CN113012821B - 基于机器学习的多模态康复诊疗云平台的实现方法 - Google Patents
基于机器学习的多模态康复诊疗云平台的实现方法 Download PDFInfo
- Publication number
- CN113012821B CN113012821B CN202110291194.5A CN202110291194A CN113012821B CN 113012821 B CN113012821 B CN 113012821B CN 202110291194 A CN202110291194 A CN 202110291194A CN 113012821 B CN113012821 B CN 113012821B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- rehabilitation
- management
- training
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Physical Education & Sports Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种基于机器学习的多模态康复诊疗云平台的实现方法,属于康复诊疗数据处理平台技术领域。本发明整体共分为五大步骤:多模态数据结构的搭建、多模态数据接收与存储、机器学习与迭代、个性化定制、云平台管理体系。本发明不仅解决了现存康复诊疗设备数据无法积累、诊疗者训练记录不完整的问题,还可以解决智能康复诊疗设备识别训练模型迭代优化缓慢、诊疗精度不高、康复训练效率低下等问题,同时也为更多的康复诊疗设备提供了自身诊疗模态识别和机器学习迭代调优的平台,必将为整个社会的全民健康做出重大贡献。本发明可广泛运用于康复诊疗训练与数据处理平台场合。
Description
技术领域
本发明涉及一种基于机器学习的多模态康复诊疗云平台的实现方法,属于康复诊疗数据处理平台技术领域。
背景技术
随着人口老龄化的加快以及肌体失能人群的增加,市场上出现了许多为人们提供诸如肢体训练、位置转移、独立自理等功能的康复诊疗智能设备甚至是机器人设备,为肌体失能人群提供康复诊断和训练理疗服务。同时,这些智能康复理疗设备也存在着诊断不精准、训练理疗效率低、诊疗数据无法积累、诊疗者训练记录不完整等难题,康复诊疗设备的设计制造者也找不到一个可以为其设备上的模态识别算法进行机器学习和迭代优化的平台,更不用说还会提供实现在理疗患者实际的康复诊疗中收集真实数据,积累为智能设备提供机器学习的大数据,进而实现模态识别算法的迭代优化,同时还能为诊疗患者提供个性化的诊疗算法的综合性平台了。
发明内容
为了从根本上解决智能康复理疗设备诊断不精准、训练理疗效率低、诊疗数据无法积累、诊疗者训练记录不完整等难题,同时为设备的设计制造者提供一个可以为其设备上的模态识别算法进行机器学习和不断迭代优化的平台,本发明设计实现了一个包含管理人员管理、设备类型与数据结构管理、设备管理、模态识别算法管理、机器学习与迭代管理、个性定制管理等功能的综合云平台,在理疗者实际的康复诊疗中收集真实数据,为智能设备积累机器学习的大数据,实现模态识别算法的不断迭代优化,并能为诊疗患者提供个性化的诊疗定制服务。
本发明所述的基于机器学习的多模态康复诊疗云平台的实现方法,包括如下步骤:
S1:多模态数据结构的搭建:支持多种类型的康复诊疗设备的添加,并通过多模态数据结构的搭建部分,完成新增类型康复诊疗设备的相关数据存储结构的自动生成,为后续各部分奠定数据存储的基础,具体的搭建步骤如下:
S11:添加新的设备类型;
S12:设定添加类型设备的相关属性信息,支持多种属性;
S13:自动生成添加类型设备的基础信息数据表,即根据S12中添加的该类型设备的属性项,对应地自动生成该类型设备的基础信息数据表结构,其中为了识别不同的设备,设备的唯一识别编号是必须额外自动增加的;
S14:自动生成添加类型设备交互数据原始信息数据表,其结构包括设备唯一识别码、接收时间、原始数据内容;
S15:设定添加类型设备交互的数据项信息,包含数据交互的方向和对应的多项交互数据项,设备唯一识别码和交互的时间戳是必须的;其中数据交互的方向包含上行和下行两种,上行为该类型设备交互的监视数据、下行为该类型设备交互的控制数据;
S16:自动生成添加类型设备交互信息数据表,即根据S15中添加的该类型设备的数据交互方向和对应的数据项,自动生成添加设备的监视实时数据表、控制实时数据表,用于实时交互数据的存储;同时,自动同步生成监视历史数据表、控制历史数据表,其中监视历史数据表存储的数据将是识别算法进行机器学习的训练数据集;
S17:设定添加类型设备识别结果数据项,即通过识别算法计算出的结果包含的信息项,允许添加多个结果项,为每个结果项设定是否需要计算准确度;系统会自动增加识别算法ID、设备唯一识别码、诊疗者ID以及整体准确度,为后续数据统计分析汇总和机器学习奠定基础;
S18:生成识别结果信息数据表,即根据S17中添加的该类型设备的识别结果数据项,自动生成实时识别结果数据表和训练过程结果数据表结构;实时识别结果数据表是存储交互信息通过当前识别算法实时识别出来的结果;与监视实时数据表对应,训练过程结果数据表是存储所有识别算法在监视历史数据集上进行训练的识别结果集,是识别算法进行机器学习的重要数据依据;
S2:多模态数据接收与存储:把接收的康复诊疗终端发送的数据和对应产生的识别结果数据存储到对应监视实时数据表,并进行识别结果的校正处理,通过手动或定时自动的方式转存到监视历史数据表中,逐步形成大数据,为机器学习与模态识别算法训练奠定大数据基础,具体的实现步骤如下:
S201:接收康复诊疗设备终端发送过来的数据包A;
S202:对数据包A进行解析,解析出设备类型A-TYPE和设备唯一识别码A-ID;
S203:根据设备类型A-TYPE,通过查找设备类型索引,找到该类型设备的基础信息数据表;
S204:在该类型设备基础信息数据表中,检索设备唯一识别码A-ID是否存在,若不存在丢弃该数据包A,反之进入S205;
S205:继续解析数据包A,并根据设定的该设备类型A-TYPE的交互数据项对其进行数据规则验证,若不通过,丢弃该数据包A,反之把接收的数据包A所有内容写入到交互数据原始信息数据表,同时进入S206;
S206:获得解析数据包A得出详细的诊疗数据序列A-DATA,并写入设备监视实时数据表;
S207:读取当前的模态识别算法A-ALGO;
S208:把诊疗数据序列A-DATA交给当前的模态识别算法A-ALGO,获得识别结果A-RES,进入S209和S210;
S209:把识别结果A-RES写入设备监视实时数据表;
S210:向康复诊疗设备终端返回识别结果;
S211:对识别结果进行校正处理;
S212:手动或通过定时任务自动把监视实时数据表中的数据转存到该类型设备的监视历史数据表中;
S3:机器学习与迭代:通过同类型设备在使用过程中积累到平台的庞大监视历史数据作为训练数据集,对模态识别算法进行训练,并在对训练结果进行分析汇总的基础上不断对模态识别算法中的参数或识别模型进行调优或迭代,最终找到准确度更高、效率更优的诊断和康复训练的模态识别算法,具体的循环迭代步骤如下:
S31:初始模态识别算法M1;
S32:设置训练数据集在平台中初始参数,包括训练数据集的时间区间、诊疗者地区范围、诊疗者的人员特征;
S33:对识别算法进行训练;
S34:记录模态识别算法M1训练过程中产生的结果数据,并记录到训练过程结果数据表中;
S35:对训练过程结果进行不同维度或不同维度的组合进行分析汇总;
S36:记录分析汇总结果到训练结果分析汇总数据表;
S37:根据对该模态识别算法M1的训练结果的分析汇总结果生成分析数据,并允许进行数据的可视化;
S38:对识别模态识别算法M1中的参数或识别模型进行调优或迭代,生成新的模态识别算法M2;
S39:把模态识别算法M2作为新的识别算法,即转到S31;
S4:个性化定制:根据不同模态识别算法对同类型设备的训练过程结果数据表和训练结果分析数据表按照地区、人员特征或固定设备进行二次多维度分析的基础上,结合诊疗者地区、人员特征以及固定设备实现个性化识别推荐,并在诊疗者诊疗或康复训练的数据积累过程中不断进行机器学习和迭代优化的基础上,训练其特定的模态识别算法,最终实现对诊疗者的个性化定制,具体的实现步骤如下:
S41:对训练过程结果数据表信息和训练结果分析汇总数据表信息按照地区、人员特征、固定设备多维度进行二次分析得出对应的模态识别算法优化度分析数据表,此为进行个性化模态识别算法推荐的数据基础;
S42:录入诊疗者地区、人员特征、训练设备多维度信息;
S43:系统根据S42的信息在S41的数据基础上进行匹配实现个性化模态识别算法的推荐;
S44:系统不断记录诊疗者的诊疗监视数据以及模态识别结果数据;
S45:依据机器学习与迭代优化部分的步骤,在该诊疗者康复训练的监视数据集上进行不断的机器学习和模态识别算法迭代优化;
S46:最终实现对具体某位诊疗者的个性化定制;
S5:云平台管理体系的搭建:包括如下六部分:管理人员管理、设备类型与数据结构管理、设备管理、模态识别算法管理、机器学习与迭代管理、个性定制管理。
优选地,所述步骤S1中,多模态数据结构的搭建根据对不同种类的康复诊疗设备自定义设置设备的属性信息、交互数据项、识别结果项参数信息后,在自动增加设备类型信息的同时建立设备类型对该类型设备系列数据存储的索引基础上,再自动生成该类型设备基础信息数据表、设备交互原始数据表、设备交互数据监视实时数据表、设备交互数据控制实时数据表、算法识别结果数据表的存储结构,同时建立设备交互数据监视历史数据表,为后续的机器学习奠定大数据基础。
优选地,所述步骤S3中,通过步骤S31到S39,完成了一次循环的模态识别算法的迭代优化,生成的新的模态识别算法M2再次作为初始算法M1进入S31,将开始第二次循环的迭代优化;在康复诊疗设备的不断使用过程中,实际使用数据也将快速不断积累,监视历史数据也随之不断快速增加,即训练数据集不断快速增大,模态识别算法也将被训练的更加优化;
当然,在识别算法中允许设置程序自动进行参数的调优,并把最优识别准确度和对应的识别参数序列作为识别结果输出,实现识别算法的全自动调优。
优选地,所述步骤S5中的管理人员管理部分,负责建立基于超级管理员、地区管理员、机构管理员、康复理疗师以及广大理疗者的不同层级、类型的用户信息以及相互间的康复诊疗数据管理、模态识别算法管理、机器学习与个性定制管理关系,共包含七个层级十三大类的管理用户,既相对独立,又相互关联,各自拥有自己独立的管理后台和权限功能。
优选地,所述步骤S5中的管理人员管理部分,各层级管理员的功能以及具体的用户初始与管理关系如下:
超级管理员:负责平台的基本参数管理、用户管理、数据管理、模态识别算法管理、报告管理、角色权限的设定;超级管理员初始、管理超级权限管理员和地区管理员机构管理员;
地区管理员:包含省级管理员、地市级管理员、区县管理员三层级的管理员,主要负责自己管辖范围之内的基本参数管理、用户管理、数据管理、报告管理功能,地区管理员初始和管理本层级权限管理员和下层级的地区管理员、机构管理员、康复理疗师管理员;
机构管理员:负责本机构内的基本参数管理、用户管理、数据管理、训练报告管理功能,机构管理员初始和管理机构权限管理员、康复理疗师、理疗者管理员;
康复理疗师管理员:是本机构内的理疗师,或者是外聘的理疗专家;负责个人信息维护、用户管理、数据管理、训练报告管理功能,康复疗师管理员允许升级为康复理疗专家,开展跨机构诊疗服务;康复理疗师管理员初始、接收和管理理疗者;
理疗者管理员:由理疗患者或其家属担任,功能包括查看机构信息、康复理疗师信息、个人的训练数据信息、训练评估报告信息,并允许加入理疗机构、选择理疗师。
优选地,所述步骤S5中的设备类型与数据结构管理部分,负责通过添加设备类型、设定类型设备的相关参数,动态生成对该类型设备基础信息、交互数据信息、识别结果信息以及历史数据信息、训练结果信息进行存储的数据表结构,为整个云平台奠定数据存储基础。
优选地,所述步骤S5中的设备管理部分,在管理人员管理和设备类型与数据结构管理的基础上,建立的一个基于超级管理员、省地市区县地区管理员、机构管理员三层设备管理和康复理疗师、理疗者二层设备使用的机制,对设备进行管理和使用,同时通过设备基础信息数据表建立白名单制度,为与康复诊疗终端设备的数据交互奠定安全基础;平台在进行全国范围的推广使用,提供了对多类型多设备的进行高效管控的基础,具体的设备管理流程如下所示:
S51:超级管理员对不同类型的设备设置设备白名单,即在选择设备类型的前提下添加设备到设备基础信息数据表;
S52:地区管理员、机构管理员购买设备白名单内的设备,通过设备的唯一编码对设备进行检测其是否存在于设备白名单内,若存在,再次检测是否被同级管理员激活,未激活,则将激活,激活后的设备归自己和上级管理员管理,反之,不能激活;
S53:地区管理员查看自己管辖范围内所有设备的信息,以及其隶属机构、相关理疗者的训练数据信息;
S54:机构管理员查看本机构内所有设备的信息,以及相关理疗者的训练数据信息;
S55:康复理疗师、理疗者使用属于所隶属机构的设备,并开展康复诊疗活动。
优选地,所述步骤S5中的模态识别算法管理部分,负责对不同类型设备的多种模态识别算法进行管理,同时还设定具体某个识别算法为当前实时使用识别算法;为后续的机器学习、个性定制奠定数据基础。
优选地,所述步骤S5中的机器学习与迭代管理部分,负责系统中各种不同类型设备实时监视数据向历史监视数据的转移,即构建高质量的机器学习的训练数据集,同时下达指令对不同的模态识别算法实施训练,同时还对训练结果集进行分类汇总,实现对各模态识别算法的准确度和效率的评估,最终实现模态识别算法的迭代优化。
优选地,所述步骤S5中的个性定制管理部分,负责根据理疗者基本信息的推荐适合的模态识别算法,并在该诊疗者诊疗或康复训练的数据积累过程中不断进行机器学习和迭代优化的基础上,训练其特定的模态识别算法,最终实现对诊疗者的个性化定制;同时,建立该理疗者与模态识别算法的关联关系以及关联历史,并对其进行管理和维护。
本发明的有益效果是:本发明不仅解决了现存康复诊疗设备数据无法积累、诊疗者训练记录不完整的问题,还可以解决智能康复诊疗设备识别训练模型迭代优化缓慢、诊疗精度不高、康复训练效率低下等问题,同时也为更多的康复诊疗设备提供了自身诊疗模态识别和机器学习迭代调优的平台,必将为整个社会的全民健康做出重大贡献。
附图说明
图1是多模态数据结构搭建流程模型图。
图2是多模态数据接收和存储流程模型图。
图3是机器学习与迭代流程模型图。
图4是个性化定制模型图。
图5(a)是云平台管理系统之管理人员管理模型图。
图5(b)是云平台管理系统之设备管理模型图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
下面结合附图对本发明做进一步描述,本发明整体共分为五大步骤:多模态数据结构的搭建、多模态数据接收与存储、机器学习与迭代、个性化定制、云平台管理体系。
S1:多模态数据结构的搭建,如图1所示,实现在根据对不同种类的康复诊疗设备自定义设置设备的属性信息、交互数据项、识别结果项等参数信息后,在自动增加设备类型信息的同时建立设备类型对该类型设备系列数据存储的索引基础上,再自动生成该类型设备基础信息数据表、设备交互原始数据表、设备交互数据监视实时数据表、设备交互数据控制实时数据表、算法识别结果数据表等的存储结构,同时建立设备交互数据监视历史数据表,为后续的机器学习奠定大数据基础。本部分是支持不同类型的康复诊疗设备数据接收和存储的基础。本部分具体的搭建步骤如下:
(1)添加新的设备类型;
(2)设定添加类型设备的相关属性信息,支持多种属性;
(3)自动生成添加类型设备的基础信息数据表,即根据(2)中添加的该类型设备的属性项,对应地自动生成该类型设备的基础信息数据表结构,其中为了识别不同的设备,设备的唯一识别编号是必须额外自动增加的;
(4)自动生成添加类型设备交互数据原始信息数据表结构,包括设备唯一识别码、接收时间、原始数据内容等结构;
(5)设定添加类型设备交互的数据项信息,包含数据交互的方向和对应的多项交互数据项,设备唯一识别码和交互的时间戳是必须的。其中数据交互的方向包含上行和下行两种,上行为该类型设备的交互的监视数据、下行为该类型设备的交互的控制数据;
(6)自动生成添加类型设备交互信息数据表,即根据(5)中添加的该类型设备的数据交互方向和对应的数据项,自动生成添加设备的监视实时数据表、控制实时数据表,用于实时交互数据的存储。同时,自动同步生成监视历史数据表、控制历史数据表,其中监视历史数据表存储的数据将是识别算法进行机器学习的训练数据集;
(7)设定添加类型设备识别结果数据项,即通过识别算法计算出的结果包含的信息项,可以添加多个结果项,可以为每个结果项设定是否需要计算准确度。系统会自动增加识别算法ID、设备唯一识别码、诊疗者ID以及整体准确度等数据项,为后续数据统计分析汇总和机器学习奠定基础;
(8)生成识别结果信息表,即根据(7)中添加的该类型设备的识别结果数据项,自动生成实时识别结果数据表和训练过程结果数据表结构,实时识别结果数据表是存储交互信息通过当前识别算法实时识别出来的结果,与监视实时数据表对应,训练过程结果数据表是存储所有识别算法在监视历史数据集上进行训练的识别结果集,是识别算法进行机器学习的重要数据依据。
本平台支持多种类型的康复诊疗设备的添加,并通过多模态数据结构的搭建部分,完成新增类型康复诊疗设备的相关数据存储结构的自动生成,为后续各部分奠定数据存储的基础。
S2:多模态数据接收和存储,如图2所示,负责接收康复诊疗设备终端发送过来的数据,并通过解析数据包、来源验证、数据验证、算法识别等步骤得到识别结果并进行数据存储和对诊疗终端设备的返回,以指导诊疗者的诊疗和康复训练。此过程是本平台中使用最频繁的过程,此间平台会把接收和产生的识别结果数据存储到对应监视实时数据表,并进行识别结果的校正处理,通过手动或定时自动的方式转存到监视历史数据表中,逐步形成大数据,为机器学习与模态识别算法训练奠定数据基础。本部分具体的实现步骤如下:
(1)接收康复诊疗设备终端发送过来的数据包A;
(2)对数据包A进行解析,解析出设备类型A-TYPE和设备唯一识别码A-ID;
(3)根据设备类型(A-TYPE),通过查找设备类型索引,找到该类型设备的基础信息数据表;
(4)在该类型设备基础信息数据表中,检索设备唯一识别码(A-ID)是否存在,若不存在丢弃该数据包A,反之进入(5);
(5)继续解析数据包A,并根据设定的该设备类型(A-TYPE)的交互数据项对其进行数据规则验证,若不通过,丢弃该数据包A,反之把接收的数据包A所有内容写入到交互数据原始信息数据表,同时进入(6);
(6)获得解析数据包A得出详细的诊疗数据序列A-DATA,并写入设备监视实时数据表;
(7)读取当前的模态识别算法A-ALGO;
(8)把诊疗数据序列A-DATA交给当前的模态识别算法A-ALGO,获得识别结果A-RES,进入(9)和(10);
(9)把识别结果A-RES写入设备监视实时数据表;
(10)向康复诊疗设备终端返回识别结果;
(11)对识别结果进行校正处理;
(12)手动或通过定时任务自动把监视实时数据表中的数据转存到该类型设备的监视历史数据表中。
S3:机器学习与迭代,如图3所示,主要是通过同类型设备在使用过程中积累到平台的庞大监视历史数据作为训练数据集,对模态识别算法进行训练,并在对训练结果进行分析汇总的基础上不断对模态识别算法中的参数或识别模型进行调优或迭代,最终找到准确度更高、效率更优的诊断和康复训练的模态识别算法。本部分具体的循环迭代步骤如下:
(1)在平台中初始模态识别算法M1;
(2)设置训练数据集参数,包括训练数据集的时间区间、诊疗者地区范围、诊疗者的人员特征等;
(3)对识别算法进行训练;
(4)记录模态识别算法M1训练过程中产生的结果数据,并记录到训练过程结果数据表中;
(5)对训练过程结果进行不同维度或不同维度的组合进行分析汇总;
(6)记录分析汇总结果到训练结果分析汇总数据表;
(7)根据对该模态识别算法M1的训练结果的分析汇总结果生成分析数据,并可进行数据的可视化;
(8)对识别模态识别算法M1中的参数或识别模型进行调优或迭代,生成新的模态识别算法M2;
(9)把模态识别算法M2作为新的识别算法,即转到(1)。
这样通过步骤(1)到(9),完成了一次循环的模态识别算法的迭代优化,生成的新的模态识别算法M2再次作为初始算法M1进入(1),将开始第二次循环的迭代优化。在康复诊疗设备的不断使用过程中,实际使用数据也将快速不断积累,监视历史数据也随之不断快速增加,即训练数据集不断快速增大,模态识别算法也将被训练的更加优化。
当然,在识别算法中可以自行设置程序进行参数的调优,并可把最优识别准确度和对应的识别参数序列作为识别结果输出,实现识别算法的全自动调优。
S4:个性化定制,如图4所示,是根据不同模态识别算法对同类型设备的训练过程结果数据表和训练结果分析数据表按照地区、人员特征或固定设备进行二次多维度分析的基础上,结合诊疗者地区、人员特征以及固定设备实现个性化识别推荐,并在诊疗者诊疗或康复训练的数据积累过程中不断进行机器学习和迭代优化的基础上,训练其特定的模态识别算法,最终实现对诊疗者的个性化定制。个性化定制实现的具体步骤如下:
(1)对训练过程结果数据表信息和训练结果分析汇总数据表信息按照地区、人员特征、固定设备等多维度进行二次分析得出对应的模态识别算法优化度分析数据表,这是进行个性化模态识别算法推荐的数据基础;
(2)录入诊疗者地区、人员特征、训练设备等多维度信息;
(3)系统根据(2)的信息在(1)的数据基础上进行匹配实现个性化模态识别算法的推荐;
(4)系统不断记录诊疗者的诊疗监视数据以及模态识别结果等数据;
(5)依据机器学习与迭代优化部分的步骤,在该诊疗者康复训练的监视数据集上进行不断的机器学习和模态识别算法迭代优化;
(6)最终实现对具体某位诊疗者的个性化定制。
S5:云平台管理系统的搭建包括管理人员管理、设备类型与数据结构管理、设备管理、模态识别算法管理、机器学习与迭代管理、个性定制管理六部分。主要负责搭建超级管理、省、市、区县、机构、理疗师、理疗者等七个层级十三大类的管理用户体系,容纳更多类型康复诊疗设备和对设备的管理,既可以实时进行诊断识别、理疗训练,又可以不断积累过程数据、实施机器学习不断优化模态识别算法的综合性平台。平台在为康复诊疗设备的管理者提供机器学习大数据并进行模态识别迭代优化的同时,也为诊疗者提供快速准确的诊断服务,高效的个性化康复理疗训练服务。
管理人员管理部分负责建立基于超级管理员、地区管理员、机构管理员、康复理疗师以及广大理疗者等不同层级、类型的用户信息以及相互间的康复诊疗数据管理、模态识别算法管理、机器学习与个性定制管理等关系。共包含七个层级十三大类的管理用户,他们既相对独立,又相互关联,各自拥有自己独立的管理后台和权限功能。如图5(a)所示,各层级管理员的功能以及具体的用户初始与管理关系如下:
(1)超级管理员
主要负责平台的基本参数管理(如地区管理、机构管理、设备类型管理、参数值管理、设备管理)、用户管理(地区管理员、机构管理员、康复理疗师、康复理疗者)、数据管理(实时监视数据、历史监视数据)、模态识别算法管理、报告管理、角色权限的设定等。超级管理员可以初始、管理超级权限管理员和地区管理员机构管理员。
(2)地区管理员
地区管理员包含省级管理员、地市级管理员、区县管理员三层级的管理员,主要负责自己管辖范围之内的基本参数管理(如机构管理、设备管理)、用户管理(地区管理员、机构管理员、康复理疗师、康复理疗者)、数据管理(实时监视数据、历史监视数据)、报告管理等功能。地区管理员可以初始和管理本层级权限管理员和下层级的管理员、机构管理员、康复理疗师管理员。
(3)机构管理员
主要负责本机构内的基本参数管理(如机构信息管理、设备管理)、用户管理(康复理疗师、康复理疗者)、数据管理、训练报告管理等功能。机构管理员可以初始和管理机构权限管理员、康复理疗师、理疗者管理员。
(4)康复理疗师管理员
康复理疗师管理员可以是本机构内的理疗师,也可以是外聘的理疗专家。主要负责个人信息维护、用户管理(康复理疗者)、数据管理、训练报告管理等功能。康复疗师管理员可以升级为康复理疗专家,进行跨机构诊疗服务;康复理疗师管理员可以初始、接收和管理理疗者。
(5)理疗者管理员
理疗者管理员由理疗患者或其家属担任,主要功能包括查看机构信息、康复理疗师信息、个人的训练数据信息、训练评估报告信息,并可加入理疗机构、选择理疗师等。
设备类型与数据结构管理部分主要负责通过添加设备类型、设定类型设备的相关参数,动态生成可以对该类型设备基础信息、交互数据信息、识别结果信息以及历史数据信息、训练结果信息等进行存储的数据表结构,为整个云平台奠定数据存储基础。此部分内容在多模态数据结构的搭建中已经进行了详述,此处不再赘述。
设备管理部分,是在管理人员管理和设备类型与数据结构管理的基础上,建立的一个基于超级管理员、省地市区县等地区管理员、机构管理员三层设备管理和康复理疗师、理疗者二层设备使用的机制,对设备进行管理和使用,同时通过设备基础信息数据表建立白名单制度,为与康复诊疗终端设备的数据交互奠定安全基础。这也为平台在进行全国范围的推广使用,提供了对多类型多设备的进行高效管控的基础。如图5(b)所示,具体的设备管理流程如下所示:
(1)超级管理员对不同类型的设备设置设备白名单,即添加设备到设备基础信息数据表,并为每台设备设置相应的设备类型;
(2)地区管理员、机构管理员购买设备白名单内的设备,通过设备的唯一编码对设备进行检测其是否存在于设备白名单内,若存在,再次检测是否被同级管理员激活,未激活,则可以激活,激活后的设备归自己和上级管理员管理,反之,不能激活;
(3)地区管理员可以查看自己管辖范围内所有设备的信息,以及其隶属机构、相关理疗者的训练数据信息。
(4)机构管理员可以查看本机构内所有设备的信息,以及相关理疗者的训练数据信息。
(5)康复理疗师、理疗者可以使用属于所隶属机构的设备,并开展康复诊疗活动。
模态识别算法管理管理主要负责对不同类型设备的多种模态识别算法进行管理,同时还可以设定具体某个识别算法为当前实时使用识别算法。为后续的机器学习、个性定制奠定数据基础。
机器学习与迭代管理主要负责系统中各种不同类型设备实时监视数据向历史监视数据的转移,即构建高质量的机器学习的训练数据集,同时下达指令对不同的模态识别算法实施训练,同时还可以对训练结果集进行分类汇总,实现对各模态识别算法的准确度和效率的评估,最终实现模态识别算法的迭代优化。此部分内容在机器学习与迭代中已经进行了详述,在此就不再赘述。
个性定制管理主要负责根据理疗者基本信息的推荐适合的模态识别算法,并在该诊疗者诊疗或康复训练的数据积累过程中不断进行机器学习和迭代优化的基础上,训练其特定的模态识别算法,最终实现对诊疗者的个性化定制。同时,可以建立该理疗者与模态识别算法的关联关系以及关联历史,并对其进行管理和维护。此部分内容在个性化定制中已经进行了详述,在此就不再赘述。
综上所述,本发明不仅解决了现存康复诊疗设备数据无法积累、诊疗者训练记录不完整的问题,还可以解决智能康复诊疗设备识别训练模型迭代优化缓慢、诊疗精度不高、康复训练效率低下等问题,同时也为更多的康复诊疗设备提供了自身诊疗模态识别和机器学习迭代调优的平台,必将为整个社会的全民健康做出重大贡献。
本发明可广泛运用于康复诊疗训练与数据处理平台场合。
Claims (10)
1.一种基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,包括如下步骤:
S1:多模态数据结构的搭建:支持多种类型的康复诊疗设备的添加,并通过多模态数据结构的搭建部分,完成新增类型康复诊疗设备的相关数据存储结构的自动生成,为后续各部分奠定数据存储的基础,具体的搭建步骤如下:
S11:添加新的设备类型;
S12:设定添加类型设备的相关属性信息,支持多种属性;
S13:自动生成添加类型设备的基础信息数据表,即根据S12中添加的该类型设备的属性项,对应地自动生成该类型设备的基础信息数据表结构,其中为了识别不同的设备,设备的唯一识别编号是必须额外自动增加的;
S14:自动生成添加类型设备交互数据原始信息数据表,其结构包括设备唯一识别码、接收时间、原始数据内容;
S15:设定添加类型设备交互的数据项信息,包含数据交互的方向和对应的多项交互数据项,设备唯一识别码和交互的时间戳是必须的;其中数据交互的方向包含上行和下行两种,上行为该类型设备交互的监视数据、下行为该类型设备交互的控制数据;
S16:自动生成添加类型设备交互信息数据表,即根据S15中添加的该类型设备的数据交互方向和对应的数据项,自动生成添加设备的监视实时数据表、控制实时数据表,用于实时交互数据的存储;同时,自动同步生成监视历史数据表、控制历史数据表,其中监视历史数据表存储的数据将是识别算法进行机器学习的训练数据集;
S17:设定添加类型设备识别结果数据项,即通过识别算法计算出的结果包含的信息项,允许添加多个结果项,为每个结果项设定是否需要计算准确度;系统会自动增加识别算法ID、设备唯一识别码、诊疗者ID以及整体准确度,为后续数据统计分析汇总和机器学习奠定基础;
S18:生成识别结果信息数据表,即根据S17中添加的该类型设备的识别结果数据项,自动生成实时识别结果数据表和训练过程结果数据表结构;实时识别结果数据表是存储交互信息通过当前识别算法实时识别出来的结果;与监视实时数据表对应,训练过程结果数据表是存储所有识别算法在监视历史数据集上进行训练的识别结果集,是识别算法进行机器学习的重要数据依据;
S2:多模态数据接收与存储:把接收的康复诊疗终端发送的数据和对应产生的识别结果数据存储到对应监视实时数据表,并进行识别结果的校正处理,通过手动或定时自动的方式转存到监视历史数据表中,逐步形成大数据,为机器学习与模态识别算法训练奠定大数据基础,具体的实现步骤如下:
S201:接收康复诊疗设备终端发送过来的数据包A;
S202:对数据包A进行解析,解析出设备类型A-TYPE和设备唯一识别码A-ID;
S203:根据设备类型A-TYPE,通过查找设备类型索引,找到该类型设备的基础信息数据表;
S204:在该类型设备基础信息数据表中,检索设备唯一识别码A-ID是否存在,若不存在丢弃该数据包A,反之进入S205;
S205:继续解析数据包A,并根据设定的该设备类型A-TYPE的交互数据项对其进行数据规则验证,若不通过,丢弃该数据包A,反之把接收的数据包A所有内容写入到交互数据原始信息数据表,同时进入S206;
S206:获得解析数据包A得出详细的诊疗数据序列A-DATA,并写入设备监视实时数据表;
S207:读取当前的模态识别算法A-ALGO;
S208:把诊疗数据序列A-DATA交给当前的模态识别算法A-ALGO,获得识别结果A-RES,进入S209和S210;
S209:把识别结果A-RES写入设备监视实时数据表;
S210:向康复诊疗设备终端返回识别结果;
S211:对识别结果进行校正处理;
S212:手动或通过定时任务自动把监视实时数据表中的数据转存到该类型设备的监视历史数据表中;
S3:机器学习与迭代:通过同类型设备在使用过程中积累到平台的庞大监视历史数据作为训练数据集,对模态识别算法进行训练,并在对训练结果进行分析汇总的基础上不断对模态识别算法中的参数或识别模型进行调优或迭代,最终找到准确度更高、效率更优的诊断和康复训练的模态识别算法,具体的循环迭代步骤如下:
S31:初始模态识别算法M1;
S32:设置训练数据集在平台中初始参数,包括训练数据集的时间区间、诊疗者地区范围、诊疗者的人员特征;
S33:对识别算法进行训练;
S34:记录模态识别算法M1训练过程中产生的结果数据,并记录到训练过程结果数据表中;
S35:对训练过程结果进行不同维度或不同维度的组合进行分析汇总;
S36:记录分析汇总结果到训练结果分析汇总数据表;
S37:根据对该模态识别算法M1的训练结果的分析汇总结果生成分析数据,并允许进行数据的可视化;
S38:对识别模态识别算法M1中的参数或识别模型进行调优或迭代,生成新的模态识别算法M2;
S39:把模态识别算法M2作为新的识别算法,即转到S31;
S4:个性化定制:根据不同模态识别算法对同类型设备的训练过程结果数据表和训练结果分析数据表按照地区、人员特征或固定设备进行二次多维度分析的基础上,结合诊疗者地区、人员特征以及固定设备实现个性化识别推荐,并在诊疗者诊疗或康复训练的数据积累过程中不断进行机器学习和迭代优化的基础上,训练其特定的模态识别算法,最终实现对诊疗者的个性化定制,具体的实现步骤如下:
S41:对训练过程结果数据表信息和训练结果分析汇总数据表信息按照地区、人员特征、固定设备多维度进行二次分析得出对应的模态识别算法优化度分析数据表,此为进行个性化模态识别算法推荐的数据基础;
S42:录入诊疗者地区、人员特征、训练设备多维度信息;
S43:系统根据S42的信息在S41的数据基础上进行匹配实现个性化模态识别算法的推荐;
S44:系统不断记录诊疗者的诊疗监视数据以及模态识别结果数据;
S45:依据机器学习与迭代优化部分的步骤,在该诊疗者康复训练的监视数据集上进行不断的机器学习和模态识别算法迭代优化;
S46:最终实现对具体某位诊疗者的个性化定制;
S5:云平台管理体系的搭建:包括如下六部分:管理人员管理、设备类型与数据结构管理、设备管理、模态识别算法管理、机器学习与迭代管理、个性定制管理。
2.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S1中,多模态数据结构的搭建根据对不同种类的康复诊疗设备自定义设置设备的属性信息、交互数据项、识别结果项参数信息后,在自动增加设备类型信息的同时建立设备类型对该类型设备系列数据存储的索引基础上,再自动生成该类型设备基础信息数据表、设备交互原始数据表、设备交互数据监视实时数据表、设备交互数据控制实时数据表、算法识别结果数据表的存储结构,同时建立设备交互数据监视历史数据表,为后续的机器学习奠定大数据基础。
3.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S3中,通过步骤S31到S39,完成了一次循环的模态识别算法的迭代优化,生成的新的模态识别算法M2再次作为初始算法M1进入S31,将开始第二次循环的迭代优化;在康复诊疗设备的不断使用过程中,实际使用数据也将快速不断积累,监视历史数据也随之不断快速增加,即训练数据集不断快速增大,模态识别算法也将被训练的更加优化;
在识别算法中允许设置程序自动进行参数的调优,并把最优识别准确度和对应的识别参数序列作为识别结果输出,实现识别算法的全自动调优。
4.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S5中的管理人员管理部分,负责建立基于超级管理员、地区管理员、机构管理员、康复理疗师以及广大理疗者的不同层级、类型的用户信息以及相互间的康复诊疗数据管理、模态识别算法管理、机器学习与个性定制管理关系,共包含七个层级十三大类的管理用户,既相对独立,又相互关联,各自拥有自己独立的管理后台和权限功能。
5.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S5中的管理人员管理部分,各层级管理员的功能以及具体的用户初始与管理关系如下:
超级管理员:负责平台的基本参数管理、用户管理、数据管理、模态识别算法管理、报告管理、角色权限的设定;超级管理员初始、管理超级权限管理员和地区管理员机构管理员;
地区管理员:包含省级管理员、地市级管理员、区县管理员三层级的管理员,负责自己管辖范围之内的基本参数管理、用户管理、数据管理、报告管理功能,地区管理员初始和管理本层级权限管理员和下层级的地区管理员、机构管理员、康复理疗师管理员;
机构管理员:负责本机构内的基本参数管理、用户管理、数据管理、训练报告管理功能,机构管理员初始和管理机构权限管理员、康复理疗师、理疗者管理员;
康复理疗师管理员:是本机构内的理疗师,或者是外聘的理疗专家;负责个人信息维护、用户管理、数据管理、训练报告管理功能,康复疗师管理员允许升级为康复理疗专家,开展跨机构诊疗服务;康复理疗师管理员初始、接收和管理理疗者;
理疗者管理员:由理疗患者或其家属担任,功能包括查看机构信息、康复理疗师信息、个人的训练数据信息、训练评估报告信息,并允许加入理疗机构、选择理疗师。
6.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S5中的设备类型与数据结构管理部分,负责通过添加设备类型、设定类型设备的相关参数,动态生成对该类型设备基础信息、交互数据信息、识别结果信息以及历史数据信息、训练结果信息进行存储的数据表结构,为整个云平台奠定数据存储基础。
7.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S5中的设备管理部分,在管理人员管理和设备类型与数据结构管理的基础上,建立的一个基于超级管理员、省地市区县地区管理员、机构管理员三层设备管理和康复理疗师、理疗者二层设备使用的机制,对设备进行管理和使用,同时通过设备基础信息数据表建立白名单制度,为与康复诊疗终端设备的数据交互奠定安全基础;平台在进行全国范围的推广使用,提供了对多类型多设备的进行高效管控的基础,具体的设备管理流程如下所示:
S51:超级管理员对不同类型的设备设置设备白名单,即在选择设备类型的前提下添加设备到设备基础信息数据表;
S52:地区管理员、机构管理员购买设备白名单内的设备,通过设备的唯一编码对设备进行检测其是否存在于设备白名单内,若存在,再次检测是否被同级管理员激活,未激活,则将激活,激活后的设备归自己和上级管理员管理,反之,不能激活;
S53:地区管理员查看自己管辖范围内所有设备的信息,以及其隶属机构、相关理疗者的训练数据信息;
S54:机构管理员查看本机构内所有设备的信息,以及相关理疗者的训练数据信息;
S55:康复理疗师、理疗者使用属于所隶属机构的设备,并开展康复诊疗活动。
8.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S5中的模态识别算法管理部分,负责对不同类型设备的多种模态识别算法进行管理,同时还设定具体某个识别算法为当前实时使用识别算法;为后续的机器学习、个性定制奠定数据基础。
9.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S5中的机器学习与迭代管理部分,负责系统中各种不同类型设备监视实时数据向监视历史数据的转移,即构建高质量的机器学习的训练数据集,同时下达指令对不同的模态识别算法实施训练,同时还对训练结果集进行分类汇总,实现对各模态识别算法的准确度和效率的评估,最终实现模态识别算法的迭代优化。
10.根据权利要求1所述的基于机器学习的多模态康复诊疗云平台的实现方法,其特征在于,所述步骤S5中的个性定制管理部分,负责根据理疗者基本信息的推荐适合的模态识别算法,并在该诊疗者诊疗或康复训练的数据积累过程中不断进行机器学习和迭代优化的基础上,训练其特定的模态识别算法,最终实现对诊疗者的个性化定制;同时,建立该理疗者与模态识别算法的关联关系以及关联历史,并对其进行管理和维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291194.5A CN113012821B (zh) | 2021-03-18 | 2021-03-18 | 基于机器学习的多模态康复诊疗云平台的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291194.5A CN113012821B (zh) | 2021-03-18 | 2021-03-18 | 基于机器学习的多模态康复诊疗云平台的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012821A CN113012821A (zh) | 2021-06-22 |
CN113012821B true CN113012821B (zh) | 2022-04-15 |
Family
ID=76409718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291194.5A Active CN113012821B (zh) | 2021-03-18 | 2021-03-18 | 基于机器学习的多模态康复诊疗云平台的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012821B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685391A (zh) * | 2019-01-09 | 2019-04-26 | 郭磊 | 一种多模态融合的智能网络平台及其实现方法 |
CN110974212A (zh) * | 2019-11-07 | 2020-04-10 | 曲阜师范大学 | 一种融合心电和肌电特征的康复训练运动状态监测方法及系统 |
CN111128352A (zh) * | 2019-12-20 | 2020-05-08 | 江苏瑞孚特物联网科技有限公司 | 基于医院一脸通多模态融合集成平台的医疗信息系统 |
CN111914925A (zh) * | 2020-07-28 | 2020-11-10 | 复旦大学 | 一种基于深度学习的患者行为多模态感知与分析系统 |
CN112349404A (zh) * | 2020-11-03 | 2021-02-09 | 中国人民解放军总医院 | 基于云-边-端架构的多中心医疗设备大数据云平台 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100088117A1 (en) * | 2008-10-02 | 2010-04-08 | Siemens Medical Solutions Usa, Inc. | Multi-Mode Medical Data Reporting System |
US20210343389A1 (en) * | 2018-09-07 | 2021-11-04 | Lucine | Systems and methods of pain treatment |
CN111539467A (zh) * | 2020-04-17 | 2020-08-14 | 北京工业大学 | 基于生成对抗网络为医疗影像数据集做数据增广的gan网络架构及方法 |
CN111882533A (zh) * | 2020-07-15 | 2020-11-03 | 山东省眼科研究所 | 决策模型诊断方法、装置及计算机可读存储介质 |
-
2021
- 2021-03-18 CN CN202110291194.5A patent/CN113012821B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685391A (zh) * | 2019-01-09 | 2019-04-26 | 郭磊 | 一种多模态融合的智能网络平台及其实现方法 |
CN110974212A (zh) * | 2019-11-07 | 2020-04-10 | 曲阜师范大学 | 一种融合心电和肌电特征的康复训练运动状态监测方法及系统 |
CN111128352A (zh) * | 2019-12-20 | 2020-05-08 | 江苏瑞孚特物联网科技有限公司 | 基于医院一脸通多模态融合集成平台的医疗信息系统 |
CN111914925A (zh) * | 2020-07-28 | 2020-11-10 | 复旦大学 | 一种基于深度学习的患者行为多模态感知与分析系统 |
CN112349404A (zh) * | 2020-11-03 | 2021-02-09 | 中国人民解放军总医院 | 基于云-边-端架构的多中心医疗设备大数据云平台 |
Non-Patent Citations (3)
Title |
---|
Research on Multi-Mode Medical Image Fusion Algorithm Based on Wavelet Transform and the Edge Characteristics of Images;Xiaoqing Zhang等;《2009 2nd International Congress on Image and Signal Processing》;20091030;第1-4页 * |
基于RBAC模型的医疗云平台的设计与实现;邓学剑等;《湖北民族大学学报(自然科学版)》;20200331;第38卷(第01期);第93-97页 * |
支持多模态医学数据融合的并行加载算法;翟霄等;《数据采集与处理》;20180731;第33卷(第04期);第758-768页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113012821A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021189971A1 (zh) | 基于知识图谱表征学习的医疗方案推荐系统及方法 | |
CN107196788A (zh) | 一种埋点数据的处理方法、装置、服务器及客户端 | |
CN107978311A (zh) | 一种语音数据处理方法、装置以及语音交互设备 | |
CN106202955A (zh) | 基于编码智能适配的诊断相关分组方法及系统 | |
CN108280115A (zh) | 识别用户关系的方法及装置 | |
CN108389606A (zh) | 一种电子病案首页的数据质量控制系统及其控制方法 | |
Giannakeas et al. | Estimating the maximum capacity of COVID-19 cases manageable per day given a health care system's constrained resources | |
CN109065185A (zh) | 一种面向患者快捷精准就医服务方法及系统 | |
WO2023029507A1 (zh) | 基于数据分析的服务分发方法、装置、设备及存储介质 | |
CN109065132A (zh) | 一种基于移动互联的医疗自助服务方法及系统 | |
CN109036532A (zh) | 一种诊疗引导线上便捷实现方法及系统 | |
CN109003663A (zh) | 一种医疗全程化智能服务方法及系统 | |
CN109036585A (zh) | 一种医疗在线平台构建服务方法及系统 | |
CN108538360A (zh) | 一种基于时序数据库的集群式健身管理系统及实现方法 | |
CN114417802A (zh) | 一种智能化报表生成系统 | |
CN115858886A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN115274078A (zh) | 一种医疗信息处理方法及装置 | |
CN113012821B (zh) | 基于机器学习的多模态康复诊疗云平台的实现方法 | |
CN113239985B (zh) | 一种面向分布式小规模医疗数据集的分类检测方法 | |
CN109903205A (zh) | 一种公开课智能推荐方法以及管理系统 | |
CN116662583B (zh) | 一种文本生成方法、地点检索方法及相关装置 | |
CN112862604A (zh) | 卡证发行机构的信息处理方法、装置、设备及存储介质 | |
CN108830540A (zh) | 工程项目档案的处理方法、装置和系统 | |
CN115510074B (zh) | 基于一张表的分布式数据管理及应用系统 | |
CN109087716A (zh) | 一种基于移动互联网医患交互方法及系统 |
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 |