CN116614580A - 一种多端呼叫及时响应通讯方法及系统 - Google Patents

一种多端呼叫及时响应通讯方法及系统 Download PDF

Info

Publication number
CN116614580A
CN116614580A CN202310879440.8A CN202310879440A CN116614580A CN 116614580 A CN116614580 A CN 116614580A CN 202310879440 A CN202310879440 A CN 202310879440A CN 116614580 A CN116614580 A CN 116614580A
Authority
CN
China
Prior art keywords
disease
degree
standard template
vector
elements
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310879440.8A
Other languages
English (en)
Other versions
CN116614580B (zh
Inventor
刘军航
余卫民
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.)
Shenzhen Jiegong Intelligent Electric Co ltd
Original Assignee
Shenzhen Jiegong Intelligent Electric Co ltd
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 Shenzhen Jiegong Intelligent Electric Co ltd filed Critical Shenzhen Jiegong Intelligent Electric Co ltd
Priority to CN202310879440.8A priority Critical patent/CN116614580B/zh
Publication of CN116614580A publication Critical patent/CN116614580A/zh
Application granted granted Critical
Publication of CN116614580B publication Critical patent/CN116614580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/42—Systems providing special services or facilities to subscribers
    • H04M3/50—Centralised arrangements for answering calls; Centralised arrangements for recording messages for absent or busy subscribers ; Centralised arrangements for recording messages
    • H04M3/51—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing
    • H04M3/5116—Centralised call answering arrangements requiring operator intervention, e.g. call or contact centers for telemarketing for emergency applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/094—Adversarial learning
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M11/00—Telephonic communication systems specially adapted for combination with other electrical systems
    • H04M11/04—Telephonic communication systems specially adapted for combination with other electrical systems with alarm systems, e.g. fire, police or burglar alarm systems
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Pathology (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Emergency Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明公开了一种多端呼叫及时响应通讯方法及系统，方法包括步骤：接收客户端发送的呼叫请求，将语音转换为文字；得到病情元素和病情向量；将病情矩阵与相关病症的病症标准模板矩阵进行匹配；计算得到支持度和冲突度，综合支持度和冲突度，确定病情向量与病症标准模板矩阵的匹配度得分；将所有匹配度得分进行排序，病情向量与病症标准模板矩阵的匹配度得分最高的病症类型为确定的病症；根据病症类型，生成简易救助方法发送给呼叫方，并根据病症紧急程度，派出急救车去现场。本发明通过计算呼叫方信息中的病症信息病情元素与预先建立的病症标准模板矩阵的冲突度和支持度，有效地计算病症与模板的匹配度，及时响应紧急呼叫。

Description

一种多端呼叫及时响应通讯方法及系统
技术领域
本发明属于医疗服务技术领域，尤其涉及一种多端呼叫及时响应通讯方法及系统。
背景技术
多端呼叫及时响应系统通常会对不同紧急程度的告警信息进行分类和处理。例如，将紧急告警信息优先推送给相关的急救队伍。此外，系统还会根据响应团队的人员位置、工作状态等情况动态分配任务，以最大程度地提高响应效率和准确率。但现在的多端呼叫及时响应系统通常是人工，包括多个客户端和一个服务器：客户端呼入服务器的数据处理模块，产生医患对话。客服接收客户端产生的数据，并判断确定紧急事件的类型和等级。根据紧急程度进行分类和处理，并将相应信息推送给响应中心。响应中心根据紧急程度和具体情况，响应模块指派人员到相应的任务，并前往现场实施必要的救援和处理措施。人工系统不具备不断地学习、模拟和优化响应流程，以提高系统的稳定性和响应能力。
对于某些呼叫客户如儿童或意识不清楚的成年人，在紧急情况下，对于病人病症的描述可能是混乱的，需要从描述中排除混乱信息，准确判断病症种类。因此需要一种全自动的多端呼叫响应系统，根据智能算法和模型得出病症种类。
发明内容
有鉴于此，本发明提出了一种多端呼叫及时响应通讯方法，接收多端呼叫，通过智能算法和模型分析紧急程度，根据紧急程度进行及时响应紧急呼叫。
为实现上述目的，本发明第一方面公开了一种多端呼叫及时响应通讯方法，包括以下步骤：
接收客户端发送的呼叫请求；
接收客户端产生的数据，通过语音识别方法，将语音转换为文字；
对文字进行分割，得到病情元素，将所有病情元素组合成病情向量；提取呼叫请求中病症发作持续时间、情绪紧迫系数和/或病症名称；
将病情向量进行去重处理，包括去除相同的病情元素，以及病情严重级别不同的两个或多个病情元素中，保留病情严重级别高的病情元素；
如果医患对话中提取到病症名称，将病情矩阵与该病症对应的病症标准模板矩阵进行匹配；如果医患对话中没有病症名称，则将病情矩阵与相关病症的病症标准模板矩阵进行匹配；计算得到支持度s ij 和冲突度v ij ，综合支持度和冲突度，确定病情向量与相关病症标准模板矩阵的匹配度得分；
根据上一步骤的方法计算得到病情向量与所有病症标准模板矩阵的匹配度得分，将所有匹配度得分进行排序，病情向量与病症标准模板矩阵匹配度得分最高的病症类型为确定的病症；如果病情向量与所有病症标准模板矩阵的匹配度得分都小于预设阈值，则通过人工客服参与判断病症类型；
根据病症类型，生成现场简易救助方法发送给呼叫方，并根据病症紧急程度，派出急救车去现场。
进一步地，所述病情元素类型包括人体部位+动词和/或+名词，或人体部位+形容词和或+副词；将对话中呼叫方的所有病情元素组合成病情向量；病症标准模板矩阵为某一个病症的典型病情元素组成的矩阵，其中每列为某一病症的典型症状向量，病症标准模板矩阵包括多列向量，对应于该病症的症状多种组合。
进一步地，将病症标准模板矩阵中的病情元素根据专家知识进行赋予不同的数值，并根据主成分分析法PCA分析出其中的主要成分病情元素。
进一步地，病情向量中i病情元素对第j个病症标准模板矩阵的支持度计算方法如下：
其中s1>s2，β为频率修正系数，频率为通过TF-IDF算法中的TF计算得到的病情向量中病情元 素出现频率。
进一步地，病情向量中所有病情元素的支持度之和小于预设阈值P时，病情向量中i病情元素对第j个病症标准模板矩阵的冲突度计算如下：
；
病情向量中所有病情元素的支持度之和大于预设阈值P时，病情向量中i病情元素对第j个病症标准模板矩阵的冲突度计算如下：
；
其中s4<s3<s6<s5<s2。
进一步地，分析患者或其亲属等人的语速及语速的变化速度，得出情绪级别；所述情绪级别划分为5个级别，包括：平静={语速<180字/分钟，语速变化慢}，赋值为a1；不太平静={语速>200字/分钟，语速变化慢}，赋值为a2；紧张={200字/分钟<语速<250字/分钟，语速变化快}，赋值为a3；比较紧张={语速>300字/分钟，语速变化慢}，赋值为a4；急迫={语速>300字/分钟，语速变化快}，赋值为a5。
进一步地，计算病情向量与第j个病症标准模板矩阵的匹配得分如下：
；
其中α为情绪级别对应的情绪紧迫系数，，，情绪级别越高，情绪紧迫系数的值越大，即a1<a2<a3<a4<a5；M为病情向量中满足支持度计算公式的病情元素数量，N为病情向量中满足冲突度计算公式的病情元素数量，/>为根据病情发作持续时间转换的时间紧迫系数。
进一步地，的计算方法如下：
；
其中。
进一步地，使用生成对抗网络GAN产生更多的医患对话，使用生成器从生成的医患对话中提取病情向量，使用判别器对生成的病情向量进行判断；经过多次更新迭代，直到判别器无法判断病情向量的真实情况。
本发明第二方面公开的一种多端呼叫及时响应通讯系统，包括：
接收模块：接收客户端发送的呼叫请求；
语音识别模块：接收客户端产生的数据，通过语音识别方法，将语音转换为文字；
分割模块：对文字进行分割，得到病情元素，将所有病情元素组合成病情向量；提取呼叫请求中病症发作持续时间、情绪紧迫系数和/或病症名称；
去重模块：将病情向量进行去重处理，包括去除相同的病情元素，以及病情严重级别不同的两个或多个病情元素中，保留病情严重级别高的病情元素；
匹配模块：如果医患对话中提取到病症名称，将病情矩阵与该病症对应的病症标准模板矩阵进行匹配；如果医患对话中没有病症名称，则将病情矩阵与相关病症的病症标准模板矩阵进行匹配；计算得到支持度s ij 和冲突度v ij ，综合支持度和冲突度，确定病情向量与相关病症标准模板矩阵的匹配度得分；
判别模块：根据上一步骤的方法计算得到病情向量与所有病症标准模板矩阵的匹配度得分，将所有匹配度得分进行排序，病情向量与病症标准模板矩阵匹配度得分最高的病症类型为确定的病症；如果病情向量与所有病症标准模板矩阵的匹配度得分都小于预设阈值，则通过人工客服参与判断病症类型；
分配模块：根据病症类型，生成现场简易救助方法发送给呼叫方，并根据病症紧急程度，派出急救车去现场。
本发明的有益效果如下：
本发明提出了一种自动判断病症紧急程度的方法，计算呼叫方信息中的病症信息病情元素与预先建立的病症标准模板矩阵的冲突度和支持度，其中的冲突度和支持度考虑了多种情况，能有效地计算出病症与模板的匹配度，从而提高了病症的判断准确性，可以及时响应紧急呼叫。
附图说明
图1本发明的处理流程图。
实施方式
下面结合附图对本发明作进一步的说明，但不以任何方式对本发明加以限制，基于本发明教导所作的任何变换或替换，均属于本发明的保护范围。
参考图1，本发明提出的多端呼叫及时响应通讯方法，包括以下步骤：
接收客户端发送的呼叫请求；
接收客户端产生的数据，通过语音识别方法，将语音转换为文字，并对文字进行分割，得到病情元素，病情元素为字符串，如人体部位+动词和/或+名词，如手+颤抖，手+流+血，或人体部位+形容词和/或+副词，如腹+痛，腹+痛+厉害，病症名称，如中风；将每句话中提取的人体部位+动词和/或+名词组成病情元素类型X1，或将每句话中提取的人体部位+形容词组成病情元素类型X2，将医患对话中的所有病情元素组合成病情向量；并提取对话中病症发作持续时间t；
将病情向量进行去重处理，包括去除相同的病情元素，以及病情严重级别不同的两个或多个病情元素中，保留病情严重级别高的病情元素，如病情元素
x 1={头+摆动}，x 2={头+抽搐}，则保留病情元素x 2，去除病情元素x 1。
将病症标准模板矩阵中的病情元素根据专家知识进行赋予不同的数值，并根据主成分分析法PCA分析出其中的主要成分。
如果医患对话中提取到病症名称，将病情矩阵与该病症对应的病症标准模板矩阵进行匹配；如果医患对话中没有病症名称，则将病情矩阵与相关病症的病症标准模板矩阵进行匹配；计算得到支持度s ij 和冲突度v ij ，综合支持度和冲突度，确定病情向量与相关病症标准模板矩阵的匹配度得分；
根据上一步骤的方法计算得到病情向量与所有病症标准模板矩阵的匹配度得分，将所有匹配度得分进行排序，病情向量与病症标准模板矩阵匹配度得分最高的病症类型为确定的病症；如果病情向量与所有病症标准模板矩阵的匹配度得分都小于预设阈值，则通过人工客服参与判断病症类型。
在一些实施例中，通过TF-IDF算法中的TF计算病情向量中病情元素的出现频率。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度，是本领域的公知常识，本发明不再赘述。
优选地，病情向量中i病情元素对第j个病症标准模板矩阵的支持度计算方法如下：
其中s1>s2，β为频率修正系数；匹配时，先匹配部位名称，再匹配该部位的症状。
优选地，病情向量中i病情元素对第j个病症标准模板矩阵的冲突度的计算方法如下：
当病情向量中所有病情元素的支持度之和小于预设阈值P时：
当病情向量中所有病情元素的支持度之和大于预设阈值P时：
；
其中s4<s3<s6<s5<s2。
示例性地，病情向量中i病情元素对第j个病症标准模板矩阵的冲突度计算：当病情向量中所有病情元素的支持度之和<预设阈值P时，如果i病情元素中的生病部位是病症标准模板矩阵的主成分病情元素，且部位未匹配，则冲突度为0.5；如果i病情元素中的生病部位不是病症标准模板矩阵的主成分病情元素，部位匹配，但症状未匹配，则冲突度为0.4；如果i病情元素中的生病部位不是病症标准模板矩阵的主成分病情元素，且部位未匹配，则冲突度为0.3；如果i病情元素中的生病部位不是病症标准模板矩阵的主成分病情元素，部位匹配，但症状未匹配，则冲突度为0.2。
当病情向量中所有病情元素的支持度之和>预设阈值P时，如果i病情元素中的生病部位是病症标准模板矩阵的主成分病情元素，且部位未匹配，则冲突度为0.25；如果i病情元素中的生病部位不是病症标准模板矩阵的主成分病情元素，部位匹配，但症状未匹配，则冲突度为0.2；如果i病情元素中的生病部位不是病症标准模板矩阵的主成分病情元素，且部位未匹配，则冲突度为0.15；如果i病情元素中的生病部位不是病症标准模板矩阵的主成分病情元素，部位匹配，但症状未匹配，则冲突度为0.1。
计算病情向量与第j个病症标准模板矩阵的匹配度得分如下：
其中α为情绪级别对应的情绪紧迫系数，，情绪级别越高，情绪紧迫系数的值越大，即a1<a2<a3<a4<a5；M为病情向量中满足支持度计算公式的病情元素数量，N为病情向量中满足冲突度计算公式的病情元素数量。
为根据病情发作持续时间转换的时间紧迫系数，计算如下：
;
将病情向量与所有病症标准模板矩阵的匹配度得分进行排序，得分最高的模板矩阵对应的病症为确定的病症。
如果病情向量与所有病症标准模板矩阵的匹配度最终得分都小于预设阈值，由人工客服介入参与判断。
在一些实施例中，分析患者或其亲属等人的语速及语速的变化速度，得出情绪级别；将情绪划分为5个级别，包括：平静={语速<180字/分钟，语速变化慢}，赋值为a1；不太平静={语速>200字/分钟，语速变化慢}，赋值为a2；紧张={200字/分钟<语速<250字/分钟，语速变化快}，赋值为a3；比较紧张={语速>300字/分钟，语速变化慢}，赋值为a4；急迫={语速>300字/分钟，语速变化快}，赋值为a5；通过语速和语速变化速度，可将情绪有效分级，即使有人语速本身快，但如果语速变化慢，其级别仍然不高。这样可以有效判断情绪的级别，并根据情绪级别初步判断病情严重程度。语速可通过统计每10秒说出的字数得到。语速变化通过比较每10秒的语速得到。语速变化的快慢通过比较语速变化阈值得到，大于语速变化阈值的为语速变化快，否则为语速变化慢。
病症标准模板矩阵为预先建立的某一个病症的典型症状组成的矩阵，其中每列为某一病症典型症状的病情元素组成的向量，矩阵包括多列症状向量，对应于该病症的症状多种组合。
优选地，病症标准模板矩阵的每列病情元素的排列顺序为按照固定的身体部位顺序排列，如按身体部位从上到下的顺序。在一些实施例中，病症标准模板矩阵的每列病情元素的排列顺序为先排列主成分病情元素，后排列非主成分病情元素。
由于呼叫对话的数据集数量不足，在一些实施例中，收集超过5K次呼叫对话组成训练集，再使用生成对抗网络GAN产生更多的呼叫对话，GAN包括生成器G和辨别器D两个网络，训练时，初始化生成器G和辨别器D两个网络的参数；从训练集抽取n个样本，以及生成器利用定义的噪声分布生成n个样本；固定生成器G，训练辨别器D，使其尽可能区分真假；循环更新k次辨别器D之后，更新1次生成器G，使辨别器尽可能区分不了真假。多次更新迭代后，理想状态下，最终辨别器D无法区分生成的病情向量到底是来自真实的训练样本集合，还是来自生成器G生成的样本即可，此时辨别的概率为0.5，完成训练。
在一些实施例中，还使用CNN神经网络进行训练，对g1，g2，g3，g4，s1，s2，s3，s4等参数的取值进行优化。收集超过5K次呼叫对话组成训练集，卷积神经网络的训练过程分为两个阶段。第一个阶段是数据由低层次向高层次传播的阶段，即前向传播阶段。另外一个阶段是，当前向传播得出的结果与预期不相符时，将误差从高层次向底层次进行传播训练的阶段，即反向传播阶段。训练过程为：
1、网络进行权值的初始化；
2、输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；
3、求出网络的输出与目标值之间的误差；
4、当误差大于期望值时，将误差传回网络中，依次求得全连接层，下采样层，卷积层的误差。各层的误差为对于网络的总误差，当误差等于或小于期望值时，结束训练。
5、根据求得误差进行权值更新。
通过神经网络的优化过程，获得g1，g2，g3，g4，s1，s2，s3，s4等参数的最优取值。
本发明还可根据分析结果，检测出紧急事件后，自动触发告警器发出声光信号，并通过手机、电脑等多种方式向后台的管理中心发送告警消息。
本发明的另一实施例中还提出一种多端呼叫及时响应通讯系统，包括：
接收模块：接收客户端发送的呼叫请求；
语音识别模块：接收客户端产生的数据，通过语音识别方法，将语音转换为文字；
分割模块：对文字进行分割，得到病情元素，将所有病情元素组合成病情向量；提取呼叫请求中病症发作持续时间、情绪紧迫系数和/或病症名称；
去重模块：将病情向量进行去重处理，包括去除相同的病情元素，以及病情严重级别不同的两个或多个病情元素中，保留病情严重级别高的病情元素；
匹配模块：如果医患对话中提取到病症名称，将病情矩阵与该病症对应的病症标准模板矩阵进行匹配；如果医患对话中没有病症名称，则将病情矩阵与相关病症的病症标准模板矩阵进行匹配；计算得到支持度s ij 和冲突度v ij ，综合支持度和冲突度，确定病情向量与相关病症标准模板矩阵的匹配度得分；
判别模块：根据上一步骤的方法计算得到病情向量与所有病症标准模板矩阵的匹配度得分，将所有匹配度得分进行排序，病情向量与病症标准模板矩阵匹配度得分最高的病症类型为确定的病症；如果病情向量与所有病症标准模板矩阵的匹配度得分都小于预设阈值，则通过人工客服参与判断病症类型；
分配模块：根据病症类型，生成现场的简易救助方法发送给呼叫方，并根据病症紧急程度，派出急救车去现场。
本发明的有益效果如下：
本发明提出了一种自动判断病症紧急程度的方法，计算呼叫方信息中的病症信息病情元素与预先建立的病症标准模板矩阵的冲突度和支持度，其中的冲突度和支持度考虑了多种情况，能有效地计算出病症与模板的匹配度，从而提高了病症的判断准确性，可以及时响应紧急呼叫。
本文所使用的词语“优选的”意指用作实例、示例或例证。本文描述为“优选的”任意方面或设计不必被解释为比其他方面或设计更有利。相反，词语“优选的”的使用旨在以具体方式提出概念。如本申请中所使用的术语“或”旨在意指包含的“或”而非排除的“或”。即，除非另外指定或从上下文中清楚，“X使用A或B”意指自然包括排列的任意一个。即，如果X使用A；X使用B；或X使用A和B二者，则“X使用A或B”在前述任一示例中得到满足。
而且，尽管已经相对于一个或实现方式示出并描述了本公开，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本公开包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。特别地关于由上述组件(例如元件等)执行的各种功能，用于描述这样的组件的术语旨在对应于执行所述组件的指定功能(例如其在功能上是等价的)的任意组件(除非另外指示)，即使在结构上与执行本文所示的本公开的示范性实现方式中的功能的公开结构不等同。此外，尽管本公开的特定特征已经相对于若干实现方式中的仅一个被公开，但是这种特征可以与如可以对给定或特定应用而言是期望和有利的其他实现方式的一个或其他特征组合。而且，就术语“包括”、“具有”、“含有”或其变形被用在具体实施方式或权利要求中而言，这样的术语旨在以与术语“包含”相似的方式包括。
本发明实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以多个或多个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。上述提到的存储介质可以是只读存储器，磁盘或光盘等。上述的各装置或系统，可以执行相应方法实施例中的存储方法。
综上所述，上述实施例为本发明的一种实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何背离本发明的精神实质与原理下所做的改变、修饰、代替、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种多端呼叫及时响应通讯方法，其特征在于，包括以下步骤：
接收客户端发送的呼叫请求；
接收客户端产生的数据，通过语音识别方法，将语音转换为文字；
对文字进行分割，得到病情元素，将所有病情元素组合成病情向量；提取呼叫请求中病症发作持续时间、情绪紧迫系数和/或病症名称；
将病情向量进行去重处理，包括去除相同的病情元素，以及部位相同但病情严重级别不同的两个或多个病情元素中，保留病情严重级别高的病情元素；
如果医患对话中提取到病症名称，将病情矩阵与该病症对应的病症标准模板矩阵进行匹配；如果医患对话中没有病症名称，则将病情矩阵与相关病症的病症标准模板矩阵进行匹配；计算得到支持度sij和冲突度vij，综合支持度和冲突度，确定病情向量与相关病症标准模板矩阵的匹配度得分；
根据上一步骤的方法计算得到病情向量与所有病症标准模板矩阵的匹配度得分，将所有匹配度得分进行排序，病情向量与病症标准模板矩阵匹配度得分最高的病症类型为确定的病症；如果病情向量与所有病症标准模板矩阵的匹配度得分都小于预设阈值，则通过人工客服参与判断病症类型；
根据病症类型，生成现场简易救助方法发送给呼叫方，并根据病症紧急程度，派出急救车去现场。
2.根据权利要求1所述的多端呼叫及时响应通讯方法，其特征在于，所述病情元素的类型包括人体部位+动词和/或+名词，或人体部位+形容词和/或+副词；将对话中呼叫方的所有病情元素组合成病情向量；病症标准模板矩阵为某一个病症的典型病情元素组成的矩阵，其中每列为某一病症的典型症状向量，病症标准模板矩阵包括多列向量，对应于该病症的症状多种组合。
3.根据权利要求2所述的多端呼叫及时响应通讯方法，其特征在于，将病症标准模板矩阵中的病情元素根据专家知识进行赋予不同的数值，并根据主成分分析法分析出其中的主要成分病情元素。
4.根据权利要求3所述的多端呼叫及时响应通讯方法，其特征在于，病情向量中i病情元素对第j个病症标准模板矩阵的支持度计算方法如下：
；
其中s1>s2，β为频率修正系数，频率为通过TF-IDF算法中的TF计算得到的病情向量中病情元素出现频率。
5.根据权利要求4所述的多端呼叫及时响应通讯方法，其特征在于，病情向量中所有病情元素的支持度之和小于预设阈值P时，病情向量中i病情元素对第j个病症标准模板矩阵的冲突度计算如下：
；
病情向量中所有病情元素的支持度之和大于预设阈值P时，病情向量中i病情元素对第j个病症标准模板矩阵的冲突度计算如下：
；
其中s4<s3<s6<s5<s2。
6.根据权利要求5所述的多端呼叫及时响应通讯方法，其特征在于，分析患者或其亲属等人的语速及语速的变化速度，得出情绪级别；所述情绪级别划分为5个级别，包括：平静={语速<180字/分钟，语速变化慢}，赋值为a1；不太平静={语速>200字/分钟，语速变化慢}，赋值为a2；紧张={200字/分钟<语速<250字/分钟，语速变化快}，赋值为a3；比较紧张={语速>300字/分钟，语速变化慢}，赋值为a4；急迫={语速>300字/分钟，语速变化快}，赋值为a5。
7.根据权利要求6所述的多端呼叫及时响应通讯方法，其特征在于，计算病情向量与第j个病症标准模板矩阵的匹配度得分如下：
其中α为情绪级别对应的情绪紧迫系数，/>，情绪级别越高，情绪紧迫系数的值越大，即a1<a2<a3<a4<a5；M为病情向量中满足支持度计算公式的元素数量，N为病情向量中满足冲突度计算公式的元素数量，/>为根据病情发作持续时间转换的时间紧迫系数。
8.根据权利要求7所述的多端呼叫及时响应通讯方法，其特征在于，的计算方法如下：
；
其中。
9.根据权利要求1所述的多端呼叫及时响应通讯方法，其特征在于，使用生成对抗网络GAN产生更多的医患对话，使用生成器从生成的医患对话中提取病情向量，使用判别器对生成的病情向量进行判断；经过多次更新迭代，直到判别器无法判断病情向量的真实情况。
10.基于权利要求1-9任一所述多端呼叫及时响应通讯方法所使用的系统，其特征在于，包括：
接收模块：接收客户端发送的呼叫请求；
语音识别模块：接收客户端产生的数据，通过语音识别方法，将语音转换为文字；
分割模块：对文字进行分割，得到病情元素，将所有病情元素组合成病情向量；提取呼叫请求中病症发作持续时间、情绪紧迫系数和/或病症名称；
去重模块：将病情向量进行去重处理，包括去除相同的病情元素，以及病情严重级别不同的两个或多个病情元素中，保留病情严重级别高的病情元素；
匹配模块：如果医患对话中提取到病症名称，将病情矩阵与该病症对应的病症标准模板矩阵进行匹配；如果医患对话中没有病症名称，则将病情矩阵与相关病症的病症标准模板矩阵进行匹配；计算得到支持度sij和冲突度vij，综合支持度和冲突度，确定病情向量与相关病症标准模板矩阵的匹配度得分；
判别模块：根据上一步骤的方法计算得到病情向量与所有病症标准模板矩阵的匹配度得分，将所有匹配度得分进行排序，病情向量与病症标准模板矩阵匹配度得分最高的病症类型为确定的病症；如果病情向量与所有病症标准模板矩阵的匹配度得分都小于预设阈值，则通过人工客服参与判断病症类型；
分配模块：根据病症类型，生成现场简易救助方法发送给呼叫方，并根据病症紧急程度，派出急救车去现场。
CN202310879440.8A 2023-07-18 2023-07-18 一种多端呼叫及时响应通讯方法及系统 Active CN116614580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310879440.8A CN116614580B (zh) 2023-07-18 2023-07-18 一种多端呼叫及时响应通讯方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310879440.8A CN116614580B (zh) 2023-07-18 2023-07-18 一种多端呼叫及时响应通讯方法及系统

Publications (2)

Publication Number Publication Date
CN116614580A true CN116614580A (zh) 2023-08-18
CN116614580B CN116614580B (zh) 2023-09-22

Family

ID=87675082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310879440.8A Active CN116614580B (zh) 2023-07-18 2023-07-18 一种多端呼叫及时响应通讯方法及系统

Country Status (1)

Country Link
CN (1) CN116614580B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130268203A1 (en) * 2012-04-09 2013-10-10 Vincent Thekkethala Pyloth System and method for disease diagnosis through iterative discovery of symptoms using matrix based correlation engine
CN111091906A (zh) * 2019-10-31 2020-05-01 中电药明数据科技(成都)有限公司 一种基于真实世界数据的辅助医疗诊断方法及系统
CN111599489A (zh) * 2020-05-19 2020-08-28 万达信息股份有限公司 一种疾病信息获取方法、终端设备和存储介质
US20220070646A1 (en) * 2020-09-02 2022-03-03 Koninklijke Philips N.V. Responding to emergency calls
CN116013450A (zh) * 2021-10-20 2023-04-25 中移(成都)信息通信科技有限公司 病患的急诊级别确定方法、装置、设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130268203A1 (en) * 2012-04-09 2013-10-10 Vincent Thekkethala Pyloth System and method for disease diagnosis through iterative discovery of symptoms using matrix based correlation engine
CN111091906A (zh) * 2019-10-31 2020-05-01 中电药明数据科技(成都)有限公司 一种基于真实世界数据的辅助医疗诊断方法及系统
CN111599489A (zh) * 2020-05-19 2020-08-28 万达信息股份有限公司 一种疾病信息获取方法、终端设备和存储介质
US20220070646A1 (en) * 2020-09-02 2022-03-03 Koninklijke Philips N.V. Responding to emergency calls
CN116013450A (zh) * 2021-10-20 2023-04-25 中移(成都)信息通信科技有限公司 病患的急诊级别确定方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李谊澄;侯锐志;邹宗毓;周子君;: "基于机器学习的北京市三甲医院疾病诊断名称规范化研究", 医学与社会, no. 08 *

Also Published As

Publication number Publication date
CN116614580B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
US10896763B2 (en) System and method for providing model-based treatment recommendation via individual-specific machine learning models
CN110516161B (zh) 一种推荐方法及装置
US10878823B2 (en) Voiceprint recognition method, device, terminal apparatus and storage medium
Peng et al. Bayesian inference in mixtures-of-experts and hierarchical mixtures-of-experts models with an application to speech recognition
US8032372B1 (en) Dictation selection
CN111143576A (zh) 一种面向事件的动态知识图谱构建方法和装置
US9542931B2 (en) Leveraging interaction context to improve recognition confidence scores
EP0313975A2 (en) Design and construction of a binary-tree system for language modelling
JP2017228160A (ja) 対話行為推定方法、対話行為推定装置及びプログラム
CN109994179B (zh) 万古霉素的给药方法及装置
WO2022227203A1 (zh) 基于对话表征的分诊方法、装置、设备及存储介质
CN114120516B (zh) 一种营业厅叫号顺序优化方法
US20200074986A1 (en) Speech recognition apparatus and method
CN116110405B (zh) 一种基于半监督学习的陆空通话说话人识别方法及设备
CN109658921A (zh) 一种语音信号处理方法、设备及计算机可读存储介质
US20200046285A1 (en) Detection of a sign of cognitive decline focusing on change in topic similarity over conversations
US11024329B2 (en) Word repetition in separate conversations for detecting a sign of cognitive decline
CN112035634A (zh) 文本情绪检测方法、装置、设备及存储介质
EP3977479A2 (en) An intelligent computer aided decision support system
CN114388135A (zh) 一种孕妇指标数据分析方法、装置、设备及可读存储介质
CN116614580B (zh) 一种多端呼叫及时响应通讯方法及系统
JP6910002B2 (ja) 対話行為推定方法、対話行為推定装置及びプログラム
CN113889099A (zh) 一种语音识别方法及系统
KR20180065761A (ko) 디지털 목소리 유전 요소에 기반한 사용자 적응형 음성 인식 시스템 및 방법
US20230238019A1 (en) Machine learning models for automated processing of audio waveform database entries

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