,并利用转换器的自注意力机制来捕捉各个局部空间特征矩阵之间的上下文秩序性隐含关联信息。在得到所述多个上下文分类特征局部像素级特征向量,利用Softmax函数将所述多个上下文分类特征局部像素级特征向量分别映射到非线性量化度量空间以得到多个秩序性量化概率值,这里,所述各个秩序性量化概率值用于表示所述分类特征向量的在空间维度的各个局部特征向量的秩序性特征的量化表征值。进而,对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性先验权重值,并以所述多个秩序性先验权重值作为权重,并分别对所述分类特征向量的各个分类特征局部特征向量进行加权以得到所述优化分类特征向量。
这样,对所述分类特征向量进行基于秩序性的插值匹配以利用所述分类特征向量的内在结构在空间维度的特征分布的隐含秩序性信息来对所述分类特征向量进行基于秩序性的显著性先验优化以提高所述分类特征向量通过分类器的分类结果的精准度。
图4为根据本申请实施例的陪护人员的智能管理***中插值匹配模块的框图。具体地,在本申请实施例中,如图4所示,所述插值匹配模块170,包括:向量切分单元171,用于对所述分类特征向量进行向量切分以得到多个分类特征局部特征向量;像素嵌入单元172,用于将所述多个分类特征局部特征向量分别通过基于全连接层的像素嵌入编码器以得到多个分类特征局部像素级特征向量;上下文分类单元173,用于将所述多个分类特征局部像素级特征向量通过基于转换器模块的上下文语义编码器以得到多个上下文分类特征局部像素级特征向量;秩序性量化单元174,用于将所述多个上下文分类特征局部像素级特征向量通过Softmax函数值以得到多个秩序性量化概率值;归一化处理单元175,用于对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性匹配权重值;以及,特征加权单元176,用于以所述多个秩序性匹配权重值作为权重,并分别对所述分类特征向量的多个分类特征局部特征向量进行加权以得到所述优化分类特征向量。
在本申请实施例中,所述排班结果生成模块180,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陪护人员的排班班次的标签。考虑到陪护人员的排班班次可以根据不同的需求和条件进行分类。例如,可以将班次分为白班、夜班、早班等不同的类别,或者根据工作时长将班次划分为全天班、半天班等类别。通过使用分类器,可以将分类特征向量输入到模型中,根据特征向量的信息对班次进行分类,从而得到具体的班次标签。这有助于实现自动化决策、精细化管理和数据驱动决策,提高排班过程的效率和准确性,同时满足患者需求和陪护人员的工作需求。
综上,基于本申请实施例的陪护人员的智能管理***100被阐明,其采用基于深度神经网络模型的人工智能技术,获取陪护人员信息和患者需求信息,将陪护信息通过上下文编码和过滤器卷积网络提取陪护人员上下文语义理解特征,将需求信息通过上下文编码和双向LSTM模型捕捉患者需求中的语义关联和长期依赖关系,融合后以得到用于表示陪护人员的排班班次的标签的分类结果。进而,可以实现陪护人员排班班次的自动化分类,提高排班的科学性和准确性。
示例性方法
图5为根据本申请实施例的陪护人员的智能管理方法的流程图。如图5所示,根据本申请实施例的陪护人员的智能管理方法,包括:S110,获取陪护人员信息和患者需求信息;S120,将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量;S130,将所述多个陪护人员信息局部特征向量通过高斯密度图以得到陪护人员信息特征矩阵;S140,将所述陪护人员信息特征矩阵通过作为过滤器的卷积神经网络模型以得到陪护人员信息特征向量;S150,将所述患者需求信息通过包含嵌入层的上下文编码模块以得到多个患者需求局部特征向量;S160,将所述多个患者需求局部特征向量通过双向LSTM模型以得到患者需求特征向量后和所述陪护人员信息特征向量融合以得到分类特征向量;S170,对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量;以及,S180,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陪护人员的排班班次的标签。
这里,本领域技术人员可以理解,上述陪护人员的智能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4的陪护人员的智能管理***的描述中得到了详细介绍,并因此,将省略其重复描述。
示例性电子设备
下面,参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6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可以是中央处理模块(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模块,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陪护人员的智能管理***及其方法中的功能以及/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陪护人员信息和患者需求信息等各种内容。
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6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陪护人员的智能管理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陪护人员的智能管理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***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。
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***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 (9)
1.一种陪护人员的智能管理***,其特征在于,包括:
信息获取模块,用于获取陪护人员信息和患者需求信息;
陪护信息上下文理解模块,用于将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量;
高斯融合模块,用于将所述多个陪护人员信息局部特征向量通过高斯密度图以得到陪护人员信息特征矩阵;
陪护特征提取模块,用于将所述陪护人员信息特征矩阵通过作为过滤器的卷积神经网络模型以得到陪护人员信息特征向量;
患者需求上下文理解模块,用于将所述患者需求信息通过包含嵌入层的上下文编码模块以得到多个患者需求局部特征向量;
双向注意力提取模块,用于将所述多个患者需求局部特征向量通过双向LSTM模型以得到患者需求特征向量后和所述陪护人员信息特征向量融合以得到分类特征向量;
插值匹配模块,用于对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量;
排班结果生成模块,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陪护人员的排班班次的标签;
其中,所述插值匹配模块,包括:
向量切分单元,用于对所述分类特征向量进行向量切分以得到多个分类特征局部特征向量;
像素嵌入单元,用于将所述多个分类特征局部特征向量分别通过基于全连接层的像素嵌入编码器以得到多个分类特征局部像素级特征向量;
上下文分类单元,用于将所述多个分类特征局部像素级特征向量通过基于转换器模块的上下文语义编码器以得到多个上下文分类特征局部像素级特征向量;
秩序性量化单元,用于将所述多个上下文分类特征局部像素级特征向量通过Softmax函数值以得到多个秩序性量化概率值;
归一化处理单元,用于对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性匹配权重值;
特征加权单元,用于以所述多个秩序性匹配权重值作为权重,并分别对所述分类特征向量的多个分类特征局部特征向量进行加权以得到所述优化分类特征向量。
2.根据权利要求1所述的陪护人员的智能管理***,其特征在于,所述陪护信息上下文理解模块,包括:
第一分词单元,用于对所述陪护人员信息进行分词处理以将所述陪护人员信息转化为由多个词组成的陪护词序列;
第一词嵌入单元,用于使用所述包含嵌入层的上下文编码模块的嵌入层分别将所述陪护词序列中各个词映射为词嵌入向量以得到陪护词嵌入向量的序列;
第一上下文编码单元,用于使用所述包含嵌入层的上下文编码模块的转换器对所述陪护词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个陪护人员信息局部特征向量。
3.根据权利要求2所述的陪护人员的智能管理***,其特征在于,所述第一上下文编码单元,包括:
排列子单元,用于将所述陪护词嵌入向量的序列进行一维排列以得到全局特征向量;
自注意子单元,用于计算所述全局特征向量与所述陪护词嵌入向量的序列中各个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;
加权子单元,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陪护词嵌入向量的序列中各个向量进行加权以得到所述多个陪护人员信息局部特征向量。
4.根据权利要求3所述的陪护人员的智能管理***,其特征在于,所述高斯融合模块,包括:
融合单元,用于使用高斯密度图来融合所述多个陪护人员信息局部特征向量以得到融合高斯密度图;
高斯离散化单元,用于对所述融合高斯密度图中各个位置的高斯分布进行离散化处理以得到所述陪护人员信息特征矩阵。
5.根据权利要求4所述的陪护人员的智能管理***,其特征在于,所述陪护特征提取模块,用于:
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:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图的通道维度的各个特征矩阵进行全局均值池化以得到池化特征图;
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,所述作为过滤器的卷积神经网络模型的最后一层的输出为所述陪护人员信息特征向量,所述作为过滤器的卷积神经网络模型的第一层的输入为所述陪护人员信息特征矩阵。
6.根据权利要求5所述的陪护人员的智能管理***,其特征在于,所述患者需求上下文理解模块,包括:
第二分词单元,用于对所述患者需求信息进行分词处理以将所述患者需求信息转化为由多个词组成的需求词序列;
第二词嵌入单元,用于使用所述包含嵌入层的上下文编码模块的嵌入层分别将所述需求词序列中各个词映射为词嵌入向量以得到需求词嵌入向量的序列;
第二上下文编码单元,用于使用所述包含嵌入层的上下文编码模块的转换器对所述需求词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个患者需求局部特征向量。
7.一种陪护人员的智能管理方法,其特征在于,包括:
获取陪护人员信息和患者需求信息;
将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量;
将所述多个陪护人员信息局部特征向量通过高斯密度图以得到陪护人员信息特征矩阵;
将所述陪护人员信息特征矩阵通过作为过滤器的卷积神经网络模型以得到陪护人员信息特征向量;
将所述患者需求信息通过包含嵌入层的上下文编码模块以得到多个患者需求局部特征向量;
将所述多个患者需求局部特征向量通过双向LSTM模型以得到患者需求特征向量后和所述陪护人员信息特征向量融合以得到分类特征向量;
对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量;
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陪护人员的排班班次的标签;
其中,对所述分类特征向量进行基于秩序性的插值匹配以得到优化分类特征向量,包括:
对所述分类特征向量进行向量切分以得到多个分类特征局部特征向量;
将所述多个分类特征局部特征向量分别通过基于全连接层的像素嵌入编码器以得到多个分类特征局部像素级特征向量;
将所述多个分类特征局部像素级特征向量通过基于转换器模块的上下文语义编码器以得到多个上下文分类特征局部像素级特征向量;
将所述多个上下文分类特征局部像素级特征向量通过Softmax函数值以得到多个秩序性量化概率值;
对所述多个秩序性量化概率值进行归一化处理以得到多个秩序性匹配权重值;
以所述多个秩序性匹配权重值作为权重,并分别对所述分类特征向量的多个分类特征局部特征向量进行加权以得到所述优化分类特征向量。
8.根据权利要求7所述的陪护人员的智能管理方法,其特征在于,将所述陪护人员信息通过包含嵌入层的上下文编码模块以得到多个陪护人员信息局部特征向量,包括:
对所述陪护人员信息进行分词处理以将所述陪护人员信息转化为由多个词组成的陪护词序列;
使用所述包含嵌入层的上下文编码模块的嵌入层分别将所述陪护词序列中各个词映射为词嵌入向量以得到陪护词嵌入向量的序列;
使用所述包含嵌入层的上下文编码模块的转换器对所述陪护词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个陪护人员信息局部特征向量。
9.根据权利要求8所述的陪护人员的智能管理方法,其特征在于,使用所述包含嵌入层的上下文编码模块的转换器对所述陪护词嵌入向量的序列进行基于转换器思想的全局上下文语义编码以得到多个陪护人员信息局部特征向量,包括:
将所述陪护词嵌入向量的序列进行一维排列以得到全局特征向量;
计算所述全局特征向量与所述陪护词嵌入向量的序列中各个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;
分别以所述多个概率值中各个概率值作为权重对所述陪护词嵌入向量的序列中各个向量进行加权以得到所述多个陪护人员信息局部特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338555.2A CN117095802B (zh) | 2023-10-17 | 2023-10-17 | 陪护人员的智能管理***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311338555.2A CN117095802B (zh) | 2023-10-17 | 2023-10-17 | 陪护人员的智能管理***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117095802A CN117095802A (zh) | 2023-11-21 |
CN117095802B true CN117095802B (zh) | 2024-01-26 |
Family
ID=88773686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311338555.2A Active CN117095802B (zh) | 2023-10-17 | 2023-10-17 | 陪护人员的智能管理***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117095802B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117352151B (zh) * | 2023-12-05 | 2024-03-01 | 吉林大学 | 智能陪护管理***及其方法 |
CN117727467A (zh) * | 2024-02-07 | 2024-03-19 | 吉林大学 | 基于大数据的护理临床决策支持***及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757534A (zh) * | 2022-04-14 | 2022-07-15 | 新疆品宣生物科技有限责任公司 | 一种智能考勤排班与考评方法、考勤排班装置和*** |
CN115116592A (zh) * | 2022-07-28 | 2022-09-27 | 天津市天津医院 | 医院综合信息管理***及其管理方法 |
CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测***及其方法 |
CN116189865A (zh) * | 2023-03-30 | 2023-05-30 | 浙江大学 | 医院预约登记管理*** |
CN116596274A (zh) * | 2023-06-14 | 2023-08-15 | 南城云趣(北京)网络科技有限公司 | 一种警务调度方法、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063427A (zh) * | 2014-06-06 | 2014-09-24 | 北京搜狗科技发展有限公司 | 一种基于语义理解的表情输入方法和装置 |
-
2023
- 2023-10-17 CN CN202311338555.2A patent/CN117095802B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114757534A (zh) * | 2022-04-14 | 2022-07-15 | 新疆品宣生物科技有限责任公司 | 一种智能考勤排班与考评方法、考勤排班装置和*** |
CN115116592A (zh) * | 2022-07-28 | 2022-09-27 | 天津市天津医院 | 医院综合信息管理***及其管理方法 |
CN116025319A (zh) * | 2023-01-31 | 2023-04-28 | 新疆广陆能源科技股份有限公司 | 多介质热流体作业监测***及其方法 |
CN116189865A (zh) * | 2023-03-30 | 2023-05-30 | 浙江大学 | 医院预约登记管理*** |
CN116596274A (zh) * | 2023-06-14 | 2023-08-15 | 南城云趣(北京)网络科技有限公司 | 一种警务调度方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117095802A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117095802B (zh) | 陪护人员的智能管理***及其方法 | |
CN112183747B (zh) | 神经网络训练的方法、神经网络的压缩方法以及相关设备 | |
CN107516110B (zh) | 一种基于集成卷积编码的医疗问答语义聚类方法 | |
CN113177124B (zh) | 一种垂直领域知识图谱构建方法及*** | |
Ramos-Soto et al. | Linguistic descriptions for automatic generation of textual short-term weather forecasts on real prediction data | |
CN110110122A (zh) | 基于多层语义深度哈希算法的图像-文本跨模态检索 | |
CN113704428B (zh) | 智能问诊方法、装置、电子设备及存储介质 | |
WO2023029506A1 (zh) | 病情分析方法、装置、电子设备及存储介质 | |
CN113723513B (zh) | 多标签图像分类方法、装置及相关设备 | |
CN112989835B (zh) | 一种复杂医疗实体抽取方法 | |
CN114722826B (zh) | 模型的训练方法和装置、电子设备、存储介质 | |
CN117235630A (zh) | 智慧病区可视化管理***及其方法 | |
CN111340006B (zh) | 一种手语识别方法及*** | |
CN113657105A (zh) | 基于词汇增强的医学实体抽取方法、装置、设备及介质 | |
Jaiswal et al. | Entity-aware capsule network for multi-class classification of big data: A deep learning approach | |
CN114360731A (zh) | 一种面向老年照护的医养结合知识服务***构建方法 | |
US11410449B2 (en) | Human parsing techniques utilizing neural network architectures | |
CN112216379A (zh) | 一种基于智能联合学习的疾病诊断*** | |
CN117542467B (zh) | 基于患者数据的专病标准数据库自动构建方法 | |
CN116702776A (zh) | 基于跨中西医的多任务语义划分方法、装置、设备及介质 | |
Karpagam et al. | Facial emotion detection using convolutional neural network algorithm | |
CN117438104B (zh) | 一种智能药品预警方法、电子设备以及计算机存储介质 | |
Galkin et al. | A hygiene monitoring system | |
Yang et al. | Medical assistant diagnosis method based on graph neural network and attention mechanism | |
Zhao et al. | Knowledge structure generation and modularization based on binary matrix factorization in engineering design |
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 |