CN117235630A - 智慧病区可视化管理***及其方法 - Google Patents
智慧病区可视化管理***及其方法 Download PDFInfo
- Publication number
- CN117235630A CN117235630A CN202311518261.8A CN202311518261A CN117235630A CN 117235630 A CN117235630 A CN 117235630A CN 202311518261 A CN202311518261 A CN 202311518261A CN 117235630 A CN117235630 A CN 117235630A
- Authority
- CN
- China
- Prior art keywords
- patient information
- word
- feature
- vector
- matrix
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 title abstract description 11
- 201000010099 disease Diseases 0.000 title description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title description 11
- 230000000474 nursing effect Effects 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims description 143
- 239000011159 matrix material Substances 0.000 claims description 90
- 238000007726 management method Methods 0.000 claims description 59
- 230000002457 bidirectional effect Effects 0.000 claims description 31
- 230000011218 segmentation Effects 0.000 claims description 29
- 238000012800 visualization Methods 0.000 claims description 28
- 230000004927 fusion Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 13
- 238000011282 treatment Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 239000003814 drug Substances 0.000 description 8
- 229940079593 drug Drugs 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及智能管理领域,其具体地公开了一种智慧病区可视化管理***及其方法,其采用基于深度神经网络模型的人工智能技术,获取病人信息和医生的医嘱信息,通过包含词嵌入层是语义编码器进行上下文语义特征提取,融合后通过双向注意力机制进行的双向的注意力增强,以得到用于表示护理操作的标签的分类结果。进而,可以为医护人员提供指导和决策支持,提高护理质量和安全性。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种智慧病区可视化管理***及其方法。
背景技术
病区是一个忙碌的地方,需要有一个合理的管理,来提升对医疗对象的服务。护士需要根据病人的信息和医生的医嘱来为病人进行相应的护理操作。智慧病区管理是一个为利用大数据处理,提升医院对医疗对象的管理效率,它可以帮助的护士、医生提供一个集中管理,更好地为病人提供相应的护理服务和治疗服务。但由于现有技术中,医院的病区管理还不够智能,需要护士人为的根据病人的信息和医生的医嘱进行相应的护理操作,不具有智能性和准确性,效率较低。
因此,期待一种优化的智慧病区可视化管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种智慧病区可视化管理***及其方法,其采用基于深度神经网络模型的人工智能技术,获取病人信息和医生的医嘱信息,通过包含词嵌入层是语义编码器进行上下文语义特征提取,融合后通过双向注意力机制进行双向的注意力增强,以得到用于表示护理操作的标签的分类结果。进而,可以为医护人员提供指导和决策支持,提高护理质量和安全性。
根据本申请的一个方面,提供了一种智慧病区可视化管理***,其包括:
信息获取模块,用于获取病人信息和医生的医嘱信息;
病人信息提取模块,用于对所述病人信息进行分词处理后通过包含词嵌入层的语义编码器以得到病人信息特征向量;
医嘱信息提取模块,用于对所述医生的医嘱信息进行分词处理后通过包含词嵌入层的语义编码器以得到医嘱信息特征向量;
融合信息模块,用于对所述病人信息特征向量和所述医嘱信息特征向量进行融合以得到融合特征矩阵;
双向注意力模块,用于将所述融合特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵;
特征一致化模块,用于对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵;
操作结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示护理操作的标签。
在上述智慧病区可视化管理***中,所述病人信息提取模块,包括:第一分词单元,用于对所述病人信息进行分词处理以将所述病人信息转化为由多个词组成的病人信息词序列;第一词嵌入单元,用于使用所述包含词嵌入层的语义编码器的嵌入层分别将所述病人信息词序列中各个词映射为词嵌入向量以得到病人信息词嵌入向量的序列;以及,第一上下文编码单元,用于使用所述包含词嵌入层的语义编码器的转换器对所述病人信息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病人信息特征向量。
在上述智慧病区可视化管理***中,所述第一上下文编码单元,包括:
排列子单元,用于将所述病人信息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病人信息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病人信息词嵌入向量的序列中各个向量进行加权以得到多个病人信息上下文语义特征向量;以及,级联子单元,用于将所述多个病人信息上下文语义特征向量进行级联以得到所述病人信息特征向量。
在上述智慧病区可视化管理***中,所述医嘱信息提取模块,包括:第二分词单元,用于对所述医生的医嘱信息进行分词处理以将所述医生的医嘱信息转化为由多个词组成的医嘱信息词序列;第二词嵌入单元,用于使用所述包含词嵌入层的语义编码器的嵌入层分别将所述医嘱信息词序列中各个词映射为词嵌入向量以得到医嘱信息词嵌入向量的序列;以及,第二上下文编码单元,用于使用所述包含词嵌入层的语义编码器的转换器对所述医嘱信息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医嘱特征向量。
在上述智慧病区可视化管理***中,所述双向注意力模块,包括:池化单元,用于将所述融合特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;关联编码单元,用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;激活单元,用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵;以及,权重施加单元,用于计算所述双向关联权重矩阵和所述转移矩阵之间的按位置点乘以得到所述分类特征矩阵。
在上述智慧病区可视化管理***中,所述操作结果生成模块,包括:展开单元,用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种智慧病区可视化管理方法,其包括:
获取病人信息和医生的医嘱信息;
对所述病人信息进行分词处理后通过包含词嵌入层的语义编码器以得到病人信息特征向量;
对所述医生的医嘱信息进行分词处理后通过包含词嵌入层的语义编码器以得到医嘱信息特征向量;
对所述病人信息特征向量和所述医嘱信息特征向量进行融合以得到融合特征矩阵;
将所述融合特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵;
对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵;
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示护理操作的标签。
与现有技术相比,本申请提供的一种智慧病区可视化管理***及其方法,其采用基于深度神经网络模型的人工智能技术,获取病人信息和医生的医嘱信息,通过包含词嵌入层是语义编码器进行上下文语义特征提取,融合后通过双向注意力机制进行双向的注意力增强,以得到用于表示护理操作的标签的分类结果。进而,可以为医护人员提供指导和决策支持,提高护理质量和安全性。
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智慧病区可视化管理***的框图。
图2为根据本申请实施例的智慧病区可视化管理***的架构示意图。
图3为根据本申请实施例的智慧病区可视化管理***中病人信息提取模块的框图。
图4为根据本申请实施例的智慧病区可视化管理***中第一上下文编码单元的框图。
图5为根据本申请实施例的智慧病区可视化管理方法的流程图。
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智慧病区可视化管理***的框图。图2为根据本申请实施例的智慧病区可视化管理***的架构示意图。如图1和图2所示,根据本申请实施例的智慧病区可视化管理***100,包括:信息获取模块110,用于获取病人信息和医生的医嘱信息;病人信息提取模块120,用于对所述病人信息进行分词处理后通过包含词嵌入层的语义编码器以得到病人信息特征向量;医嘱信息提取模块130,用于对所述医生的医嘱信息进行分词处理后通过包含词嵌入层的语义编码器以得到医嘱信息特征向量;融合信息模块140,用于对所述病人信息特征向量和所述医嘱信息特征向量进行融合以得到融合特征矩阵;双向注意力模块150,用于将所述融合特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵;特征一致化模块160,用于对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵;以及,操作结果生成模块170,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示护理操作的标签。
病区是医院内部的一个区域,用于集中管理和提供特定类型的医疗护理服务。病区通常是按照病种、科室或功能进行划分的,以便更好地组织和管理患者的护理工作。具体来说,在医院中,不同的病区通常负责不同类型的患者护理,例如内科病区、外科病区、儿科病区、重症监护病区等。每个病区都由一组医护人员组成,包括医生、护士、技术人员和其他辅助人员,他们协同工作,为病区内的患者提供医疗护理服务。
详细地,病区的主要职责主要包括:患者管理,病区负责接收和安置患者,记录患者的基本信息、病情变化和护理记录,协助医生制定治疗方案。护理服务,病区的护士负责监测患者的生命体征、进行基本护理操作、给予药物和治疗,确保患者的安全和舒适。医疗协调,病区与其他科室和医疗团队进行密切合作,协调患者的检查、手术、治疗等医疗服务,确保患者得到全面的医疗护理。和病区管理,病区负责管理病区内的医疗设备、药品和物资,确保资源的合理配置和使用,提高工作效率和质量。
智慧病区是对传统病区进行智能化改造的概念,利用先进的信息技术和物联网技术,提供实时监测、管理和优化的功能,以提高医疗服务质量和效率。智慧病区通过集成和应用各种技术手段,如传感器、智能设备、数据分析和人工智能等,实现对病区内患者、设备和资源的实时监测、管理和优化。
智慧病区是指利用先进的信息技术和物联网技术将传统医院病区升级为智能化、数字化的医疗环境。智慧病区通过集成和应用各种技术手段,如传感器、智能设备、数据分析和人工智能等,实现对病区内患者、设备和资源的实时监测、管理和优化。智慧病区通常包括多个模块和功能,如实时监控***、患者管理***、资源调度***、护理记录***、报警管理***和数据分析***等。这些***通过互联互通,实现病区内各种信息的采集、传输、处理和展示,为医护人员提供全面的病区管理和护理支持。
智慧病区的目标是提高医疗服务的质量、效率和安全性,改善患者的医疗体验,减轻医护人员的工作负担。具体地,通过智慧病区,医护人员可以更方便地获取患者的实时生命体征数据、医嘱信息和护理记录,实时监控患者的病情变化,及时做出响应和干预。同时,智慧病区还可以自动化和优化资源调度、护理操作和工作流程,提高医疗资源的利用效率和协同性。
在本申请实施例中,所述信息获取模块110,用于获取病人信息和医生的医嘱信息。医院通常会有一个病人信息管理***,其中包含了患者的基本信息、就诊记录、诊断结果、过往病史等。医护人员可以通过该***查询和获取患者的相关信息。在智慧病区中,这些信息可以通过病区管理***或者与医院信息***进行集成,以便医护人员能够方便地获取患者的信息。而医生的医嘱通常包括治疗方案、用药建议、护理措施等。在电子病历***中,医生可以输入和更新患者的医嘱信息。医护人员可以通过电子病历***查询和获取患者的医嘱信息。在智慧病区中,这些信息可以与病区管理***进行集成,以便医护人员能够及时获取和执行医生的医嘱。
考虑到通过获取病人信息,可以获得病人的基本信息、病史、诊断结果等重要数据。这有助于医护人员全面了解病人的病情、病史和特殊需求,为提供个性化的护理和治疗方案提供依据。医生的医嘱是指医生根据病人的病情和诊断结果所做出的治疗指导和护理建议。通过获取医生的医嘱信息,可以及时了解医生对病人的治疗计划、用药建议等,为医护人员提供指导和执行依据。病人信息和医生医嘱信息的获取有助于协调医护人员的工作。通过***化地管理和共享这些信息,可以实现医护人员之间的信息共享和协作,避免信息的丢失和误解,提高工作效率和护理质量。综上所述,获取病人信息和医生医嘱信息是智慧病区可视化管理***中的关键步骤,有助于全面了解病人情况、协调护理工作,并提供决策支持和指导。这些信息的获取和管理将有助于提高医疗质量、优化资源利用和提升病人护理体验。
在本申请实施例中,所述病人信息提取模块120,用于对所述病人信息进行分词处理后通过包含词嵌入层的语义编码器以得到病人信息特征向量。考虑到语义编码器能够将文本信息转化为语义特征向量,捕捉到词语之间的语义关联和上下文信息。这使得计算机能够更好地理解病人信息中的关键概念和语义含义,而不仅仅是简单的词汇表示。具体地,语义编码器通过学习词嵌入表示,将每个词语映射到一个低维的连续向量空间中。这些向量具有一定的语义关联性,能够表达词语之间的相似性和差异性。因此,通过对病人信息进行分词处理,并将每个词语转化为词嵌入向量,可以提取出有用的特征信息,用于后续的分类和标签表示。
图3为根据本申请实施例的智慧病区可视化管理***中病人信息提取模块的框图。具体地,在本申请实施例中,如图3所示,所述病人信息提取模块120,包括:第一分词单元121,用于对所述病人信息进行分词处理以将所述病人信息转化为由多个词组成的病人信息词序列;第一词嵌入单元122,用于使用所述包含词嵌入层的语义编码器的嵌入层分别将所述病人信息词序列中各个词映射为词嵌入向量以得到病人信息词嵌入向量的序列;以及,第一上下文编码单元123,用于使用所述包含词嵌入层的语义编码器的转换器对所述病人信息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病人信息特征向量。
图4为根据本申请实施例的智慧病区可视化管理***中第一上下文编码单元的框图。更具体地,在本申请实施例中,如图4所示,所述第一上下文编码单元123,包括:排列子单元1231,用于将所述病人信息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1232,用于计算所述全局特征向量与所述病人信息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1233,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;关注度计算子单元1234,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;加权子单元1235,用于分别以所述多个概率值中各个概率值作为权重对所述病人信息词嵌入向量的序列中各个向量进行加权以得到多个病人信息上下文语义特征向量;以及,级联子单元1236,用于将所述多个病人信息上下文语义特征向量进行级联以得到所述病人信息特征向量。
在本申请实施例中,所述医嘱信息提取模块130,用于对所述医生的医嘱信息进行分词处理后通过包含词嵌入层的语义编码器以得到医嘱信息特征向量。考虑到医生的医嘱信息通常包含丰富的医学知识和治疗指导,对于计算机来说理解起来具有一定的挑战。通过语义编码器,可以将医嘱信息转化为语义特征向量,捕捉到医学概念和语义关联,帮助计算机更好地理解医嘱的含义和指导。医嘱信息中包含了医生对病人的治疗计划、用药建议、护理操作等重要信息。通过语义编码器进行分词处理和词嵌入,可以提取出医嘱信息中的关键特征,例如特定的药物名称、治疗方式等,为后续的分类和标签表示提供有用的信息。
具体地,在本申请实施例中,所述医嘱信息提取模块,包括:第二分词单元,用于对所述医生的医嘱信息进行分词处理以将所述医生的医嘱信息转化为由多个词组成的医嘱信息词序列;第二词嵌入单元,用于使用所述包含词嵌入层的语义编码器的嵌入层分别将所述医嘱信息词序列中各个词映射为词嵌入向量以得到医嘱信息词嵌入向量的序列;以及,第二上下文编码单元,用于使用所述包含词嵌入层的语义编码器的转换器对所述医嘱信息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医嘱特征向量。
在本申请实施例中,所述融合信息模块140,用于对所述病人信息特征向量和所述医嘱信息特征向量进行融合以得到融合特征矩阵。考虑到病人信息特征向量和医嘱信息特征向量分别捕捉了病人的基本信息和医生的治疗指导。通过融合这两个特征向量,可以将病人信息和医嘱信息的关联性结合起来,提供更丰富、更全面的特征表示。这有助于***更好地理解病人的状况和医生的建议,为后续的数据分析和决策提供更准确的基础。具体地,病人信息和医嘱信息往往具有不同的视角和含义。病人信息包括个人特征、病史等,而医嘱信息包含了治疗方案、用药建议等。通过融合这两个信息,可以将不同的视角和含义结合起来,提供更全面、更综合的特征表示。另外,病人信息和医嘱信息往往存在一定的关联性。例如,医嘱信息中的用药建议可能与病人的病史和诊断结果相关。
在本申请实施例中,所述双向注意力模块150,用于将所述融合特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵。考虑到双向注意力机制可以通过同时考虑融合特征矩阵中双向的信息,对特征之间的上下文关系进行建模。这种上下文建模有助于更好地理解特征之间的依赖关系和语义关联,提高模型对特征的理解和表示能力。具体地,双向注意力机制可以在特征之间进行交互和关联,通过计算特征之间的注意力权重,将重要的特征进行加权融合。双向注意力机制可以根据输入的特征和任务需求,自动选择和聚焦于与任务相关的特征子集。通过计算特征之间的注意力权重,可以将注意力集中在最相关和最有用的特征上,减少无关信息的干扰。
具体地,在本申请实施例中,所述双向注意力模块,包括:池化单元,用于将所述融合特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;关联编码单元,用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;激活单元,用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵;以及,权重施加单元,用于计算所述双向关联权重矩阵和所述融合特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
在本申请实施例中,所述特征一致化模块160,用于对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵。
特别地,在本申请的技术方案中,将双向注意力机制被用于卷积神经网络模型中,从而捕捉输入特征之间的关联性。在文本分类等任务中,输入通常是由不同的特征组成,例如病人信息和医生的医嘱信息。这些特征之间可能存在复杂的关联关系,而注意力机制可以帮助模型自动学习和关注不同特征之间的重要性。通过双向注意力机制,模型可以同时考虑全局特征和局部特征之间的关联性。全局特征通常包含了整体上的语义信息,而局部特征则更关注局部细节。通过注意力机制,模型可以根据输入的上下文信息动态地调整特征之间的权重,从而更好地捕捉它们之间的关联性。
然而,考虑到双向注意力机制会过度关注全局特征,可能会导致忽略了一些局部特征的重要性。这可能会影响模型对局部特征的准确性,导致局部特征的信息丢失或被低估。例如,在医疗领域的任务中,某些局部特征可能对于诊断或预测具有重要意义,但如果注意力机制过度偏向全局特征,可能无法充分利用这些局部特征的信息。因此,在本申请技术方案中,对所述分类特征矩阵进行先验秩序性的几何非刚性一致化,以对包含双向注意力机制的卷积神经网络模型在特征提取时由于过度关注特征全局性而导致的局部特征周期性缺失做出补偿。
具体地,在本申请实施例中,所述特征一致化模块,用于:以如下一致化公式对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵;其中,所述一致化公式为:
;
其中,表示所述分类特征矩阵中的第/>位置的特征值,/>表示所述分类特征矩阵中的所有特征值的均值,/>表示以2为底的对数函数值,/>表示所述优化分类特征矩阵中的第/>位置的特征值,/>表示向量的指数运算。
对所述分类特征矩阵进行基于先验秩序性的几何非刚性一致化,其可以有效地提高包含双向注意力机制的卷积神经网络模型在特征提取时的鲁棒性和稳定性。具体地,通过将所述分类特征矩阵的基于先验秩序性的几何非刚性一致化损失解释为单变量差分的负对数,来获得包含特征值的特殊分布的一般性概率分布。相应地,这种分布具有先验秩序性,即特征值按照从大到小的顺序排列,从而保证了特征表达的有效性和紧凑性。同时,通过对特征矩阵进行非线性变换,使得不同位置的特征具有相似的方向和尺度。这样,可以对包含双向注意力机制的卷积神经网络模型在特征提取时由于过度关注特征全局性而导致的局部特征周期性缺失做出补偿,以与包含双向注意力机制的卷积神经网络模型相结合来改进特征表达整体在随机性和周期性缺失影响下的确定性。
在本申请实施例中,所述操作结果生成模块170,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示护理操作的标签。考虑到护理操作通常涉及多种不同的行为和操作类型,例如给药、监测、护理措施等。通过分类器对优化分类特征矩阵进行分类,可以将输入的特征表示映射到具体的护理操作标签上,实现对不同护理操作的区分和识别。通过分类器对优化分类特征矩阵进行分类,可以实现对护理操作的自动化识别和标记。这有助于减轻医护人员的工作负担,提高护理操作的自动化程度,节省时间和资源。
具体地,在本申请实施例中,所述操作结果生成模块,包括:展开单元,用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的智慧病区可视化管理***100被阐明,其采用基于深度神经网络模型的人工智能技术,获取病人信息和医生的医嘱信息,通过包含词嵌入层是语义编码器进行上下文语义特征提取,融合后通过双向注意力机制进行双向的注意力增强,以得到用于表示护理操作的标签的分类结果。进而,可以为医护人员提供指导和决策支持,提高护理质量和安全性。
示例性方法
图5为根据本申请实施例的智慧病区可视化管理方法的流程图。如图5所示,根据本申请实施例的智慧病区可视化管理方法,包括:S110,获取病人信息和医生的医嘱信息;S120,对所述病人信息进行分词处理后通过包含词嵌入层的语义编码器以得到病人信息特征向量;S130,对所述医生的医嘱信息进行分词处理后通过包含词嵌入层的语义编码器以得到医嘱信息特征向量;S140,对所述病人信息特征向量和所述医嘱信息特征向量进行融合以得到融合特征矩阵;S150,将所述融合特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵;S160,对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵;以及,S170,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示护理操作的标签。
这里,本领域技术人员可以理解,上述智慧病区可视化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的智慧病区可视化管理***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智慧病区可视化管理***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病人信息和医生的医嘱信息等各种内容。
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
本发明实施例还提供一种存储有计算机可读程序的存储介质,其中所述计算机可读程序使得计算机在电子设备中执行上述示例性方法所述的智慧病区可视化管理方法的步骤。
以上参照附图描述了本发明的优选实施方式。这些实施方式的许多特征和优点根据该详细的说明书是清楚的,因此所附权利要求旨在覆盖这些实施方式的落入其真实精神和范围内的所有这些特征和优点。此外,由于本领域的技术人员容易想到很多修改和改变,因此不是要将本发明的实施方式限于所例示和描述的精确结构和操作,而是可以涵盖落入其范围内的所有合适修改和等同物。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (10)
1.一种智慧病区可视化管理***,其特征在于,包括:
信息获取模块,用于获取病人信息和医生的医嘱信息;
病人信息提取模块,用于对所述病人信息进行分词处理后通过包含词嵌入层的语义编码器以得到病人信息特征向量;
医嘱信息提取模块,用于对所述医生的医嘱信息进行分词处理后通过包含词嵌入层的语义编码器以得到医嘱信息特征向量;
融合信息模块,用于对所述病人信息特征向量和所述医嘱信息特征向量进行融合以得到融合特征矩阵;
双向注意力模块,用于将所述融合特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵;
特征一致化模块,用于对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵;
操作结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示护理操作的标签。
2.根据权利要求1所述的智慧病区可视化管理***,其特征在于,所述病人信息提取模块,包括:
第一分词单元,用于对所述病人信息进行分词处理以将所述病人信息转化为由多个词组成的病人信息词序列;
第一词嵌入单元,用于使用所述包含词嵌入层的语义编码器的嵌入层分别将所述病人信息词序列中各个词映射为词嵌入向量以得到病人信息词嵌入向量的序列;
第一上下文编码单元,用于使用所述包含词嵌入层的语义编码器的转换器对所述病人信息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病人信息特征向量。
3.根据权利要求2所述的智慧病区可视化管理***,其特征在于,所述第一上下文编码单元,包括:
排列子单元,用于将所述病人信息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病人信息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病人信息词嵌入向量的序列中各个向量进行加权以得到多个病人信息上下文语义特征向量;
级联子单元,用于将所述多个病人信息上下文语义特征向量进行级联以得到所述病人信息特征向量。
4.根据权利要求3所述的智慧病区可视化管理***,其特征在于,所述医嘱信息提取模块,包括:
第二分词单元,用于对所述医生的医嘱信息进行分词处理以将所述医生的医嘱信息转化为由多个词组成的医嘱信息词序列;
第二词嵌入单元,用于使用所述包含词嵌入层的语义编码器的嵌入层分别将所述医嘱信息词序列中各个词映射为词嵌入向量以得到医嘱信息词嵌入向量的序列;
第二上下文编码单元,用于使用所述包含词嵌入层的语义编码器的转换器对所述医嘱信息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医嘱特征向量。
5.根据权利要求4所述的智慧病区可视化管理***,其特征在于,所述双向注意力模块,包括:
池化单元,用于将所述融合特征矩阵分别沿着水平方向和垂直方向进行池化以得到第一向池化向量和第二向池化向量;
关联编码单元,用于对所述第一向池化向量和所述第二向池化向量进行关联编码以得到双向关联矩阵;
激活单元,用于将所述双向关联矩阵输入Sigmoid激活函数以得到双向关联权重矩阵;
权重施加单元,用于计算所述双向关联权重矩阵和所述融合特征矩阵之间的按位置点乘以得到所述分类特征矩阵。
6.根据权利要求5所述的智慧病区可视化管理***,其特征在于,所述特征一致化模块,用于:
以如下一致化公式对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵;
其中,所述一致化公式为:
;
其中,表示所述分类特征矩阵中的第/>位置的特征值,/>表示所述分类特征矩阵中的所有特征值的均值,/>表示以2为底的对数函数值,/>表示所述优化分类特征矩阵中的第/>位置的特征值,/>表示向量的指数运算。
7.根据权利要求6所述的智慧病区可视化管理***,其特征在于,所述操作结果生成模块,包括:
展开单元,用于将所述优化分类特征矩阵按照行向量或者列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;
分类结果单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
8.一种智慧病区可视化管理方法,其特征在于,包括:
获取病人信息和医生的医嘱信息;
对所述病人信息进行分词处理后通过包含词嵌入层的语义编码器以得到病人信息特征向量;
对所述医生的医嘱信息进行分词处理后通过包含词嵌入层的语义编码器以得到医嘱信息特征向量;
对所述病人信息特征向量和所述医嘱信息特征向量进行融合以得到融合特征矩阵;
将所述融合特征矩阵通过包含双向注意力机制的卷积神经网络模型以得到分类特征矩阵;
对所述分类特征矩阵进行先验秩序性的几何非刚性一致化以得到优化分类特征矩阵;
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示护理操作的标签。
9.根据权利要求8所述的智慧病区可视化管理方法,其特征在于,对所述病人信息进行分词处理后通过包含词嵌入层的语义编码器以得到病人信息特征向量,包括:
对所述病人信息进行分词处理以将所述病人信息转化为由多个词组成的病人信息词序列;
使用所述包含词嵌入层的语义编码器的嵌入层分别将所述病人信息词序列中各个词映射为词嵌入向量以得到病人信息词嵌入向量的序列;
使用所述包含词嵌入层的语义编码器的转换器对所述病人信息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病人信息特征向量。
10.根据权利要求9所述的智慧病区可视化管理方法,其特征在于,使用所述包含词嵌入层的语义编码器的转换器对所述病人信息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病人信息特征向量,包括:
将所述病人信息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病人信息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病人信息词嵌入向量的序列中各个向量进行加权以得到多个病人信息上下文语义特征向量;
将所述多个病人信息上下文语义特征向量进行级联以得到所述病人信息特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518261.8A CN117235630B (zh) | 2023-11-15 | 2023-11-15 | 智慧病区可视化管理***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518261.8A CN117235630B (zh) | 2023-11-15 | 2023-11-15 | 智慧病区可视化管理***及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235630A true CN117235630A (zh) | 2023-12-15 |
CN117235630B CN117235630B (zh) | 2024-03-05 |
Family
ID=89098857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311518261.8A Active CN117235630B (zh) | 2023-11-15 | 2023-11-15 | 智慧病区可视化管理***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235630B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117524400A (zh) * | 2024-01-05 | 2024-02-06 | 吉林大学 | 患者数据可视化管理***及方法 |
CN117575827A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理***及方法 |
CN117649943A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于机器学习的整形数据智能分析***及方法 |
CN117710166A (zh) * | 2024-02-06 | 2024-03-15 | 吉林大学 | 用于小儿神经护理的教学指导检测***及方法 |
CN118197534A (zh) * | 2024-05-14 | 2024-06-14 | 吉林大学 | 用于移动查房的辅助***及其方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462425A (zh) * | 2022-04-12 | 2022-05-10 | 北京中科闻歌科技股份有限公司 | 社交媒体文本处理方法、装置、设备及存储介质 |
CN115827939A (zh) * | 2022-11-28 | 2023-03-21 | 华东冶金地质勘查局八一五地质队 | 数字化档案管理*** |
CN116189865A (zh) * | 2023-03-30 | 2023-05-30 | 浙江大学 | 医院预约登记管理*** |
CN116257406A (zh) * | 2023-03-15 | 2023-06-13 | 湖南华彩伟业网络科技有限公司 | 用于智慧城市的网关数据管理方法及其*** |
CN116563251A (zh) * | 2023-05-12 | 2023-08-08 | 玉环锐利机械有限公司 | 汽车用拉杆球头的智能加工方法及其*** |
CN116682541A (zh) * | 2023-06-14 | 2023-09-01 | 杭州医初科技有限公司 | 医疗就诊的推荐***及其方法 |
CN116992304A (zh) * | 2023-08-04 | 2023-11-03 | 汕尾市宏德雨科技服务有限公司 | 基于人工智能的政策匹配分析***及其方法 |
CN117018632A (zh) * | 2023-08-21 | 2023-11-10 | 厦门巴掌互动科技有限公司 | 游戏平台智能管理方法、***及存储介质 |
CN117056828A (zh) * | 2023-08-31 | 2023-11-14 | 宁波甬南洲依时装有限公司 | 基于大数据的服装装饰图案定制方法及*** |
-
2023
- 2023-11-15 CN CN202311518261.8A patent/CN117235630B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462425A (zh) * | 2022-04-12 | 2022-05-10 | 北京中科闻歌科技股份有限公司 | 社交媒体文本处理方法、装置、设备及存储介质 |
CN115827939A (zh) * | 2022-11-28 | 2023-03-21 | 华东冶金地质勘查局八一五地质队 | 数字化档案管理*** |
CN116257406A (zh) * | 2023-03-15 | 2023-06-13 | 湖南华彩伟业网络科技有限公司 | 用于智慧城市的网关数据管理方法及其*** |
CN116189865A (zh) * | 2023-03-30 | 2023-05-30 | 浙江大学 | 医院预约登记管理*** |
CN116563251A (zh) * | 2023-05-12 | 2023-08-08 | 玉环锐利机械有限公司 | 汽车用拉杆球头的智能加工方法及其*** |
CN116682541A (zh) * | 2023-06-14 | 2023-09-01 | 杭州医初科技有限公司 | 医疗就诊的推荐***及其方法 |
CN116992304A (zh) * | 2023-08-04 | 2023-11-03 | 汕尾市宏德雨科技服务有限公司 | 基于人工智能的政策匹配分析***及其方法 |
CN117018632A (zh) * | 2023-08-21 | 2023-11-10 | 厦门巴掌互动科技有限公司 | 游戏平台智能管理方法、***及存储介质 |
CN117056828A (zh) * | 2023-08-31 | 2023-11-14 | 宁波甬南洲依时装有限公司 | 基于大数据的服装装饰图案定制方法及*** |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117524400A (zh) * | 2024-01-05 | 2024-02-06 | 吉林大学 | 患者数据可视化管理***及方法 |
CN117524400B (zh) * | 2024-01-05 | 2024-03-22 | 吉林大学 | 患者数据可视化管理***及方法 |
CN117575827A (zh) * | 2024-01-16 | 2024-02-20 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理***及方法 |
CN117575827B (zh) * | 2024-01-16 | 2024-05-03 | 之江实验室科技控股有限公司 | 一种企业报告的智能可视化管理***及方法 |
CN117649943A (zh) * | 2024-01-30 | 2024-03-05 | 吉林大学 | 基于机器学习的整形数据智能分析***及方法 |
CN117649943B (zh) * | 2024-01-30 | 2024-04-30 | 吉林大学 | 基于机器学习的整形数据智能分析***及方法 |
CN117710166A (zh) * | 2024-02-06 | 2024-03-15 | 吉林大学 | 用于小儿神经护理的教学指导检测***及方法 |
CN118197534A (zh) * | 2024-05-14 | 2024-06-14 | 吉林大学 | 用于移动查房的辅助***及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117235630B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117235630B (zh) | 智慧病区可视化管理***及其方法 | |
El-Sappagh et al. | A distributed clinical decision support system architecture | |
US20200311610A1 (en) | Rule-based feature engineering, model creation and hosting | |
JP2016516231A (ja) | 医療意志決定時の支援としての医療提案のスコアを計算する方法 | |
Duarte et al. | Data quality evaluation of electronic health records in the hospital admission process | |
US20200285682A1 (en) | Systems and methods for dynamic data processing and graphical user interface processing | |
CN112349369A (zh) | 医疗影像大数据智能分析方法、***及存储介质 | |
CN112445845A (zh) | 基于大数据挖掘的模型部署方法、装置、设备及存储介质 | |
CN114864088B (zh) | 一种基于医疗健康的数字孪生建立方法、装置和存储介质 | |
Veena et al. | Healthcare analytics: Overcoming the barriers to health information using machine learning algorithms | |
CN117542467B (zh) | 基于患者数据的专病标准数据库自动构建方法 | |
WO2019132686A1 (ru) | Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта | |
Olawade et al. | Artificial intelligence in healthcare delivery: Prospects and pitfalls | |
Kukalakunta et al. | Integrating Artificial Intelligence in Dental Healthcare: Opportunities and Challenges | |
Gujral et al. | Artificial intelligence (AI) and data science for developing intelligent health informatics systems | |
CN116543917A (zh) | 一种针对异构时间序列数据的信息挖掘方法 | |
Sachdeva | Standard-based personalized healthcare delivery for kidney illness using deep learning | |
Permanasari et al. | A web-based decision support system of patient time prediction using iterative dichotomiser 3 algorithm | |
Traina et al. | Integrating images to patient electronic medical records through content-based retrieval techniques | |
CN115700789A (zh) | 一种基于多模态医学数据的肺炎预检分诊*** | |
Sachin et al. | A Multimodal Contrastive Federated Learning for Digital Healthcare | |
Hamadneh et al. | An IoMT-Based Healthcare Model to Monitor Elderly People Using Transfer Learning | |
Alberich-Bayarri | Image interpretation | |
Bouh et al. | A Machine Learning Approach to Digitize Medical History and Archive in a Standard Format. | |
Hasanbek | DATA SCIENCE AND THE ROLE OF ARTIFICIAL INTELLIGENCE IN MEDICINE: ADVANCEMENTS, APPLICATIONS, AND CHALLENGES |
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 |