CN116510124A - 输液监控系统及其方法 - Google Patents

输液监控系统及其方法 Download PDF

Info

Publication number
CN116510124A
CN116510124A CN202310562527.2A CN202310562527A CN116510124A CN 116510124 A CN116510124 A CN 116510124A CN 202310562527 A CN202310562527 A CN 202310562527A CN 116510124 A CN116510124 A CN 116510124A
Authority
CN
China
Prior art keywords
time sequence
infusion
dynamic
feature
transfusion
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.)
Withdrawn
Application number
CN202310562527.2A
Other languages
English (en)
Inventor
石博文
王康
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.)
Second Affiliated Hospital and Yuying Childrens Hospital of Wenzhou Medical University
Original Assignee
Second Affiliated Hospital and Yuying Childrens Hospital of Wenzhou Medical University
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 Second Affiliated Hospital and Yuying Childrens Hospital of Wenzhou Medical University filed Critical Second Affiliated Hospital and Yuying Childrens Hospital of Wenzhou Medical University
Priority to CN202310562527.2A priority Critical patent/CN116510124A/zh
Publication of CN116510124A publication Critical patent/CN116510124A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/16831—Monitoring, detecting, signalling or eliminating infusion flow anomalies
    • A61M5/1684—Monitoring, detecting, signalling or eliminating infusion flow anomalies by detecting the amount of infusate remaining, e.g. signalling end of infusion
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M5/00—Devices for bringing media into the body in a subcutaneous, intra-vascular or intramuscular way; Accessories therefor, e.g. filling or cleaning devices, arm-rests
    • A61M5/14—Infusion devices, e.g. infusing by gravity; Blood infusion; Accessories therefor
    • A61M5/168—Means for controlling media flow to the body or for metering media to the body, e.g. drip meters, counters ; Monitoring media flow to the body
    • A61M5/16831—Monitoring, detecting, signalling or eliminating infusion flow anomalies
    • 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
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • G16H20/17—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients delivered via infusion or injection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3327—Measuring
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/33—Controlling, regulating or measuring
    • A61M2205/3379—Masses, volumes, levels of fluids in reservoirs, flow rates
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Hematology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Anesthesiology (AREA)
  • Vascular Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Infusion, Injection, And Reservoir Apparatuses (AREA)

Abstract

一种输液监控系统及其方法，其获取多个患者在预定时间段内多个预定时间点的输液剩余量；采用基于深度学习的人工智能技术，挖掘所述各个患者的输液剩余量的时序动态关联特征和所述各个患者的拓扑关联特征之间的关联性特征分布信息，以此来对于患者的输液优先级进行实时准确地监控，便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。

Description

输液监控系统及其方法
技术领域
本申请涉及智能化监控技术领域，并且更具体地，涉及一种输液监控系统及其方法。
背景技术
液体注射是医疗护理过程中的一项重要任务。在多个患者同时进行输液的情况下，护士需要及时掌握每位患者的输液情况和进度，以便于能够及时且快速地处理突发异常情况，保障患者的输液安全性。然而，传统的液体注射系统多以人工巡视的方式进行输液监测，并依靠护理工作人员的主观判断和手动记录来进行输液管理。这种方式经常会面临人力不足、管控困难等问题，导致输液管控的效率和准确性较低，无法快速响应突发情况，且无法保证输液的质量和安全。
因此，期望一种优化的输液监控系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种输液监控系统及其方法，其获取多个患者在预定时间段内多个预定时间点的输液剩余量；采用基于深度学习的人工智能技术，挖掘所述各个患者的输液剩余量的时序动态关联特征和所述各个患者的拓扑关联特征之间的关联性特征分布信息，以此来对于患者的输液优先级进行实时准确地监控，便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
第一方面，提供了一种输液监控系统，其包括：输液剩余量采集模块，用于获取多个患者在预定时间段内多个预定时间点的输液剩余量；患者输液剩余量时序分布模块，用于将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量；输液剩余量相对动态变化模块，用于计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量；输液剩余量动静变化关联模块，用于将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量；输液剩余量时序变化特征提取模块，用于将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量；患者空间拓扑构建模块，用于构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值；患者空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；全局二维排列模块，用于将所述多个输液剩余量动-静时序特征向量进行二维排列以得到全局输液剩余量动-静时序特征矩阵；图神经网络关联编码模块，用于将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩阵；特征优化模块，用于对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩阵；查询模块，用于以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；概率值生成模块，用于将所述多个分类特征向量通过分类器以得到多个概率值；以及排序模块，用于基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。
在上述输液监控系统中，所述输液剩余量时序变化特征提取模块，包括：第一尺度提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第一尺度输液剩余量特征向量；其中，所述第一卷积公式为：，其中，/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与第一一维卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述各个输液剩余量动-静时序输入向量，/>表示对所述各个输液剩余量动-静时序输入向量进行一维卷积编码；第二尺度提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第二尺度输液剩余量特征向量；其中，所述第二卷积公式为：/>其中，/>为第二一维卷积核在/> 方向上的宽度、/>为第二一维卷积核参数向量、 /> 为与第二一维卷积核函数运算的局部向量矩阵， />为第二一维卷积核的尺寸，/>表示所述各个输液剩余量动-静时序输入向量，/>表示对所述各个输液剩余量动-静时序输入向量进行一维卷积编码；以及，级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度输液剩余量特征向量和所述第二尺度输液剩余量特征向量进行级联以得到所述多个输液剩余量动-静时序特征向量。
在上述输液监控系统中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述输液监控系统中，所述患者空间拓扑特征提取模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
在上述输液监控系统中，所述图神经网络关联编码模块，用于：通过可学习的神经网络参数对所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的空间拓扑关联特征和所述各个患者的输液剩余量时序动态变化特征信息的所述空间拓扑全局输液剩余量动-静时序特征矩阵。
在上述输液监控系统中，所述特征优化模块，包括：优化因数计算单元，用于计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数；以及，加权优化单元，用于以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置特征值进行加权优化以得到所述优化空间拓扑全局输液剩余量动-静时序特征矩阵。
在上述输液监控系统中，所述优化因数计算单元，用于：以如下优化公式计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数；其中，所述优化公式为：，其中，/>是所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值，/>为所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置特征值的位置坐标，且 />是所述空间拓扑全局输液剩余量动-静时序特征矩阵的所有特征值的全局均值，/>和/>分别代表不同的将二维实数映射为一维实数的函数，/>和/>分别是所述空间拓扑全局输液剩余量动-静时序特征矩阵的宽度和高度，/>表示以2为底的对数函数，/> 表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
在上述输液监控系统中，所述查询模块，用于：以如下乘积公式计算所述各个输液剩余量动-静时序特征向量与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；其中，所述乘积公式为：，其中， />表示所述优化空间拓扑全局输液剩余量动-静时序特征矩阵，/>表示所述各个输液剩余量动-静时序特征向量，/> 表示所述多个分类特征向量，/>表示矩阵相乘。
在上述输液监控系统中，所述概率值生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
第二方面，提供了一种输液监控方法，其包括：获取多个患者在预定时间段内多个预定时间点的输液剩余量；将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量；计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量；将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量；将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量；构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值；将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；将所述多个输液剩余量动-静时序特征向量进行二维排列以得到全局输液剩余量动-静时序特征矩阵；将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩阵；对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩阵；以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；将所述多个分类特征向量通过分类器以得到多个概率值；以及基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。
与现有技术相比，本申请提供的输液监控系统及其方法，其获取多个患者在预定时间段内多个预定时间点的输液剩余量；采用基于深度学习的人工智能技术，挖掘所述各个患者的输液剩余量的时序动态关联特征和所述各个患者的拓扑关联特征之间的关联性特征分布信息，以此来对于患者的输液优先级进行实时准确地监控，便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的输液监控系统的应用场景图。
图2为根据本申请实施例的输液监控系统的框图。
图3为根据本申请实施例的输液监控系统中所述输液剩余量时序变化特征提取模块的框图。
图4为根据本申请实施例的输液监控系统中所述特征优化模块的框图。
图5为根据本申请实施例的输液监控系统中所述概率值生成模块的框图。
图6为根据本申请实施例的输液监控方法的流程图。
图7为根据本申请实施例的输液监控方法的系统架构的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，传统的液体注射系统多以人工巡视的方式进行输液监测，并依靠护理工作人员的主观判断和手动记录来进行输液管理。这种方式经常会面临人力不足、管控困难等问题，导致输液管控的效率和准确性较低，无法快速响应突发情况，且无法保证输液的质量和安全。因此，期望一种优化的输液监控系统。
相应地，考虑到在实际进行输液监控过程中，由于每个患者的输液情况不同，例如输液的种类和快慢不同，导致各个患者的输液时间也不相同，使得患者的输液优先级排序是动态变化的。因此，为了能够保证各个患者的输液质量和安全性，期望在护士站屏幕上集中显示病区内所有输液进程，以方便护士掌握整体动态，及时处理报警信息。具体地，在本申请的技术方案中，基于对各个患者的输液剩余量的分析来进行各个患者的输液处理优先级排序，以此在屏幕上进行显示，有利于护理工作人员的及时处理。但是，由于所述各个患者的输液剩余量不仅在时间维度上有着各自的动态变化规律，而且各个患者的输液剩余量之间还具有着关于输液处理优先级的时序协同关联特性，同时在实际进行优先级排序的过程中，还应考虑到各个患者的拓扑特征信息，以此来优化显示的准确性和处理的效率。因此，在此过程中，难点在于如何挖掘所述各个患者的输液剩余量的时序动态关联特征和所述各个患者的拓扑关联特征之间的关联性特征分布信息，以此来对于患者的输液优先级进行实时准确地监控，便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个患者的输液剩余量的时序动态关联特征和所述各个患者的拓扑关联特征之间的关联性特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取多个患者在预定时间段内多个预定时间点的输液剩余量。接着，考虑到由于所述各个患者的输液剩余量在时间维度上都具有着各自的动态性的变化规律，因此，为了能够分别对于所述各个患者的输液剩余量在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量，以此来分别整合所述各个患者的输液剩余量在时序上的分布信息。
进一步地，为了对于输液处理优先级进行排序，需要对于所述各个患者的输液剩余量在时间维度上的动态变化特征进行提取，考虑到由于所述各个患者的输液剩余量在时序上的变化信息是微弱的，这种微弱的变化特征相对于所述各个患者的输液剩余量来说为小尺度的变化特征信息，若以绝对变化信息来进行所述各个患者的输液剩余量的时序动态变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得所述各个患者的输液剩余量在时间维度上的小尺度微弱变化特征难以被察觉，进而影响后续分类的精准度。
基于此，在本申请的技术方案中，采用所述各个患者的输液剩余量的时序相对变化特征和绝对变化特征来综合进行所述各个患者的输液剩余量的时序变化特征提取。具体地，首先，计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量。接着，考虑到由于所述各个患者的输液剩余量的时序相对变化特征与时序绝对变化特征间具有着关于所述各个患者的输液剩余量的时序变化的关联关系。因此，为了充分地探究所述各个患者的输液剩余量在时间维度上的动态变化规律，以准确地进行输液优先级排序，在本申请的技术方案中，将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量。
然后，考虑到由于所述各个患者的输液情况具有着波动性和不确定性，也就是说，所述各个患者的输液情况是基于其自身和外界环境因素而发生阶段性的增快或减慢。因此，所述各个患者的输液动-静时序变化特征是不规则和无规律的，若想对于所述各个患者的输液动-静时序变化特征进行充分表达，以此来提高后续输液处理优先级排序的准确性，在本申请的技术方案中，进一步将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块中进行处理，以提取出所述各个患者的输液剩余量的动-静关联信息在不同时间跨度下的时序多尺度邻域关联特征信息，从而得到多个输液剩余量动-静时序特征向量。
对于所述各个患者来说，其在输液过程中具有着空间的拓扑关联关系，为了能够优化后续的输液优先级处理的准确性和效率，在本申请的技术方案中，进一步构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值。接着，使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述空间拓扑矩阵的特征挖掘，以提取出所述空间拓扑矩阵中关于所述各个患者空间拓扑关联特征信息，从而得到空间拓扑特征矩阵。
进一步地，以所述各个输液剩余量动-静时序特征向量作为节点的特征表示，而以所述空间拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个输液剩余量动-静时序特征向量经二维排列得到的全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到空间拓扑全局输液剩余量动-静时序特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的空间拓扑关联特征和所述各个患者的输液剩余量时序动态变化特征信息的所述空间拓扑全局输液剩余量动-静时序特征矩阵。
然后，以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量，以此来表示在以所述各个患者的输液剩余量时序关联特征和所述各个患者的空间拓扑关联特征之间的关联性特征分布信息为基础背景下的关于所述各个患者的输液剩余量时序动态变化特征信息。接着，再将所述多个分类特征向量通过分类器以得到多个概率值，即所述各个患者的输液剩余量优先级的概率信息。因此，在得到所述多个概率值后，基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果，并在大屏幕上进行显示。这样，能够便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
特别地，在本申请的技术方案中，在以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积得到所述多个分类特征向量时，是将所述空间拓扑全局输液剩余量动-静时序特征矩阵映射到所述各个输液剩余量动-静时序特征向量的特征空间内，这里，由于所述空间拓扑全局输液剩余量动-静时序特征矩阵表达输液剩余量及其变换量的时序局部关联特征的空间拓扑表达，其行位置表达时序分布，而列位置表达空间拓扑分布，因此所述空间拓扑全局输液剩余量动-静时序特征矩阵的每个位置的特征值具有相应的位置属性，而在映射到各个输液剩余量动-静时序特征向量表达的一维时序分布后，实质上相当于对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行了特征值的的按位置聚合，因此，如果能够提升所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个特征值在按位置聚合时对于所述空间拓扑全局输液剩余量动-静时序特征矩阵的原特征流形的表达效果，也就相应地提升所述各个分类特征向量的特征表达效果。
基于此，本申请的申请人计算所述空间拓扑全局输液剩余量动-静时序特征矩阵的每个位置的特征值的位置信息图式场景注意力无偏估计因数，表示为：，其中，/>和/>分别代表不同的将二维实数映射为一维实数的函数，例如，实现为非线性激活函数激活加权和加偏置的表示，/>和/>分别是所述空间拓扑全局输液剩余量动-静时序特征矩阵的宽度和高度，/>为所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个特征值/>的坐标，例如，可以是特征矩阵的任意顶点或者中心作为坐标原点，且/>是所述空间拓扑全局输液剩余量动-静时序特征矩阵的所有特征值的全局均值。
这里，所述位置信息图式场景注意力无偏估计因数通过使用融合特征值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示和高维特征本身的信息表示的更高阶的特征表达，来在特征值对整体特征分布的按位置聚合时进一步进行特征流形的形状信息聚合，以实现高维空间内的基于特征流形的各个子流形集合形状分布的场景几何的无偏估计，以准确表达特征矩阵的流形形状的几何性质。这样，通过以所述位置信息图式场景注意力无偏估计因数对所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置的特征值进行加权，就可以提升所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个特征值在按位置聚合时对于所述空间拓扑全局输液剩余量动-静时序特征矩阵的原特征流形的表达效果，从而提升所述各个分类特征向量的特征表达效果，提升了其通过分类器得到的分类结果的准确性。这样，能够对于患者的输液优先级进行实时准确地监控，便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
图1为根据本申请实施例的输液监控系统的应用场景图。如图1所示，在该应用场景中，首先，获取多个患者在预定时间段内多个预定时间点的输液剩余量（例如，如图1中所示意的C）；然后，将获取的输液剩余量输入至部署有输液监控算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于输液监控算法对所述输液剩余量进行处理，以基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的输液监控系统的框图。如图2所示，根据本申请实施例的输液监控系统100，包括：输液剩余量采集模块101，用于获取多个患者在预定时间段内多个预定时间点的输液剩余量；患者输液剩余量时序分布模块102，用于将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量；输液剩余量相对动态变化模块103，用于计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量；输液剩余量动静变化关联模块104，用于将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量；输液剩余量时序变化特征提取模块105，用于将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量；患者空间拓扑构建模块106，用于构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值；患者空间拓扑特征提取模块107，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；全局二维排列模块108，用于将所述多个输液剩余量动-静时序特征向量进行二维排列以得到全局输液剩余量动-静时序特征矩阵；图神经网络关联编码模块109，用于将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩阵；特征优化模块110，用于对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩阵；查询模块111，用于以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；概率值生成模块112，用于将所述多个分类特征向量通过分类器以得到多个概率值；以及，排序模块113，用于基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。
具体地，在本申请实施例中，所述输液剩余量采集模块101，用于获取多个患者在预定时间段内多个预定时间点的输液剩余量。如上所述，传统的液体注射系统多以人工巡视的方式进行输液监测，并依靠护理工作人员的主观判断和手动记录来进行输液管理。这种方式经常会面临人力不足、管控困难等问题，导致输液管控的效率和准确性较低，无法快速响应突发情况，且无法保证输液的质量和安全。因此，期望一种优化的输液监控系统。
相应地，考虑到在实际进行输液监控过程中，由于每个患者的输液情况不同，例如输液的种类和快慢不同，导致各个患者的输液时间也不相同，使得患者的输液优先级排序是动态变化的。因此，为了能够保证各个患者的输液质量和安全性，期望在护士站屏幕上集中显示病区内所有输液进程，以方便护士掌握整体动态，及时处理报警信息。具体地，在本申请的技术方案中，基于对各个患者的输液剩余量的分析来进行各个患者的输液处理优先级排序，以此在屏幕上进行显示，有利于护理工作人员的及时处理。但是，由于所述各个患者的输液剩余量不仅在时间维度上有着各自的动态变化规律，而且各个患者的输液剩余量之间还具有着关于输液处理优先级的时序协同关联特性，同时在实际进行优先级排序的过程中，还应考虑到各个患者的拓扑特征信息，以此来优化显示的准确性和处理的效率。因此，在此过程中，难点在于如何挖掘所述各个患者的输液剩余量的时序动态关联特征和所述各个患者的拓扑关联特征之间的关联性特征分布信息，以此来对于患者的输液优先级进行实时准确地监控，便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述各个患者的输液剩余量的时序动态关联特征和所述各个患者的拓扑关联特征之间的关联性特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取多个患者在预定时间段内多个预定时间点的输液剩余量。
具体地，在本申请实施例中，所述患者输液剩余量时序分布模块102，用于将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量。接着，考虑到由于所述各个患者的输液剩余量在时间维度上都具有着各自的动态性的变化规律，因此，为了能够分别对于所述各个患者的输液剩余量在时间维度上的变化特征信息进行提取，在本申请的技术方案中，将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量，以此来分别整合所述各个患者的输液剩余量在时序上的分布信息。
具体地，在本申请实施例中，所述输液剩余量相对动态变化模块103和所述输液剩余量动静变化关联模块104，用于计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量；以及，用于将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量。
进一步地，为了对于输液处理优先级进行排序，需要对于所述各个患者的输液剩余量在时间维度上的动态变化特征进行提取，考虑到由于所述各个患者的输液剩余量在时序上的变化信息是微弱的，这种微弱的变化特征相对于所述各个患者的输液剩余量来说为小尺度的变化特征信息，若以绝对变化信息来进行所述各个患者的输液剩余量的时序动态变化特征提取不仅会使得计算量较大造成过拟合，而且还会使得所述各个患者的输液剩余量在时间维度上的小尺度微弱变化特征难以被察觉，进而影响后续分类的精准度。
基于此，在本申请的技术方案中，采用所述各个患者的输液剩余量的时序相对变化特征和绝对变化特征来综合进行所述各个患者的输液剩余量的时序变化特征提取。具体地，首先，计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量。接着，考虑到由于所述各个患者的输液剩余量的时序相对变化特征与时序绝对变化特征间具有着关于所述各个患者的输液剩余量的时序变化的关联关系。
因此，为了充分地探究所述各个患者的输液剩余量在时间维度上的动态变化规律，以准确地进行输液优先级排序，在本申请的技术方案中，将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量。
具体地，在本申请实施例中，所述输液剩余量时序变化特征提取模块105，用于将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量。然后，考虑到由于所述各个患者的输液情况具有着波动性和不确定性，也就是说，所述各个患者的输液情况是基于其自身和外界环境因素而发生阶段性的增快或减慢。
因此，所述各个患者的输液动-静时序变化特征是不规则和无规律的，若想对于所述各个患者的输液动-静时序变化特征进行充分表达，以此来提高后续输液处理优先级排序的准确性，在本申请的技术方案中，进一步将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块中进行处理，以提取出所述各个患者的输液剩余量的动-静关联信息在不同时间跨度下的时序多尺度邻域关联特征信息，从而得到多个输液剩余量动-静时序特征向量。
图3为根据本申请实施例的输液监控系统中所述输液剩余量时序变化特征提取模块的框图，如图3所示，所述输液剩余量时序变化特征提取模块105，包括：第一尺度提取单元1051，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第一尺度输液剩余量特征向量；其中，所述第一卷积公式为：，其中，/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与第一一维卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述各个输液剩余量动-静时序输入向量，/>表示对所述各个输液剩余量动-静时序输入向量进行一维卷积编码；第二尺度提取单元1052，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第二尺度输液剩余量特征向量；其中，所述第二卷积公式为：/>其中，/>为第二一维卷积核在/> 方向上的宽度、/>为第二一维卷积核参数向量、 /> 为与第二一维卷积核函数运算的局部向量矩阵， />为第二一维卷积核的尺寸，/>表示所述各个输液剩余量动-静时序输入向量，/>表示对所述各个输液剩余量动-静时序输入向量进行一维卷积编码；以及，级联单元1053，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度输液剩余量特征向量和所述第二尺度输液剩余量特征向量进行级联以得到所述多个输液剩余量动-静时序特征向量。
进一步地，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
值得一提的是，相较于传统的特征工程，所述多尺度邻域特征提取模块本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
所述多尺度邻域特征提取模块包含多个并行的一维卷积层，其中，在所述多尺度邻域特征提取模块进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
具体地，在本申请实施例中，所述患者空间拓扑构建模块106，用于构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值。对于所述各个患者来说，其在输液过程中具有着空间的拓扑关联关系，为了能够优化后续的输液优先级处理的准确性和效率，在本申请的技术方案中，进一步构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值。
具体地，在本申请实施例中，所述患者空间拓扑特征提取模块107，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵。接着，使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述空间拓扑矩阵的特征挖掘，以提取出所述空间拓扑矩阵中关于所述各个患者空间拓扑关联特征信息，从而得到空间拓扑特征矩阵。
其中，所述患者空间拓扑特征提取模块107，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现，且相较于传统的基于统计或者基于特征工程的图像特征提取算法，所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地，在本申请实施例中，所述全局二维排列模块108和所述图神经网络关联编码模块109，用于将所述多个输液剩余量动-静时序特征向量进行二维排列以得到全局输液剩余量动-静时序特征矩阵；以及，用于将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩阵。
进一步地，以所述各个输液剩余量动-静时序特征向量作为节点的特征表示，而以所述空间拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个输液剩余量动-静时序特征向量经二维排列得到的全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络以得到空间拓扑全局输液剩余量动-静时序特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的空间拓扑关联特征和所述各个患者的输液剩余量时序动态变化特征信息的所述空间拓扑全局输液剩余量动-静时序特征矩阵。
其中，所述图神经网络关联编码模块109，用于：通过可学习的神经网络参数对所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的空间拓扑关联特征和所述各个患者的输液剩余量时序动态变化特征信息的所述空间拓扑全局输液剩余量动-静时序特征矩阵。
图神经网络的研究与图嵌入或网络嵌入密切相关，图嵌入或网络嵌入是数据挖掘和机器学习界日益关注的另一个课题。图嵌入旨在通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法（例如，支持向量机分类）进行处理。许多图嵌入算法通常是无监督的算法，它们可以大致可以划分为三个类别，即矩阵分解、随机游走和深度学习方法。同时图嵌入的深度学习方法也属于图神经网络，包括基于图自动编码器的算法（如DNGR和SDNE）和无监督训练的图卷积神经网络（如GraphSage）。图神经网络划分为五大类别，分别是：图卷积网络（Graph Convolution Networks，GCN）、图注意力网络（Graph Attention Networks）、图自编码器（ Graph Autoencoders）、图生成网络（ Graph Generative Networks） 和图时空网络（Graph Spatial-temporalNetworks）。
图卷积网络（Graph Convolutional Network，GCN）进行卷积操作主要有两种方法：一种是基于谱分解，即谱分解图卷积。另一种是基于节点空间变换，即空间图卷积。Bruna 等人第一次将卷积神经网路泛化到图数据上，提出两种并列的图卷积模型——谱分解图卷积和空间图卷积；基于自编码器的 GNN 被称为图自编码器（Graph Auto-encoder，GAE），可以半监督或者无监督地学习图节点信息。在深度学习领域，自编码器（Auto-encoder，AE）是一类将输入信息进行表征学习的人工神经网络；图 生 成 网 络 （ GraphGenerative Network，GGN）是一类用来生成图数据的 GNN，其使用一定的规则对节点和边进行重新组合，最终生成具有特定属性和要求的目标图；图循环网络（Graph RecurrentNetwork，GRN）是最早出现的一种GNN模型。相较于其他的GNN算法，GRN 通常将图数据转换为序列，在训练的过程中序列会不断地递归演进和变化；注意力机制可以让一个神经网络只关注任务学习所需要的信息，它能够选择特定的输入。在 GNN 中引入注意力机制可以让神经网络关注对任务更加相关的节点和边，提升训练的有效性和测试的精度，由此形成图注意力网络（Graph Attention Network，GAT）。
具体地，在本申请实施例中，所述特征优化模块110，用于对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩阵。图4为根据本申请实施例的输液监控系统中所述特征优化模块的框图，如图4所示，所述特征优化模块110，包括：优化因数计算单元1101，用于计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数；以及，加权优化单元1102，用于以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置特征值进行加权优化以得到所述优化空间拓扑全局输液剩余量动-静时序特征矩阵。
特别地，在本申请的技术方案中，在以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积得到所述多个分类特征向量时，是将所述空间拓扑全局输液剩余量动-静时序特征矩阵映射到所述各个输液剩余量动-静时序特征向量的特征空间内，这里，由于所述空间拓扑全局输液剩余量动-静时序特征矩阵表达输液剩余量及其变换量的时序局部关联特征的的空间拓扑表达，其行位置表达时序分布，而列位置表达空间拓扑分布，因此所述空间拓扑全局输液剩余量动-静时序特征矩阵的每个位置的特征值具有相应的位置属性，而在映射到各个输液剩余量动-静时序特征向量表达的一维时序分布后，实质上相当于对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行了特征值的按位置聚合，因此，如果能够提升所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个特征值在按位置聚合时对于所述空间拓扑全局输液剩余量动-静时序特征矩阵的原特征流形的表达效果，也就相应地提升所述各个分类特征向量的特征表达效果。
基于此，本申请的申请人计算所述空间拓扑全局输液剩余量动-静时序特征矩阵的每个位置的特征值的位置信息图式场景注意力无偏估计因数，表示为：以如下优化公式计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数；其中，所述优化公式为：，其中，/>是所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值，/>为所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置特征值的位置坐标，且 />是所述空间拓扑全局输液剩余量动-静时序特征矩阵的所有特征值的全局均值，/>和/>分别代表不同的将二维实数映射为一维实数的函数，/>和/>分别是所述空间拓扑全局输液剩余量动-静时序特征矩阵的宽度和高度，/>表示以2为底的对数函数，/> 表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
这里，所述位置信息图式场景注意力无偏估计因数通过使用融合特征值相对于整体特征分布的高维空间位置的相对几何方向和相对几何距离的图式信息表示和高维特征本身的信息表示的更高阶的特征表达，来在特征值对整体特征分布的按位置聚合时进一步进行特征流形的形状信息聚合，以实现高维空间内的基于特征流形的各个子流形集合形状分布的场景几何的无偏估计，以准确表达特征矩阵的流形形状的几何性质。这样，通过以所述位置信息图式场景注意力无偏估计因数对所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置的特征值进行加权，就可以提升所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个特征值在按位置聚合时对于所述空间拓扑全局输液剩余量动-静时序特征矩阵的原特征流形的表达效果，从而提升所述各个分类特征向量的特征表达效果，提升了其通过分类器得到的分类结果的准确性。这样，能够对于患者的输液优先级进行实时准确地监控，便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
具体地，在本申请实施例中，所述查询模块111，用于以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量。然后，以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量，以此来表示在以所述各个患者的输液剩余量时序关联特征和所述各个患者的空间拓扑关联特征之间的关联性特征分布信息为基础背景下的关于所述各个患者的输液剩余量时序动态变化特征信息。
其中，所述查询模块111，用于：以如下乘积公式计算所述各个输液剩余量动-静时序特征向量与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；其中，所述乘积公式为：，其中， />表示所述优化空间拓扑全局输液剩余量动-静时序特征矩阵，/>表示所述各个输液剩余量动-静时序特征向量，/> 表示所述多个分类特征向量，/>表示矩阵相乘。
具体地，在本申请实施例中，所述概率值生成模块112和所述排序模块113，用于将所述多个分类特征向量通过分类器以得到多个概率值；以及，用于基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。接着，再将所述多个分类特征向量通过分类器以得到多个概率值，即所述各个患者的输液剩余量优先级的概率信息。因此，在得到所述多个概率值后，基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果，并在大屏幕上进行显示。这样，能够便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
图5为根据本申请实施例的输液监控系统中所述概率值生成模块的框，如图5所示，所述概率值生成模块112，包括：全连接编码单元1121，用于使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到编码分类特征向量；以及，分类单元1122，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的输液监控系统100被阐明，其获取多个患者在预定时间段内多个预定时间点的输液剩余量；采用基于深度学习的人工智能技术，挖掘所述各个患者的输液剩余量的时序动态关联特征和所述各个患者的拓扑关联特征之间的关联性特征分布信息，以此来对于患者的输液优先级进行实时准确地监控，便于护理工作人员及时掌握患者输液的整体动态，进而优化输液的质量和安全性。
在本申请的一个实施例中，图6为根据本申请实施例的输液监控方法的流程图。如图6所示，根据本申请实施例的输液监控方法，其包括：201，获取多个患者在预定时间段内多个预定时间点的输液剩余量；202，将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量；203，计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量；204，将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量；205，将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量；206，构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值；207，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；208，将所述多个输液剩余量动-静时序特征向量进行二维排列以得到全局输液剩余量动-静时序特征矩阵；209，将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩阵；210，对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩阵；211，以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；212，将所述多个分类特征向量通过分类器以得到多个概率值；以及，213，基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。
图7为根据本申请实施例的输液监控方法的系统架构的示意图。如图7所示，在所述输液监控方法的系统架构中，首先，获取多个患者在预定时间段内多个预定时间点的输液剩余量；然后，将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量；接着，计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量；然后，将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量；接着，将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量；然后，构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值；接着，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；然后，将所述多个输液剩余量动-静时序特征向量进行二维排列以得到全局输液剩余量动-静时序特征矩阵；接着，将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩阵；然后，对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩阵；接着，以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；然后，将所述多个分类特征向量通过分类器以得到多个概率值；以及，最后，基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。
在一个具体示例中，在上述输液监控方法中，将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第一尺度输液剩余量特征向量；其中，所述第一卷积公式为：根据权利要求1所述的输液监控系统，其特征在于，所述输液剩余量时序变化特征提取模块，包括：第一尺度提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第一尺度输液剩余量特征向量；其中，所述第一卷积公式为：，其中，/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与第一一维卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述各个输液剩余量动-静时序输入向量，/>表示对所述各个输液剩余量动-静时序输入向量进行一维卷积编码；使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第二尺度输液剩余量特征向量；其中，所述第二卷积公式为：其中，/>为第二一维卷积核在/> 方向上的宽度、/>为第二一维卷积核参数向量、 /> 为与第二一维卷积核函数运算的局部向量矩阵， />为第二一维卷积核的尺寸，/>表示所述各个输液剩余量动-静时序输入向量，/>表示对所述各个输液剩余量动-静时序输入向量进行一维卷积编码；以及，使用所述多尺度邻域特征提取模块的融合层对所述第一尺度输液剩余量特征向量和所述第二尺度输液剩余量特征向量进行级联以得到所述多个输液剩余量动-静时序特征向量。
在一个具体示例中，在上述输液监控方法中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个具体示例中，在上述输液监控方法中，将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵，包括：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
在一个具体示例中，在上述输液监控方法中，将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩，包括：通过可学习的神经网络参数对所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的空间拓扑关联特征和所述各个患者的输液剩余量时序动态变化特征信息的所述空间拓扑全局输液剩余量动-静时序特征矩阵。
在一个具体示例中，在上述输液监控方法中，对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩，包括：计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数；以及，以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置特征值进行加权优化以得到所述优化空间拓扑全局输液剩余量动-静时序特征矩阵。
在一个具体示例中，在上述输液监控方法中，计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数，包括：以如下优化公式计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数；其中，所述优化公式为：，其中，/>是所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值，/>为所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置特征值的位置坐标，且 />是所述空间拓扑全局输液剩余量动-静时序特征矩阵的所有特征值的全局均值，/>和/>分别代表不同的将二维实数映射为一维实数的函数，/>和/>分别是所述空间拓扑全局输液剩余量动-静时序特征矩阵的宽度和高度，/>表示以2为底的对数函数，/> 表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
在一个具体示例中，在上述输液监控方法中，以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量，包括：以如下乘积公式计算所述各个输液剩余量动-静时序特征向量与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；其中，所述乘积公式为：，其中， />表示所述优化空间拓扑全局输液剩余量动-静时序特征矩阵，/>表示所述各个输液剩余量动-静时序特征向量，/> 表示所述多个分类特征向量，/>表示矩阵相乘。
在一个具体示例中，在上述输液监控方法中，将所述多个分类特征向量通过分类器以得到多个概率值，包括：使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
本领域技术人员可以理解，上述输液监控方法中的各个步骤的具体操作已经在上面参考图1到图5的输液监控系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还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存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种输液监控系统，其特征在于，包括：输液剩余量采集模块，用于获取多个患者在预定时间段内多个预定时间点的输液剩余量；患者输液剩余量时序分布模块，用于将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量；输液剩余量相对动态变化模块，用于计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量；输液剩余量动静变化关联模块，用于将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量；输液剩余量时序变化特征提取模块，用于将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量；患者空间拓扑构建模块，用于构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值；患者空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；全局二维排列模块，用于将所述多个输液剩余量动-静时序特征向量进行二维排列以得到全局输液剩余量动-静时序特征矩阵；图神经网络关联编码模块，用于将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩阵；特征优化模块，用于对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩阵；查询模块，用于以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；概率值生成模块，用于将所述多个分类特征向量通过分类器以得到多个概率值；以及排序模块，用于基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。
2.根据权利要求1所述的输液监控系统，其特征在于，所述输液剩余量时序变化特征提取模块，包括：第一尺度提取单元，用于使用所述多尺度邻域特征提取模块的第一卷积层以如下第一卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第一尺度输液剩余量特征向量；其中，所述第一卷积公式为：，其中，/>为第一一维卷积核在/>方向上的宽度、/>为第一一维卷积核参数向量、/>为与第一一维卷积核函数运算的局部向量矩阵，/>为第一一维卷积核的尺寸，/>表示所述各个输液剩余量动-静时序输入向量，/>表示对所述各个输液剩余量动-静时序输入向量进行一维卷积编码；第二尺度提取单元，用于使用所述多尺度邻域特征提取模块的第二卷积层以如下第二卷积公式对所述各个输液剩余量动-静时序输入向量进行一维卷积编码以得到第二尺度输液剩余量特征向量；其中，所述第二卷积公式为：其中，/>为第二一维卷积核在/> 方向上的宽度、/>为第二一维卷积核参数向量、 /> 为与第二一维卷积核函数运算的局部向量矩阵， />为第二一维卷积核的尺寸，/>表示所述各个输液剩余量动-静时序输入向量，/>表示对所述各个输液剩余量动-静时序输入向量进行一维卷积编码；以及级联单元，用于使用所述多尺度邻域特征提取模块的融合层对所述第一尺度输液剩余量特征向量和所述第二尺度输液剩余量特征向量进行级联以得到所述多个输液剩余量动-静时序特征向量。
3.根据权利要求2所述的输液监控系统，其特征在于，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
4.根据权利要求3所述的输液监控系统，其特征在于，所述患者空间拓扑特征提取模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层的输出为所述空间拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
5.根据权利要求4所述的输液监控系统，其特征在于，所述图神经网络关联编码模块，用于：通过可学习的神经网络参数对所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的空间拓扑关联特征和所述各个患者的输液剩余量时序动态变化特征信息的所述空间拓扑全局输液剩余量动-静时序特征矩阵。
6.根据权利要求5所述的输液监控系统，其特征在于，所述特征优化模块，包括：优化因数计算单元，用于计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到多个位置信息图式场景注意力无偏估计因数；以及加权优化单元，用于以所述多个位置信息图式场景注意力无偏估计因数作为加权系数对所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置特征值进行加权优化以得到所述优化空间拓扑全局输液剩余量动-静时序特征矩阵。
7.根据权利要求6所述的输液监控系统，其特征在于，所述优化因数计算单元，用于：以如下优化公式计算所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值的位置信息图式场景注意力无偏估计因数以得到所述多个位置信息图式场景注意力无偏估计因数；其中，所述优化公式为：，其中，/>是所述空间拓扑全局输液剩余量动-静时序特征矩阵中各个位置特征值，/>为所述空间拓扑全局输液剩余量动-静时序特征矩阵的各个位置特征值的位置坐标，且 />是所述空间拓扑全局输液剩余量动-静时序特征矩阵的所有特征值的全局均值，/>和分别代表不同的将二维实数映射为一维实数的函数，/>和/>分别是所述空间拓扑全局输液剩余量动-静时序特征矩阵的宽度和高度，/>表示以2为底的对数函数，/> 表示所述多个位置信息图式场景注意力无偏估计因数中的各个位置信息图式场景注意力无偏估计因数。
8.根据权利要求7所述的输液监控系统，其特征在于，所述查询模块，用于：以如下乘积公式计算所述各个输液剩余量动-静时序特征向量与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；其中，所述乘积公式为：，其中， />表示所述优化空间拓扑全局输液剩余量动-静时序特征矩阵，/>表示所述各个输液剩余量动-静时序特征向量，/> 表示所述多个分类特征向量，/>表示矩阵相乘。
9.根据权利要求8所述的输液监控系统，其特征在于，所述概率值生成模块，包括：全连接编码单元，用于使用所述分类器的多个全连接层对所述多个分类特征向量进行全连接编码以得到编码分类特征向量；以及分类单元，用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种输液监控方法，其特征在于，包括：获取多个患者在预定时间段内多个预定时间点的输液剩余量；将所述各个患者在预定时间段内多个预定时间点的输液剩余量分别按照时间维度排列为输入向量以得到多个输液剩余量时序输入向量；计算所述各个输液剩余量时序输入向量中每相邻两个预定时间点的输液剩余量之间的差值以得到多个输液剩余量变化时序输入向量；将所述多个输液剩余量时序输入向量和所述多个输液剩余量变化时序输入向量中每组对应的输液剩余量时序输入向量和输液剩余量变化时序输入向量进行级联以得到多个输液剩余量动-静时序输入向量；将所述各个输液剩余量动-静时序输入向量分别通过多尺度邻域特征提取模块以得到多个输液剩余量动-静时序特征向量；构造所述多个患者的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示两个患者之间的空间距离值；将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；将所述多个输液剩余量动-静时序特征向量进行二维排列以得到全局输液剩余量动-静时序特征矩阵；将所述全局输液剩余量动-静时序特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局输液剩余量动-静时序特征矩阵；对所述空间拓扑全局输液剩余量动-静时序特征矩阵进行特征分布优化以得到优化空间拓扑全局输液剩余量动-静时序特征矩阵；以所述各个输液剩余量动-静时序特征向量作为查询特征向量，计算其与所述优化空间拓扑全局输液剩余量动-静时序特征矩阵之间的矩阵乘积以得到多个分类特征向量；将所述多个分类特征向量通过分类器以得到多个概率值；以及基于所述多个概率值之间的排序，生成推荐处理优先级陈列结果。
CN202310562527.2A 2023-05-18 2023-05-18 输液监控系统及其方法 Withdrawn CN116510124A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310562527.2A CN116510124A (zh) 2023-05-18 2023-05-18 输液监控系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310562527.2A CN116510124A (zh) 2023-05-18 2023-05-18 输液监控系统及其方法

Publications (1)

Publication Number Publication Date
CN116510124A true CN116510124A (zh) 2023-08-01

Family

ID=87401014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310562527.2A Withdrawn CN116510124A (zh) 2023-05-18 2023-05-18 输液监控系统及其方法

Country Status (1)

Country Link
CN (1) CN116510124A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151649A (zh) * 2023-09-15 2023-12-01 浙江蓝城萧立建设管理有限公司 基于大数据分析的施工方法管控系统及方法
CN117606112A (zh) * 2023-11-20 2024-02-27 中建新疆建工集团第三建设工程有限公司 近零能耗建筑的室内环境控制系统及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151649A (zh) * 2023-09-15 2023-12-01 浙江蓝城萧立建设管理有限公司 基于大数据分析的施工方法管控系统及方法
CN117151649B (zh) * 2023-09-15 2024-02-23 浙江蓝城萧立建设管理有限公司 基于大数据分析的施工方法管控系统及方法
CN117606112A (zh) * 2023-11-20 2024-02-27 中建新疆建工集团第三建设工程有限公司 近零能耗建筑的室内环境控制系统及方法

Similar Documents

Publication Publication Date Title
Liu et al. Graph transformer network with temporal kernel attention for skeleton-based action recognition
Qin et al. U2-Net: Going deeper with nested U-structure for salient object detection
CN116510124A (zh) 输液监控系统及其方法
Wu et al. Perceptual metric-guided human image generation
Salehi et al. Generative adversarial networks (GANs): An overview of theoretical model, evaluation metrics, and recent developments
Jiao et al. Graph representation learning meets computer vision: A survey
CN114049381A (zh) 一种融合多层语义信息的孪生交叉目标跟踪方法
Wen et al. Motif-GCNs with local and non-local temporal blocks for skeleton-based action recognition
CN116092701B (zh) 基于健康数据分析管理平台的控制系统及其方法
Jin et al. Learning dynamic relationships for facial expression recognition based on graph convolutional network
Chou et al. Imaging time-series with features to enable visual recognition of regional energy consumption by bio-inspired optimization of deep learning
Zhang et al. Class relatedness oriented-discriminative dictionary learning for multiclass image classification
Niu et al. Improving semantic segmentation in aerial imagery via graph reasoning and disentangled learning
Ding et al. Global relational reasoning with spatial temporal graph interaction networks for skeleton-based action recognition
Zhang et al. Complex image recognition algorithm based on immune random forest model
Li et al. A copy paste and semantic segmentation-based approach for the classification and assessment of significant rice diseases
Xu et al. Cow face recognition for a small sample based on Siamese DB Capsule Network
Gao et al. Multiscale 3-D-CNN based on spatial–spectral joint feature extraction for hyperspectral remote sensing images classification
Tanantong et al. A convolutional neural network framework for classifying inappropriate online video contents
CN116758331A (zh) 物体检测方法、装置及存储介质
CN116467466A (zh) 基于知识图谱的编码推荐方法、装置、设备及介质
Xu et al. Masked graph neural networks for unsupervised anomaly detection in multivariate time series
Yin et al. Spatiotemporal progressive inward-outward aggregation network for skeleton-based action recognition
CN113449193A (zh) 基于多分类图像的信息推荐方法及装置
Zhao et al. Rethinking superpixel segmentation from biologically inspired mechanisms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230801