CN116542241B - 应急预案的匹配方法及紧急医学救援协同指挥平台系统 - Google Patents
应急预案的匹配方法及紧急医学救援协同指挥平台系统 Download PDFInfo
- Publication number
- CN116542241B CN116542241B CN202310745981.1A CN202310745981A CN116542241B CN 116542241 B CN116542241 B CN 116542241B CN 202310745981 A CN202310745981 A CN 202310745981A CN 116542241 B CN116542241 B CN 116542241B
- Authority
- CN
- China
- Prior art keywords
- model
- emergency
- training
- rescue
- information
- 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 55
- 238000000605 extraction Methods 0.000 claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 31
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 100
- 238000012360 testing method Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 36
- 239000000463 material Substances 0.000 claims description 29
- 238000012795 verification Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 208000027418 Wounds and injury Diseases 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000006378 damage Effects 0.000 claims description 12
- 208000014674 injury Diseases 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 210000000707 wrist Anatomy 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000001960 triggered effect Effects 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000036651 mood Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 47
- 239000000126 substance Substances 0.000 description 23
- 238000007726 management method Methods 0.000 description 16
- 238000004880 explosion Methods 0.000 description 15
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000012550 audit Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000740 bleeding effect Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940124645 emergency medicine Drugs 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002311 subsequent effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/226—Validation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/166—Editing, e.g. inserting or deleting
-
- 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
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/083—Recognition networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/183—Speech classification or search using natural language modelling using context dependencies, e.g. language models
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/28—Constructional details of speech recognition systems
- G10L15/30—Distributed recognition, e.g. in client-server systems, for mobile phones or network applications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L2015/088—Word spotting
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Child & Adolescent Psychology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
Abstract
本发明涉及紧急医学救援技术领域,公开了一种应急预案的匹配方法及紧急医学救援协同指挥平台系统,包括:S1、通过上报平台获取相关的语音上报信息,并将所述语音上报信息转换为初始文本信息;S2、将所述初始文本信息通过训练好的文本纠错模型进行纠错,得到第一中间文本信息;S3、将所述第一中间文本信息输入至训练好的分类模型中进行分类,找到对应的应急预案;S4、使用关键词抽取模型抽取与应急预案相关的所述第一中间文本信息的关键信息,并基于所述关键信息执行对应的应急预案。本发明可以接收相关音频对话、或语音转文本的非结构化来自动选择相关的应急预案。
Description
技术领域
本发明涉及紧急医学救援技术领域,具体涉及一种应急预案的匹配方法及紧急医学救援协同指挥平台系统。
背景技术
目前我国紧急医学救援综合实力尚不能很好满足新时代突发事件应对的需要,主要表现在:现场紧急医学救援指挥协调机制有待完善,紧急医学救援基础较弱,装备保障和远程投送能力不强;航空医疗救援和海(水)上医疗救援尚 处于起步探索阶段;全国区域布局的专业化紧急医学救援网络还没有形成,基层紧急医学救援能力亟待加强;专业人才培养和学科建设需要加快推进,其中,现场紧急医学救援指挥协调机制的目标是建设国家所述、省、市、 县、乡镇五级医疗应急指挥调度信息系统。
在现场紧急医学救援指挥过程中,针对不同的灾难会出具不同的预案,因此,快速匹配对应的预案,在现场紧急医院救援指挥过程中是非常有必要的。
目前常用的应急预案匹配通常为两类:采人工判断和采用关键值提取方法。
其中,人工判断需要人力介入,人员需要24小时在线,同时容易受到不同的人员经验或其他因素影响准确性,并且依赖相关人员对于相关预案的熟悉程度,因此,容易误判错判;
采用关键值的提取方法,需要专家针对相关所有预案提出公共参数,如灾难类型、影响范围、影响人数、受伤人数、死亡人数等。由于灾难的多种多样,不同灾难的某些关键值往往同时高度相关不容易区别,个别因素又完全不相同,如化学品爆破的个别因素为相关化学品名称、是否易燃易爆等,而交通事故的个别因素却为发生地点、是否影响交通等。不同的上报事件,需要上报的相关细节完全不同。如果采用结构化的方式上报,需要选择不同上报事件后动态的组装不同的关键字,可能会延长接警人员操作事件,从而延误时间,同时如果由于上报类型判断错误,也可能导致需要的上报因数不完整,即使后续改正为正确的事件类型但相关信息会丢失。这样上报的数据需要高度复杂结构化,同时由于上报突发紧急事件往往是由120急救平台、110报警平台、119火警平台上报而来,目前上报信息往往是语音,所有文本转换为高度结构化的关键值要么采用如接警人员人工操作进行上班,或者由于时间紧急或职责关系,多数接警人员要么采用了相关接警人员无法了解相关关键值的输入方式方法进行上报,要么采用电话联系紧急医学救援协同指挥平台系统等相关人员进行上报,然后相关人员再在紧急医学救援协同指挥平台系统上进行输入,这种信息多级传递天然就具有消息的失真与丢失的缺点。
发明内容
本发明提供一种应急预案的匹配方法及紧急医学救援协同指挥平台系统,旨在克服前述的现有技术中对人力依赖严重的问题,提出一个可以接收相关音频对话或语音转文本的非结构化来自动选择相关预案的方式,不需要专家针对海量的预案进行分别和逻辑判断。
本发明通过下述技术方案实现:
一种应急预案的匹配方法,包括:
S1、通过上报平台获取相关的语音上报信息,并将所述语音上报信息转换为初始文本信息;
S2、将所述初始文本信息通过训练好的文本纠错模型进行纠错,得到第一中间文本信息,同时,根据所述初始文本信息对所述文本纠错模型重新进行训练;
S3、将所述第一中间文本信息输入至训练好的分类模型中进行分类,找到对应的应急预案,同时,根据所述第一中间文本信息对所述分类模型重新进行训练;
S4、使用关键词抽取模型抽取与应急预案相关的所述第一中间文本信息的关键信息,并基于所述关键信息执行对应的应急预案,同时,根据所述第一中间文本信息对所述关键词抽取模型重新进行训练。
作为优化,所述文本纠错模型为Softmasked-BERT模型、长短时记忆网络或Transformer-XL,训练所述文本纠错模型的过程为:
E1、收集带有包括语气词、杂音、同音字错误、无异议词的初始文本信息作为第一数据集,同时对所述初始文本信息进行包括清洗、分词、去除标点、定义相关预定义词典的预处理操作;
E2、对所述第一数据集中的语气词、杂音、同音字错误、无异议词的初始文本信息标注为需要修改的标签;
E3、动态选择长短时记忆网络或Transformer模型或长短时记忆网络与Transformer模型的结合模型或Softmasked-BERT作为第一预训练模型;
E4、将所述第一数据集分为第一训练集、第一验证集和第一测试集;
E5、使用标注好的训练集对所述第一预训练模型进行训练,并使用第一验证集自动计算相关的准确性、召回率、F1值,以监控第一预训练模型的性能,从而根据监控数据判定是否对第一预训练模型进行微调;
E6、使用第一测试集对验证好的所述第一预训练模型进行评估,计算所述第一预训练模型的准确率、召回率、F1值,根据评估结果对所述第一预训练模型进行改进或调整。
作为优化,所述分类模型为BERT模型,所述分类模型为BERT模型,训练所述BERT模型的具体过程为:
A1、基于已经存在的历史的语音上报信息的第一文本信息人工进行应急预案分类标注,将每一种上报信息属于的应急预案标注出来,所述第一文本信息和对应的应急预案组成第二数据集;
A2、针对没有被对应的应急预案,根据实际情况自编辑多条符合灾难发生时的上报对话的第二文本信息,使没有被对应的应急预案有对应的第二文本信息,并将该应急预案进行分类标注;
A3、将A2编辑的上报对话的文本信息处理为content+label格式,与对应的应急预案形成第三数据集;
A4、将所述第二数据集和第三数据集形成总数据集,并将所述总数据集按照一定比例划分为第二训练集、第二验证集和第二测试集,将所述第二训练集输入至BERT模型进行训练,并通过所述第二验证集自动计算所述BERT模型的相关的准确性、召回率、F1值,以监控所述BERT模型的性能,从而根据监控数据判定是否对BERT模型进行微调,再通过所述第二测试集对验证合格后的所述BERT模型进行测试评估,根据测试评估结果来微调所述BERT模型,测试合格后获得合格的分类模型。
作为优化,形成第二数据集的具体过程为:
B1、根据相关分类以及对应等级将应急预案进行编码并标注,形成第一报警编码;
B2、将历史的语音上报信息转换为第一文本信息,在转换时,将所述语音上报信息中的标点和语气词统一替换为空格,以消除语音转换文字的差异性;
B3、将第一文本信息与所述第一报警编码进行对应,形成第二数据集;
形成第三数据集的具体过程为:
C1、根据相关分类以及对应等级将未对应的应急预案进行编码并标注,形成第二报警编码;
C2、将进行格式转换后的自编辑的第二文本信息与所述第二报警编码进行对应,形成第三数据集;
训练并验证所述Bert模型的过程为:
D1、在所述总数据集中抽取100条数据作为第二测试集,并将抽取数据后的所述总数据集的80%分为第二训练集,20%分为第二验证集;
D2、选择一个第二预训练模型bert-base-chinese作为基础模型,所述Bert模型通过transformers加载所述基础模型后得到第一中间模型;
D3、在所述第一中间模型上添加一个全连接层得到第二中间模型;
D4、将所述第二训练集输入至所述第二中间模型进行训练,并通过梯度下降算法来更新所述第二中间模型的参数,以最小化损失函数,最终得到BERT模型;
D5、使用所述第二验证集对D4后得到的BERT模型进行验证,并将所述第二测试集输入至验证后的所述BERT模型进行评分,并定义:若应急预案分类错误扣除5分,若应急预案分类正确但等级错误扣除1分,基于前述定义根据所述BERT模型的输出结果最终获得相应测试结果;
D6、若测试结果达到预期,则该BERT模型为最终的分类模型;若测试结果未达预期,返回D1,重新对所述Bert模型进行训练。
作为优化,所述关键词抽取模型为在训练好的所述分类模型的输出层之后设置一个CRF层,对所述关键词抽取模型进行训练的具体过程为:
F1、使用梯度下降优化算法来最小化所述关键词抽取模型的损失函数,使所述关键词抽取模型学习到输入特征与实体标签之间的关联;
F2、通过评估相关关键词的准确性和召回率来调整所述关键词抽取模型以得到最佳模型。
作为优化,所述关键信息包括灾难发生的时间、地点、上报联系人与相关电话、灾难规模以及灾难相关物品。
本发明还公开了一种紧急医学救援协同指挥平台系统,包括:
指挥中心,与上报平台连接,用于根据上报平台上报的语音上报信息通过上述的一种应急预案的匹配方法制定应急预案,以及相关灾难的跟踪;
应急物资管理系统,与指挥中心连接,用于管理救援物资,并根据所述应急预案发放灾难相关的救援物资;
救援车辆管理系统,与指挥中心连接,用于管理救援车辆,并根据所述应急预案派遣灾难相关的救援车辆;
救援队系统,与指挥中心连接,用于管理救援队员的个人信息、受灾人员的个人信息,并根据所述应急预案派遣灾难相关的救援人员;
方舱系统,与指挥中心连接,根据所述应急预案判断是否搭建一个临时方舱作为救治轻症的受灾人员的临时医院使用。
作为优化,所述紧急医学救援协同指挥平台系统将紧急医学救援分为“平时”和“战时”两种状态,通过所述指挥中心能任意切换所述紧急医学救援协同指挥平台系统的两种状态。
作为优化,当所述紧急医学救援协同指挥平台系统处于“平时”状态时,所述应急物资管理系统、救援车辆管理系统、救援队系统和放舱系统针对应急预案按照设定的常规流程进行运作;当所述紧急医学救援协同指挥平台系统处于“战时”状态时,所述应急物资管理系统、救援车辆管理系统、救援队系统和放舱系统针对应急预案按照设定的战时流程进行运作,所述战时流程的相关审批流程为最低要求审批流程。
作为优化,还包括佩戴在受灾人员手腕上的智能腕带,所述智能腕带包括信号发射模块、声音模块、存储模块、控制器、定位模块和受灾人员受伤程度识别模块,所述控制器分别与信号发射模块、声音模块、存储模块、定位模块和受灾人员受伤程度识别模块电连接。
作为优化,所述受灾人员受伤程度识别模块包括与所述控制器连接的若干光敏传感器以及粘贴在所述光敏传感器上的可撕开的标签。
作为优化,所述标签的不同颜色对应所述受灾人员不同的受伤程度。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明可以接收相关音频对话、或语音转文本的非结构化来自动选择相关的应急预案,同时也不需要专家针对海量的预案进行分辨和逻辑判断。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。在附图中:
图1为本发明所述的一种应急预案的匹配方法的流程图;
图2为本发明所述的一种经济医学救援协同指挥平台系统的示意图。
实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1的一种应急预案的匹配方法,主要是在指挥中心上进行实现的,指挥中心包括多台计算机终端,具体的匹配过程如图1所示,包括:
S1、通过上报平台获取相关的语音上报信息,并将所述语音上报信息转换为初始文本信息。
本发明支持接收两类参数,如果相关上报平台有相关语音识别文本技术,则直接通过上报平台将全部语音报警信息转换为文本信息,然后上报到紧急医学救援协同指挥平台系统中的指挥中心;如果没有相关技术,则可以直接上报相关音频,统一由紧急医学救援协同指挥平台系统的指挥中心进行文本转换。
S2、将所述初始文本信息通过训练好的文本纠错模型进行纠错,得到第一中间文本信息,同时,根据所述初始文本信息对所述文本纠错模型重新进行训练;
语音上报信息转为初始文本信息(文本对话信息)后,就进入文本纠错阶段。由于语音转文本有一定的错误率,需要对文本纠错模型进行矫正,这种语音错误主要由语音环境和语音转文字的算法问题两方面组成。由于语音与文本的字数基本相同,本发明的文本纠错只考虑对齐问题,因此,本发明动态使用中文纠错模型Softmasked-BERT、长短时记忆网络、Transformer-XL作为纠错器,并且根据之前的上报信息进行人工的校验,同时采用这一部分上报信息进行微调。
文本纠错模型主要任务为消除语音识别文本中的语气词、标点符号(统一使用空格代替,因为在中文语境中标点符号所带意义较小)、无异议词语、杂音和非环境用词错误。因为应急救援的语言环境有高度的统一性,所以如果用通用的语音转文字技术对一些读音近似或相同的词语会有误判,而且为了相关传输的方便快捷,本发明在接收报警信息的第一个平台(即上报平台)就进行相关的语音转文字工作。
训练文本纠错模型的相关具体步骤为:
1.数据准备:收集带有语气词,杂音,同音字错误,无异议词等文本信息,作为训练集,如果存在大量相关语音文件,先进行相关语音装换为相关文本。
数据预处理:包括清洗,分词,去除标点等操作,保证数据的统一格式,使用如正则表达式和jieba分词组件,同时定义相关预定义词典。
相关预定义词典是指报警的当地地名、当地品牌名、人名、医学术语、专有名词、报警特定词组等,目的是提高分词的准确性和适应性,用于适应地域和业务需求。
2.数据标注:对相关语气词,杂音,同音字错误,无异议词等语音文本进行标注为需要修改的标签,同时对于分词错误的情况进行修正。
3.模型的动态选择:文本纠错模型可以为Softmasked-BERT模型,长短时记忆网络(LSTM)模型和Transformer-XL。
模型的默认选择是基于Softmasked-BERT模型进行搭建。如果其中的训练数据小于3000条会启用长短时记忆网络(LSTM),针对较小训练数据情况的正对性调整。如果相关语音转文本后整个序列超过100个语序后Softmasked-BERT模型的性能开始下降。通过引入循环机制,将先前的隐藏状态作为上下文信息传递给当前时间步,从而解决了长序列任务中的信息丢失和内存限制问题。所以在序列超过300后,相关模型替换为Transformer-XL。
如果选择单一模型发现后续效果过差,则重新选择另外两个未选择的模型来补充对比选择,通过准确率、召回率、F1值等指标选择评分较高的模型。评分差距接近,将会使用默认的Softmasked-BERT模型。
Softmasked-BERT是基于BERT的变体, BERT是基于Transformer ,所有上文说的Transformer其实实际使用的是Softmasked-BERT。
4.模型训练:使用标注好的训练集对选择的第一预训练模型进行训练。可以使用训练集进行批量训练,并使用验证集自动计算相关的准确性、召回率、F1值,以监控第一预训练模型的性能,从而根据监控数据判定是否对第一预训练模型的微调。
一般迭代到一定轮数后,相关值会稳定,如果此时相关评估数据无法达到预期目标,或者运行过程中会直接报错,都会进行第一预训练模型的微调。
5.模型评估:使用测试集对训练好的第一预训练模型(文本纠错模型)进行评估,计算文本纠错模型的准确率、召回率、F1值等指标,根据评估结果可以对第一预训练模型(文本纠错模型)进行改进或调整。
S3、将所述第一中间文本信息输入至训练好的分类模型中进行分类,找到对应的应急预案,同时,根据所述第一中间文本信息对所述分类模型重新进行训练。
具体的,所述分类模型为BERT模型,训练所述BERT模型的具体过程为:
A1、基于已经存在的历史的上报信息的第一文本信息人工进行应急预案分类标注,将每一种上报信息属于的应急预案标注出来,所述第一文本信息和对应的应急预案组成第二数据集;
A2、针对没有被对应的应急预案,根据实际情况自编辑多条符合灾难发生时的上报对话的第二文本信息,使没有被对应的应急预案有对应的第二文本信息,并将该应急预案进行分类标注;
A3、将A2编辑的上报对话的文本信息处理为content+label格式,与对应的应急预案形成第三数据集;
A4、将所述第二数据集和第三数据集形成总数据集,并将所述总数据集按照一定比例划分为第二训练集、第二验证集和第二测试集,将所述第二训练集输入至BERT模型进行训练,并通过所述第二验证集自动计算所述BERT模型的相关的准确性、召回率、F1值,以监控所述BERT模型的性能,从而根据监控数据判定是否对BERT模型进行微调,再通过所述第二测试集对验证合格后的所述BERT模型进行测试评估,根据测试评估结果来微调所述BERT模型,测试合格后获得合格的分类模型。
本实施例中,形成第二数据集的具体过程为:
B1、根据相关分类以及对应等级将应急预案进行编码并标注,形成第一报警编码;
B2、将历史的语音上报信息转换为第一文本信息,在转换时,将所述语音上报信息中的标点和语气词统一替换为空格,以消除语音转换文字的差异性;
B3、将第一文本信息与所述第一报警编码进行对应,形成第二数据集;
形成第三数据集的具体过程为:
C1、根据相关分类以及对应等级将未对应的应急预案进行编码并标注,形成第二报警编码;
C2、将进行格式转换后的自编辑的第二文本信息与所述第二报警编码进行对应,形成第三数据集;
训练并验证所述Bert模型的过程为:
D1、在所述总数据集中抽取100条数据作为第二测试集,并将抽取数据后的所述总数据集的80%分为第二训练集,20%分为第二验证集;
D2、选择一个第二预训练模型bert-base-chinese作为基础模型,所述Bert模型通过transformers加载所述基础模型后得到第一中间模型;
bert-base-chinese模型是Bert模型的一个变体,主要是使用了大量的中文文本作为训练数据能够捕捉中文文本的语义和句法信息,通过transformers(Hugging Face提供的开源库,现有技术)加载。
D3、在所述第一中间模型上添加一个全连接层得到第二中间模型;
在bert-base-chinese模型的顶部进行修改。具体而言,在加载"bert-base-chinese"预训练模型后,将其作为基础模型,然后在其之上添加一个自定义的全连接层用于报警分类任务。
D4、将所述第二训练集输入至所述第二中间模型进行训练,并通过梯度下降算法来更新所述第二中间模型的参数,以最小化损失函数,最终得到BERT模型;
D5、使用所述第二验证集对D4后得到的BERT模型进行验证,并将所述第二测试集输入至验证后的所述BERT模型,若应急预案分类错误扣除5分,若应急预案分类正确但等级错误扣除1分,最终获得相应测试结果;
D6、若测试结果达到预期,则该BERT模型为最终的分类模型;若测试结果未达预期,对其相关问题构造出相关正确的数据集并返回D1。
本发明中,验证集一般用于调优。预训练模型调优时有一些方法会自动进行测试和评估,用于寻找最佳的超参或较好性能的模型。
测试集,一般用于已经调优结束,已经有相关评估最好的预训练模型后,手动测试,观察相关输出结果,获得客观的评价,同时相对于验证集,会关注具体一些错误的输出、方向相关问题,验证集只关注是否正确。所以验证集需要一定数量,但测试集大概只需要几百上千即可,过多意义不大。
具体如何实现分类的方法为:
一共分为4个部分组成:
1.准备数据。将历史记录进行相关整理,获取到相关数据集,其中数据集包括对应报警信息和相关分类的具体编码。如化工厂爆炸,有毒物质泄漏等与相关等级交叉编号,形成如化工厂爆炸(初级)编码:001(1) ;化工厂爆炸(中级)编码:001(2);化工厂爆炸(危级)编码:001(3);有毒物质泄漏(初级)编码002(1)类似这类编码进行标注。然后将报警相关语音信息消除标点,语气词等统一替换为空格消除语音转换文字等差异性,这些数据与对应的报警编码相对应形成数据集,将数据集的80%分为训练集 20%为验证集,令额外抽取100条数据作为最终效果的测试集,完成后相关数据集准备完毕。
2.构建和训练模型。选择一个第二预训练模型bert-base-chinese,该第二预训练模型主要用于处理中文文本,作为该分类模型的基础模型。使用BertModel加载该预训练的基础模型后得到第一中间模型,在该模型基础上添加一个全连接层得到第二中间模型,用于计算每个应急预案的相关概率,然后通过一个梯度下降算法来更新第二中间模型的参数,以最小化损失函数,具体的相关做法是如下:
1)初始化第二中间模型的参数;
2)计算损失函数关于第二中间模型的参数的梯度;
3)沿着梯度的负方向更新第二中间模型的参数,例如:theta = theta -learning_rate * gradient,其中learning_rate是学习率,用于控制更新步长。
4)重复步骤2)和3),直到满足停止条件。
3.预测和测试模型。将第一步中的100个测试数据进行分类最后统计相关偏差,大类预测错误扣除5分,大类正确等级错误扣除1分,获得相关测试结果,如果不满意,对其相关问题构造出相关正确的数据集重新加入第一步中,然后重新训练模型。
4.最后使用该模型进行应急预案分类预测。
文本纠错后,进入基于原本已经存在的历史数据(语音上报信息对应的文本信息以及对应的应急方案)人工进行的分类的标注,将每一种上报信息属于的应急预案将其标注出来,针对没有覆盖的应急预案,本发明根据实际情况编辑多条符合情况的上报对话信息进行完整地覆盖,最后将这一部分的语料信息(新编辑的上报对话信息)处理为content+label格式进行BERT模型训练,最后根据测试结果进行BERT模型的微调,获得的BERT模型会对输入的相关对话信息分类到对应的应急预案。
S4、使用关键词抽取模型抽取与应急预案相关的所述第一中间文本信息的关键信息,并基于所述关键信息执行对应的应急预案,同时,根据所述第一中间文本信息对所述关键词抽取模型重新进行训练。
关键词抽取模型依旧使用BERT作为基础。在BERT模型(分类模型)的输出层之后添加一个CRF层。这可以通过在分类模型中添加一个CRF层来实现。在训练过程中,使用CRF层计算序列(序列是指基于基本的分词结果或其他文本分析工具生成的词块(chunk)或短语)标注的损失,并将其与其他损失相结合(其他损失如语言模型的损失,交叉熵损失,边界损失等。可以通过加法、加权平均等方式将它们结合起来,这里使用的是加法结合起来的)。
这里计算损失的目的是为了对比机器预测的相关关键信息的预测结果与真实关键信息标签的差异和错误程度进行度量的指标,从而更好的拟合目标。
在预测过程中,使用CRF层对序列进行解码,以获得最终的标注结果。CRF(条件随机场)层是一种用于序列标注任务的机器学习模型,它可以用来对序列数据进行建模,以预测序列中每个元素的标签。在相关关键词抽取任务中,CRF层通常用于对文本序列进行解码,以获得最终的标注结果,即相关关键信息的抽取,如报警时间、应急事件时间、应急事件地点等。在关键词抽取模型中,需要选择合适的特征来表示输入文本的上下文信息。本发明使用的是词性标注(Part-of-Speech Tagging),前缀、后缀和窗口内其他词的特征三种特征工程组合使用。
词性标注实例:如化工品泄漏,抽取化工品必须为名词。
词性标注就是更具语法类别或词性标签标注。
词性标注好处:在关键信息抽取中词性标注可以作为辅助特征,提供额外的语法和句法信息,以帮助关键词抽取模型更好地理解文本上下文和关键信息的位置。
基于前缀、后缀的特征实例:如炼油厂爆炸,化工厂泄漏,其中爆炸,泄漏为后缀;发生了恶徒砍人事件,发生了为前缀,这些就为前后缀的一些特征。
基于前缀、后缀的特征主要针对一个序列(一个词块(chunk)内的相关特征)进行使用的。
窗口内其他词的特征实例:我 看到 油罐车 好像 着火 了 闻到 很大 的味道。
这里着火和油罐车有相关上下文关系,如果窗口大小大于2,系统就会识别相关特征,以保持上下文的完整性。
窗口内其他词的特征优势:和基于前后缀不同的是,窗口内其他词的特征是针对多个序列(词块(chunk))的相关特征,而且前后缀聚焦序列内部。
在中文中上下文依赖关系可能更多地体现在短语和句子结构上,所以大窗口的效果大大优与如前后缀这种聚焦内部的特征识别。
在关键词抽取模型训练中同样使用了梯度下降等优化算法来最小化损失函数。在训练过程中,关键词抽取模型会学习到输入特征与实体标签之间的关联,最后通过评估相关关键词的准确性和召回率来调整关键词模型的超参数,如正则化参数、迭代次数、学习率等选择最佳的模型作为关键词抽取模型。
输入特征与实体标签的解释如下:
如 “现在在某大街大量车辆追尾造成交通大面积堵塞。现场有大概十多个人员受伤流血”,
地点-某大街;
事件-大量车辆追尾;
时间-现在(2023年5月29日 17:54:48);
伤员情况-大概十多个人员受伤流血;
关键信息-追尾 车辆 流血 十多个;
其中输入特征就是相关报警信息;
“地点、事件、时间、伤员情况、关键信息”为标签;
“某大街、大量车辆追尾、现在(2023年5月29日 17:54:48)、大概十多个人员受伤流血、追尾 车辆 流血 十多个”为对应的实体。
文本纠错模型和关键词抽取模型的微调过程大同小异,令准确率(Accuracy)、召回率(Recall)和F1值(F1-score)的满分都是1。所有预训练模型观察以上三个分数是否接近1就可以评估当前模型的运行效果。
微调基本的过程如下:
调整预训练模型,如果是文本纠错模型,就从备选的三种个不同的模型(Softmasked-BERT,长短时记忆网络(LSTM)或Transformer-XL)中进行选择和调整,如果是关键词抽取模型,就更换更适合医学场景的模型;
新增数据集,错误修改正确重新训练,对具体错误数据收集,然后人工修改后重新训练,这些数据集应包含问题或输入以及与之对应的期望答案或输出;预训练模型重新训练后其中的卷积层会进行相关重构,相关的预训练模型会自动学习相关正确的知识;
构建模型结构:在选择的预训练模型的基础上,根据任务需求和数据集的特点,修改模型结构,这可能包括添加额外的层、调整隐藏单元数目、调整输出层等。(比如添加的全连接层,必要的时候还可以添加或调整);
初始化微调模型参数并训练微调模型:使用预训练模型的参数初始化微调模型,这将帮助微调模型在初始阶段具有一些通用的语言理解能力,然后使用微调数据集对微调模型进行训练,使用适当的优化算法进行参数更新,并根据任务需求选择合适的损失函数进行模型优化,例如根据数据集的大小和复杂性,选择使用传统的梯度下降方法或更高级的优化算法。
微调模型指的是在预训练模型的基础上进行进一步训练,以适应特定任务或领域的数据。
当想要在特定的任务上使用神经网络模型时,通常需要进行训练来适应特定的数据集和任务要求。然而,从随机初始化开始的训练过程可能需要很大的数据和计算资源,并且可能会出现模型收敛缓慢或者陷入局部最优等问题。
为了克服这些问题,可以使用预训练模型来初始化微调模型参数,这意味着将使用预训练模型的参数作为初始参数,然后通过在特定任务的数据上进行微调来进一步优化模型。通过使用预训练模型进行参数初始化,可以利用预训练模型在大规模数据上学到的通用语言理解能力。这些通用的语言知识和语义理解能力可以帮助模型更快地收敛并提高性能。此外,由于预训练模型已经通过大量数据进行了训练,所以它们通常具有更好的初始权重,有助于避免模型陷入局部最优解。
如果预训练模型效果始终不好,会训练微调模型。
微调模型即为轻微的调整模型。在不影响大体方向下,使得模型能够更好地适应该任务,是在老的模型基础上进行修改,调整后的模型就可以称为微调模型。
微调模型的训练过程通常包括以下步骤:
a. 定义损失函数:根据任务的类型,选择适当的损失函数来度量微调模型的预测结果与真实标签之间的差异。常见的损失函数包括交叉熵损失、均方误差损失等。
b. 定义优化算法:选择合适的优化算法来更新微调模型的参数。常见的优化算法包括随机梯度下降(SGD)、Adam、Adagrad等,可以根据微调模型和任务的特点进行选择,并设置合适的学习率和其他超参数。
例如,BERT模型(或其他基于Transformer)和应急方案分类任务中:使用交叉熵损失函数作为损失函数,并且常见的优化算法可以是Adam或SGD。LSTM和关键信息提取模型:常见的损失函数可以是交叉熵损失函数或序列损失函数(如CRF损失函数),而优化算法可以是Adam或SGD。实际Adam和SGD互斥.我们这几个模型全部使用的是SGD。
c. 迭代训练:将微调数据集输入至微调模型,计算损失函数,并通过反向传播算法更新微调模型的参数。迭代多个训练周期(epoch),每个周期包含对整个数据集的训练,这样微调模型可以逐渐调整参数,提升在新任务上的表现。
在输入微调数据集之前,先用预训练模型的参数来初始化微调模型。预训练模型是在大规模无标签数据上进行训练的,通过学习通用语言知识和表示能力,微调模型是在特定任务的有标签数据上进行训练的,目的是将预训练模型的知识迁移到特定任务上。通过使用预训练模型的参数初始化微调模型,可以让微调模型从一个良好的起点开始。预训练模型已经学习到了很多语言和任务相关的知识,因此使用它的参数可以加快微调模型的收敛速度,并提供更好的初始性能。在迭代训练的过程中,微调模型的参数会随着损失函数的反向传播和优化算法的更新而逐渐调整。通过多个训练周期(epoch)的迭代训练,微调模型可以逐渐适应特定任务的数据,并提升在新任务上的表现。
d. 验证和调优。
5.调整超参。在微调过程中,需要根据模型的性能进行超参数调整,包括选择合适的学习率、迭代次数、批量大小等。
使用关键词抽取上报信息的关键信息,如灾难发生的时间、地点、上报联系人与相关电话等,以及使用关键词从上报信息中抽取应急预案关注的相关关键信息,如山体滑坡的规模、化学物爆炸相关化学物等,然后根据关键信息匹配救援物资、救援人员、救援车辆的数量和类型,并将对应的数量和类型的救援物资、救援人员、救援车辆融合进应急预案中,最终形成可执行的应急预案,紧急医学救援协同指挥平台系统根据数量和类型进行相应的救援人员、救援车辆派遣以及救援物资的发放。
在运行阶段,记录每一次的应急预案输入的上报信息、预测的预案结果、关键信息的提取,后续由人工矫正后。文本错误重新投入文本纠错模型,预测预案错误投入分类模型,关键信息遗漏或错误重新投入关键词抽取模型,不断使以上三个模型贴近紧急医学救援的真实环境。
如果后续需要添加相关应急预案只需要添加对应预案实例到相关语料重新训练分类模型和关键词抽取模型即可,通过人工智能对上报信息的预测,匹配相关预案,有效改善了紧急情况下,人员不足、不在场或者失误的相关情况,同时使用大量紧急医学救援历史上报数据,进行了模型的调优与迭代,使其贴近紧急医学救援现实情况。本发明可以接收相关音频对话、或语音转文本的非结构化来自动选择相关的应急预案,同时也不需要专家针对海量的预案进行分别和逻辑判断。
在指挥中心中,引用了文本纠错与文本分类两个结合进行应急预案批量。文本纠错主要消除文本输入的一些错误和语音输入时出现的文本错误,结合大量历史上报数据,对上报的文本习惯和现实环境进行智能校准,同时对大量非结构化上报信息进行了结构化处理同时结合已经处理好的上报数据与对应预案进行文本分类模型的训练,通过输入的相关结构化的上报信息进行对应预案的选择。在应急预演的上面引入了人工智能相关预测,而非传统的文本对比,解决细节文本不同、同意不同文,不同上报人语言习惯与方言的兼容,并具有紧急医学救援相关领域的适应性,同时对于预测预案如果后续人为修改,也将更加修改内容反馈文本分类模型,使分类模型具有相关学习性。
化工厂爆炸相关案例。
步骤A、收到紧急情况阶段----步骤B、上报紧急医学救援系统阶段----步骤C、文本纠错阶段----步骤D、预案匹配阶段----步骤E、关键信息提取阶段----步骤F、预案执行阶段。
步骤A、收到紧急情况阶段:120急救指挥调度平台多起关于A地点化工厂爆炸相关急救电话记录相关报警人;
步骤B、上报紧急医学救援系统阶段(指挥中心):相关对话直接在120平台转换为完整对话文本上报紧急医学救援系统;
步骤C、文本纠错阶段:消除杂音、对话方一起说话、说话含糊不清、说话口语、说话带方言等相关文本错误;
步骤D、预案匹配阶段:根据文本匹配无毒易燃易爆小型化工厂爆炸预案;
步骤E、关键信息提取阶段:从上报信息的文本信息中提取爆炸时间、地点、报警人、报警人电话、化学物名称、化学品是否已经燃烧、化学品是否已经爆炸、受伤人数、死亡人数、化学品大概重量等可以提取的信息。
步骤F、预案执行阶段:预案执行。
实施例2的一种紧急医学救援协同指挥平台系统,如图2所示,包括:
指挥中心,与上报平台连接,用于根据上报平台上报的语音上报信息通过实施例1的一种应急预案的匹配方法制定应急预案,以及相关灾难的跟踪;
指挥中心主要作用为制定、运行、响应紧急医学救援相关方案和相关事件跟踪与信息查看。多方接入如120急救指挥调度平台、应急与急救数据中心等数据入口(统称为上报平台),自动触发或相关人员手动触发应急预案,同时根据灾难事件类型结合应急预案智能匹配所需人员、物资等发布调度指令,并且对于救援过程中的伤员情报、疫情情报、需求情报进行汇总。打通相关紧急医学相关组织机构(应急物资管理系统、救援车辆管理系统、救援队系统、方舱系统)信息化通信,同时对于紧急医学中的患者通过智能腕带记录受灾人员的信息,将受灾人员院前、院内信息互通、提供救治受灾人员通道,同时根据应急事态的不断变化修改对应执行的预览、调整相关资源分配。
应急物资管理系统,与指挥中心连接,用于管理救援物资,并根据所述应急预案发放灾难相关的救援物资;对于相关救援物资所在地、物资数量、状况进行统一管理,同时支持出库,入库,物品预警,过期提醒等功能。
救援车辆管理系统,与指挥中心连接,用于管理救援车辆,并根据所述应急预案派遣灾难相关的救援车辆。
救援队系统,与指挥中心连接,用于管理救援队员的个人信息、受灾人员的个人信息,并根据所述应急预案派遣灾难相关的救援人员;具有记录紧急事件信息、救援队员的个人信息、分配集合点、受灾人员的个人信息录入、需求请求、情报上报等功能。
方舱系统,与指挥中心连接,根据所述应急预案判断是否搭建一个临时方舱作为救治轻症的受灾人员的临时医院使用。
通过上述设置,构建了一个可以提供有效指挥的指挥中心,指挥中心同时作为了本次紧急医学救援数据中心,由于该发明同时提供了应急物资管理系统,救援车辆管理系统,救援队系统,方舱系统,所以对于相关物资、救护车、救援队、救援队员、方舱医生、方舱护士、守在人员信息等进行了相关汇总,同时也提供各个系统之间的数据互通,同时也提供数据输出,提供大屏数据和后方医院的患者信息互通。
还包括佩戴在受灾人员手腕上的智能腕带,所述智能腕带包括信号发射模块、声音模块、存储模块、控制器、定位模块和受灾人员受伤程度识别模块,所述控制器分别与信号发射模块、声音模块、存储模块、定位模块和受灾人员受伤程度识别模块电连接。智能腕带使用在方舱系统以及救援队系统中,主要佩戴在受灾人员的手腕上,具体的,所述受灾人员受伤程度识别模块包括与所述控制器连接的若干光敏传感器以及粘贴在所述光敏传感器上的可撕开的标签,标签的不同颜色对应所述受灾人员不同的受伤程度。
具体的,控制器和存储模块可以为集成在一起的芯片,其中红色表示第一优先伤员,为伤情危重,但可以救治的伤员;黄色表示第二优先伤员为伤情平稳,但无法走动的伤员;绿色表示第三优先伤员,为轻伤,可以走动的伤员;黑色表示最不优先伤员,为因为伤势过重,在现场已经死亡或即将死亡的伤员。通过手撕特定的标签,可以切断特定的电路从而识别对应患者标识,在通过射频识别技术与手持相关设备同步相关,或者通过手撕特定的标签,使光敏传感器感光产生电信号给控制器从而识别对应患者标识。
所述紧急医学救援协同指挥平台系统将紧急医学救援分为“平时”和“战时”两种状态,通过所述指挥中心能任意切换所述紧急医学救援协同指挥平台系统的两种状态。当所述紧急医学救援协同指挥平台系统处于“平时”状态时,所述应急物资管理系统、救援车辆管理系统、救援队系统和放舱系统针对应急预案按照设定的常规流程进行运作;当所述紧急医学救援协同指挥平台系统处于“战时”状态时,所述应急物资管理系统、救援车辆管理系统、救援队系统和放舱系统针对应急预案按照设定的战时流程进行运作,所述战时流程的相关审批流程为最低要求审批流程。
紧急医学救援协同指挥平台系统,将紧急医学救援区分为两种不同的时态,分别为“平时”,“战时”。平台具有“平时”,“战时”两种状态的切换(通过指挥中心可以进行切换)。 “平时”时态为紧急医学救援协同指挥平台系统的日常状态,此时相关应急预案有相关人员进行审批、确定、执行。救援队系统将相关救援队员情况进行呼叫与集合,同时集合时间也将更加宽泛,相关呼叫方式、提示音都与“战时”不同,在流程上更加注重规范性与合理性,以高效稳定的方案推行相关紧急医学救援。而在“战时”,相关审批一切从简,同时优化相关审批流程,一切加急加快,以最低要求满足相关审批流程,同时优化业务流程,聚焦“战时”核心业务,相关计划将引入优先级排序,相关任务将主动进入队列,同时在结束“战时”时态后,对“战时”核心业务及其衍生业务进行数据汇总展示,总结和汇报相关成果与展示,对于“战后”复盘提供数据支持。
通过设置“平时”、“战时”两种状态的切换,满足“战时”的特殊需求和紧急情况。“战后”相关数据汇总与“战时”的业务聚焦。同时优化相关审批流程,一切加急加快,以最低要求满足相关审批流程,而“平时”状态下满足效率,审批和相关准确性平衡性,确保相关应急任务系统可以长期平稳的运行,两种状态的不同场景也保证了“平时”,“战时”两不误。
两个状态可以通过自动切换和手动切换两种模式。
自动切换是通过一个触发算法来实现。当一个地区发生的地中发生的应急事件都有初级,中级,危级这三个紧急程度。这三个紧急程度危级评分分别为初级一分,中级十分,危级三十分。系统平时是以“平时”状态运行,相关活动对应审核,当在3个小时内发生多起事件后相关危级评分超过三十分后,会自动触发“战时”状态,会通知相关指挥人员和全体队员开始准备,准备相关事情的全体汇总信息进行指定的邮件投放,并对后续发生的事件采取审核后置方式,减少非必要审核,同时记录后续事件,当“战时”状态结束后,重新进行审核和补充相关资料。
同时支持相关手动触发,兼容有时候通过非常规上报手段需要紧急启动应急事件预案情况。
而“战时”核心业务是针对“平时”和“战时”状态中的“战时”而言的。“战时”作为一个特殊状态通常是手动开启或自动触发的。一般这种情况通常为一个大的灾害,称为主要灾害,主要灾害同时带有的一些小的次生灾害。其中“战时”核心业务指的即针对上述的主要灾害。上述主要灾害在手动开启“战时”状态可以指定,若在自动触发“战时”状态时,会选择优先级最高的应急事件,若有部分应急事件具有相同优先级,则选择时间靠前的应急事件作为主要灾害,指定为“战时”核心业务。
具体的,在“战时”状态启动时,所有该地区的相关上报信息会进行去重和合并,如果是在“战时”状态启动后进来的新的应急事件,会统一分配到一个应急队列中,之前相关审核全部取消,同时该队列会依照应急事件的初级、中级、危级这三个紧急程度以及上报时间进行排序,方便在应急事件堆积、救援队人手不足时,优先明确的处理相关优先级高的应急事件,使整个处理逻辑流程更加明了。
当战时状态启动时,会给主要的指挥人员发生本次战时触发的应急事件相关属性(时间、地点、事件内容等)、目前是应急事件队列、相关大屏数据驾驶舱地址等信息。通过短信,电话通知,APP通知等手段通知全体救援队人员。相关信息,准备预案开启、相关短信,邮件汇总发送到指定指挥人员,救援队队长,救援队队员等手中。开启审核后置方式、减少非必要审核、同事记录后续事件。当“战时”状态结束后,重新进行审核和补充相关资料,对本次的战时状态中的主要灾害和次生灾害进行汇总与暂时,最后进行相关复盘数据提供支持。
通过经济医学救援协同指挥平台系统实施化工厂爆炸相关案例:
步骤A、预案启动阶段---步骤B、救援准备阶段----步骤C、救援阶段----步骤D、救援结束阶段。
步骤A、预案启动阶段:紧急医学救援协同指挥平台收到120急救指挥调度平台多起关于统一地点化工厂爆炸相关急救电话或急救数据中心直接启动化工厂爆炸预案,获取对应发生位置、发生灾难类型、目前确定受伤人数、预计影响人数,确定为化工厂爆炸类型预案。
步骤B、救援准备阶段:1.通知应急物资系统针对对应化学品准备相关医学药品,仪器等;2.通知救援车辆、根据相关患者、救援队、物资派遣对应车辆、接送患者、救援队员、物资到对应地点;3.通知指定救援队召集对应数量队员集合或搭乘对应救援车辆或执行到达集合点集合。
步骤C、救援阶段:根据化工厂当前情况与规模,确定是否搭建治现场物资库,是否搭建方舱医院;救援队队员开始展开救援,相关人员救治后根据需求和实际情况运送到方舱医院或后方医院开展后续治疗或出院。
步骤D、救援结束阶段:清点守在人员的情况、清点救援队队员情况、清点物资情况、确定灾难相关医学救援结束、相关数据汇总、相关物资归位入库。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种应急预案的匹配方法,其特征在于,包括:
S1、通过上报平台获取相关的语音上报信息,并将所述语音上报信息转换为初始文本信息;
S2、将所述初始文本信息通过训练好的文本纠错模型进行纠错,得到第一中间文本信息,同时,根据所述初始文本信息对所述文本纠错模型重新进行训练;
S3、将所述第一中间文本信息输入至训练好的分类模型中进行分类,找到对应的应急预案,同时,根据所述第一中间文本信息对所述分类模型重新进行训练;
所述分类模型为BERT模型,训练所述BERT模型的具体过程为:
A1、基于已经存在的历史的语音上报信息的第一文本信息人工进行应急预案分类标注,将每一种上报信息属于的应急预案标注出来,所述第一文本信息和对应的应急预案组成第二数据集;
A2、针对没有被对应的应急预案,根据实际情况自编辑多条符合灾难发生时的上报对话的第二文本信息,使没有被对应的应急预案有对应的第二文本信息,并将该应急预案进行分类标注;
A3、将A2编辑的上报对话的文本信息处理为content+label格式,与对应的应急预案形成第三数据集;
A4、将所述第二数据集和第三数据集形成总数据集,并将所述总数据集按照一定比例划分为第二训练集、第二验证集和第二测试集,将所述第二训练集输入至BERT模型进行训练,并通过所述第二验证集自动计算所述BERT模型的相关的准确性、召回率、F1值,以监控BERT模型的性能,从而根据监控数据判定是否对BERT模型进行微调,再通过所述第二测试集对验证合格后的所述BERT模型进行测试评估,根据测试评估结果来微调所述BERT模型,测试合格后获得合格的分类模型;
形成第二数据集的具体过程为:
B1、根据相关分类以及对应等级将应急预案进行编码并标注,形成第一报警编码;
B2、将历史的语音上报信息转换为第一文本信息,在转换时,将所述语音上报信息中的标点和语气词统一替换为空格,以消除语音转换文字的差异性;
B3、将第一文本信息与所述第一报警编码进行对应,形成第二数据集;
形成第三数据集的具体过程为:
C1、根据相关分类以及对应等级将未对应的应急预案进行编码并标注,形成第二报警编码;
C2、将进行格式转换后的自编辑的第二文本信息与所述第二报警编码进行对应,形成第三数据集;
训练并验证所述Bert模型的过程为:
D1、在所述总数据集中抽取100条数据作为第二测试集,并将抽取数据后的所述总数据集的80%分为第二训练集,20%分为第二验证集;
D2、选择一个第二预训练模型bert-base-chinese作为基础模型,所述Bert模型通过transformers加载所述基础模型后得到第一中间模型;
D3、在所述第一中间模型上添加一个全连接层得到第二中间模型;
D4、将所述第二训练集输入至所述第二中间模型进行训练,并通过梯度下降算法来更新所述第二中间模型的参数,以最小化损失函数,最终得到BERT模型;
D5、使用所述第二验证集对D4后得到的BERT模型进行验证,并将所述第二测试集输入至验证后的所述BERT模型进行评分,并定义:若应急预案分类错误扣除5分,若应急预案分类正确但等级错误扣除1分,基于前述定义根据所述BERT模型的输出结果最终获得相应测试结果;
D6、若测试结果达到预期,则该BERT模型为最终的分类模型;若测试结果未达预期,返回D1,重新对所述Bert模型进行训练;
S4、使用关键词抽取模型抽取与应急预案相关的所述第一中间文本信息的关键信息,并基于所述关键信息执行对应的应急预案,同时,根据所述第一中间文本信息对所述关键词抽取模型重新进行训练。
2.根据权利要求1所述的一种应急预案的匹配方法,其特征在于,所述文本纠错模型为Softmasked-BERT、长短时记忆网络或Transformer-XL,训练所述文本纠错模型的过程为:
E1、收集带有包括语气词、杂音、同音字错误、无异议词的初始文本信息作为第一数据集,同时对所述初始文本信息进行包括清洗、分词、去除标点、定义相关预定义词典的预处理操作;
E2、对所述第一数据集中的语气词、杂音、同音字错误、无异议词的初始文本信息标注为需要修改的标签;
E3、动态选择长短时记忆网络或Transformer模型或长短时记忆网络与Transformer模型的结合模型或Softmasked-BERT作为第一预训练模型;
E4、将所述第一数据集分为第一训练集、第一验证集和第一测试集;
E5、使用标注好的第一训练集对所述第一预训练模型进行训练,并使用第一验证集自动计算所述第一预训练模型的相关的准确性、召回率、F1值,以监控第一预训练模型的性能,从而根据监控数据判定是否对第一预训练模型进行微调;
E6、使用第一测试集对验证好的所述第一预训练模型进行评估,计算所述第一预训练模型的准确率、召回率、F1值,根据评估结果对所述第一预训练模型进行改进或调整。
3.根据权利要求1所述的一种应急预案的匹配方法,其特征在于,所述关键词抽取模型为在训练好的所述分类模型的输出层之后设置一个CRF层,对所述关键词抽取模型进行训练的具体过程为:
F1、使用梯度下降优化算法来最小化所述关键词抽取模型的损失函数,使所述关键词抽取模型学习到输入特征与实体标签之间的关联;
F2、通过评估相关关键词的准确性和召回率来调整所述关键词抽取模型以得到最佳模型。
4.一种紧急医学救援协同指挥平台系统,其特征在于,包括:
指挥中心,与上报平台连接,用于根据上报平台上报的语音上报信息通过权利要求1-3任一所述的一种应急预案的匹配方法制定应急预案,以及相关灾难的跟踪;
应急物资管理系统,与指挥中心连接,用于管理救援物资,并根据所述应急预案发放灾难相关的救援物资;
救援车辆管理系统,与指挥中心连接,用于管理救援车辆,并根据所述应急预案派遣灾难相关的救援车辆;
救援队系统,与指挥中心连接,用于管理救援队员的个人信息、受灾人员的个人信息,并根据所述应急预案派遣灾难相关的救援人员;
方舱系统,与指挥中心连接,根据所述应急预案判断是否搭建一个临时方舱作为救治轻症的受灾人员的临时医院使用。
5.根据权利要求4所述的一种紧急医学救援协同指挥平台系统,其特征在于,所述紧急医学救援协同指挥平台系统将紧急医学救援分为“平时”和“战时”两种状态,通过所述指挥中心能任意切换所述紧急医学救援协同指挥平台系统的两种状态;当所述紧急医学救援协同指挥平台系统处于“平时”状态时,所述应急物资管理系统、救援车辆管理系统、救援队系统和放舱系统针对应急预案按照设定的常规流程进行运作;当所述紧急医学救援协同指挥平台系统处于“战时”状态时,所述应急物资管理系统、救援车辆管理系统、救援队系统和放舱系统针对应急预案按照设定的战时流程进行运作,所述战时流程的相关审批流程为最低要求审批流程。
6.根据权利要求5所述的一种紧急医学救援协同指挥平台系统,其特征在于,所述“平时”状态和“战时”状态可以为手动切换,也可以根据触发算法进行自动切换,所述触发算法为:
将应急事件的紧急程度分为初级、中级和危级,并分别对初级、中级和危级制定一定的分数,当在规定时间内发生多起初级、中级应急事件使紧急程度累加达到危级,或在规定时间内直接发生紧急程度为危级的应急事件后,自动触发“战时”状态。
7.根据权利要求4所述的一种紧急医学救援协同指挥平台系统,其特征在于,还包括佩戴在受灾人员手腕上的智能腕带,所述智能腕带包括信号发射模块、声音模块、存储模块、控制器、定位模块和受灾人员受伤程度识别模块,所述控制器分别与信号发射模块、声音模块、存储模块、定位模块和受灾人员受伤程度识别模块电连接,所述受灾人员受伤程度识别模块包括与所述控制器连接的若干光敏传感器以及粘贴在所述光敏传感器上的可撕开的标签。
8.根据权利要求7所述的一种紧急医学救援协同指挥平台系统,其特征在于,所述标签的不同颜色对应所述受灾人员不同的受伤程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745981.1A CN116542241B (zh) | 2023-06-25 | 2023-06-25 | 应急预案的匹配方法及紧急医学救援协同指挥平台系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745981.1A CN116542241B (zh) | 2023-06-25 | 2023-06-25 | 应急预案的匹配方法及紧急医学救援协同指挥平台系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116542241A CN116542241A (zh) | 2023-08-04 |
CN116542241B true CN116542241B (zh) | 2023-09-08 |
Family
ID=87445491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310745981.1A Active CN116542241B (zh) | 2023-06-25 | 2023-06-25 | 应急预案的匹配方法及紧急医学救援协同指挥平台系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542241B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117038103B (zh) * | 2023-10-07 | 2023-12-08 | 长春中医药大学 | 基于大数据的卫生事件临床护理训练应急预案优化方法 |
CN117151069B (zh) * | 2023-10-31 | 2024-01-02 | 中国电子科技集团公司第十五研究所 | 一种保障方案生成系统 |
CN117978258B (zh) * | 2024-03-28 | 2024-05-28 | 深圳位置网科技有限公司 | 卫星通信的求救信息生成方法、装置、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045496A (zh) * | 2017-04-19 | 2017-08-15 | 畅捷通信息技术股份有限公司 | 语音识别后文本的纠错方法及纠错装置 |
CN113901797A (zh) * | 2021-10-18 | 2022-01-07 | 广东博智林机器人有限公司 | 文本纠错方法、装置、设备及存储介质 |
CN114334101A (zh) * | 2021-09-28 | 2022-04-12 | 中国人民解放军总医院第三医学中心 | 以预案体系为支撑的大型体育赛事突发事件应急医疗救援指挥调度系统 |
CN114399210A (zh) * | 2022-01-18 | 2022-04-26 | 中国地质大学(武汉) | 一种地质灾害应急管理与决策系统、方法及可读存储介质 |
CN114416942A (zh) * | 2021-12-29 | 2022-04-29 | 南京视察者智能科技有限公司 | 一种基于深度学习的自动化问答方法 |
CN115587594A (zh) * | 2022-09-20 | 2023-01-10 | 广东财经大学 | 网络安全的非结构化文本数据抽取模型训练方法及系统 |
CN115934936A (zh) * | 2022-11-27 | 2023-04-07 | 天翼云科技有限公司 | 一种基于自然语言处理的智能交通文本分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190096872A (ko) * | 2019-07-31 | 2019-08-20 | 엘지전자 주식회사 | 연합학습(Federated learning)을 통한 필기체 인식방법 및 이를 위한 장치 |
KR20190103088A (ko) * | 2019-08-15 | 2019-09-04 | 엘지전자 주식회사 | 연합학습을 통한 단말의 명함을 인식하는 방법 및 이를 위한 장치 |
-
2023
- 2023-06-25 CN CN202310745981.1A patent/CN116542241B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107045496A (zh) * | 2017-04-19 | 2017-08-15 | 畅捷通信息技术股份有限公司 | 语音识别后文本的纠错方法及纠错装置 |
CN114334101A (zh) * | 2021-09-28 | 2022-04-12 | 中国人民解放军总医院第三医学中心 | 以预案体系为支撑的大型体育赛事突发事件应急医疗救援指挥调度系统 |
CN113901797A (zh) * | 2021-10-18 | 2022-01-07 | 广东博智林机器人有限公司 | 文本纠错方法、装置、设备及存储介质 |
CN114416942A (zh) * | 2021-12-29 | 2022-04-29 | 南京视察者智能科技有限公司 | 一种基于深度学习的自动化问答方法 |
CN114399210A (zh) * | 2022-01-18 | 2022-04-26 | 中国地质大学(武汉) | 一种地质灾害应急管理与决策系统、方法及可读存储介质 |
CN115587594A (zh) * | 2022-09-20 | 2023-01-10 | 广东财经大学 | 网络安全的非结构化文本数据抽取模型训练方法及系统 |
CN115934936A (zh) * | 2022-11-27 | 2023-04-07 | 天翼云科技有限公司 | 一种基于自然语言处理的智能交通文本分析方法 |
Non-Patent Citations (1)
Title |
---|
自然语言处理中的文本表示研究;赵京胜;《软件学报》;第33卷(第01期);102-128 * |
Also Published As
Publication number | Publication date |
---|---|
CN116542241A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116542241B (zh) | 应急预案的匹配方法及紧急医学救援协同指挥平台系统 | |
US11055355B1 (en) | Query paraphrasing | |
Griol et al. | A statistical approach to spoken dialog systems design and evaluation | |
CN109151218A (zh) | 通话语音质检方法、装置、计算机设备及存储介质 | |
KR20190109614A (ko) | 계층적으로 사용자 표현을 이해하고 답변을 생성하는 대화형 상담 챗봇 장치 및 방법 | |
US20210027889A1 (en) | System and Methods for Predicting Identifiers Using Machine-Learned Techniques | |
US11563852B1 (en) | System and method for identifying complaints in interactive communications and providing feedback in real-time | |
US20200046285A1 (en) | Detection of a sign of cognitive decline focusing on change in topic similarity over conversations | |
Bokka et al. | Deep Learning for Natural Language Processing: Solve your natural language processing problems with smart deep neural networks | |
Bohus et al. | Integrating multiple knowledge sources for utterance-level confidence annotation in the CMU Communicator spoken dialog system | |
López-Cózar et al. | Enhancement of emotion detection in spoken dialogue systems by combining several information sources | |
CN116450799B (zh) | 一种应用于交通管理服务的智能对话方法及设备 | |
Higashinaka et al. | Incorporating discourse features into confidence scoring of intention recognition results in spoken dialogue systems | |
Wan et al. | Improved dynamic memory network for dialogue act classification with adversarial training | |
CN110362828B (zh) | 网络资讯风险识别方法及系统 | |
CN117114707A (zh) | 出险反欺诈预测模型的训练方法、预测方法和装置 | |
CN117149977A (zh) | 一种基于机器人流程自动化的智能催收机器人 | |
Zuluaga-Gomez et al. | Lessons Learned in Transcribing 5000 h of Air Traffic Control Communications for Robust Automatic Speech Understanding | |
CN112329437A (zh) | 一种智能客服语音质检评分方法、设备及存储介质 | |
Byers et al. | 2017 Pilot Open Speech Analytic Technologies Evaluation (2017 NIST Pilot OpenSAT): Post Evaluation Summary | |
KR20210051523A (ko) | 도메인 자동 분류 대화 시스템 | |
Menon et al. | Deep learning based transcribing and summarizing clinical conversations | |
Shore | Knowledge-based word lattice re-scoring in a dynamic context | |
CN113792140A (zh) | 文本处理方法、装置及计算机可读存储介质 | |
Beaver | Automatic Conversation Review for Intelligent Virtual Assistants |
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 |