CN115187130B - 基于鼠标运动轨迹判断工作效率的方法和装置 - Google Patents
基于鼠标运动轨迹判断工作效率的方法和装置 Download PDFInfo
- Publication number
- CN115187130B CN115187130B CN202210903151.2A CN202210903151A CN115187130B CN 115187130 B CN115187130 B CN 115187130B CN 202210903151 A CN202210903151 A CN 202210903151A CN 115187130 B CN115187130 B CN 115187130B
- Authority
- CN
- China
- Prior art keywords
- working efficiency
- time length
- work
- training
- mouse
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000003066 decision tree Methods 0.000 claims description 26
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06398—Performance of employee with respect to a job function
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3485—Performance evaluation by tracing or monitoring for I/O devices
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机器学习技术领域，具体提供了一种基于鼠标运动轨迹判断工作效率的方法和装置，所述方法包括：获取完成一次报告书写工作的鼠标运动轨迹；提取所述鼠标运动轨迹的特征向量；调用预先训练得到的第一工作效率识别网络模型对所述鼠标运动轨迹的特征向量进行识别，得到本次报告书写工作的工作效率识别结果。本发明能够在医生进行报告书写工作过程中实时了解工作效率，有利于通过分析医生不同时间段内的工作效率，进行针对性的指导或干预，实现科学的绩效管理。
Description
技术领域
本发明涉及机器学习技术领域，尤其涉及一种基于鼠标运动轨迹判断工作效率的方法和装置。
背景技术
在医院的放射科，阅片写报告是医生工作中重要的一部分，管理人员需要针对同一个工作人员特别是实习医生在不同时间的工作效率，通过纵向比较来观察医生的工作效率，进行针对性的指导或干预。
而以往对医生工作效率的统计是基于报告启动时间、上传时间、审阅时间等几个节点来统计，这种统计方法更多的是偏向工作量的统计，而且是事后的统计，一定情况下统计结果存在偏颇。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题的一种基于鼠标运动轨迹判断工作效率的方法和装置。
本发明的一个方面，提供了一种基于鼠标运动轨迹判断工作效率的方法，所述方法包括：
获取完成一次报告书写工作的鼠标运动轨迹；
提取所述鼠标运动轨迹的特征向量；
调用预先训练得到的第一工作效率识别网络模型对所述鼠标运动轨迹的特征向量进行识别，得到本次报告书写工作的工作效率识别结果。
进一步的，所述方法还包括：
统计在预设的统计时间长度内的工作完成状态，所述工作完成状态包括完成的报告书写工作的数量以及每次报告书写工作的工作效率识别结果；
根据所述统计时间长度内的工作完成状态生成所述统计时间长度对应的工作效率特征向量；
调用预先训练得到的第二工作效率识别网络模型，对所述统计时间长度内的工作效率特征向量进行识别，得到所述统计时间长度内的工作效率识别结果。
进一步的，所述方法还包括：
将一天的工作时长按所述统计时间长度进行分段；
获取一天的工作时长内各段所述统计时间长度的工作效率识别结果；
求取所述各段统计时间长度的工作效率识别结果的平均值，得到一天的工作效率识别结果。
进一步的，所述完成一次报告书写工作的鼠标运动轨迹包括：
在图文系统进行报告书写时的第一鼠标运动子轨迹；和，
在PACS系统查看影像时的第二鼠标运动子轨迹。
进一步的，所述提取所述鼠标运动轨迹的特征向量包括：
分别提取所述第一鼠标运动子轨迹的第一特征值和所述第二鼠标运动子轨迹的第二特征值；
将所述第一特征值、所述第二特征值和和完成一次报告书写工作所用的总时长组合成所述鼠标运动轨迹的特征向量。
进一步的，在所述调用预先训练得到的第一工作效率识别网络模型对所述鼠标运动轨迹的特征向量进行识别之前，所述方法还包括：
构建决策树随机森林模型，所述决策树随机森林模型包括预设数量的决策树模型；
采用随机采样的方式分别为每一决策树模型从预设的鼠标运动轨迹训练数据中提取一个训练集，各个训练集中包括的鼠标运动轨迹训练样本数量相同，所述鼠标运动轨迹训练样本为设置有工作效率标签的完成一次报告书写工作的鼠标运动轨迹的特征向量；
采用各个训练集对应训练一个决策树模型，按照决策树分类器投票确定最优分类结果，得到第一工作效率识别网络模型。
进一步的，在获取完成一次报告书写工作的鼠标运动轨迹之后，所述方法还包括：
识别所述报告书写工作对应的待处理的影像类别；
根据所述报告书写工作对应的待处理的影像类别，获取与所述影像类别对应的第一工作效率识别网络模型，所述待处理的影像类别包括：CT影像、MR影像和X线影像。
进一步的，所述根据所述统计时间长度内的工作完成状态生成所述统计时间长度对应的工作效率特征向量包括：
统计所述统计时间长度内所有报告书写工作的工作效率识别结果的特征属性；
将所述统计时间长度内的报告书写工作的数量和所述特征属性组合成所述统计时间长度对应的工作效率特征向量。
进一步的，在所述调用预先训练得到的第二工作效率识别网络模型，对所述统计时间长度内的工作效率特征向量进行识别之前，所述方法还包括：
使用Tensorflow搭建自定义的神经网络模型；
获取预设的统计时间长度内的工作效率训练集，所述统计时间长度内的工作效率训练集包括多个统计时间长度内的工作效率训练样本，所述统计时间长度内的工作效率训练样本为设置有工作效率标签的统计时间长度对应的工作效率特征向量；
将所述具有工作效率标签的统计时间长度对应的工作效率特征向量输入到所述自定义的神经网络模型，经过训练得到第二工作效率识别网络模型。本发明的另一个方面，提供了一种基于鼠标运动轨迹判断工作效率的装置，所述装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；
所述计算机程序被所述处理器执行时，实现如上述的基于鼠标运动轨迹判断工作效率的方法的步骤。
本发明提供的基于鼠标运动轨迹判断工作效率的方法和装置，基于预先训练的工作效率识别网络模型对每次报告书写工作的工作效率进行识别，能够在医生进行报告书写工作过程中实时了解工作效率，有利于通过观察分析医生不同时间段内的工作效率，进行针对性的指导或干预，实现科学的绩效管理。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在附图中：
图1为本发明实施例的一种基于鼠标运动轨迹判断工作效率的方法的流程图；
图2为本发明实施例的基于鼠标运动轨迹的工作效率决策树随机森林模型的结构示意图；
图3为本发明实施例的一种在统计时间长度内判断工作效率的方法的流程图。
具体实施方式
为了使本领域技术人员更好的理解本发明方案，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明的一种基于鼠标运动轨迹判断工作效率的方法是基于放射科医生通过阅片完成医学报告的流程中的鼠标运动轨迹对放射科医生的工作效率进行判断。放射科医生阅片写报告使用两款软件：写报告的图文系统和阅片的PACS系统，两套软件分别运行在两台显示器上，图文系统运行在主屏，PACS系统运行在副屏。本发明实施例中完成一次报告书写工作的鼠标运动轨迹为医生撰写一份报告的时间内的鼠标运动轨迹。
图1示意性的示出了本发明实施例的一种基于鼠标运动轨迹判断工作效率的方法，如图1所示，一种基于鼠标运动轨迹判断工作效率的方法，包括以下步骤：
S11、获取完成一次报告书写工作的鼠标运动轨迹；
在本发明实施例中，完成一次报告书写工作的鼠标运动轨迹具体为医生在图文系统点击开始写报告按钮与点击提交按钮的一段时间内，在图文系统进行写报告时的第一鼠标运动轨迹和在PACS系统查看影像时的第二鼠标运动子轨迹。鼠标运动轨迹中具体包括了鼠标运行在屏幕上的实时坐标、运行轨迹、停留时间等信息。
S12、提取所述鼠标运动轨迹的特征向量；
在本发明实施例中，提取所述鼠标运动轨迹的特征向量具体为分别提取所述第一鼠标运动子轨迹的第一特征值和所述第二鼠标运动子轨迹的第二特征值；
将所述第一特征值、所述第二特征值和完成一次报告书写工作所用的总时长组合成所述鼠标运动轨迹的特征向量。
具体的，第一特征值和第二特征值包含的特征属性完全相同，分别包括11个特征属性，具体的特征属性如下表所述：
具体的，将第一特征值、第二特征值的所有特征属性以及完成一次报告书写工作所用的总时长组合成鼠标运动轨迹的特征向量，所述鼠标运动轨迹的特征向量包含23个特征属性。
S13、调用预先训练得到的第一工作效率识别网络模型对所述鼠标运动轨迹的特征向量进行识别，得到本次报告书写工作的工作效率识别结果。
在本发明实施例中，在所述调用预先训练得到的第一工作效率识别网络模型对所述鼠标运动轨迹的特征向量进行识别之前，所述方法还包括预先训练第一工作效率识别网络模型的操作。
具体的，第一工作效率识别网络模型的构建和训练方法包括如下步骤：
S131、构建决策树随机森林模型，所述决策树随机森林模型包括预设数量的决策树模型；
图2示意性的示出了本发明基于鼠标运动轨迹的工作效率决策树随机森林模型的结构示意图，如图2所示，该决策树随机森林模型包含预设数量的决策树模型，每个决策树模型构成当前决策树随机森林模型的一个分类树。
S132、采用随机采样的方式分别为每一决策树模型从预设的鼠标运动轨迹训练数据中提取一个训练集，各个训练集中包括的鼠标运动轨迹训练样本数量相同，所述鼠标运动轨迹训练样本为设置有工作效率标签的完成一次报告书写工作的鼠标运动轨迹的特征向量；
在本发明实施例中，需要事先搜集海量医生在实际操作过程中的完成一次报告书写工作的鼠标运动轨迹，并提取所述鼠标运动轨迹的特征向量，所述提取鼠标运动轨迹的特征向量的方法与上述预测鼠标运动轨迹工作效率时提取特征向量的方法相同，在此不再赘述。
进一步的，本发明实施例还需要对所述鼠标运动轨迹的特征向量人为的设置工作效率标签，具体的工作效率高为1，工作效率低为0。所述具有工作效率标签的鼠标运动轨迹的特征向量便构成鼠标运动轨迹训练集中的一个训练样本。
需要说明的是，在从预设的鼠标运动轨迹训练数据中提取一个训练集的采样过程为有放回的采样。
S133、采用各个训练集对应训练一个决策树模型，按照决策树分类器投票确定最优分类结果，得到第一工作效率识别网络模型。
在本发明实施例中，一个鼠标运动轨迹训练集对应训练一个决策树模型，对鼠标运动轨迹训练集中的鼠标运动轨迹的训练样本建立分类器。并最后根据所述预设数量的决策树分类器的投票结果，确定最终的最优分类结果。
需要说明的是，本发明的第一工作效率识别网络模型根据待处理的影像类别不同，具有不同的第一工作效率识别网络模型。在具体的在获取完成一次报告书写工作的鼠标运动轨迹之后，所述方法还包括：识别所述报告书写工作对应的待处理的影像类别；根据所述报告书写工作对应的待处理的影像类别，调用获取所述第一工作效率识别网络模型中与所述影像类别对应的预先训练得到的第一工作效率识别网络模型，所述报告书写工作对应的待处理的影像类别包括：CT影像、MR影像和X线影像。
进一步的，在对第一工作效率识别网络模型进行训练时，也根据所述报告书写工作对应的待处理的影像类别训练得到相应的第一工作效率识别网络模型，具体包括CT影像第一工作效率识别网络模型、MR影像第一工作效率识别网络模型和X线影像第一工作效率识别网络模型。具体的训练过程和上述第一工作效率识别网络模型完全相同，在此不再赘述。
本发明基于鼠标运动轨迹推断工作效率的方法还包括对预设的统计时间长度内的工作效率进行识别，具体的识别步骤如图3所示：
S21、统计在预设的统计时间长度内的工作完成状态，所述工作完成状态包括完成的报告书写工作的数量以及每次报告书写工作的工作效率识别结果；
在本发明实施例中，所述统计时间长度可以设置为1小时，在1小时的时间内统计完成报告书写工作的数量，并基于所述每次报告书写工作的鼠标运动轨迹对当前报告书写工作的工作效率进行识别得到工作效率识别结果。
S22、根据所述统计时间长度内的工作完成状态生成所述统计时间长度对应的工作效率特征向量；
在本发明实施例中，根据所述统计时间长度内的工作完成状态生成所述统计时间长度对应的工作效率特征向量包括：统计所述统计时间长度内所有报告书写工作的工作效率识别结果的特征属性；将所述统计时间长度内的报告书写工作的数量和所述特征属性组合成所述统计时间长度对应的工作效率特征向量。
具体的，统计所述统计时间长度内所有报告书写工作的工作效率识别结果的特征属性具体包括提取25个特征属性，所述25个特征属性如下表所示：
S23、调用预先训练得到的第二工作效率识别网络模型，对所述统计时间长度内的工作效率特征向量进行识别，得到所述统计时间长度内的工作效率识别结果。
在本发明实施例中，，在所述调用预先训练得到的第二工作效率识别网络模型，对所述统计时间长度内的工作效率特征向量进行识别之前，所述方法还包括预先训练第二工作效率识别网络模型的操作。
具体的，第二工作效率识别网络模型的训练方法，包括附图中未示出的如下步骤：
S231、使用Tensorflow搭建自定义的神经网络模型；
在本发明的一个具体实施例中，搭建的神经网络的具体结构分为：输入层是12X1的浮点向量，4个隐藏层，输出层返回3个分类及概率，采用梯度下降算法的优化器。
S232、获取预设的统计时间长度内的工作效率训练集，所述统计时间长度内的工作效率训练集包括多个统计时间长度内的工作效率训练样本，所述统计时间长度内的工作效率训练样本为设置有工作效率标签的统计时间长度对应的工作效率特征向量；
在本发明实施例中，需要事先搜集海量医生在实际操作过程中的统计时间长度内的工作量也与统计时间长度的工作量相对应的每个报个书写工作的鼠标运动轨迹并提取特征向量，调用预先训练得到的第一工作效率识别网络模型对每个报告写工作的鼠标运动轨迹的特征向量进行识别，得到当前报告书写工作的工作效率识别结果，并结合统计时间长度内的报告书写工作的数量和报告书写工作的工作效率识别结果生成相应的统计时间长度对应的工作效率特征向量。所述与统计时间长队对应的工作效率特征向量与上述预测统计时间长度的工作效率特征向量的提取方法相同，在此不再赘述。
需要说明的是，本发明实施例还需要对预设时间长度内的工作效率特征向量人为设置工作效率标签，当前预设时间长度的工作效率高设为1，当前预设时间长度内的工作效率低设为0。所述设置有工作效率标签的统计时间长度对应的工作效率特征向量便构成统计时间长度内的工作效率训练集中的一个训练样本。
S233、将所述具有工作效率标签的统计时间长度对应的工作效率特征向量输入到所述自定义的神经网络模型，经过训练得到第二工作效率识别网络模型。
具体的，第一时间阈值的工作效率训练集中的训练样本输入到神经网络模型的输入层，经过训练预设次数的训练周期后，得到相应的工作效率神经网络模型。
进一步的，本发明实施例基于鼠标运动轨迹推断工作效率的方法还包括对医生一天的工作效率进行总结，具体的实时方式还包括附图中未示出的以下步骤：
S31、将一天的工作时长按所述统计时间长度进行分段；
在本发明实施例中，统计时间长度设为1小时，若医生一天工作10小时，则将一天的工作时长按1小时进行分段，总共分成10段。
S32、获取一天的工作时长内各段所述统计时间长度的工作效率识别结果；
分别对上述10段的工作时长内的工作效率进行识别，具体的为调用预先训练得到的第一工作效率识别网络模型对对每个报告书写工作的工作效率进行识别，调用预先训练得到的第二工作效率识别网络模型对当前1小时内的工作效率进行识别，若识别结果为工作效率高，则输出1，若识别结果为工作效率低，则输出为0。
S33、求取所述各段统计时间长度的工作效率识别结果的平均值，得到一天的工作效率识别结果。
求取上述10段统计时间长度内的工作效率的识别结果求取平均值，便可以对医生当前的工作效率得到一个可以量化的识别结果。
本申请提出的基于鼠标运动轨迹判断工作效率的方法，基于预先训练的工作效率识别网络模型对每次报告书写工作的工作效率进行识别，能够在医生进行报告书写工作过程中实时监了解工作效率，有利于通过观察分析医生不同时间段内的工作效率，进行针对性的指导或干预，实现科学的绩效管理。
对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
实施例二
本发明实施例提供基于鼠标运动轨迹判断工作效率的装置，所述装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；
所述计算机程序被所述处理器执行时，实现如权利要求实施例一中任一项所述的基于鼠标运动轨迹判断工作效率的方法的步骤。
实施例二在具体实现过程中，可以参阅实施例一，具有相应的技术效果。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (8)
1.一种基于鼠标运动轨迹判断工作效率的方法，其特征在于，所述方法包括：
获取完成一次报告书写工作的鼠标运动轨迹；
提取所述鼠标运动轨迹的特征向量；
调用预先训练得到的第一工作效率识别网络模型对所述鼠标运动轨迹的特征向量进行识别，得到本次报告书写工作的工作效率识别结果；
预先训练得到所述第一工作效率识别网络模型包括：
构建决策树随机森林模型，所述决策树随机森林模型包括预设数量的决策树模型；
采用随机采样的方式分别为每一决策树模型从预设的鼠标运动轨迹训练数据中提取一个训练集，各个训练集中包括的鼠标运动轨迹训练样本数量相同，所述鼠标运动轨迹训练样本为设置有工作效率标签的完成一次报告书写工作的鼠标运动轨迹的特征向量；
采用各个训练集对应训练一个决策树模型，按照决策树分类器投票确定最优分类结果，得到第一工作效率识别网络模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
统计在预设的统计时间长度内的工作完成状态，所述工作完成状态包括完成的报告书写工作的数量以及每次报告书写工作的工作效率识别结果；
根据所述统计时间长度内的工作完成状态生成所述统计时间长度对应的工作效率特征向量；
调用预先训练得到的第二工作效率识别网络模型，对所述统计时间长度内的工作效率特征向量进行识别，得到所述统计时间长度内的工作效率识别结果；
预先训练得到所述第二工作效率识别网络模型包括：
使用Tensorflow搭建自定义的神经网络模型；
获取预设的统计时间长度内的工作效率训练集，所述统计时间长度内的工作效率训练集包括多个统计时间长度内的工作效率训练样本，所述统计时间长度内的工作效率训练样本为设置有工作效率标签的统计时间长度对应的工作效率特征向量；
将具有工作效率标签的统计时间长度对应的工作效率特征向量输入到所述自定义的神经网络模型，经过训练得到第二工作效率识别网络模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
将一天的工作时长按所述统计时间长度进行分段；
获取一天的工作时长内各段所述统计时间长度的工作效率识别结果；
求取各段统计时间长度的工作效率识别结果的平均值，得到一天的工作效率识别结果。
4.根据权利要求1所述的方法，其特征在于，所述完成一次报告书写工作的鼠标运动轨迹包括：
在图文系统进行报告书写时的第一鼠标运动子轨迹；和，
在PACS系统查看影像时的第二鼠标运动子轨迹。
5.根据权利要求4所述的方法，其特征在于，所述提取所述鼠标运动轨迹的特征向量包括：
分别提取所述第一鼠标运动子轨迹的第一特征值和所述第二鼠标运动子轨迹的第二特征值；
将所述第一特征值、所述第二特征值和完成一次报告书写工作所用的总时长组合成所述鼠标运动轨迹的特征向量。
6.根据权利要求1所述的方法，其特征在于，在获取完成一次报告书写工作的鼠标运动轨迹之后，所述方法还包括：
识别所述报告书写工作对应的待处理的影像类别；
根据所述报告书写工作对应的待处理的影像类别，获取与所述影像类别对应的第一工作效率识别网络模型，所述待处理的影像类别包括：CT影像、MR影像和X线影像。
7.根据权利要求2所述的方法，其特征在于，所述根据所述统计时间长度内的工作完成状态生成所述统计时间长度对应的工作效率特征向量包括：
统计所述统计时间长度内所有报告书写工作的工作效率识别结果的特征属性；
将所述统计时间长度内的报告书写工作的数量和所述特征属性组合成所述统计时间长度对应的工作效率特征向量。
8.一种基于鼠标运动轨迹判断工作效率的装置，其特征在于，所述装置包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；
所述计算机程序被所述处理器执行时，实现如权利要求1-7中任一项所述的基于鼠标运动轨迹判断工作效率的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210903151.2A CN115187130B (zh) | 2022-07-29 | 2022-07-29 | 基于鼠标运动轨迹判断工作效率的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210903151.2A CN115187130B (zh) | 2022-07-29 | 2022-07-29 | 基于鼠标运动轨迹判断工作效率的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115187130A CN115187130A (zh) | 2022-10-14 |
| CN115187130B true CN115187130B (zh) | 2023-11-21 |
Family
ID=83520581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210903151.2A Active CN115187130B (zh) | 2022-07-29 | 2022-07-29 | 基于鼠标运动轨迹判断工作效率的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187130B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609590A (zh) * | 2017-09-12 | 2018-01-19 | 山东师范大学 | 一种多尺度鼠标轨迹特征提取方法、装置和系统 |
| CN109739351A (zh) * | 2018-12-26 | 2019-05-10 | 秒针信息技术有限公司 | 数据标注方法及装置、存储介质、电子装置 |
| CN110879881A (zh) * | 2019-11-15 | 2020-03-13 | 重庆邮电大学 | 基于特征组分层和半监督随机森林的鼠标轨迹识别方法 |
| CN111724119A (zh) * | 2019-09-26 | 2020-09-29 | 中国石油大学(华东) | 一种高效的数据标注自动审核方法 |
| CN113469163A (zh) * | 2021-06-07 | 2021-10-01 | 北京易康医疗科技有限公司 | 一种基于智能纸笔的医疗信息记录方法和装置 |
| CN114416583A (zh) * | 2022-01-25 | 2022-04-29 | 中国农业银行股份有限公司 | 一种自动化测试的工作量确定方法、装置、设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11423538B2 (en) * | 2019-04-16 | 2022-08-23 | Covera Health | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers |
-
2022
- 2022-07-29 CN CN202210903151.2A patent/CN115187130B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107609590A (zh) * | 2017-09-12 | 2018-01-19 | 山东师范大学 | 一种多尺度鼠标轨迹特征提取方法、装置和系统 |
| CN109739351A (zh) * | 2018-12-26 | 2019-05-10 | 秒针信息技术有限公司 | 数据标注方法及装置、存储介质、电子装置 |
| CN111724119A (zh) * | 2019-09-26 | 2020-09-29 | 中国石油大学(华东) | 一种高效的数据标注自动审核方法 |
| CN110879881A (zh) * | 2019-11-15 | 2020-03-13 | 重庆邮电大学 | 基于特征组分层和半监督随机森林的鼠标轨迹识别方法 |
| CN113469163A (zh) * | 2021-06-07 | 2021-10-01 | 北京易康医疗科技有限公司 | 一种基于智能纸笔的医疗信息记录方法和装置 |
| CN114416583A (zh) * | 2022-01-25 | 2022-04-29 | 中国农业银行股份有限公司 | 一种自动化测试的工作量确定方法、装置、设备和存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 挖掘提高企业产品研发效率的工具作用;CAD/CAM与制造业信息化(06);第10-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115187130A (zh) | 2022-10-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Crowdsourcing construction activity analysis from jobsite video streams | |
| EP3623998A1 (en) | Character recognition | |
| CN110705490B (zh) | 视觉情感识别方法 | |
| KR20190142375A (ko) | 인간참여형(human-in-the-loop) 인터랙티브 모델 훈련 | |
| JP2013161295A (ja) | ラベル付加装置、ラベル付加方法及びプログラム | |
| CN106537387B (zh) | 检索/存储与事件相关联的图像 | |
| CN113222653B (zh) | 一种程序化广告用户受众扩展方法、系统、设备及存储介质 | |
| CN110807086A (zh) | 文本数据标注方法及装置、存储介质、电子设备 | |
| CN109492859A (zh) | 基于神经网络模型的员工分类方法及装置、设备、介质 | |
| Wróblewska et al. | Robotic Process Automation of Unstructured Data with Machine Learning. | |
| KR20220001009A (ko) | 기술 단어 평가 방법 및 장치, 전자 기기, 컴퓨터 판독 가능 저장 매체 | |
| CN113626591A (zh) | 一种基于文本分类的电子病历数据质量评价方法 | |
| CN115187130B (zh) | 基于鼠标运动轨迹判断工作效率的方法和装置 | |
| CN109918544B (zh) | 基于粗糙集的职务犯罪社会关系网络智能分析方法及系统 | |
| Pohudina et al. | Method for identifying and counting objects | |
| Nasfi et al. | A novel feature selection method using generalized inverted Dirichlet-based HMMs for image categorization | |
| Sameki et al. | ICORD: Intelligent Collection of Redundant Data-A Dynamic System for Crowdsourcing Cell Segmentations Accurately and Efficiently. | |
| CN115762721A (zh) | 一种基于计算机视觉技术的医疗影像质控方法和系统 | |
| JP6026036B1 (ja) | データ分析システム、その制御方法、プログラム、及び、記録媒体 | |
| CN114495224A (zh) | 一种信贷风险确定方法及装置 | |
| CN113591731A (zh) | 一种基于知识蒸馏的弱监督视频时序行为定位方法 | |
| CN114581792A (zh) | 基于卫星遥感图像的农业灾害监测方法和系统 | |
| CN114612246A (zh) | 对象集合识别方法、装置、计算机设备及存储介质 | |
| CN113468203A (zh) | 基于循环神经网络与注意力机制的金融用户画像方法 | |
| JP2022037802A (ja) | データ管理プログラム、データ管理方法及び情報処理装置 |
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 |