CN114550860A - 一种基于流程数据与智能网络模型的就医满意度评估方法 - Google Patents

一种基于流程数据与智能网络模型的就医满意度评估方法 Download PDF

Info

Publication number
CN114550860A
CN114550860A CN202210106339.4A CN202210106339A CN114550860A CN 114550860 A CN114550860 A CN 114550860A CN 202210106339 A CN202210106339 A CN 202210106339A CN 114550860 A CN114550860 A CN 114550860A
Authority
CN
China
Prior art keywords
data
model
hospitalizing
layer
network model
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
Application number
CN202210106339.4A
Other languages
English (en)
Other versions
CN114550860B (zh
Inventor
王亚军
顾斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Medical Center of PLA General Hospital
Original Assignee
First Medical Center of PLA General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by First Medical Center of PLA General Hospital filed Critical First Medical Center of PLA General Hospital
Priority to CN202210106339.4A priority Critical patent/CN114550860B/zh
Publication of CN114550860A publication Critical patent/CN114550860A/zh
Application granted granted Critical
Publication of CN114550860B publication Critical patent/CN114550860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于流程数据与智能网络模型的就医满意度评估方法，包括以下步骤：步骤一：神经网络学习模型训练；步骤二：采集就医流程关键节点的数据，并对其进行分；步骤三：就医状态评估。本发明利用医院信息化基础设施的各个节点采集进行评估所需的真实物理世界的客观数据，并对就医流程所包含的各类数据进行汇总、分类、评估，能够有效且客观的实现对患者就医满意度的评估，仅在建模样本训练时需要一定的患者手动输入，在模型建立完毕后，实际使用时并不需要用户手动输入，通过在就医流程的关键节点（如挂号、缴费等）捕捉患者的表情，由设计了专门的算法自主判断患者在当时的心理状态。

Description

一种基于流程数据与智能网络模型的就医满意度评估方法
技术领域
本发明属于大数据和人工智能技术领域，特别是涉及一种基于流程数据与智能网络模型的就医满意度评估方法。
背景技术
伴随着人工智能、大数据技术的快速发展，智慧算法在医院、医疗诊断方面取得了越来越广泛的应用，扮演了越来越重要的角色。其中患者就医状态是医患交流的重要环节，能够有效的评价诊疗的效果，从而提升医院医疗水平和服务品质。现有的测试评价系统大多通过用户评分和文字评论实现患者就医状态、满意度的采集和评估，评估结果高度依赖用户的主观看法与行为，存在评价不精准，评价不及时，评价不科学等问题，且给患者带来较大填写负担，影响患者就医过程。
现有技术中也提出了使用一些数据处理的方法进行采集和处理，但这些方法虽然采集了一些客观数据，但仍有一些数据需要患者人工参与，数据的客观性无法保证，即依然没有解决上述多个问题。
现有技术中也提出了使用神经网络或机器学习的方法处理数据，但通常这些模型都是使用通用神经网络模型，并未针对独特的数据进行优化，特别是没有恰当的衡量表征数据的维度，维度过大导致运算缓慢，过小又无法准确判断，从而导致评价的结果不准确，或模型过于复杂，使得整个系统占用资源较多。
伴随着大数据，人工智能技术的应用普及，以及中大型医院信息化建设的大发展，医院信息化基础设施逐渐完善，为实现新的就医状态评估方法与手段提供了可行性。
因此，目前急需一种适用于能够在真实使用时，通过客观数据即可对患者就医状态进行准确评估的、占资源较少、运算速度快的专用方法。
发明内容
为了克服上述问题，本发明提供了一种基于流程数据与智能网络模型的就医满意度评估方法。
本发明所采用的技术方案是：
一种基于流程数据与智能网络模型的就医满意度评估方法，包括以下步骤：
步骤一：神经网络学习模型训练：
步骤1.1：在就医流程的每个关键节点，通过两台摄像机分别拍摄患者面部的图像，即正面图像和侧面图像；其中一台摄像机采集到的图像标记为基准图像，另一台摄像机采集到的图像标记为参考图像；
步骤1.2：根据步骤1.1采集到关于不同患者的若干组图像，作为表情的训练样本，输入给到神经网络学习模型
Figure 784578DEST_PATH_IMAGE001
中，并对该模型进行训练；
模型
Figure 751135DEST_PATH_IMAGE002
包含一个输入层、五个隐藏层和一个输出层，隐藏层的第一层到第三层负责提取粗、细两个尺度上患者面部图像的卷积特征；隐藏层的第四层建立基准图像与参考图像的融合模型，将两个通道的图像数据映射到64维的特征向量上，用于抽取表情特征；隐藏层的第五层建立表情特征的全连接网络，用于对表情特征与心理状态的映射关系进行学习、建模；
其中，模型的激励函数为：
Figure 566644DEST_PATH_IMAGE003
；
度量神经网络优化误差损失的代价函数为：
Figure 385696DEST_PATH_IMAGE004
；
式中：
Figure 210432DEST_PATH_IMAGE005
表示分类的真实值，
Figure 798540DEST_PATH_IMAGE006
表示神经网络模型对输入进行分类的估计值；
步骤二：采集就医流程关键节点的数据，并对其进行分类：
采集的数据包括时序数据、表情特征数据、就诊数据三类；
时序数据
Figure 519371DEST_PATH_IMAGE007
的采集，由医生确认或自助机自动生成相应流程节点完成的时间，并计算出时长间隔；
表情特征数据
Figure 825718DEST_PATH_IMAGE008
的采集，将在关键节点采集到患者的面部图像输入训练完毕的神经网络模型
Figure 922987DEST_PATH_IMAGE009
，计算模型
Figure 504883DEST_PATH_IMAGE010
隐藏层第五层的输出，记为表情特征数据；
就诊数据
Figure 711130DEST_PATH_IMAGE011
的采集，由现有诊疗系统将就诊数据导入；
步骤三：就医状态评估：
步骤3.1：建立基于朴素的就医状态评估模型；
步骤3.2：使用就医状态评估模型进行评估；
在建立模型和评估前均对关键节点的数据进行归一化，具体方法如下：
对
Figure 504774DEST_PATH_IMAGE007
包含的K-1个时序数据分量，设原分量为
Figure 766253DEST_PATH_IMAGE012
、
Figure 860111DEST_PATH_IMAGE013
、…、
Figure 759629DEST_PATH_IMAGE014
，则归一化后
Figure 742366DEST_PATH_IMAGE015
每个分量为：
Figure 853541DEST_PATH_IMAGE016
；
对表情特征数据
Figure 536327DEST_PATH_IMAGE017
的64个分量，设原分量分别为
Figure 35441DEST_PATH_IMAGE018
、
Figure 305142DEST_PATH_IMAGE019
、…、
Figure 547904DEST_PATH_IMAGE020
，则归一化后的向量
Figure 819617DEST_PATH_IMAGE021
的分量为：
Figure 489632DEST_PATH_IMAGE022
；
对就诊数据
Figure 479585DEST_PATH_IMAGE023
包括的多个就诊数据分量
Figure 401405DEST_PATH_IMAGE024
保持不变。
进一步地，正面图像和侧面图像的观察夹角不大于预先设定的角度
Figure 917837DEST_PATH_IMAGE025
。
更进一步地，
Figure 398234DEST_PATH_IMAGE026
满足
Figure 919825DEST_PATH_IMAGE027
。
其中，激励函数中，
Figure 442074DEST_PATH_IMAGE028
，
Figure 953957DEST_PATH_IMAGE029
。
其中，代价函数中
Figure 608186DEST_PATH_IMAGE030
=0.95。
其中，进行模型训练时，需要用户手动输入心理状态标签；但在实际进行测试评估时则不需要用户手动输入。
其中，一种基于流程数据与智能网络模型的就医满意度评估方法包括就医状态测试评估系统，所述就医状态测试评估系统包括摄像机、传输设备和处理设备。
进一步地，传输设备为有线传输设备或无线传输设备。
更进一步地，传输设备为网线、光纤、5G、Wi-Fi、蓝牙。
其中，关键节点位置包括医院门口、咨询台、挂号收费窗口、分诊台、就诊等候区、诊疗室和检测检验窗口。
本发明的发明点及技术效果：
1、利用医院信息化基础设施的各个节点采集进行评估所需的真实物理世界的客观数据，并对就医流程所包含的各类数据进行汇总、分类、评估，能够有效且客观的实现对患者就医满意度的评估，仅在建模样本训练时需要一定的患者手动输入，在模型建立完毕后，实际使用时并不需要用户手动输入。
2、通过在就医流程的关键节点（如挂号、缴费等）捕捉患者的表情，由设计了专门的算法自主判断患者在当时的心理状态；将上述心理状态作为满意度判别依据，建立满意度评价与评价主体心理状态的关联，提高就医状态测试评价的有效性；同时，设计了专门的神经网络模型结构（包括层数、连接、激励函数、代价函数等），使得该结构能够特别适合在医院环境下快速、准确判断患者表情特征；特别是打破一般神经网络模型将模型输出层结果直接用来作为最终结果，或进一步处理的中间变量的局限性，创造性地提出了利用输出层收敛，利用第五隐藏层输出数据来描述表情特征，使得对于患者表情的描述更加准确、全面。
3、创造性地提出了在神经网络基础上叠加基于朴素贝叶斯的评估模型，能够充分利用时序数据、表情特征数据、就诊数据相互结合，更加准确的评估。并且在输入模型之前，对各类数据针对其特点进行了专门的预处理，使得评价更加准确、快捷。
可以理解，以上发明点及效果仅为有限举例，在构建该方法过程中，本申请还进行了更多的专门细节设计，因此其所具有的发明点及技术效果以实施例记载为准。
附图说明
图1为本发明所述一种基于流程数据与智能网络模型的就医满意度评估方法的流程图。
具体实施方式
为了便于理解本发明，下文将结合具体的实施例对本发明作出更全面及细致地描述，但本发明的保护范围并不仅限于以下的具体实施例。
除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义一致。本文中所使用的专业术语只是为了描述具体实施例的目的，并不是旨在限制本发明的保护范围。
一种基于流程数据与智能网络模型的就医满意度评估方法，包括就医状态测试评估系统，就医状态测试评估系统包括摄像机、传输设备和处理设备。
其中，摄像机设置位置包括但不限于：医院门口、咨询台、挂号收费窗口、分诊台、就诊等候区、诊疗室、检测检验窗口等，用于采集患者的面部图像。
传输设备，用于连接处理设备和摄像机，以及连接处理设备和医院现有信息系统（例如叫号机、处方系统、取药系统、检验结果打印机、就诊报道机等）。将摄像机和医院现有信息系统数据传输至处理器。传输设备可以为有线的，例如网线、光纤；也可以是无线的，例如使用5G、wifi、蓝牙等。
处理设备用于接收摄像机和医院现有信息系统数据，并对其进行分析处理，具体步骤如下所述。
步骤一：通过患者表情的多角度采集和判别建立智能模型，指使用部署在就医流程关键节点所对应的物理场所的两台或更多摄像机，拍摄患者面部图像，并根据下述方法对拍摄到的图像进行处理，分析图像反映出来的面部表情特征，最终推断患者的心理状态分类。方法详细叙述如下。
步骤1.1：多角度的患者面部图像采集方法，在就医流程的每个关键节点，设置两台，拍摄患者面部图像。其中一台摄像机采集到的图像标记为基准图像，其它摄像机采集到的图像标记为参考图像，并且基准图像中包含患者的正面面部像，参考图像包含患者的侧面面部像，并且侧面观察角度不大于预先设定的角度
Figure 103890DEST_PATH_IMAGE031
，作为优选值可取
Figure 836353DEST_PATH_IMAGE032
。同一时间拍摄的一组基准图像和参考图像，作为一组表情图像输入给下一步骤。
步骤1.2：根据步骤1.2采集到关于不同患者的若干组图像，作为表情的训练样本，输入给到一神经网络学习模型
Figure 373383DEST_PATH_IMAGE033
中，并对该模型进行训练。模型的输出为对应于输入图像的有限个心理状态标签（如愉悦、平静、忧伤、焦虑等），每一个心理状态标签对应于输出的一个维度，该维度取0表示没有检测到该类心理状态，取值为1表示检测到该类心理状态。心理状态标签的训练样本通过用户在手机或自助终端等设备上手工输入，作为样本的真实值。训练时，每组输出仅有一个维度取值为1，其它值取值为0。
上述神经网络学习模型
Figure 821682DEST_PATH_IMAGE034
，由输入层（即步骤1.1采集到的图像）、输出层（即心理状态的标签）和隐藏层组成，输入层、输出层、隐藏层的关系为：输入层在隐藏层之前，隐藏层在输出层之前，并且隐藏层中可以递归包含多个层。隐藏层的连接方式在下文给出，连接权重在完成对的模型
Figure 539102DEST_PATH_IMAGE035
训练后确定。
本文中，神经网络模型
Figure 340836DEST_PATH_IMAGE001
的每一层包含若干节点，每个节点对应一个标量数据，又称为神经元。某一层的一个节点与其前一层的某一个节点由一组运算函数建立映射关系，称为一条连接。相邻两层任意两个节点的连接并非必然存在，但任一层的任一个节点必须至少与其前一层的某一个节点存在连接；相邻层任意两个节点之间如果存在连接，那么连接是唯一的。
神经网络模型
Figure 686366DEST_PATH_IMAGE036
的输入层节点定义为：
Figure 151239DEST_PATH_IMAGE037
其中，
Figure 496901DEST_PATH_IMAGE038
为基准图像中坐标为
Figure 492539DEST_PATH_IMAGE039
的像素取值，
Figure 800898DEST_PATH_IMAGE040
为所有参考图像（一幅或多幅）在坐标
Figure 591000DEST_PATH_IMAGE041
处的像素值的平均值。clannel代表图像类型，clannel取值为1或2，取1时，表示基准图像中的像素值，取2时，表示所有参考图像在某个位置的像素值的平均值。
隐藏层的第一层的连接方式定义如下：
Figure 17433DEST_PATH_IMAGE042
式中，
Figure 160969DEST_PATH_IMAGE043
表示以（u,v）为中心的卷积窗口，p, q表示卷积窗口中相对位置的整数坐标，在本文中，
Figure 215513DEST_PATH_IMAGE044
的窗口大小为11*11，p、q的取值范围为-5到5。
Figure 317461DEST_PATH_IMAGE045
表示输入层的基准图像或平均参考图像中坐标（u+p,v+q）处的节点，当clannel=1时，为基准图像中对应的节点，即
Figure 467076DEST_PATH_IMAGE046
，当clannel=2时，为平均参考图像对应的节点，即
Figure 211041DEST_PATH_IMAGE047
。
Figure 526616DEST_PATH_IMAGE048
为线性偏置量。激励函数
Figure 392941DEST_PATH_IMAGE049
为一非线性函数：
Figure 528387DEST_PATH_IMAGE050
Figure 138360DEST_PATH_IMAGE051
表示反正切三角函数，参数
Figure 541398DEST_PATH_IMAGE052
的作用是使函数在x=0点处产生一个不连续断点，有助于改善模型的分类效果。参数
Figure 578624DEST_PATH_IMAGE053
是控制变量，用于控制训练过程的收敛速度，优选
Figure 201366DEST_PATH_IMAGE054
，
Figure 615030DEST_PATH_IMAGE055
。
隐藏层的第二层的连接方式定义如下：
Figure 374038DEST_PATH_IMAGE056
式中，
Figure 847745DEST_PATH_IMAGE057
表示在以（4u,4v）为起始点的窗口范围内取所有像素的最大值，p、q表示窗口中相对位置的正整数坐标。在本文中
Figure 692204DEST_PATH_IMAGE057
窗口大小为4*4； p、q取值范围为[0, 1, 2, 3]。
Figure 643980DEST_PATH_IMAGE058
表示第一个隐藏层中坐标为（4u+p,4v+q,clannel）的节点，clannel=1或clannel=2。
Figure 278399DEST_PATH_IMAGE059
为线性偏置量。
Figure 657428DEST_PATH_IMAGE060
由式子（3）定义。根据式子（4）的定义，第二隐藏层的每一个节点与第一个隐藏层的4x4个节点相连，第二个隐藏层节点数为第一个隐藏层节点数的1/16。
隐藏层的第三层的连接方式定义如下：
Figure 989183DEST_PATH_IMAGE061
式中，
Figure 744650DEST_PATH_IMAGE062
表示以（u,v）为中心的卷积窗口，p, q表示卷积窗口中相对位置的整数坐标，在本文中，
Figure 478251DEST_PATH_IMAGE063
的窗口大小为9*9，p、q的取值范围为-4到4。
Figure 434705DEST_PATH_IMAGE064
表示隐藏层第二层中坐标（u+p,v+q，clannel）处的节点，clannel=1或clannel=2。
Figure 378391DEST_PATH_IMAGE065
为线性偏置量。
Figure 45870DEST_PATH_IMAGE066
由式子（3）定义。
隐藏层的第一层到第三层负责提取粗、细两个尺度上患者面部图像的卷积特征。
隐藏层的第四层的连接方式定义如下：
Figure 758611DEST_PATH_IMAGE067
式中，p, q为第三层隐藏层中节点坐标，
Figure 620388DEST_PATH_IMAGE068
、
Figure 316948DEST_PATH_IMAGE069
表示第三隐藏层中clannel=1和clannel=2时的节点，
Figure 24004DEST_PATH_IMAGE070
表示第三个隐藏层的节点
Figure 591252DEST_PATH_IMAGE071
与第五隐藏层节点
Figure 623930DEST_PATH_IMAGE072
之间的连接权重，
Figure 542208DEST_PATH_IMAGE073
表示第三个隐藏层的节点
Figure 819999DEST_PATH_IMAGE074
与第五隐藏层节点
Figure 507332DEST_PATH_IMAGE075
之间的连接权重。
Figure 976490DEST_PATH_IMAGE076
为线性偏置量。
Figure 991851DEST_PATH_IMAGE077
由式子（3）定义。根据式子（6）可见，clannel=1与clannel=2时，对应位置的连接权重仅相差参数
Figure 696502DEST_PATH_IMAGE078
，此处
Figure 379287DEST_PATH_IMAGE079
控制基准图像与参考图像在模型中的比重，经过大量实验优选
Figure 878401DEST_PATH_IMAGE080
。
Figure 879593DEST_PATH_IMAGE081
所对应的隐藏层第四层包含8*8共64个节点。
隐藏层的第四层建立基准图像与参考图像的融合模型，将两个通道的图像数据映射到64维的特征向量上，用于抽取表情特征。
隐藏层的第五层的连接方式定义如下：
Figure 856776DEST_PATH_IMAGE082
式中，p, q为第四隐藏层中节点坐标，
Figure 659647DEST_PATH_IMAGE083
表示第四隐藏层中的节点，
Figure 205029DEST_PATH_IMAGE084
表示第四个隐藏层的节点
Figure 319616DEST_PATH_IMAGE085
与第五隐藏层节点
Figure 975856DEST_PATH_IMAGE086
之间的连接权重。
Figure 757868DEST_PATH_IMAGE087
为线性偏置量。
Figure 178878DEST_PATH_IMAGE088
由式子（3）定义。隐藏层第五层同样包含8x8共64个节点。
隐藏层的第五层建立表情特征的全连接网络，用于对表情特征与心理状态的映射关系进行学习、建模。
神经网络输出层的节点连接方式定义为：
Figure 921706DEST_PATH_IMAGE089
式（8）中，p, q为隐藏层第五层中节点坐标，
Figure 349014DEST_PATH_IMAGE090
表示隐藏层第五层中的节点，
Figure 126477DEST_PATH_IMAGE091
表示第五个隐藏层的节点
Figure 138296DEST_PATH_IMAGE092
与输出层节点y的分量
Figure 837261DEST_PATH_IMAGE093
之间的连接权重。
Figure 225517DEST_PATH_IMAGE094
为线性偏置量。
Figure 326328DEST_PATH_IMAGE095
由式子（3）定义。
Figure 509048DEST_PATH_IMAGE096
的每一个分量对应于一种心理状态。
采用参考文献（Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron（2016）. "6.5 Back-Propagation and Other Differentiation Algorithms". DeepLearning. MIT Press. pp. 200–220. ISBN 9780262035613.）中方法对神经网络模型进行训练，确定式（2）-（8）中（除式子（3））的参数值
Figure 727933DEST_PATH_IMAGE097
、
Figure 529667DEST_PATH_IMAGE098
、
Figure 609619DEST_PATH_IMAGE099
、
Figure 104185DEST_PATH_IMAGE100
、
Figure 902377DEST_PATH_IMAGE101
、
Figure 507802DEST_PATH_IMAGE102
、
Figure 707839DEST_PATH_IMAGE103
、
Figure 871842DEST_PATH_IMAGE104
、
Figure 891750DEST_PATH_IMAGE105
、
Figure 300866DEST_PATH_IMAGE106
、
Figure 355410DEST_PATH_IMAGE107
，获得模型
Figure 926199DEST_PATH_IMAGE108
。
首先，根据神经网络模型
Figure 698983DEST_PATH_IMAGE109
的定义，由输入层经过各个隐藏层，到输出层，采用正向的流程计算给定输入层输入值时（即训练样本），输出层的输出值；并与输出层的真实值（训练样本的输出值）进行对比，得到一个差值。所有输出层节点的差值之和，称为代价函数。训练的目的和过程就是求取这个代价函数的极值，其含义是使模型对样本的预测误差达到最优。
其中，度量神经网络优化误差损失的代价函数定义如下：
Figure 646211DEST_PATH_IMAGE110
根据式（9），
Figure 555261DEST_PATH_IMAGE111
表示分类的真实值，
Figure 75715DEST_PATH_IMAGE112
表示神经网络模型对输入进行分类的估计值，本文引入参数
Figure 211161DEST_PATH_IMAGE113
控制模型估计值
Figure 86713DEST_PATH_IMAGE114
的偏离，有助于改善分类效果，经过大量实验作为优选，取
Figure 991215DEST_PATH_IMAGE115
=0.95。
步骤二：就医流程关键节点的数据采集与分类方法，根据数据的性质，对就医流程的关键节点（包括但不限于挂号、面诊、缴费、化验、取药等）采集到的数据进行分类，形成就医状态相关源数据库，用于对就医状态进行评估。
步骤2.1：根据数据的性质对采集到的数据进行分类，包括时序数据、表情特征数据、就诊数据三类。
时序数据，是指患者完成当前流程节点与完成首个流程节点之间所经过的时长，通常设定“挂号（取号）”为首个流程节点。
表情特征数据，指步骤一中使用神经网络模型对患者面部图像进行计算后采集到的表情特征，具体的，是指神经网络模型隐藏层的第五层，为一个64维向量。
就诊数据，指患者就诊时产生的数据，包括就诊的科室、病情诊断的结果、开药的种类等。就诊数据由有限维度的向量组成，维度数根据医院实际可获取的就诊数据确定。一种优选的采集就诊数据的方法如下：
假设待评价的科室有
Figure 28441DEST_PATH_IMAGE116
个，疾病种类有
Figure 651184DEST_PATH_IMAGE117
种，药品种类有
Figure 64847DEST_PATH_IMAGE118
种，检验结果包括
Figure 322391DEST_PATH_IMAGE119
项，每项检验结果又分为偏高、正常、偏低三类。则可根据就诊数据生成一个向量，其维度是
Figure 530519DEST_PATH_IMAGE120
。对应于
Figure 374978DEST_PATH_IMAGE121
个科室，每个维度取值为0时，表示就诊流程不涉及该科室，取值为1时，表示就诊流程涉及该科室；对应于
Figure 592333DEST_PATH_IMAGE122
种疾病，每个维度取值为0时，表示未诊断出该种疾病，取值为1时，表示诊断出该种疾病；对应于
Figure 409110DEST_PATH_IMAGE123
种药品，每个维度取值为0时，表示未开具该类药品，取值为1时，表示开具了该种药品；对应于
Figure 53718DEST_PATH_IMAGE124
项检验结果，每个维度分别对应某项检验结果的一个分类，所以每一项检验结果对应于3个维度，每个维度取值为0时，表示该项检验结果不属于该维度所对应的分类，取值为1时，表示该项检验结果对应于当前维度所对应的分类。
可以理解，上述数据由医院的信息系统采集。例如涉及的科室，可由就诊报道机采集相关数据；疾病的种类，可由医生处方系统采集，由医生输入获得；药品的种类，可由药方取药系统采集相关数据；检验结果，可由检验结果打印机采集相关数据。此外，并不限于上述数据，例如还可以进一步细分疾病的种类（普通病、慢性病、危重病、急诊病等）步骤2.2根据步骤2.1的方法定义并归类数据，当步骤一神经网络模型
Figure 886938DEST_PATH_IMAGE125
训练完毕后，可采集相应数据。
时序数据的采集，由医生确认或自助机自动生成相应流程节点完成的时间，并计算出时长间隔。
表情特征数据的采集，当在关键节点根据步骤一的方法采集到患者的面部图像时，输入训练完毕的神经网络模型
Figure 252192DEST_PATH_IMAGE126
，依照式子（1）-（7）计算隐藏层第五层的输出，记为表情特征数据。
就诊数据的采集，由医生或医院操作人员在相应关键节点录入系统，或由现有系统将数据导入本文所述系统，系统根据定义自动生成就诊数据的向量。
步骤3：基于就医流程关键节点数据的就诊状态评估方法，根据步骤二的方法，采集并获得时序数据、表情特征数据、就诊数据，并根据这些数据对患者就医状态进行评估。
根据步骤二的方法，采集并获得时序数据、表情特征数据、就诊数据，并将这些数据整理成向量的表达形式，向量的各维度定义如下：
Figure 985792DEST_PATH_IMAGE127
其中
Figure 801302DEST_PATH_IMAGE128
是时序数据，
Figure 118888DEST_PATH_IMAGE129
是表情特征数据，
Figure 678046DEST_PATH_IMAGE130
是就诊数据。
时序数据
Figure 266153DEST_PATH_IMAGE131
，由若干时长间隔分量组成，假设医院完整就医流程关键节点有K个，除第一个关键节点（一般是挂号）外，其余所有节点与首个节点均有一个非负的时间差，即为该节点对应的时长间隔分量。如果在一次就医流程中并没有经过某个节点，称该节点在流程中不存在，时长间隔分量取值为0。因此时序数据
Figure 252563DEST_PATH_IMAGE132
由K-1个分量组成。
表情特征数据
Figure 558911DEST_PATH_IMAGE133
，指根据步骤一中方法获得的神经网络模型
Figure 656180DEST_PATH_IMAGE108
隐藏层的第五层，为一个64维向量。
就诊数据
Figure 364373DEST_PATH_IMAGE134
，根据步骤二，其维度是
Figure 898516DEST_PATH_IMAGE135
。
可知向量V的维度为：
Figure 223318DEST_PATH_IMAGE136
。
采用步骤3.1-步骤3.5的方法，实现基于就医流程关键节点数据的就医状态评估。
（1）就医状态评估模型
步骤3.1：预先根据患者就医流程获取若干向量V的样本，作为训练样本。此处采集的向量V的训练样本与步骤一中表情训练样本的采集过程是独立的。
步骤3.2：对于步骤3.1采集的每一组训练样本，根据下面方法进行归一化：
对
Figure 796382DEST_PATH_IMAGE137
包含的K-1个时序数据分量，设原分量为
Figure 359081DEST_PATH_IMAGE138
、
Figure 687294DEST_PATH_IMAGE139
、…、
Figure 201190DEST_PATH_IMAGE140
，则归一化后
Figure 640262DEST_PATH_IMAGE141
每个分量为：
Figure 57468DEST_PATH_IMAGE142
采用指数归一化，有助于在将值域映射到（0, 1]之间同时，并抑制样本中的极端值，降低噪声干扰。
对表情特征数据
Figure 556582DEST_PATH_IMAGE143
的64个分量，设原分量分别为
Figure 59239DEST_PATH_IMAGE144
、
Figure 302001DEST_PATH_IMAGE145
、…、
Figure 839293DEST_PATH_IMAGE146
，则归一化后的向量
Figure 509309DEST_PATH_IMAGE147
的分量为：
Figure 735147DEST_PATH_IMAGE148
采用式（9）的方法进行归一化，有助于在将值域映射到（0, 1]之间同时，保持原分量的概率分布，提高模型的估计准确度。
上式（9）、式（10）中，exp表示自然指数e
Figure 781600DEST_PATH_IMAGE149
.
对就诊数据
Figure 173399DEST_PATH_IMAGE134
包括的
Figure 14316DEST_PATH_IMAGE150
个就诊数据分量
Figure 225985DEST_PATH_IMAGE151
，
Figure 810550DEST_PATH_IMAGE152
，保持不变。
步骤3.3：根据步骤3.2获得的归一化的训练样本
Figure 322434DEST_PATH_IMAGE153
假设其每一个分量都是互相独立的，可得：
Figure 334253DEST_PATH_IMAGE154
进一步的，可得：
Figure 531754DEST_PATH_IMAGE155
Figure 654430DEST_PATH_IMAGE156
Figure 20821DEST_PATH_IMAGE157
综合式（11）-（14），可得：
Figure 203540DEST_PATH_IMAGE158
其中，
Figure 389802DEST_PATH_IMAGE159
,m=1,2,…,K+63组成对应的样本空间M，用来联合指代式子（12）中样本空间
Figure 316170DEST_PATH_IMAGE160
的分量
Figure 537067DEST_PATH_IMAGE161
，
Figure 156267DEST_PATH_IMAGE162
，…，
Figure 319571DEST_PATH_IMAGE163
与（13）中样本空间
Figure 721734DEST_PATH_IMAGE164
的分量
Figure 62716DEST_PATH_IMAGE165
，
Figure 587238DEST_PATH_IMAGE166
，…,
Figure 748092DEST_PATH_IMAGE167
，这样改写可以让式子的形式更整齐。样本空间N即等于就诊数据的样本空间
Figure 281842DEST_PATH_IMAGE134
。
Figure 710287DEST_PATH_IMAGE168
Figure 405711DEST_PATH_IMAGE169
根据步骤步骤2.1的定义，式（17）关于样本空间N的
Figure 53861DEST_PATH_IMAGE170
个独立分量，其取值或者为0，或者为1，采取下面步骤去除训练样本中的噪声样本。
对于采集到的所有就医流程的训练样本，如果其属于就诊数据的某个独立分量
Figure 125722DEST_PATH_IMAGE171
的边缘概率满足：
Figure 910138DEST_PATH_IMAGE172
或者：
Figure 42042DEST_PATH_IMAGE173
则去除向量的分量
Figure 177489DEST_PATH_IMAGE171
。
上述二式中
Figure 787462DEST_PATH_IMAGE174
、
Figure 927849DEST_PATH_IMAGE175
，为阈值变量，经过大量实验提出一种优选，取
Figure 230655DEST_PATH_IMAGE176
，
Figure 587818DEST_PATH_IMAGE177
。式子（18）与（19）用于去除样本集中就诊数据分量可能带来的噪声，提高评估的鲁棒性。
经过上述去除噪声样本后，时序数据的样本空间
Figure 1482DEST_PATH_IMAGE178
与表情特征数据的样本空间
Figure 432594DEST_PATH_IMAGE179
保持不变，就诊数据的样本空间变为：
Figure 906301DEST_PATH_IMAGE180
其中N’表示将样本空间N（即就诊数据的样本空间）根据（18）（19）去除部分分量后，余下的分量组成的样本空间，其维度（即分量的个数）为
Figure 249295DEST_PATH_IMAGE181
，并且
Figure 466650DEST_PATH_IMAGE182
。
相应的，
Figure 80165DEST_PATH_IMAGE183
保持不变，
Figure 990352DEST_PATH_IMAGE184
其中，
Figure 322107DEST_PATH_IMAGE185
表示样本空间N’的分布。并定义：
Figure 811995DEST_PATH_IMAGE186
因此
Figure 545595DEST_PATH_IMAGE187
表示由样本空间
Figure 361105DEST_PATH_IMAGE188
、样本空间
Figure 681621DEST_PATH_IMAGE189
与样本空间
Figure 240778DEST_PATH_IMAGE190
联合组成的空间。
步骤3.4：根据步骤3.3处理后的训练样本集合对就医流程样本与患者就医状态的关系进行训练，假设就医状态c分为满意（取值为1）和不满意（取值为0）两种分类，训练的过程包括下列步骤。
步骤3.4.1：求取训练样本集合中标记为满意的样本与标记为不满意的样本的概率分布，即
Figure 828885DEST_PATH_IMAGE191
与
Figure 549717DEST_PATH_IMAGE192
。根据就医流程的训练样本集合中每个训练样本的标注（满意或不满意）直接计算即可。
步骤3.4.2：根据V’’的定义，并且样本空间M为样本空间
Figure 856064DEST_PATH_IMAGE178
与
Figure 94279DEST_PATH_IMAGE193
的联合，可知：
Figure 832165DEST_PATH_IMAGE194
Figure 989477DEST_PATH_IMAGE195
表示样本空间M和样本空间N’的联合分布。
每个分量
Figure 517542DEST_PATH_IMAGE196
的边缘概率。当训练样本集合确定时，可直接计算分量
Figure 418502DEST_PATH_IMAGE197
的边缘概率
Figure 981201DEST_PATH_IMAGE198
，其中：
Figure 574993DEST_PATH_IMAGE199
步骤3.4.3：当训练样本集合确定时，可分别计算概率分布
Figure 590354DEST_PATH_IMAGE200
、
Figure 29426DEST_PATH_IMAGE201
的均值和方差，令其分别为：
Figure 948096DEST_PATH_IMAGE202
其中，
Figure 447211DEST_PATH_IMAGE203
表示就医状态取值为0时，分量
Figure 949868DEST_PATH_IMAGE204
的所有训练样本的均值，
Figure 192630DEST_PATH_IMAGE205
表示就医状态取值为0时，分量
Figure 464343DEST_PATH_IMAGE206
的所有训练样本的方差；
Figure 275304DEST_PATH_IMAGE207
表示就医状态取值为1时，分量
Figure 124311DEST_PATH_IMAGE197
的所有训练样本的均值，
Figure 810245DEST_PATH_IMAGE208
表示就医状态取值为1时，分量
Figure 795519DEST_PATH_IMAGE209
的所有训练样本的方差。
（2）使用就医状态评估模型进行评估
步骤3.5：根据步骤3.4所得的训练参数（即模型具体结构），对实际的每次就医样本进行就医状态分类，即为就医状态的评估。实际的每次就医样本称为实际样本，该实际样本是通过步骤二处理各个患者的数据获得的。评估步骤如下：
步骤3.5.1：当获取到一个新的实际样本时，将其按照步骤步骤3.2、步骤3.3进行归一化并去除不需要的维度。
步骤3.5.2 将步骤3.5.1获得的优化后的测试样本代入分类决策函数：
Figure 777381DEST_PATH_IMAGE210
其中，X表示优化后的测试样本，其向量形式为
Figure 379264DEST_PATH_IMAGE187
；c表示就医状态，取值为0或1；根据条件概率的定义与贝叶斯公式，可得：
Figure 839195DEST_PATH_IMAGE211
对于给定的优化后的测试样本X，P（X）为常数，其值可根据步骤3.4.2求出。因此，求取分类决策函数（23）的结果，仅需比较分子
Figure 210133DEST_PATH_IMAGE212
与
Figure 97318DEST_PATH_IMAGE213
即可。
根据步骤3.4.1，可分别计算
Figure 920918DEST_PATH_IMAGE214
、
Figure 494461DEST_PATH_IMAGE215
。
根据步骤3.4.3，设条件概率服从高斯分布，有：
Figure 595272DEST_PATH_IMAGE216
上式中，x表示测试样本X的任一分量。根据
Figure 777992DEST_PATH_IMAGE217
与
Figure 964254DEST_PATH_IMAGE218
的计算结果，可知f（X）为0（表示不满意）或为1（表示满意）。
为验证该模型的效果，进行了3407例就医患者的追踪实验，下表给出了就医状态评估方法与现有评估方法的准确率（对真实满意度判断准确的比率）与误报率（对真实满意度为满意，但误判为不满意的判断比率）对比值，可见本文提出的模型能够更加准确的对患者就医的满意度进行评估，特别是显著降低了误报的几率。
Figure 156201DEST_PATH_IMAGE219
可以理解，上述两个模型连用是发明点所在。但事实上，上述两个模型是可以相互独立的。例如，表情特征数据提取也可以使用现有神经网络模型进行提取，只是效果并不如本申请两个模型相互配合更佳。
可以理解，除了上述内容，还包括一些常规结构和常规方法，由于这些内容都是是本领域技术人员所公知的，无需赘述。但这并不意味着本发明不存在这些结构和方法。也不意味着没有文字记载这些结构和方法，本领域技术人员就无法实施。
本领域技术人员应认识到，虽然本文已详尽示出和描述了本发明的多个示例性实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导出符合本发明原理的许多其他变型或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变型或修改。

Claims (10)

1.一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：包括以下步骤：
步骤一：神经网络学习模型训练：
步骤1.1：在就医流程的每个关键节点，通过两台摄像机分别拍摄患者面部的图像，即正面图像和侧面图像；其中一台摄像机采集到的图像标记为基准图像，另一台摄像机采集到的图像标记为参考图像；
步骤1.2：根据步骤1.1采集到关于不同患者的若干组图像，作为表情的训练样本，输入给到神经网络学习模型
Figure 953991DEST_PATH_IMAGE001
中，并对该模型进行训练；
模型
Figure 199028DEST_PATH_IMAGE002
包含一个输入层、五个隐藏层和一个输出层，隐藏层的第一层到第三层负责提取粗、细两个尺度上患者面部图像的卷积特征；隐藏层的第四层建立基准图像与参考图像的融合模型，将两个通道的图像数据映射到64维的特征向量上，用于抽取表情特征；隐藏层的第五层建立表情特征的全连接网络，用于对表情特征与心理状态的映射关系进行学习、建模；
其中，模型的激励函数为：
Figure 182027DEST_PATH_IMAGE003
；
度量神经网络优化误差损失的代价函数为：
Figure 419979DEST_PATH_IMAGE004
；
式中：
Figure 703193DEST_PATH_IMAGE005
表示分类的真实值，
Figure 119131DEST_PATH_IMAGE006
表示神经网络模型对输入进行分类的估计值；
步骤二：采集就医流程关键节点的数据，并对其进行分类：
采集的数据包括时序数据、表情特征数据、就诊数据三类；
时序数据
Figure 464793DEST_PATH_IMAGE007
的采集，由医生确认或自助机自动生成相应流程节点完成的时间，并计算出时长间隔；
表情特征数据
Figure 132535DEST_PATH_IMAGE008
的采集，将在关键节点采集到患者的面部图像输入训练完毕的神经网络模型
Figure 535834DEST_PATH_IMAGE009
，计算模型
Figure 857094DEST_PATH_IMAGE010
隐藏层第五层的输出，记为表情特征数据；
就诊数据
Figure 457096DEST_PATH_IMAGE011
的采集，由现有诊疗系统将就诊数据导入；
步骤三：就医状态评估：
步骤3.1：建立基于朴素的就医状态评估模型；
步骤3.2：使用就医状态评估模型进行评估；
在建立模型和评估前均对关键节点的数据进行归一化，具体方法如下：
对
Figure 662949DEST_PATH_IMAGE012
包含的K-1个时序数据分量，设原分量为
Figure 779810DEST_PATH_IMAGE013
、
Figure 678496DEST_PATH_IMAGE014
、…、
Figure 264329DEST_PATH_IMAGE015
，则归一化后
Figure 273873DEST_PATH_IMAGE016
每个分量为：
Figure 245240DEST_PATH_IMAGE017
；
对表情特征数据
Figure 49248DEST_PATH_IMAGE018
的64个分量，设原分量分别为
Figure 620913DEST_PATH_IMAGE019
、
Figure 434148DEST_PATH_IMAGE020
、…、
Figure 400967DEST_PATH_IMAGE021
，则归一化后的向量
Figure 766089DEST_PATH_IMAGE022
的分量为：
Figure 795356DEST_PATH_IMAGE023
；
对就诊数据
Figure 146703DEST_PATH_IMAGE024
包括的多个就诊数据分量
Figure 395458DEST_PATH_IMAGE025
保持不变。
2.根据权利要求1所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：所述的正面图像和侧面图像的观察夹角不大于预先设定的角度
Figure 541268DEST_PATH_IMAGE026
。
3.根据权利要求1所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：所述的激励函数中，
Figure 572678DEST_PATH_IMAGE027
，
Figure 462137DEST_PATH_IMAGE028
。
4.根据权利要求1所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：所述的代价函数中
Figure 278914DEST_PATH_IMAGE029
=0.95。
5.根据权利要求1所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：进行模型训练时，需要用户手动输入心理状态标签；但在实际进行测试评估时则不需要用户手动输入。
6.根据权利要求1所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：包括就医状态测试评估系统，所述就医状态测试评估系统包括摄像机、传输设备和处理设备；
摄像机设置位置在就医关键节点位置，用于采集患者的面部图像；
传输设备用于连接处理设备和摄像机以及连接处理设备和医院现有信息系统，用于将摄像机和医院现有信息系统数据传输至处理设备；
处理设备，用于接收摄像机和医院现有信息系统数据并对其按照就医满意度评估方法进行分析处理。
7.根据权利要求6所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：所述的传输设备为有线传输设备或无线传输设备。
8.根据权利要求7所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：所述的传输设备为网线、光纤、5G、Wi-Fi、蓝牙。
9.根据权利要求1或6所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：所述的关键节点位置包括医院门口、咨询台、挂号收费窗口、分诊台、就诊等候区、诊疗室和检测检验窗口。
10.求2所述的一种基于流程数据与智能网络模型的就医满意度评估方法，其特征在于：所述的
Figure 126785DEST_PATH_IMAGE030
满足
Figure 114332DEST_PATH_IMAGE031
。
CN202210106339.4A 2022-01-28 2022-01-28 一种基于流程数据与智能网络模型的就医满意度评估方法 Active CN114550860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210106339.4A CN114550860B (zh) 2022-01-28 2022-01-28 一种基于流程数据与智能网络模型的就医满意度评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210106339.4A CN114550860B (zh) 2022-01-28 2022-01-28 一种基于流程数据与智能网络模型的就医满意度评估方法

Publications (2)

Publication Number Publication Date
CN114550860A true CN114550860A (zh) 2022-05-27
CN114550860B CN114550860B (zh) 2023-02-03

Family

ID=81674028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210106339.4A Active CN114550860B (zh) 2022-01-28 2022-01-28 一种基于流程数据与智能网络模型的就医满意度评估方法

Country Status (1)

Country Link
CN (1) CN114550860B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109222914A (zh) * 2018-11-06 2019-01-18 北京三医智慧科技有限公司 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法
CN110507335A (zh) * 2019-08-23 2019-11-29 山东大学 基于多模态信息的服刑人员心理健康状态评估方法及系统
WO2020112147A1 (en) * 2018-11-30 2020-06-04 National Cheng Kung University Method of an interactive health status assessment and system thereof
US20200302296A1 (en) * 2019-03-21 2020-09-24 D. Douglas Miller Systems and method for optimizing educational outcomes using artificial intelligence
CN113409943A (zh) * 2021-06-22 2021-09-17 浙江工业大学 一种基于bp神经网络的心理健康智能筛查系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109222914A (zh) * 2018-11-06 2019-01-18 北京三医智慧科技有限公司 基于深度学习与多光谱成像技术的中医面诊信息采集与智能化处理方法
WO2020112147A1 (en) * 2018-11-30 2020-06-04 National Cheng Kung University Method of an interactive health status assessment and system thereof
US20200302296A1 (en) * 2019-03-21 2020-09-24 D. Douglas Miller Systems and method for optimizing educational outcomes using artificial intelligence
CN110507335A (zh) * 2019-08-23 2019-11-29 山东大学 基于多模态信息的服刑人员心理健康状态评估方法及系统
CN113409943A (zh) * 2021-06-22 2021-09-17 浙江工业大学 一种基于bp神经网络的心理健康智能筛查系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任维存等: "基层医疗机构医疗设备满意度评价指标体系构建", 《中国医疗设备》 *
吴来阳等: "基于我国改善医疗服务行动计划2015评估的老龄门诊患者就医体验现状分析", 《中国循证医学杂志》 *
国显达等: "基于CNN-BiLSTM的消费者网络评论情感分析", 《系统工程理论与实践》 *

Also Published As

Publication number Publication date
CN114550860B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
US11842556B2 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
KR101977174B1 (ko) 영상 분석 방법, 장치 및 컴퓨터 프로그램
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
US8831327B2 (en) Systems and methods for tissue classification using attributes of a biomarker enhanced tissue network (BETN)
CN107464250A (zh) 基于三维mri图像的乳腺肿瘤自动分割方法
KR102045223B1 (ko) 골 연령 분석 방법, 장치 및 컴퓨터 프로그램
CN111079620B (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
CN112927799B (zh) 融合多示例学习和多任务深度影像组学的生存期分析系统
WO2021068781A1 (zh) 一种疲劳状态识别方法、装置和设备
WO2020148992A1 (ja) モデル生成装置、モデル生成方法、モデル生成プログラム、モデル生成システム、検査システム、及び監視システム
CN110472581A (zh) 一种基于深度学习的细胞图像分析方法
CN111862020A (zh) 一种眼前节生理年龄预测方法、装置、服务器及存储介质
CN106682604B (zh) 一种基于深度学习的模糊图像检测方法
CN114550860B (zh) 一种基于流程数据与智能网络模型的就医满意度评估方法
CN115210755A (zh) 解决训练数据中遗漏注释的类别不同损失函数
CN116363104A (zh) 一种具有影像医学用自动诊断设备及系统
CN113868597B (zh) 一种用于年龄估计的回归公平性度量方法
CN115564997A (zh) 一种基于强化学习的病理切片扫描分析一体化方法及系统
CN114708634A (zh) 基于人脸图像的相对体重分析方法、装置及电子设备
JP2021174201A (ja) プログラム、情報処理装置、情報処理方法及び学習モデルの生成方法
CN112086193A (zh) 一种基于物联网的人脸识别健康预测系统及方法
CN116958128B (zh) 基于深度学习的医学图像自动定位方法
CN117808786B (zh) 一种视网膜动脉分支角度变化关联预测方法
TUNCER Optic Disc Segmentation based on Template Matching and Active Contour Method
US20240070537A1 (en) Microscopy System and Method for Generating a Machine-Learned Model for Processing Microscope Data

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