CN112951434B - 一种智能评估产妇产前状态的方法及系统 - Google Patents
一种智能评估产妇产前状态的方法及系统 Download PDFInfo
- Publication number
- CN112951434B CN112951434B CN202110376966.5A CN202110376966A CN112951434B CN 112951434 B CN112951434 B CN 112951434B CN 202110376966 A CN202110376966 A CN 202110376966A CN 112951434 B CN112951434 B CN 112951434B
- Authority
- CN
- China
- Prior art keywords
- obtaining
- prenatal
- information
- index
- emotion
- 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
Images
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
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Abstract
本发明公开了一种智能评估产妇产前状态的方法及系统,所述方法应用于一智能评估系统,所述方法包括:获得第一产前检查信息;获得第一妇产医师的与第一医嘱录音信息;根据所述第一产前检查信息和所述第一医嘱录音信息,获得第一产前评估信息;根据第一摄像头,获得所述第一产妇第一亲密用户的第一情绪指数;根据所述第一情绪指数,获得第二产前评估信息;将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,获得第一预测指数;根据第一修正规则获得第二预测指数对应的第一干预方案。解决了现有技术中存在产前评估对情绪之间的相互作用考虑不够完善,且智能化分析手段较弱的技术问题。
Description
技术领域
本发明涉及智能评估相关领域,尤其涉及一种智能评估产妇产前状态的方法及系统。
背景技术
随着社会经济水平的不断发展,对产妇产前的孕期有了更高的护理要求,但由于产妇孕期很容易受到孕期综合症及身体变化造成的影响而产生焦虑、抑郁、不安等不良心态,对产妇身心健康均造成了不同程度的损害,严重时也会增加孕期并发症的风险。因此,通过数字化手段对产妇产前的状态进行评估是防范不良妊娠结局,保障母婴安全的重要手段。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中存在产前评估对情绪之间的相互作用考虑不够完善,且智能化分析手段较弱的技术问题。
发明内容
本申请实施例通过提供一种智能评估产妇产前状态的方法及系统,解决了现有技术中存在产前评估对情绪之间的相互作用考虑不够完善,且智能化分析手段较弱的技术问题,达到了通过对产妇的情绪之间的关联性进行分析,提高对产妇产前情绪评估的准确性和智能性的技术效果。
鉴于上述问题,提出了本申请实施例提供一种智能评估产妇产前状态的方法及系统。
第一方面,本申请实施例提供了一种智能评估产妇产前状态的方法,所述方法应用于一智能评估系统,所述系统与一摄像头通信连接,所述方法包括:通过对第一产妇进行产前检查,获得第一产前检查信息;获得第一妇产医师的与第一医嘱录音信息,其中,所述第一医嘱录音信息为所述第一妇产医师对所述第一产妇的医嘱进行录音获得的文字信息;根据所述第一产前检查信息和所述第一医嘱录音信息,获得所述第一产妇的第一产前评估信息;根据第一亲密指数,获得所述第一产妇的第一亲密用户;通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数;根据所述第一情绪指数,获得所述第一产妇的第二产前评估信息;将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,根据所述分娩难度预测模型,获得第一预测指数;获得第一修正规则;根据所述第一修正规则对所述第一预测指数进行修正,获得第二预测指数;根据所述第二预测指数,获得第一干预方案。
另一方面,本申请还提供了一种智能评估产妇产前状态的系统,所述系统包括:第一获得单元,所述第一获得单元用于通过对第一产妇进行产前检查,获得第一产前检查信息;第二获得单元,所述第二获得单元用于获得第一妇产医师的与第一医嘱录音信息,其中,所述第一医嘱录音信息为所述第一妇产医师对所述第一产妇的医嘱进行录音获得的文字信息;第三获得单元,所述第三获得单元用于根据所述第一产前检查信息和所述第一医嘱录音信息,获得所述第一产妇的第一产前评估信息;第四获得单元,所述第四获得单元用于根据第一亲密指数,获得所述第一产妇的第一亲密用户;第一分析单元,所述第一分析单元用于通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数;第五获得单元,所述第五获得单元用于根据所述第一情绪指数,获得所述第一产妇的第二产前评估信息;第一输入单元,所述第一输入单元用于将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,根据所述分娩难度预测模型,获得第一预测指数;第六获得单元,所述第六获得单元用于获得第一修正规则;第七获得单元,所述第七获得单元用于根据所述第一修正规则对所述第一预测指数进行修正,获得第二预测指数;第八获得单元,所述第八获得单元用于根据所述第二预测指数,获得第一干预方案。
第三方面,本发明提供了一种智能评估产妇产前状态的系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得第一产妇的第一产前检查信息,进而再将对应的妇产医师的第一医嘱信息进行录音,从而形成所述第一医嘱录音信息对所述第一产前检查信息进行进一步完善,获得所述第一产前评估信息;再通过对所述第一产妇的第一亲密伴侣进行智能采集,从而基于所述第一亲密伴侣的第一配合度和第一主动性获得所述第二产前评估信息;再将所述第一产前评估信息和所述第二产前评估信息输入到分娩难度预测模型中,获得第一预测指数,再基于修正规则进行修正对应获得第二预测指数的干预方案的方式,达到了通过对产妇的情绪之间的关联性进行分析,提高对产妇产前情绪评估的准确性和智能性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种智能评估产妇产前状态的方法的流程示意图;
图2为本申请实施例一种智能评估产妇产前状态的系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第一分析单元15,第五获得单元16,第一输入单元17,第六获得单元18,第七获得单元19,第八获得单元20,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种智能评估产妇产前状态的方法及系统,解决了现有技术中存在产前评估对情绪之间的相互作用考虑不够完善,且智能化分析手段较弱的技术问题,达到了通过对产妇的情绪之间的关联性进行分析,提高对产妇产前情绪评估的准确性和智能性的技术效果。下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例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
随着社会经济水平的不断发展,对产妇产前的孕期有了更高的护理要求,但由于产妇孕期很容易受到孕期综合症及身体变化造成的影响而产生焦虑、抑郁、不安等不良心态,对产妇身心健康均造成了不同程度的损害,严重时也会增加孕期并发症的风险。因此,通过数字化手段对产妇产前的状态进行评估是防范不良妊娠结局,保障母婴安全的重要手段。但现有技术中存在产前评估对情绪之间的相互作用考虑不够完善,且智能化分析手段较弱的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种智能评估产妇产前状态的方法,所述方法应用于一智能评估系统,所述系统与一摄像头通信连接,所述方法包括:通过对第一产妇进行产前检查,获得第一产前检查信息;获得第一妇产医师的与第一医嘱录音信息,其中,所述第一医嘱录音信息为所述第一妇产医师对所述第一产妇的医嘱进行录音获得的文字信息;根据所述第一产前检查信息和所述第一医嘱录音信息,获得所述第一产妇的第一产前评估信息;根据第一亲密指数,获得所述第一产妇的第一亲密用户;通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数;根据所述第一情绪指数,获得所述第一产妇的第二产前评估信息;将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,根据所述分娩难度预测模型,获得第一预测指数;获得第一修正规则;根据所述第一修正规则对所述第一预测指数进行修正,获得第二预测指数;根据所述第二预测指数,获得第一干预方案。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种智能评估产妇产前状态的方法,所述方法应用于一智能评估系统,所述系统与一摄像头通信连接,所述方法包括:
步骤S100:通过对第一产妇进行产前检查,获得第一产前检查信息;
具体而言,产前检查是指妇产科医师根据各项检查结果推算预产期、筛查产前各种母婴疾病的过程,通过产前检查,可以来了解胎儿在母体中的发育情况,进而为孕妇提供专业性的护理和保健建议。比如孕妇患有某种疾病不适合怀孕可以及时做人工流产。进一步而言,产前检查是定期进行的,因此所述第一产前检查信息可以随着所述第一产妇的孕期进行自动更新,所述第一产前检查信息为所有检查项目检查得出的信息集合,从而能够根据所述第一产前检查信息为产妇提供一系列的医疗和护理建议和措施。
步骤S200:获得第一妇产医师的与第一医嘱录音信息,其中,所述第一医嘱录音信息为所述第一妇产医师对所述第一产妇的医嘱进行录音获得的文字信息;
具体而言,所述第一医嘱录音信息是所述第一妇产医生在基于所述第一产前检查信息的基础上进行的讲解医嘱,其中,所述第一医嘱录音信息的实施过程是在所述第一妇产医师的许可或意愿下进行的,将录音的语音信息通过语音识别进而转换为文字信息进行存储和分析。进一步的,所述第一医嘱录音信息包括有关孕期的生理卫生、生活和营养方面的知识,了解产前、产后应注意的问题,及正常分娩的常识;或者在复诊产前检查中出现特殊情况医师给出的相关注意事项以及身体状况调理方向等信息。
步骤S300:根据所述第一产前检查信息和所述第一医嘱录音信息,获得所述第一产妇的第一产前评估信息;
具体而言,根据所述第一产前检查信息中的产科检查和辅助检查的所有检查项目相关信息,获得所述第一产妇的实时状态信息,和所述第一医嘱录音信息进行拟合,进而对拟合的信息进行相关的评估,比如孕期并发症的风险、身体营养指标以及妊娠反应的特殊性,早孕反应的时间、程度,有无发热、病毒感染和其他不适,用药情况等信息进行综合评估,从而获得所述第一产前评估信息,进一步的,所述第一产前评估信息是对所述第一产妇在产前的身体状态进行及时更新和获取,从而获得的准确、有效的身体评估信息。
步骤S400:根据第一亲密指数,获得所述第一产妇的第一亲密用户;
具体而言,所述第一亲密用户为所述第一产妇伴侣的信息,如遗传病史信息、工作信息、年龄信息等特征化信息,所述第一亲密指数为根据所述第一产妇和所述第一亲密伴侣的亲密程度,所述第一亲密指数可以根据所述第一产妇的移动设备中所述第一亲密伴侣的信息发送量、接受量、结婚时长等进行进一步的计算,其中,所述第一亲密指数是由计算机搭建的平台对信息整合后进而完整复杂计算获得的数据信息。
步骤S500:通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数;
步骤S600:根据所述第一情绪指数,获得所述第一产妇的第二产前评估信息;
具体而言,所述第一摄像头为智能摄像头能够识别所述第一亲密伴侣的动作,其中,对所述第一亲密伴侣的动作进行采集主要是记录陪伴时常以及近距离接触次数,对所述第一亲密伴侣的面部进行采集主要是采集表情变化的频率、表情属性、维持时长查看负面表情还是正面表情,进而通过相关计算规则进行计算,再进而根据数据库中存储的伴侣亲密指数进行分析,从而获得所述第一亲密伴侣的第一配合度和第一主动性。由于产妇在孕期情绪容易发生变化,感知情绪较为敏感,尤其是会被伴侣的情绪造成影响,从而增加所述第一产妇的焦虑值,进一步增加孕期并发症或孕期身体状态下降的风险,因此,通过针对所述第一产妇的第一亲密伴侣进行情绪评估,进而生成所述第一产妇的影响情绪评估从而获得所述第二产前评估信息。
步骤S700:将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,根据所述分娩难度预测模型,获得第一预测指数;
具体而言,所述分娩难度预测模型是根据产前评估信息进行针对性分析的模型,基于其产前身体状况评估信息和情绪心理评估信息进行进一步的训练,因此,将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中进行数据分析,从而获得第一预测指数,所述第一预测指数为所述第一产妇分娩难度的预测指数。详细来说,所述第一产前评估信息是对所述第一产妇的进行孕期实时跟踪获得的身体综合评估信息,所述第二产前评估信息是对所述第一产妇在孕期的第一主情绪影响进行评估获得的情绪评估信息,其中,所述分娩难度预测模型为是以神经网络模型为基础建立的模型,神经网络由大量的神经元之间相互连接构成的一种运算模型,网络的输出则依照网络的连接方式的一种逻辑策略表达,达到了通过模型完成对分娩难度的进一步预测,提高数据分析准确率的技术效果。
步骤S800:获得第一修正规则;
具体而言,所述第一修正规则是对所述第一预测指数进行修正的规则,所述第一修正规则的制定是基于所述第一产妇的分娩难度影响进一步设置获得的修正规则。由于良好的孕期保健可显著降低产妇的妊娠并发症和新生儿并发症发生率,产前检查、孕期知识教育、生活干预方式及慎重用药都是影响分娩的参数,从而制定相关的修正规则以达到对所述第一感染指数进行准确修正的技术效果。
步骤S900:根据所述第一修正规则对所述第一预测指数进行修正,获得第二预测指数;
步骤S1000:根据所述第二预测指数,获得第一干预方案。
具体而言,所述第二预测指数是根据所述第一修正规则对所述第一预测指数进行相关影响的指数修正,进而使得所述第二预测指数对于所述第一产妇分娩难度的预测代表数据更加准确,进一步的,根据所述第二预测指数生成的相关干预方案再对所述第一产妇实行产前干预手段,进而达到了保证及时发现、干预影响妊娠的风险因素,防范不良妊娠结局的技术效果。
进一步而言,所述通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数,本申请实施例步骤S500还包括:
步骤S510:获得所述第一亲密用户的预定情绪指数阈值;
步骤S520:根据所述第一摄像头,获得第一采集数据集;;
步骤S530:根据所述第一采集数据集,获得所述第一亲密用户的所述第一情绪指数;
步骤S540:判断所述第一情绪指数是否处于所述预定情绪指数阈值中;
步骤S550:若所述第一情绪指数处于所述预定情绪指数阈值中,所述第一情绪指标为正向指标。
具体而言,所述预定情绪指数阈值是根据所述第一亲密用户的相关信息进行规划设定的预定情绪阈值,所述第一情绪指数为所述第一亲密用户对所述一产妇的情绪影响指数;即所述第一情绪指数与所述第一产妇的心情呈正相关。进一步的,亲密用户对所述第一产妇的照顾方式再进行指标计算,比如在下班或休息日中陪伴产妇的时长是否满足预设的时间要求的计算指标,比如陪伴过程中自主增加的学习课程或者关心次数的计算指标,或者是面部表情采集过程中积极表情较多进行相关指标计算等。将这些因素统一进行情绪值计算,当所述第一情绪指标为正指标代表所述第一亲密用户的情绪积极影响值越高。因此,通过摄像头的智能采集和智能识别,进而完成对所述第一产妇影响因素的智能化分析,提高评估智能水平的技术效果。
进一步而言,本申请实施例还包括:
步骤S1110:基于大数据将所述第一产妇的第一浏览信息存储到第一浏览数据库中;
步骤S1120:获得第一标识关键词集合;
步骤S1130:根据所述第一标识关键词集合从所述第一浏览数据库中进行浏览统计,获得第一标识浏览统计信息;
步骤S1140:根据所述第一标识浏览统计信息,获得所述第一产妇的第一知识储备指数;
步骤S1150:根据所述第一知识储备指数,获得第一影响系数;
步骤S1160:根据所述第一影响系数对所述第二产前评估信息进行修正,获得第三产前评估信息。
具体而言,所述第一浏览数据库为所述第一产妇浏览相关孕期保健知识或者相关注意事项以及孕期学习内容的数据集合库;所述第一标识关键词为标识与孕期和分娩相关的关键词集合;所述第一标识浏览统计信息为对所述第一产妇浏览数据中有效孕期知识进行统计,比如根据文字的多少,相关浏览页面的权威性、浏览时长等进一步进行知识储备的计算,进而获得所述第一知识储备指数。由于产妇很容易收到孕期综合症及身体变化造成的影响而产生焦虑等不良心态,知识储备越多能够起到改善不良心态的作用,因此,通过所述第一影响系数对所述第二产前评估信息进行进一步的情绪评估修正,获得基于知识储备后改善焦虑的情绪评估信息。
进一步而言,本申请实施例还包括:
步骤S1161:获得所述第一产妇的第一护理人员信息;
步骤S1162:根据所述第一护理人员信息,获得所述第一护理人员的第一护理技能水平和第一业务知识储备水平;
步骤S1163:根据所述第一护理技能水平和所述第一业务知识储备水平,获得第二影响系数;
步骤S1164:根据所述第二影响系数对所述第二产前评估信息进行修正,获得第四产前评估信息。
具体而言,所述第一护理人员信息为在所述第一产妇的孕期或者临产期进行专门护理的人员信息,进而将所述第一护理人员的技能水平和业务知识储备水平进行录入,获得护理人员的综合服务水平,一般而言,护理人员需要主动的、热情的与产妇进行交流,取得产妇的信任,建立良好的护患关系,并予以个性化的心理疏导,帮助产妇调整不良情绪,所述第一护理人员的综合服务水平越高,对于所述第一产妇的疏导和分娩信心都有所增益改善不良情绪,从而有效保证胎儿的生命安全,提高分娩质量,因此,通过护理人员的第二影响系数对所述第二产前评估信息进行修正,获得进一步准确的情绪评估信息。
进一步而言,所述获得第一修正规则,本申请实施例步骤S800还包括:
步骤S810:获得第一交互影响系数,其中,所述第一交互影响系数为所述第一影响系数和所述第二影响系数相互促进程度;
步骤S820:根据所述第二产前评估信息,获得所述第一产妇的第二情绪指数;
步骤S830:获得所述第二情绪指数的第一情绪判断结果,所述第一情绪判断结果包括第一结果和第二结果,其中,所述第一结果为正向情绪,所述第二结果为负向情绪;
步骤S840:根据所述第一情绪判断结果和所述第一交互影响系数,生成所述第一修正规则。
具体而言,所述第一交互影响系数为所述第一产妇的知识储备水平和所述第一护理人员的综合服务水平之间的相互影响水平,其中,所述第一交互影响系数为正向的相互促进作用,比如所述第一产妇的第一知识水平越高,对高水平的所述第一护理人员接受力更强,从而达成双向促进的效果,使得不良情绪的改善更加迅速。进一步的,所述第二情绪指数为所述第一亲密伴侣的所述第一情绪指数对所述第一产妇情绪的影响指数,其中,所述第一情绪指数和所述第二情绪指数呈正相关,进而对所述第一情绪指数进行正向指数或者负向指数的判断,从而完成对修正规则的细化。通过针对情绪的交互作用和属性类别对修正规则进行进一步的设定,达到了增加了所述第二预测指数的准确性和逻辑性的技术效果。
进一步而言,本申请实施例S840还包括:
步骤S841:若所述第一情绪判断结果为第一结果,获得第一正向促进系数;
步骤S842:根据所述第一正向促进系数,对所述第一交互影响系数进行修正,获得第一正向修正规则;
步骤S843:若所述第一情绪判断结果为第二结果,获得第一反向促进系数;
步骤S844:根据所述第一反向促进系数,对所述第一交互影响系数进行修正,获得第一反向修正规则;
步骤S845:根据所述第一正向修正规则和所述第一反向修正规则,生成所述第一修正规则。
具体而言,经判断,若所述第一情绪指数为正指数,表示所述第一亲密伴侣对所述第一产妇的不良心态起到了积极的作用,从而带动所述第一产妇学习知识的能力进而对所述第一影响系数的形成起到正向促进的作用,所述第一影响系数的促进进一步促进了所述第一交互影响系数,进而根据所述第一正向促进系数对所述第一交互影响系数进行修正获得所述第一正向修正规则。进一步的,若所诉第一情绪指数为负指数,表示所述第一亲密伴侣对所述第一产妇的不良心态起到了消极的作用,从而对所述第一交互影响系数起到消极的作用,从而进一步形成反向的修正规则。通过对各影响因素造成情绪的关联作用进行分析,进而获得经修正的准确预测指数,从而达到了通过对产妇的情绪之间的关联性进行分析,提高对产妇产前情绪评估的准确性的技术效果。
进一步而言,本申请实施例S700还包括:
步骤S710:将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,所述分娩难度预测模型中通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一产前评估信息、所述第二产前评估信息和标识第一输出结果的标识信息;
步骤S720:获得所述分娩难度预测模型的第一输出结果,所述第一输出结果为所述第一预测指数。
具体而言,将所述第一预测指数作为监督数据输入每一组训练数据中,对所述第一产前评估信息和所述第二产前评估信息进行监督学习,所述分娩难度预测模型是按照神经网络模型为原型建立模型进行训练的,进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一产前评估信息和所述第二产前评估信息和标识第一输出结果的标识信息,所述神经网络模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,结束本组数据监督学习,进行下一组数据监督学习。当所述分娩难度预测模型的输出信息达到预定的准确率/达到收敛状态时,则监督学习过程结束。通过对多组数据进行不断训练的方式,达到了输出准确的第一预测指数的技术效果。
综上所述,本申请实施例所提供的一种智能评估产妇产前状态的方法及系统具有如下技术效果:
1、由于采用了获得第一产妇的第一产前检查信息,进而再将对应的妇产医师的第一医嘱信息进行录音,从而形成所述第一医嘱录音信息对所述第一产前检查信息进行进一步完善,获得所述第一产前评估信息;进而获得所述第二产前评估信息;再将所述第一产前评估信息和所述第二产前评估信息输入到分娩难度预测模型中,获得第一预测指数,再基于修正规则进行修正对应获得第二预测指数的干预方案的方式,达到提高对产妇产前情绪评估的准确性的技术效果。
2、由于采用了通过对所述第一产妇的第一亲密用户进行通过摄像头的智能采集和智能识别,从而基于所述第一亲密用户对所述第一产妇的情绪造成的情绪影响再进行分析,获得所述第二产前评估信息的方式,完成对所述第一产妇影响因素的智能化分析,提高评估智能水平的技术效果。
3、由于采用了通过针对情绪的交互作用和属性类别对修正规则进行进一步的设定,对各影响因素造成情绪的关联作用进行进一步的细化分析,进而获得经修正的准确预测指数的方式,达到了增加了所述第二预测指数的准确性和逻辑性,进而提高评估质量的技术效果。
实施例二
基于与前述实施例中一种智能评估产妇产前状态的方法同样发明构思,本发明还提供了一种智能评估产妇产前状态的系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过对第一产妇进行产前检查,获得第一产前检查信息;
第二获得单元12,所述第二获得单元12用于获得第一妇产医师的与第一医嘱录音信息,其中,所述第一医嘱录音信息为所述第一妇产医师对所述第一产妇的医嘱进行录音获得的文字信息;
第三获得单元13,所述第三获得单元13用于根据所述第一产前检查信息和所述第一医嘱录音信息,获得所述第一产妇的第一产前评估信息;
第四获得单元14,所述第四获得单元14用于根据第一亲密指数,获得所述第一产妇的第一亲密用户;
第一分析单元15,所述第一分析单元15用于通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数;
第五获得单元16,所述第五获得单元16用于根据所述第一情绪指数,获得所述第一产妇的第二产前评估信息;
第一输入单元17,所述第一输入单元17用于将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,根据所述分娩难度预测模型,获得第一预测指数;
第六获得单元18,所述第六获得单元18用于获得第一修正规则;
第七获得单元19,所述第七获得单元19用于根据所述第一修正规则对所述第一预测指数进行修正,获得第二预测指数;
第八获得单元20,所述第八获得单元20用于根据所述第二预测指数,获得第一干预方案。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于获得所述第一亲密用户的预定情绪指数阈值;
第十获得单元,所述第十获得单元用于根据所述第一摄像头,获得第一采集数据集;;
第十一获得单元,所述第十一获得单元用于根据所述第一采集数据集,获得所述第一亲密用户的所述第一情绪指数;
第一生成单元,所述第一生成单元用于判断所述第一情绪指数是否处于所述预定情绪指数阈值中;
第十二获得单元,所述第十二获得单元用于若所述第一情绪指数处于所述预定情绪指数阈值中,所述第一情绪指标为正向指标。
进一步的,所述系统还包括:
第一存储单元,所述第一存储单元用于基于大数据将所述第一产妇的第一浏览信息存储到第一浏览数据库中;
第十三获得单元,所述第十三获得单元用于获得第一标识关键词集合;
第十四获得单元,所述第十四获得单元用于根据所述第一标识关键词集合从所述第一浏览数据库中进行浏览统计,获得第一标识浏览统计信息;
第十五获得单元,所述第十五获得单元用于根据所述第一标识浏览统计信息,获得所述第一产妇的第一知识储备指数;
第十六获得单元,所述第十六获得单元用于根据所述第一知识储备指数,获得第一影响系数;
第十七获得单元,所述第十七获得单元用于根据所述第一影响系数对所述第二产前评估信息进行修正,获得第三产前评估信息。
进一步的,所述系统还包括:
第十八获得单元,所述第十八获得单元用于获得所述第一产妇的第一护理人员信息;
第十九获得单元,所述第十九获得单元用于根据所述第一护理人员信息,获得所述第一护理人员的第一护理技能水平和第一业务知识储备水平;
第二十获得单元,所述第二十获得单元用于根据所述第一护理技能水平和所述第一业务知识储备水平,获得第二影响系数;
第二十一获得单元,所述第二十一获得单元用于根据所述第二影响系数对所述第二产前评估信息进行修正,获得第四产前评估信息。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于获得第一交互影响系数,其中,所述第一交互影响系数为所述第一影响系数和所述第二影响系数相互促进程度;
第二十三获得单元,所述第二十三获得单元用于根据所述第二产前评估信息,获得所述第一产妇的第二情绪指数;
第二十四获得单元,所述第二十四获得单元用于根据所述第二产前评估信息,获得所述第一产妇的第二情绪指数;
第二十五获得单元,所述第二十五获得单元用于获得所述第二情绪指数的第一情绪判断结果,所述第一情绪判断结果包括第一结果和第二结果,其中,所述第一结果为正向情绪,所述第二结果为负向情绪;
第二生成单元,所述第二生成单元用于根据所述第一情绪判断结果和所述第一交互影响系数,生成所述第一修正规则。
进一步的,所述系统还包括:
第二十六获得单元,所述第二十六获得单元用于若所述第一情绪判断结果为第一结果,获得第一正向促进系数;
第二十七获得单元,所述第二十七获得单元用于根据所述第一正向促进系数,对所述第一交互影响系数进行修正,获得第一正向修正规则;
第二十八获得单元,所述第二十八获得单元用于若所述第一情绪判断结果为第二结果,获得第一反向促进系数;
第二十九获得单元,所述第二十九获得单元用于根据所述第一反向促进系数,对所述第一交互影响系数进行修正,获得第一反向修正规则;
第三生成单元,所述第三生成单元用于根据所述第一正向修正规则和所述第一反向修正规则,生成所述第一修正规则。
进一步的,所述系统还包括:
第二输入单元,所述第二输入单元用于将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,所述分娩难度预测模型中通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一产前评估信息、所述第二产前评估信息和标识第一输出结果的标识信息;
第三十获得单元,所述第三十获得单元用于获得所述分娩难度预测模型的第一输出结果,所述第一输出结果为所述第一预测指数。
前述图1实施例一中的一种智能评估产妇产前状态的方法的各种变化方式和具体实例同样适用于本实施例的一种智能评估产妇产前状态的系统,通过前述对一种智能评估产妇产前状态的方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种智能评估产妇产前状态的系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种智能评估产妇产前状态的方法的发明构思,本发明还提供一种智能评估产妇产前状态的系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述第一种智能评估产妇产前状态的方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本发明实施例提供的一种智能评估产妇产前状态的方法,所述方法应用于一智能评估系统,所述系统与一摄像头通信连接,所述方法包括:通过对第一产妇进行产前检查,获得第一产前检查信息;获得第一妇产医师的与第一医嘱录音信息,其中,所述第一医嘱录音信息为所述第一妇产医师对所述第一产妇的医嘱进行录音获得的文字信息;根据所述第一产前检查信息和所述第一医嘱录音信息,获得所述第一产妇的第一产前评估信息;根据第一亲密指数,获得所述第一产妇的第一亲密用户;通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数;根据所述第一情绪指数,获得所述第一产妇的第二产前评估信息;将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,根据所述分娩难度预测模型,获得第一预测指数;获得第一修正规则;根据所述第一修正规则对所述第一预测指数进行修正,获得第二预测指数;根据所述第二预测指数,获得第一干预方案。解决了现有技术中存在产前评估对情绪之间的相互作用考虑不够完善,且智能化分析手段较弱的技术问题,达到了通过对产妇的情绪之间的关联性进行分析,提高对产妇产前情绪评估的准确性和智能性的技术效果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种智能评估产妇产前状态的方法,所述方法应用于一智能评估系统,所述系统与一摄像头通信连接,所述方法包括:
通过对第一产妇进行产前检查,获得第一产前检查信息;
获得第一妇产医师的与第一医嘱录音信息,其中,所述第一医嘱录音信息为所述第一妇产医师对所述第一产妇的医嘱进行录音获得的文字信息;
根据所述第一产前检查信息和所述第一医嘱录音信息,获得所述第一产妇的第一产前评估信息;
根据第一亲密指数,获得所述第一产妇的第一亲密用户;
通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数;
根据所述第一情绪指数,获得所述第一产妇的第二产前评估信息;
将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,根据所述分娩难度预测模型,获得第一预测指数;
获得所述获得第一预测指数的方法包括:
将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,所述分娩难度预测模型中通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一产前评估信息、所述第二产前评估信息和标识第一输出结果的标识信息;
获得所述分娩难度预测模型的第一输出结果,所述第一输出结果为所述第一预测指数;
获得第一修正规则;
获得所述获得第一修正规则的方法包括:
获得第一交互影响系数,其中,所述第一交互影响系数为第一影响系数和第二影响系数相互促进程度;
根据所述第二产前评估信息,获得所述第一产妇的第二情绪指数;
获得所述第二情绪指数的第一情绪判断结果,所述第一情绪判断结果包括第一结果和第二结果,其中,所述第一结果为正向情绪,所述第二结果为负向情绪;
根据所述第一情绪判断结果和所述第一交互影响系数,生成所述第一修正规则;
根据所述第一修正规则对所述第一预测指数进行修正,获得第二预测指数;
根据所述第二预测指数,获得第一干预方案。
2.如权利要求1所述的方法,所述通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数,所述方法还包括:
获得所述第一亲密用户的预定情绪指数阈值;
根据所述第一摄像头,获得第一采集数据集;
根据所述第一采集数据集,获得所述第一亲密用户的所述第一情绪指数;
判断所述第一情绪指数是否处于所述预定情绪指数阈值中;
若所述第一情绪指数处于所述预定情绪指数阈值中,所述第一情绪指数为正向指标。
3.如权利要求1所述的方法,所述方法还包括:
基于大数据将所述第一产妇的第一浏览信息存储到第一浏览数据库中;
获得第一标识关键词集合;
根据所述第一标识关键词集合从所述第一浏览数据库中进行浏览统计,获得第一标识浏览统计信息;
根据所述第一标识浏览统计信息,获得所述第一产妇的第一知识储备指数;
根据所述第一知识储备指数,获得第一影响系数;
根据所述第一影响系数对所述第二产前评估信息进行修正,获得第三产前评估信息。
4.如权利要求3所述的方法,所述方法还包括:
获得所述第一产妇的第一护理人员信息;
根据所述第一护理人员信息,获得所述第一护理人员的第一护理技能水平和第一业务知识储备水平;
根据所述第一护理技能水平和所述第一业务知识储备水平,获得第二影响系数;
根据所述第二影响系数对所述第二产前评估信息进行修正,获得第四产前评估信息。
5.如权利要求4所述的方法,所述根据所述第一情绪判断结果和所述第一交互影响系数,生成所述第一修正规则,所述方法还包括:
若所述第一情绪判断结果为第一结果,获得第一正向促进系数;
根据所述第一正向促进系数,对所述第一交互影响系数进行修正,获得第一正向修正规则;
若所述第一情绪判断结果为第二结果,获得第一反向促进系数;
根据所述第一反向促进系数,对所述第一交互影响系数进行修正,获得第一反向修正规则;
根据所述第一正向修正规则和所述第一反向修正规则,生成所述第一修正规则。
6.一种智能评估产妇产前状态的系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于通过对第一产妇进行产前检查,获得第一产前检查信息;
第二获得单元,所述第二获得单元用于获得第一妇产医师的与第一医嘱录音信息,其中,所述第一医嘱录音信息为所述第一妇产医师对所述第一产妇的医嘱进行录音获得的文字信息;
第三获得单元,所述第三获得单元用于根据所述第一产前检查信息和所述第一医嘱录音信息,获得所述第一产妇的第一产前评估信息;
第四获得单元,所述第四获得单元用于根据第一亲密指数,获得所述第一产妇的第一亲密用户;
第一分析单元,所述第一分析单元用于通过第一摄像头对所述第一亲密用户进行数据采集,获得第一情绪指数;
第五获得单元,所述第五获得单元用于根据所述第一情绪指数,获得所述第一产妇的第二产前评估信息;
第一输入单元,所述第一输入单元用于将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,根据所述分娩难度预测模型,获得第一预测指数;
获得所述获得第一预测指数的方法包括:
将所述第一产前评估信息和所述第二产前评估信息输入分娩难度预测模型中,所述分娩难度预测模型中通过多组训练数据训练获得,所述多组训练数据中的每组均包括:所述第一产前评估信息、所述第二产前评估信息和标识第一输出结果的标识信息;
获得所述分娩难度预测模型的第一输出结果,所述第一输出结果为所述第一预测指数;
第六获得单元,所述第六获得单元用于获得第一修正规则;
获得所述获得第一修正规则的方法包括:
获得第一交互影响系数,其中,所述第一交互影响系数为第一影响系数和第二影响系数相互促进程度;
根据所述第二产前评估信息,获得所述第一产妇的第二情绪指数;
获得所述第二情绪指数的第一情绪判断结果,所述第一情绪判断结果包括第一结果和第二结果,其中,所述第一结果为正向情绪,所述第二结果为负向情绪;
根据所述第一情绪判断结果和所述第一交互影响系数,生成所述第一修正规则;
第七获得单元,所述第七获得单元用于根据所述第一修正规则对所述第一预测指数进行修正,获得第二预测指数;
第八获得单元,所述第八获得单元用于根据所述第二预测指数,获得第一干预方案。
7.一种智能评估产妇产前状态的系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376966.5A CN112951434B (zh) | 2021-04-08 | 2021-04-08 | 一种智能评估产妇产前状态的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110376966.5A CN112951434B (zh) | 2021-04-08 | 2021-04-08 | 一种智能评估产妇产前状态的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112951434A CN112951434A (zh) | 2021-06-11 |
CN112951434B true CN112951434B (zh) | 2022-03-08 |
Family
ID=76231064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110376966.5A Active CN112951434B (zh) | 2021-04-08 | 2021-04-08 | 一种智能评估产妇产前状态的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112951434B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114883004B (zh) * | 2022-05-06 | 2022-12-02 | 西安市人民医院(西安市第四医院) | 一种围产期随访有效性评估方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018094230A2 (en) * | 2016-11-17 | 2018-05-24 | Cognito Therapeutics, Inc. | Methods and systems for neural stimulation via auditory stimulation |
CN109493946A (zh) * | 2018-10-16 | 2019-03-19 | 安徽医科大学 | 一种产后抑郁网络干预系统 |
-
2021
- 2021-04-08 CN CN202110376966.5A patent/CN112951434B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112951434A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729710A (zh) | 医学系统、医学方法及非暂态计算机可读取媒体 | |
CN110706822B (zh) | 基于逻辑回归模型和决策树模型的健康管理方法 | |
CN112951434B (zh) | 一种智能评估产妇产前状态的方法及系统 | |
CN113100711B (zh) | 一种临产产妇健康状况实时追踪的方法和系统 | |
CN111986812A (zh) | 一种基于互联网的妇产科疾病医疗诊治控制系统 | |
US20240105308A1 (en) | System and method for generating a gestational disorder nourishment program | |
CN114141349A (zh) | 一种icu护理人员的智能调配方法及系统 | |
CN112235473B (zh) | 一种危重病人家属呼叫方法和装置 | |
CN112185530A (zh) | 一种医院排号管理方法及系统 | |
CN112102934A (zh) | 一种护士规范化培训考核评分方法和系统 | |
Manikandan et al. | Improving the performance of classifiers by ensemble techniques for the premature finding of unusual birth outcomes from cardiotocography | |
CN112259222B (zh) | 一种妇产科高危产妇管理方法和装置 | |
Anggraeny et al. | Modeled early detection of pregnancy risk based on Poedji Rochjati score card using relief and neural network | |
US20230053474A1 (en) | Medical care system for assisting multi-diseases decision-making and real-time information feedback with artificial intelligence technology | |
CN113053482A (zh) | 一种肾内科患者的体征监测分析系统及方法 | |
CN113113124A (zh) | 一种神经外科多患者的整合护理方法及系统 | |
CN113057597B (zh) | 一种实时监测产妇生产过程中生理状态的方法及系统 | |
Raghav et al. | Prediction of Preterm Pregnancies using Soft Computing techniques Neural Networks and Gradient Descent Optimizer | |
CN116439661B (zh) | 一种围产期的产妇生理状态监测评估方法及系统 | |
Nugroho et al. | Preeclampsia Classification Modeling Based on Fuzzy Rules | |
CN114023424B (zh) | 一种妇产科婴儿看护系统及方法 | |
Jugunta et al. | Exploring the insights of Bat Algorithm-Driven XGB-RNN (BARXG) for optimal fetal health classification in pregnancy monitoring | |
CN117316415B (zh) | 一种基于多模态的智能随访方法及系统 | |
CN112957017B (zh) | 一种昏迷患者的实时体征监测方法及系统 | |
CN112957212A (zh) | 一种预防慢性创面并发症的护理方法及系统 |
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 |