CN114171146A - 智能医疗监控方法、系统和可读存储介质 - Google Patents
智能医疗监控方法、系统和可读存储介质 Download PDFInfo
- Publication number
- CN114171146A CN114171146A CN202111404251.2A CN202111404251A CN114171146A CN 114171146 A CN114171146 A CN 114171146A CN 202111404251 A CN202111404251 A CN 202111404251A CN 114171146 A CN114171146 A CN 114171146A
- Authority
- CN
- China
- Prior art keywords
- target
- visit
- monitoring data
- acquiring
- hospital
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 17
- 208000035473 Communicable disease Diseases 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 29
- 208000015181 infectious disease Diseases 0.000 claims description 26
- 208000031662 Noncommunicable disease Diseases 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 16
- 238000002474 experimental method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 abstract description 15
- 208000024891 symptom Diseases 0.000 abstract description 3
- 230000035484 reaction time Effects 0.000 description 8
- 230000002265 prevention Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 241000700605 Viruses Species 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009429 distress Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000000172 allergic effect Effects 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 208000010668 atopic eczema Diseases 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Accommodation For Nursing Or Treatment Tables (AREA)
Abstract
本发明公开的一种智能医疗监控方法、系统和可读存储介质，其中方法包括：获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令；建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及出诊算法以输出目标出诊单并发送给所述医院端；待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表。本发明通过获取家庭端的监控内容，可以在病人发病进行有效识别，并上传给对应的医院端，同时通过医院端的监控内容可以监督医护人员的出诊情况，还可以根据病人不同的症状或者不同的需求对应指派不同的医生或者医院，提升就诊效率以及病患满意度。
Description
技术领域
本发明涉及智能医疗技术领域，更具体的，涉及一种智能医疗监控方法、系统和可读存储介质。
背景技术
智慧医疗由三部分组成，分别为智慧医院系统、区域卫生系统、以及家庭健康系统，具有协作、互联、预防、普及、创新以及可靠的特点。
智慧医疗需要根据患者病理特征对医护人员的系统操作进行全流程实时审核，以减少医疗差错及医疗事故的发生，如患者出现相对的危机值时，系统可发出即时提醒或远程报警，也可避免医生在开药时出现配伍禁忌等现象和避免使用患者过敏性药物，还可实施各级医生权限控制，避免抗生素的滥用等现象，使整个治疗过程安全可靠，因此可以通过利用监控对医护人员以及患病家庭进行目标获取，降低事故的发生。
发明内容
鉴于上述问题，本发明的目的是提供一种智能医疗监控方法、系统和可读存储介质，能够通过识别监控内容实现医疗的智能化、并且可以根据大数据或者病人的喜好进行分析，指派对应需求的医生或者医院。
本发明第一方面提供了一种智能医疗监控方法，包括以下步骤：
获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令；
建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端；
待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表。
本方案中，所述获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令，具体为：
识别所述家庭端监控下的病人疾病信息，其中，所述疾病分为传染病与非传染病；
识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令；
判断传染病家庭端的所述监控数据中的人员数量，并判断与预设的人数限定值的大小，其中，若所述传染病家庭端的监控数据中的人员数量高于所述人数限定值，则提取每个人员的人脸信息，并输出告警提醒指令。
本方案中，所述识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令，具体为：
获取所述家庭端监控数据，提取运动信息以及病人的属性信息；
基于所述运动信息识别所述监控数据中的人形物体及其运动轨迹作为实验数据包，其中，所述运动轨迹包括人体运动轨迹以及手势轨迹；
将所述实验数据包输入到训练好的识别神经网络模型中，得到模拟输出值；
基于所述模拟输出值分析进而输出对应的所述目标指令。
本方案中，所述识别神经网络模型训练方法为：
获取历史监控数据中的人形物体及其运动轨迹；
将所述监控数据中的人形物体及其运动轨迹进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
本方案中，所述建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端，具体为：
获取所述医院端的当班医护名单与急救名单作为所述当班出诊数据库；
调用所述当班出诊数据库作为数据基底，提取所述目标指令的内容，结合预设的所述出诊算法进行计算以输出所述目标出诊单，并将所述目标出诊单发送给所述医院端。
本方案中，所述待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表，具体为：
获取对应所述医院端的监控数据，获取出诊时间，进而得到所述出诊响应时间值；
比较所述出诊响应时间值与所述预设的动态时间阈值的大小以更新出诊记录表，其中，当所述出诊响应时间值高于所述动态时间阈值时，作超时记录以更新所述出诊记录表，否则不作更新。
本发明第二方面还提供一种智能医疗监控系统，包括存储器和处理器，所述存储器中包括智能医疗监控方法程序，所述智能医疗监控方法程序被所述处理器执行时实现如下步骤：
获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令；
建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端；
待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表。
本方案中，所述获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令，具体为：
识别所述家庭端监控下的病人疾病信息，其中，所述疾病分为传染病与非传染病；
识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令；
判断传染病家庭端的所述监控数据中的人员数量，并判断与预设的人数限定值的大小，其中，若所述传染病家庭端的监控数据中的人员数量高于所述人数限定值，则提取每个人员的人脸信息，并输出告警提醒指令。
本方案中，所述识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令，具体为：
获取所述家庭端监控数据，提取运动信息以及病人的属性信息；
基于所述运动信息识别所述监控数据中的人形物体及其运动轨迹作为实验数据包，其中，所述运动轨迹包括人体运动轨迹以及手势轨迹；
将所述实验数据包输入到训练好的识别神经网络模型中，得到模拟输出值；
基于所述模拟输出值分析进而输出对应的所述目标指令。
本方案中，所述识别神经网络模型训练方法为：
获取历史监控数据中的人形物体及其运动轨迹；
将所述监控数据中的人形物体及其运动轨迹进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
本方案中，所述建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端，具体为：
获取所述医院端的当班医护名单与急救名单作为所述当班出诊数据库；
调用所述当班出诊数据库作为数据基底，提取所述目标指令的内容，结合预设的所述出诊算法进行计算以输出所述目标出诊单，并将所述目标出诊单发送给所述医院端。
本方案中，所述待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表，具体为：
获取对应所述医院端的监控数据，获取出诊时间，进而得到所述出诊响应时间值；
比较所述出诊响应时间值与所述预设的动态时间阈值的大小以更新出诊记录表，其中，当所述出诊响应时间值高于所述动态时间阈值时，作超时记录以更新所述出诊记录表，否则不作更新。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种智能医疗监控方法程序，所述智能医疗监控方法程序被处理器执行时，实现如上述任一项所述的一种智能医疗监控方法的步骤。
本发明公开的一种智能医疗监控方法、系统和可读存储介质，通过获取家庭端的监控内容，可以在病人发病进行有效识别，并上传给对应的医院端，同时通过医院端的监控内容可以监督医护人员的出诊情况，还可以根据病人不同的症状或者不同的需求对应指派不同的医生或者医院，提升就诊效率以及病患满意度。
附图说明
图1示出了本发明一种智能医疗监控方法的流程图；
图2示出了本发明一种智能医疗监控系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本申请一种智能医疗监控方法的流程图。
如图1所示，本申请公开了一种智能医疗监控方法，包括以下步骤：
S102，获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令；
S104，建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端；
S106，待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表。
需要说明的是，通过所述家庭端监控数据可以识别病患的动作或者手势特征，以便在危急时刻可以第一时间判断出病患当前的求救信号，获取到病患有出诊需要时，根据病患的需要以及个人喜好可以输出出诊数据单发送给对应的所述医院端，以使得所述医院端能够匹配病人的需要进行出诊，并且可以通过所述医院端的监控数据识别出诊的响应时间值，以更新所述出诊记录表，判断医护人员的工作积极性与出诊态度。
根据本发明实施例，所述获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令，具体为：
识别所述家庭端监控下的病人疾病信息，其中，所述疾病分为传染病与非传染病；
识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令；
判断传染病家庭端的所述监控数据中的人员数量，并判断与预设的人数限定值的大小，其中，若所述传染病家庭端的监控数据中的人员数量高于所述人数限定值，则提取每个人员的人脸信息，并输出告警提醒指令。
需要说明的是，人类疾病分为多种，按照传染学来分类，分为传染病与非传染病，由于疫情风波的延续，加上防疫人员的工作疲劳以及防范未果的病毒变异，防疫任务依旧艰巨，因此针对于传染病家庭端的监控来说，需要识别所述监控数据中的人员数量，以判断该传染病病毒暴露的人员数量，其中，所述人数限定值为动态值，根据所述传染病家庭的感染人数而定，例如，该家庭传染人数为“3”人，则设置对应的所述人数限定值为“3”，值得一提的是，针对统一集中隔壁的病房或者酒店，为了防止人员串门，同样适用于本方法的监控数据识别，当识别出所述传染病家庭端的监控数据中的人员数量高于所述人数限定值，则对多出的人员进行人脸信息提取，组合成数据包输出告警提醒指令，以便后端及时处理。
更进一步地，对于非传染病的家庭来说，无需限制多人流动，但是对于病患的就诊需要同样可以根据识别监控数据的内容进行对应的获取，识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令，例如，有病患家属向监控器挥舞双手三次以上，即代表病患需要紧急救援，此时输出对应的急救指令，可以争取最大的救援时间。
根据本发明实施例，所述识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令，具体为：
获取所述家庭端监控数据，提取运动信息以及病人的属性信息；
基于所述运动信息识别所述监控数据中的人形物体及其运动轨迹作为实验数据包，其中，所述运动轨迹包括人体运动轨迹以及手势轨迹；
将所述实验数据包输入到训练好的识别神经网络模型中，得到模拟输出值；
基于所述模拟输出值分析进而输出对应的所述目标指令。
需要说明的是，对于病人肢体动作的识别，可以利用神经网络模型进行识别，识别结果更准确，效率更高，首先根据所述监控数据，提取所述运动信息以及所述病人的属性信息，然后通过所述运动信息识别出人形物体及其运动轨迹作为神经网络输入的所述实验数据包，输入到训练好的识别神经网络模型中，得到模拟输出值，基于所述模拟输出值分析进而输出对应的所述目标指令。
值得一提的是，所述运动轨迹包括人体运动轨迹以及手势轨迹，其中，识别人体运动轨迹可以针对病患独自在家不慎摔倒后，自动识别跌倒情况，以在摔倒的第一时间进行生成对应的所述目标指令；识别手势轨迹即为对应的出诊手势，举例来说，双手交叉经由所述识别神经网络模型识别后，可以得出为暂不需要出诊。
根据本发明实施例，所述识别神经网络模型训练方法为：
获取历史监控数据中的人形物体及其运动轨迹；
将所述监控数据中的人形物体及其运动轨迹进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
需要说明的是，识别神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的识别神经网络模型可以通过历史监控数据中的人形物体及其运动轨迹作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史监控数据中的人形物体及其运动轨迹进行训练，还需要结合确定的出诊原因进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得识别神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为90%。
根据本发明实施例，所述建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端，具体为：
获取所述医院端的当班医护名单与急救名单作为所述当班出诊数据库；
调用所述当班出诊数据库作为数据基底，提取所述目标指令的内容，结合预设的所述出诊算法进行计算以输出所述目标出诊单，并将所述目标出诊单发送给所述医院端。
需要说明的是，所述出诊算法为“一个主治医生+至少一个随同护士”的规则进行计算，所述目标指令为“病患摔倒”，那么可以匹配一个主治医生以及一个随同护士作为目标出诊单发送给所述医院端。
根据本发明实施例，所述待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表，具体为：
获取对应所述医院端的监控数据，获取出诊时间，进而得到所述出诊响应时间值；
比较所述出诊响应时间值与所述预设的动态时间阈值的大小以更新出诊记录表，其中，当所述出诊响应时间值高于所述动态时间阈值时，作超时记录以更新所述出诊记录表，否则不作更新。
需要说明的是，计算指令下达时间与所述出诊时间的差值以得到所述出诊响应时间值，判断所述出诊响应时间值与所述预设的动态阈值的大小，其中，所述动态阈值的计算公式如下：
需要说明的是，
为所述动态阈值，
为所述当前医院的标准出诊时间，
为
当前诊室的平均就诊时间，
为科室反应时间，
为人均反应时间，
为出诊人数，
为给定系数，当所述出诊响应时间值高于所述动态时间阈值时，作超时记录以更新
所述出诊记录表，否则不作更新。
值得一提的是，所述方法还包括根据分析病患大数据建立所述医院端的通信连接，具体为：
基于大数据分析，获取病患的就诊喜好以及就诊习惯；
根据所述病患的就诊喜好以及就诊习惯识别目标医院；
建立与所述目标医院的通信连接，并发送目标出诊单。
需要说明的是，对于不同的病患，有着不同的就诊习惯，因此需要根据大数据分析出该病患的就诊喜好、就诊路径以及就诊习惯识别出所述病患常去的各大医院，并对医院次数进行降序排列，将排在首位的医院作为所述目标医院，发送所述目标出诊单，以使得病患就诊可以更放心，减轻病患及其家属的心理压力。
图2示出了本发明一种智能医疗监控系统的框图。
如图2所示，本发明公开了一种智能医疗监控系统，包括存储器和处理器，所述存储器中包括智能医疗监控方法程序，所述智能医疗监控方法程序被所述处理器执行时实现如下步骤：
获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令；
建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端；
待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表。
需要说明的是，通过所述家庭端监控数据可以识别病患的动作或者手势特征，以便在危急时刻可以第一时间判断出病患当前的求救信号，获取到病患有出诊需要时，根据病患的需要以及个人喜好可以输出出诊数据单发送给对应的所述医院端，以使得所述医院端能够匹配病人的需要进行出诊，并且可以通过所述医院端的监控数据识别出诊的响应时间值，以更新所述出诊记录表，判断医护人员的工作积极性与出诊态度。
根据本发明实施例，所述获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令，具体为：
识别所述家庭端监控下的病人疾病信息，其中，所述疾病分为传染病与非传染病；
识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令；
判断传染病家庭端的所述监控数据中的人员数量，并判断与预设的人数限定值的大小，其中，若所述传染病家庭端的监控数据中的人员数量高于所述人数限定值，则提取每个人员的人脸信息，并输出告警提醒指令。
需要说明的是，人类疾病分为多种，按照传染学来分类，分为传染病与非传染病，由于疫情风波的延续，加上防疫人员的工作疲劳以及防范未果的病毒变异，防疫任务依旧艰巨，因此针对于传染病家庭端的监控来说，需要识别所述监控数据中的人员数量，以判断该传染病病毒暴露的人员数量，其中，所述人数限定值为动态值，根据所述传染病家庭的感染人数而定，例如，该家庭传染人数为“3”人，则设置对应的所述人数限定值为“3”，值得一提的是，针对统一集中隔壁的病房或者酒店，为了防止人员串门，同样适用于本方法的监控数据识别，当识别出所述传染病家庭端的监控数据中的人员数量高于所述人数限定值，则对多出的人员进行人脸信息提取，组合成数据包输出告警提醒指令，以便后端及时处理。
更进一步地，对于非传染病的家庭来说，无需限制多人流动，但是对于病患的就诊需要同样可以根据识别监控数据的内容进行对应的获取，识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令，例如，有病患家属向监控器挥舞双手三次以上，即代表病患需要紧急救援，此时输出对应的急救指令，可以争取最大的救援时间。
根据本发明实施例，所述识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令，具体为：
获取所述家庭端监控数据，提取运动信息以及病人的属性信息；
基于所述运动信息识别所述监控数据中的人形物体及其运动轨迹作为实验数据包，其中，所述运动轨迹包括人体运动轨迹以及手势轨迹；
将所述实验数据包输入到训练好的识别神经网络模型中，得到模拟输出值；
基于所述模拟输出值分析进而输出对应的所述目标指令。
需要说明的是，对于病人肢体动作的识别，可以利用神经网络模型进行识别，识别结果更准确，效率更高，首先根据所述监控数据，提取所述运动信息以及所述病人的属性信息，然后通过所述运动信息识别出人形物体及其运动轨迹作为神经网络输入的所述实验数据包，输入到训练好的识别神经网络模型中，得到模拟输出值，基于所述模拟输出值分析进而输出对应的所述目标指令。
值得一提的是，所述运动轨迹包括人体运动轨迹以及手势轨迹，其中，识别人体运动轨迹可以针对病患独自在家不慎摔倒后，自动识别跌倒情况，以在摔倒的第一时间进行生成对应的所述目标指令；识别手势轨迹即为对应的出诊手势，举例来说，双手交叉经由所述识别神经网络模型识别后，可以得出为暂不需要出诊。
根据本发明实施例，所述识别神经网络模型训练方法为：
获取历史监控数据中的人形物体及其运动轨迹；
将所述监控数据中的人形物体及其运动轨迹进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
需要说明的是，识别神经网络模型需要大量的历史数据进行训练，数据量越大，则结果越准确，本申请中的识别神经网络模型可以通过历史监控数据中的人形物体及其运动轨迹作为输入进行训练，当然，在进行神经网络模型训练时，不仅要通过历史监控数据中的人形物体及其运动轨迹进行训练，还需要结合确定的出诊原因进行训练，通过大量试验数据与真实数据比对，得到的结果也会更加准确，进而使得识别神经网络的输出结果更加准确。优选地，所述准确率阈值一般设置为90%。
根据本发明实施例，所述建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端，具体为：
获取所述医院端的当班医护名单与急救名单作为所述当班出诊数据库；
调用所述当班出诊数据库作为数据基底，提取所述目标指令的内容，结合预设的所述出诊算法进行计算以输出所述目标出诊单，并将所述目标出诊单发送给所述医院端。
需要说明的是，所述出诊算法为“一个主治医生+至少一个随同护士”的规则进行计算，所述目标指令为“病患摔倒”，那么可以匹配一个主治医生以及一个随同护士作为目标出诊单发送给所述医院端。
根据本发明实施例，所述待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表，具体为：
获取对应所述医院端的监控数据，获取出诊时间，进而得到所述出诊响应时间值；
比较所述出诊响应时间值与所述预设的动态时间阈值的大小以更新出诊记录表，其中，当所述出诊响应时间值高于所述动态时间阈值时，作超时记录以更新所述出诊记录表，否则不作更新。
需要说明的是，计算指令下达时间与所述出诊时间的差值以得到所述出诊响应时间值，判断所述出诊响应时间值与所述预设的动态阈值的大小，其中，所述动态阈值的计算公式如下：
需要说明的是，
为所述动态阈值，
为所述当前医院的标准出诊时间，
为
当前诊室的平均就诊时间，
为科室反应时间，
为人均反应时间，
为出诊人数，
为给定系数，当所述出诊响应时间值高于所述动态时间阈值时，作超时记录以更新
所述出诊记录表，否则不作更新。
值得一提的是，所述方法还包括根据分析病患大数据建立所述医院端的通信连接，具体为：
基于大数据分析，获取病患的就诊喜好以及就诊习惯；
根据所述病患的就诊喜好以及就诊习惯识别目标医院；
建立与所述目标医院的通信连接，并发送目标出诊单。
需要说明的是，对于不同的病患，有着不同的就诊习惯，因此需要根据大数据分析出该病患的就诊喜好、就诊路径以及就诊习惯识别出所述病患常去的各大医院，并对医院次数进行降序排列，将排在首位的医院作为所述目标医院，发送所述目标出诊单，以使得病患就诊可以更放心，减轻病患及其家属的心理压力。
本发明第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质中包括机器的一种智能医疗监控方法程序，所述智能医疗监控方法程序被处理器执行时，实现如上述任一项所述的一种智能医疗监控方法的步骤。
本发明公开的一种智能医疗监控方法、系统和可读存储介质，通过获取家庭端的监控内容，可以在病人发病进行有效识别，并上传给对应的医院端，同时通过医院端的监控内容可以监督医护人员的出诊情况，还可以根据病人不同的症状或者不同的需求对应指派不同的医生或者医院，提升就诊效率以及病患满意度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种智能医疗监控方法，其特征在于，包括以下步骤：
获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令；
建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端；
待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表。
2.根据权利要求1所述的一种智能医疗监控方法，其特征在于，所述获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令，具体为：
识别所述家庭端监控下的病人疾病信息，其中，所述疾病分为传染病与非传染病；
识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令；
判断传染病家庭端的所述监控数据中的人员数量，并判断与预设的人数限定值的大小，其中，若所述传染病家庭端的监控数据中的人员数量高于所述人数限定值，则提取每个人员的人脸信息，并输出告警提醒指令。
3.根据权利要求2所述的一种智能医疗监控方法，其特征在于，所述识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令，具体为：
获取所述家庭端监控数据，提取运动信息以及病人的属性信息；
基于所述运动信息识别所述监控数据中的人形物体及其运动轨迹作为实验数据包，其中，所述运动轨迹包括人体运动轨迹以及手势轨迹；
将所述实验数据包输入到训练好的识别神经网络模型中，得到模拟输出值；
基于所述模拟输出值分析进而输出对应的所述目标指令。
4.根据权利要求3所述的一种智能医疗监控方法，其特征在于，所述识别神经网络模型训练方法为：
获取历史监控数据中的人形物体及其运动轨迹；
将所述监控数据中的人形物体及其运动轨迹进行预处理，得到训练样本集；
将所述训练样本集输入至初始化的所述识别神经网络模型中训练；
获取输出结果的准确率；
若所述准确率大于预设的准确率阈值，则停止训练，得到所述识别神经网络模型。
5.根据权利要求1所述的一种智能医疗监控方法，其特征在于，所述建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法调用所述当班出诊数据库以输出目标出诊单，并发送给所述医院端，具体为：
获取所述医院端的当班医护名单与急救名单作为所述当班出诊数据库；
调用所述当班出诊数据库作为数据基底，提取所述目标指令的内容，结合预设的所述出诊算法进行计算以输出所述目标出诊单，并将所述目标出诊单发送给所述医院端。
6.根据权利要求1所述的一种智能医疗监控方法，其特征在于，所述待所述目标出诊单发送给所述医院端后，获取对应所述医院端的监控数据，识别出诊响应时间值，判断与预设动态时间阈值的大小进而更新出诊记录表，具体为：
获取对应所述医院端的监控数据，获取出诊时间，进而得到所述出诊响应时间值；
比较所述出诊响应时间值与所述预设的动态时间阈值的大小以更新出诊记录表，其中，当所述出诊响应时间值高于所述动态时间阈值时，作超时记录以更新所述出诊记录表，否则不作更新。
7.一种智能医疗监控系统，其特征在于，包括存储器和处理器，所述存储器中包括智能医疗监控方法程序，所述智能医疗监控方法程序被所述处理器执行时实现如下步骤：
获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令；
建立与医院端的信息连接以获取当班出诊数据库，基于所述目标指令以及预设的出诊算法输出目标出诊单，并发送给所述医院端；
待所述目标出诊单发送给所述医院端后，获取对应医院端的监控数据，识别出诊响应时间值，判断与预设时间阈值的大小进而更新出诊记录表。
8.根据权利要求7所述的一种智能医疗监控系统，其特征在于，所述获取家庭端监控数据以识别目标特征，并根据识别结果输出目标指令，具体为：
识别所述家庭端监控下的病人疾病信息，其中，所述疾病分为传染病与非传染病；
识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令；
判断传染病家庭端的所述监控数据中的人员数量，并判断与预设的人数限定值的大小，其中，若所述传染病家庭端的监控数据中的人员数量高于所述人数限定值，则提取每个人员的人脸信息，并输出告警提醒指令。
9.根据权利要求8所述的一种智能医疗监控系统，其特征在于，所述识别所述非传染病家庭端的所述监控数据中的病人肢体动作，以输出对应的所述指令，具体为：
获取所述家庭端监控数据，提取运动信息以及病人的属性信息；
基于所述运动信息识别所述监控数据中的人形物体及其运动轨迹作为实验数据包，其中，所述运动轨迹包括人体运动轨迹以及手势轨迹；
将所述实验数据包输入到训练好的识别神经网络模型中，得到模拟输出值；
基于所述模拟输出值分析进而输出对应的所述目标指令。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包括一种智能医疗监控方法程序，所述智能医疗监控方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种智能医疗监控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111404251.2A CN114171146B (zh) | 2021-11-24 | 2021-11-24 | 智能医疗监控方法、系统和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111404251.2A CN114171146B (zh) | 2021-11-24 | 2021-11-24 | 智能医疗监控方法、系统和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114171146A true CN114171146A (zh) | 2022-03-11 |
| CN114171146B CN114171146B (zh) | 2023-11-14 |
Family
ID=80480413
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111404251.2A Active CN114171146B (zh) | 2021-11-24 | 2021-11-24 | 智能医疗监控方法、系统和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114171146B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1291749A (zh) * | 2000-11-16 | 2001-04-18 | 上海交通大学 | 家庭远程医疗监护和咨询智能系统 |
| US20120065987A1 (en) * | 2010-09-09 | 2012-03-15 | Siemens Medical Solutions Usa, Inc. | Computer-Based Patient Management for Healthcare |
| JP2014229245A (ja) * | 2013-05-27 | 2014-12-08 | 日本電気通信システム株式会社 | 往診状況確認支援装置及び往診状況確認支援方法 |
| CN105011930A (zh) * | 2015-08-24 | 2015-11-04 | 江苏英特立康智能科技有限公司 | 一种实时心脏监控、报警及救援系统及方法 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| CN109872823A (zh) * | 2019-02-01 | 2019-06-11 | 北京倍肯恒业科技发展股份有限公司 | 一种医疗急救方法和装置 |
| CN112652385A (zh) * | 2020-09-30 | 2021-04-13 | 四川互慧软件有限公司 | 一种医院院前与院内快速联动的系统及流程 |
-
2021
- 2021-11-24 CN CN202111404251.2A patent/CN114171146B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1291749A (zh) * | 2000-11-16 | 2001-04-18 | 上海交通大学 | 家庭远程医疗监护和咨询智能系统 |
| US20120065987A1 (en) * | 2010-09-09 | 2012-03-15 | Siemens Medical Solutions Usa, Inc. | Computer-Based Patient Management for Healthcare |
| JP2014229245A (ja) * | 2013-05-27 | 2014-12-08 | 日本電気通信システム株式会社 | 往診状況確認支援装置及び往診状況確認支援方法 |
| CN105011930A (zh) * | 2015-08-24 | 2015-11-04 | 江苏英特立康智能科技有限公司 | 一种实时心脏监控、报警及救援系统及方法 |
| CN109545385A (zh) * | 2018-11-30 | 2019-03-29 | 周立广 | 一种基于物联网的医疗大数据分析处理系统及其方法 |
| CN109872823A (zh) * | 2019-02-01 | 2019-06-11 | 北京倍肯恒业科技发展股份有限公司 | 一种医疗急救方法和装置 |
| CN112652385A (zh) * | 2020-09-30 | 2021-04-13 | 四川互慧软件有限公司 | 一种医院院前与院内快速联动的系统及流程 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114171146B (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105260588B (zh) | 一种健康守护机器人系统及其数据处理方法 | |
| JP2019016235A (ja) | 疾病発症予測装置、疾病発症予測方法およびプログラム | |
| CN108027698A (zh) | 用于分析医疗保健数据的系统和方法 | |
| CN110827994B (zh) | 心梗预警方法、装置及设备、存储介质 | |
| CN111524608A (zh) | 智能检测与防疫系统和方法 | |
| CN111667927A (zh) | 一种ZigBee网络智能医疗系统及其采集节点组网方法 | |
| CN116895372B (zh) | 一种基于大规模语言模型与元学习的智能急救分级系统 | |
| CN111613291A (zh) | 一种药物管理、分类、医护人员与患者关联系统 | |
| CN111667915A (zh) | 一种具有疾病推理的智能医疗系统及其诊断方法 | |
| KR20220095104A (ko) | 빅데이터 및 클라우드 시스템 기반 인공지능 응급의료 의사결정 및 응급환자 이송 시스템과 그 방법 | |
| CN111008269A (zh) | 数据处理方法及装置、存储介质及电子终端 | |
| CN115376648A (zh) | 一种智能处方生成装置和智能处方生成系统 | |
| WO2023097780A1 (zh) | 机械通气过程中人机异步现象的分类方法和分类装置 | |
| Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
| US10431339B1 (en) | Method and system for determining relevant patient information | |
| CN114171146B (zh) | 智能医疗监控方法、系统和可读存储介质 | |
| KR20170126612A (ko) | IoT 건강 컨텍스트 기반 질병 진단 시스템 | |
| US11342076B1 (en) | Monitoring patient's health | |
| CN113470825B (zh) | 一种静脉血栓栓塞预测系统、方法、设备及介质 | |
| CN114864094A (zh) | 重症监护室智能控制方法、设备及介质 | |
| CN112828911B (zh) | 一种基于物联网的医疗陪护机器人系统 | |
| CN110974216B (zh) | 一种无线心电监护传感器的遥控系统 | |
| Wei et al. | Epidemic Guard: A COVID-19 detection system for elderly people | |
| EP3817005A1 (en) | System for infection diagnosis | |
| CN111844057A (zh) | 一种家庭智能医疗机器人及其系统 |
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 |