CN116913451B - 一种医疗随访系统 - Google Patents

一种医疗随访系统 Download PDF

Info

Publication number
CN116913451B
CN116913451B CN202311169838.9A CN202311169838A CN116913451B CN 116913451 B CN116913451 B CN 116913451B CN 202311169838 A CN202311169838 A CN 202311169838A CN 116913451 B CN116913451 B CN 116913451B
Authority
CN
China
Prior art keywords
text
follow
latest
medical image
representing
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
Application number
CN202311169838.9A
Other languages
English (en)
Other versions
CN116913451A (zh
Inventor
汪静
李乔
傅静
刘明林
谢绍菊
伍晓琴
杨婷
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.)
Southwest Medical University
Original Assignee
Southwest 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 Southwest Medical University filed Critical Southwest Medical University
Priority to CN202311169838.9A priority Critical patent/CN116913451B/zh
Publication of CN116913451A publication Critical patent/CN116913451A/zh
Application granted granted Critical
Publication of CN116913451B publication Critical patent/CN116913451B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/232—Orthographic correction, e.g. spell checking or vowelisation
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using 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
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种医疗随访系统，涉及数据处理技术领域，其系统包括信息获取单元、第一信息处理单元、第二信息处理单元、信息管理单元和信息通讯单元；信息获取单元用于获取随访者信息；第一信息处理单元用于将随访者语音转换为随访文本；第二信息处理单元用于提取最新医学图像的特征信息；信息管理单元用于得到最新电子病历，并确定最新电子病历的优先级顺序；信息通讯单元用于将最新电子病历传输至客户端。该医疗随访系统根据医学图像和随访文本对历史电子病历进行更新，得到的最新电子病历可以全面准确的反映随访者信息，便于医护人员随时了解随访者情况。

Description

一种医疗随访系统
技术领域
本发明涉及数据处理技术领域，具体而言，涉及一种医疗随访系统。
背景技术
医院随访系统是一种集患者资料整理和数据统计分析功能于一体的服务系统。随访是临床工作的重要组成部分，通过对出院病人或患慢性疾病的病人进行医疗追踪，医生可及时了解病人的病情变化并给予治疗建议，对病情复发和恶化的病人可安排重新住院治疗；另一方面便于医生对病人跟踪观察，了解愈后情况，掌握第一手资料，积累经验，有利于临床科研工作的开展和业务水平的提高，更好地为病人服务。而现有医疗随访系统多采用人工手动录入患者信息，其费时费力，且容易出现失误，导致信息更新不准确，耽误患者治疗。
发明内容
本发明的目的在于提供一种医疗随访系统，其通过获取随访者语音、最新医学图像、历史医学图像和历史电子病历进行信息更新。
本发明的实施例通过以下技术方案实现：
一种医疗随访系统包括信息获取单元、第一信息处理单元、第二信息处理单元、信息管理单元和信息通讯单元；
信息获取单元用于获取随访者信息，其中，随访者信息包括随访者语音、最新医学图像、历史医学图像和历史电子病历；
第一信息处理单元用于将随访者语音转换为随访文本；
第二信息处理单元用于将最新医学图像和历史医学图像进行对比，提取最新医学图像的特征信息；
信息管理单元用于根据随访文本和最新医学图像的特征信息对历史电子病历进行更新，得到最新电子病历，并确定最新电子病历上传至客户端的优先级顺序；
信息通讯单元用于按照最新电子病历上传至客户端的优先级顺序将最新电子病历上传至客户端，进行可视化展示。
本发明实施例的技术方案至少具有如下优点和有益效果：
（1）该医疗随访系统通过获取随访者语音，并将随访者语音转换为随访文本，便于可视化展示，使医护人员快速便捷地获取随访者信息；
（2）该医疗随访系统通过对历史医学图像和最新医学图像进行分析对比，确定两张图像的差异度，差异度越大的医学图像其优先级越高，更快速传输至客户端，便于医护人员优先了解并跟踪处理；
（3）该医疗随访系统根据医学图像和随访文本对历史电子病历进行更新，得到的最新电子病历可以全面准确的反映随访者信息，便于医护人员随时了解随访者情况。
进一步地，第一信息处理单元包括语音去噪模块、文本提取模块和文本纠正模块；
语音去噪模块用于对随访者语音依次进行去噪处理、分帧处理和加窗处理，得到语音信号序列；
文本提取模块用于提取语音信号序列的模糊文本；
文本纠正模块用于对模糊文本进行纠正处理，得到随访文本。
上述进一步方案的有益效果是：在本发明中，利用语音去噪单元对随访者语音进行预处理，减少噪音干扰，便于后续提取文本；文本提取模块和文本纠正文本依次进行模糊文本提取和模糊文本纠正，两个模块相互配合，保证提取的文字信息准确无误。
进一步地，文本提取模块提取模糊文本的具体方法包括以下步骤：
提取语音信号序列中各峰值点的时间标签，生成时间标签集合；
计算语音信号序列的信号采样阈值；
在时间标签集合中，剔除小于或等于信号采样阈值的峰值点对应的时间标签；
将时间标签集合中剩余时间标签对应的峰值点输入至LSTM神经网络中，生成模糊文本。
上述进一步方案的有益效果是：在本发明中，基于时间标签，文本提取模块通过信号采样阈值来剔除语音信号序列中的异常峰值，再利用LSTM神经网络进行模糊文本提取，减少输入的模型参数量，降低人工成本，无需训练数据。
进一步地，语音信号序列的信号采样阈值γ的计算公式为：
式中，M max表示语音信号序列的峰值最大值，M min表示语音信号序列的峰值最小值，T max表示语音信号序列的峰值最大值对应的采样时间，T min表示语音信号序列的峰值最小值对应的采样时间，M ave表示语音信号序列中所有峰值的平均值。
进一步地，文本纠正模块利用文字修正模型对模糊文本进行纠正处理，文字修正模型F的表达式为：
式中，N表示模糊文本中文本单词个数，k n表示模糊文本中第n个文本单词的出现频率，c n表示模糊文本中第n个文本单词的权重，a表示常数，M表示声学模型中文本单词个数，d m表示声学模型中第m个文本单词的出现频率。
进一步地，第二信息处理单元包括图像预处理模块、图像特征提取模块和图像特征对比模块；
图像预处理模块用于对最新医学图像进行预处理，具体为灰度处理和增强处理；
图像特征提取模块用于提取历史医学图像的像素特征矩阵和最新医学图像的像素特征矩阵；
图像特征对比模块用于对历史医学图像的像素特征矩阵和最新医学图像的像素特征矩阵进行特征融合，得到最新医学图像的融合像素特征矩阵，计算最新医学图像的融合像素特征矩阵与最新医学图像的像素特征矩阵之间的相似度，得到最新医学图像的像素偏差度，作为最新医学图像的特征信息。
上述进一步方案的有益效果是：在本发明中，图像预处理模块对最新医学图像进行预处理，保证后续提取特征的准确性；图像特征提取模块先将历史医学图像和最新医学图像的像素特征矩阵融合，再将融合特征矩阵与最新医学图像的像素特征矩阵进行相似度对比，充分考虑了历史医学图像像素点与最新医学图像像素点的变化，其相似度更能反映两张图像的变化。医学图像的变化更能直接地表明随访者病情变化，便于医护人员准确快速的了解患者病情。
进一步地，最新医学图像的像素特征矩阵X的表达式为；
式中，x 1,x 2,...,x m表示预处理后最新医学图像中各个像素点的亮度值，m表示预处理后最新医学图像的像素点个数，T表示矩阵转置；
历史医学图像的像素特征矩阵Y的表达式为：
式中，y 1,y 2,...,y s表示历史医学图像中各个像素点的亮度值，s表示历史医学图像的像素点个数。
进一步地，融合像素特征矩阵Z的计算公式为：
式中，X表示最新医学图像的像素特征矩阵，Y表示历史医学图像的像素特征矩阵，ω 1表示最新医学图像的像素特征的权重，ω 2表示历史医学图像的像素特征的权重。
进一步地，信息管理单元对历史电子病历进行更新并确定最新电子病历的优先级顺序的具体方法包括以下步骤：
利用word2vec算法提取历史电子病历的句向量；
根据历史电子病历的句向量，将随访文本插入至历史电子病历的最佳位置；
将最新医学图像插入至历史电子病历中，得到最新电子病历，并将各个最新医学图像的像素偏差度从小到大排序，作为最新电子病历的优先级顺序。
上述进一步方案的有益效果是：在本发明中，当两张医学图像的相似度越小，表面医学图像的变化越大，可能暗示随访者的情况发生变化，因为将医学图像相似度低的随访者电子病历的优先级调高，优先传输至客户端，使医护人员可以快速及时地了解随访者病情变化。另一方面，将随访文本准确地插入至历史电子病历的对应位置，例如随访者历史电子病历中描述“腹部胀痛”，而在随访语音中描述“腹部正常”，则将“腹部正常”的随访文本插入至历史电子病历中“腹部胀痛”描述的周围，可以方便医护人员对照查看随访者同一病情前后不同的症状表现。
进一步地，随访文本插入历史电子病历的最佳位置的确定方法为：计算随访文本与历史电子病历中各个句向量的相似度，将与随访文本相似度最高的句向量所在处作为最佳位置，其中，随访文本与句向量的相似度S的计算公式为：
式中，α 0表示随访文本的句向量，β t表示历史电子病历中第t个句向量，len(·)表示字符串长度运算函数，max[·]表示最大值运算函数，u 0表示随访文本的字符，v 0表示历史电子病历的字符，T表示历史电子病历中句向量个数，sim(·)表示向量相似度函数，t表示历史电子病历中的句向量编号。
附图说明
图1为本发明实施例提供的医疗随访系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：
word2vec算法：用来产生词向量的模型，模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。
LSTM神经网络：一种时间循环神经网络，是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的。
声学模型：为语音识别系统中最为重要的部分之一，多采用隐马尔科夫模型进行建模。
如图1所示，本发明提供了一种医疗随访系统，包括信息获取单元、第一信息处理单元、第二信息处理单元、信息管理单元和信息通讯单元；
信息获取单元用于获取随访者信息，其中，随访者信息包括随访者语音、最新医学图像、历史医学图像和历史电子病历；
第一信息处理单元用于将随访者语音转换为随访文本；
第二信息处理单元用于将最新医学图像和历史医学图像进行对比，提取最新医学图像的特征信息；
信息管理单元用于根据随访文本和最新医学图像的特征信息对历史电子病历进行更新，得到最新电子病历，并确定最新电子病历上传至客户端的优先级顺序；
信息通讯单元用于按照最新电子病历上传至客户端的优先级顺序将最新电子病历上传至客户端，进行可视化展示。
在本发明实施例中，第一信息处理单元包括语音去噪模块、文本提取模块和文本纠正模块；
语音去噪模块用于对随访者语音依次进行去噪处理、分帧处理和加窗处理，得到语音信号序列；
文本提取模块用于提取语音信号序列的模糊文本；
文本纠正模块用于对模糊文本进行纠正处理，得到随访文本。
在本发明中，利用语音去噪单元对随访者语音进行预处理，减少噪音干扰，便于后续提取文本；文本提取模块和文本纠正文本依次进行模糊文本提取和模糊文本纠正，两个模块相互配合，保证提取的文字信息准确无误。
在本发明实施例中，文本提取模块提取模糊文本的具体方法包括以下步骤：
提取语音信号序列中各峰值点的时间标签，生成时间标签集合；
计算语音信号序列的信号采样阈值；
在时间标签集合中，剔除小于或等于信号采样阈值的峰值点对应的时间标签；
将时间标签集合中剩余时间标签对应的峰值点输入至LSTM神经网络中，生成模糊文本。
在本发明中，基于时间标签，文本提取模块通过信号采样阈值来剔除语音信号序列中的异常峰值，再利用LSTM神经网络进行模糊文本提取，减少输入的模型参数量，降低人工成本，无需训练数据。
在本发明实施例中，语音信号序列的信号采样阈值γ的计算公式为：
式中，M max表示语音信号序列的峰值最大值，M min表示语音信号序列的峰值最小值，T max表示语音信号序列的峰值最大值对应的采样时间，T min表示语音信号序列的峰值最小值对应的采样时间，M ave表示语音信号序列中所有峰值的平均值。
在本发明中，将峰值最大值与峰值最小值分别对应的采样时间的差值作为系数，对峰值最大值与峰值最小值之差进行约束，再与峰值平均值进行求差运算和绝对值运算，得到一个采样阈值，采用阈值用于剔除异常的峰值点，将剔除后剩余正常的峰值点输入至LSTM网络中，便于生成模糊文本。
在本发明实施例中，文本纠正模块利用文字修正模型对模糊文本进行纠正处理，文字修正模型F的表达式为：
式中，N表示模糊文本中文本单词个数，k n表示模糊文本中第n个文本单词的出现频率，c n表示模糊文本中第n个文本单词的权重，a表示常数，M表示声学模型中文本单词个数，d m表示声学模型中第m个文本单词的出现频率。文本纠正模块利用现有声学模型实现。
在本发明实施例中，第二信息处理单元包括图像预处理模块、图像特征提取模块和图像特征对比模块；
图像预处理模块用于对最新医学图像进行预处理，具体为灰度处理和增强处理；
图像特征提取模块用于提取历史医学图像的像素特征矩阵和最新医学图像的像素特征矩阵；
图像特征对比模块用于对历史医学图像的像素特征矩阵和最新医学图像的像素特征矩阵进行特征融合，得到最新医学图像的融合像素特征矩阵，计算最新医学图像的融合像素特征矩阵与最新医学图像的像素特征矩阵之间的相似度，得到最新医学图像的像素偏差度，作为最新医学图像的特征信息。
在本发明中，图像预处理模块对最新医学图像进行预处理，保证后续提取特征的准确性；
图像特征提取模块先将历史医学图像和最新医学图像的像素特征矩阵融合；将最新医学图像与历史医学图像进行融合可以丰富特征，充分考虑前后图像的特征变化；
再将融合特征矩阵与最新医学图像的像素特征矩阵进行相似度对比，充分考虑了历史医学图像像素点与最新医学图像像素点的变化，其相似度更能反映两张图像的变化。医学图像的变化更能直接地表明随访者病情变化，便于医护人员准确快速的了解患者病情。
在本发明实施例中，最新医学图像的像素特征矩阵X的表达式为；
式中，x 1,x 2,...,x m表示预处理后最新医学图像中各个像素点的亮度值，m表示预处理后最新医学图像的像素点个数，T表示矩阵转置；
历史医学图像的像素特征矩阵Y的表达式为：
式中，y 1,y 2,...,y s表示历史医学图像中各个像素点的亮度值，s表示历史医学图像的像素点个数。
在本发明实施例中，融合像素特征矩阵Z的计算公式为：
式中，X表示最新医学图像的像素特征矩阵，Y表示历史医学图像的像素特征矩阵，ω 1表示最新医学图像的像素特征的权重，ω 2表示历史医学图像的像素特征的权重。
特征矩阵中包含医学图像的像素点亮度特征，可以直接且全面地反映像素特点。
在本发明实施例中，信息管理单元对历史电子病历进行更新并确定最新电子病历的优先级顺序的具体方法包括以下步骤：
利用word2vec算法提取历史电子病历的句向量；
根据历史电子病历的句向量，将随访文本插入至历史电子病历的最佳位置；
将最新医学图像插入至历史电子病历中，得到最新电子病历，并将各个最新医学图像的像素偏差度从小到大排序，作为最新电子病历的优先级顺序。
在本发明中，当两张医学图像的相似度越小，表面医学图像的变化越大，可能暗示随访者的情况发生变化，情况可能出现反复，因此医学图像相似度越低的随访者电子病历的优先级越高，其优先传输至客户端，使医护人员可以快速及时地了解随访者病情变化。另一方面，将随访文本准确地插入至历史电子病历的对应位置，例如随访者历史电子病历中描述“腹部胀痛”，而在随访语音中描述“腹部正常”，则将“腹部正常”的随访文本插入至历史电子病历中“腹部胀痛”描述的周围，可以方便医护人员对照查看随访者同一病情前后不同的症状表现。
在本发明实施例中，随访文本插入历史电子病历的最佳位置的确定方法为：计算随访文本与历史电子病历中各个句向量的相似度，将与随访文本相似度最高的句向量所在处作为最佳位置，其中，随访文本与句向量的相似度S的计算公式为：
式中，α 0表示随访文本的句向量，β t表示历史电子病历中第t个句向量，len(·)表示字符串长度运算函数，max[·]表示最大值运算函数，u 0表示随访文本的字符，v 0表示历史电子病历的字符，T表示历史电子病历中句向量个数，sim(·)表示向量相似度函数，t表示历史电子病历中的句向量编号。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种医疗随访系统，其特征在于，包括信息获取单元、第一信息处理单元、第二信息处理单元、信息管理单元和信息通讯单元；
所述信息获取单元用于获取随访者信息，其中，随访者信息包括随访者语音、最新医学图像、历史医学图像和历史电子病历；
所述第一信息处理单元用于将随访者语音转换为随访文本；
所述第二信息处理单元用于将最新医学图像和历史医学图像进行对比，提取最新医学图像的特征信息；
所述信息管理单元用于根据随访文本和最新医学图像的特征信息对历史电子病历进行更新，得到最新电子病历，并确定最新电子病历上传至客户端的优先级顺序；
所述信息通讯单元用于按照最新电子病历上传至客户端的优先级顺序将最新电子病历上传至客户端，进行可视化展示；
其中，所述第二信息处理单元包括图像预处理模块、图像特征提取模块和图像特征对比模块；
所述图像预处理模块用于对最新医学图像进行预处理，具体为灰度处理和增强处理；
所述图像特征提取模块用于提取历史医学图像的像素特征矩阵和最新医学图像的像素特征矩阵；
所述图像特征对比模块用于对历史医学图像的像素特征矩阵和最新医学图像的像素特征矩阵进行特征融合，得到最新医学图像的融合像素特征矩阵，计算最新医学图像的融合像素特征矩阵与最新医学图像的像素特征矩阵之间的相似度，得到最新医学图像的像素偏差度，作为最新医学图像的特征信息；
所述信息管理单元对历史电子病历进行更新并确定最新电子病历的优先级顺序的具体方法包括以下步骤：
利用word2vec算法提取历史电子病历的句向量；
根据历史电子病历的句向量，将随访文本插入至历史电子病历的最佳位置；
将最新医学图像插入至历史电子病历中，得到最新电子病历，并将各个最新医学图像的像素偏差度从小到大排序，作为最新电子病历的优先级顺序。
2.根据权利要求1所述的医疗随访系统，其特征在于：所述第一信息处理单元包括语音去噪模块、文本提取模块和文本纠正模块；
所述语音去噪模块用于对随访者语音依次进行去噪处理、分帧处理和加窗处理，得到语音信号序列；
所述文本提取模块用于提取语音信号序列的模糊文本；
所述文本纠正模块用于对模糊文本进行纠正处理，得到随访文本。
3.根据权利要求2所述的医疗随访系统，其特征在于：所述文本提取模块提取模糊文本的具体方法包括以下步骤：
提取语音信号序列中各峰值点的时间标签，生成时间标签集合；
计算语音信号序列的信号采样阈值；
在时间标签集合中，剔除小于或等于信号采样阈值的峰值点对应的时间标签；
将时间标签集合中剩余时间标签对应的峰值点输入至LSTM神经网络中，生成模糊文本。
4.根据权利要求3所述的医疗随访系统，其特征在于：所述语音信号序列的信号采样阈值γ的计算公式为：
式中，M max表示语音信号序列的峰值最大值，M min表示语音信号序列的峰值最小值，T max表示语音信号序列的峰值最大值对应的采样时间，T min表示语音信号序列的峰值最小值对应的采样时间，M ave表示语音信号序列中所有峰值的平均值。
5.根据权利要求2所述的医疗随访系统，其特征在于：所述文本纠正模块利用文字修正模型对模糊文本进行纠正处理，所述文字修正模型F的表达式为：
式中，N表示模糊文本中文本单词个数，k n表示模糊文本中第n个文本单词的出现频率，c n表示模糊文本中第n个文本单词的权重，a表示常数，M表示声学模型中文本单词个数，d m表示声学模型中第m个文本单词的出现频率。
6.根据权利要求1所述的医疗随访系统，其特征在于：所述最新医学图像的像素特征矩阵X的表达式为；
式中，x 1,x 2,...,x m表示预处理后最新医学图像中各个像素点的亮度值，m表示预处理后最新医学图像的像素点个数，T表示矩阵转置；
所述历史医学图像的像素特征矩阵Y的表达式为：
式中，y 1,y 2,...,y s表示历史医学图像中各个像素点的亮度值，s表示历史医学图像的像素点个数。
7.根据权利要求1所述的医疗随访系统，其特征在于：所述融合像素特征矩阵Z的计算公式为：
式中，X表示最新医学图像的像素特征矩阵，Y表示历史医学图像的像素特征矩阵，ω 1表示最新医学图像的像素特征的权重，ω 2表示历史医学图像的像素特征的权重。
8.根据权利要求1所述的医疗随访系统，其特征在于：所述随访文本插入历史电子病历的最佳位置的确定方法为：计算随访文本与历史电子病历中各个句向量的相似度，将与随访文本相似度最高的句向量所在处作为最佳位置，其中，随访文本与句向量的相似度S的计算公式为：
式中，α 0表示随访文本的句向量，β t表示历史电子病历中第t个句向量，len(·)表示字符串长度运算函数，max[·]表示最大值运算函数，u 0表示随访文本的字符，v 0表示历史电子病历的字符，T表示历史电子病历中句向量个数，sim(·)表示向量相似度函数，t表示历史电子病历中的句向量编号。
CN202311169838.9A 2023-09-12 2023-09-12 一种医疗随访系统 Active CN116913451B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311169838.9A CN116913451B (zh) 2023-09-12 2023-09-12 一种医疗随访系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311169838.9A CN116913451B (zh) 2023-09-12 2023-09-12 一种医疗随访系统

Publications (2)

Publication Number Publication Date
CN116913451A CN116913451A (zh) 2023-10-20
CN116913451B true CN116913451B (zh) 2023-11-28

Family

ID=88360611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311169838.9A Active CN116913451B (zh) 2023-09-12 2023-09-12 一种医疗随访系统

Country Status (1)

Country Link
CN (1) CN116913451B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010244199A (ja) * 2009-04-02 2010-10-28 Toshiba Corp 医用画像保管装置
CN108154906A (zh) * 2018-01-17 2018-06-12 林沛杰 电子化病历报告表系统及电子化病历报告表记录方法
CN108648787A (zh) * 2018-05-18 2018-10-12 杭州认识科技有限公司 医疗随访方法和装置
CN113096750A (zh) * 2021-03-09 2021-07-09 创业慧康科技股份有限公司 一种专病随访的数据处理方法和装置
CN113724695A (zh) * 2021-08-30 2021-11-30 平安国际智慧城市科技股份有限公司 基于人工智能的电子病历生成方法、装置、设备及介质
CN114496150A (zh) * 2022-02-14 2022-05-13 它思科技(天津)有限公司 医疗信息交互系统及其控制方法
CN114613461A (zh) * 2022-03-07 2022-06-10 云知声智能科技股份有限公司 一种门诊病历智能录入方法及系统
CN114677727A (zh) * 2022-03-11 2022-06-28 西安思源学院 一种人机交互方法及系统
CN116343980A (zh) * 2023-05-30 2023-06-27 深圳市即达健康医疗科技有限公司 一种基于智慧医疗复诊随访数据处理方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010244199A (ja) * 2009-04-02 2010-10-28 Toshiba Corp 医用画像保管装置
CN108154906A (zh) * 2018-01-17 2018-06-12 林沛杰 电子化病历报告表系统及电子化病历报告表记录方法
CN108648787A (zh) * 2018-05-18 2018-10-12 杭州认识科技有限公司 医疗随访方法和装置
CN113096750A (zh) * 2021-03-09 2021-07-09 创业慧康科技股份有限公司 一种专病随访的数据处理方法和装置
CN113724695A (zh) * 2021-08-30 2021-11-30 平安国际智慧城市科技股份有限公司 基于人工智能的电子病历生成方法、装置、设备及介质
CN114496150A (zh) * 2022-02-14 2022-05-13 它思科技(天津)有限公司 医疗信息交互系统及其控制方法
CN114613461A (zh) * 2022-03-07 2022-06-10 云知声智能科技股份有限公司 一种门诊病历智能录入方法及系统
CN114677727A (zh) * 2022-03-11 2022-06-28 西安思源学院 一种人机交互方法及系统
CN116343980A (zh) * 2023-05-30 2023-06-27 深圳市即达健康医疗科技有限公司 一种基于智慧医疗复诊随访数据处理方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于"互联网+"的智汇随访平台的设计";仇志琴 等;《电脑知识与技术》;第第17卷卷(第第22期期);3-5+2 *
"基于数据仓库的病历管理决策支持系统的研究与开发";王军伟;《中国优秀硕士学位论文全文数据库 信息科技辑 (月刊)》(第第07期期);I138-233 *

Also Published As

Publication number Publication date
CN116913451A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
US20210057069A1 (en) Method and device for generating medical report
CN113101125B (zh) 一种床垫调节方法、装置、电子设备及存储介质
CN110705419A (zh) 情绪识别方法、预警方法、模型训练方法和相关装置
CN112329964A (zh) 用于推送信息的方法、装置、设备以及存储介质
CN113689951A (zh) 一种智能导诊方法、系统和计算机可读存储介质
CN116434266A (zh) 一种医疗检验单的数据信息自动提取分析方法
CN111507184B (zh) 基于并联空洞卷积和身体结构约束的人体姿态检测方法
CN113192028B (zh) 人脸图像的质量评价方法、装置、电子设备及存储介质
CN111080592A (zh) 一种基于深度学习的肋骨提取方法及装置
CN116913451B (zh) 一种医疗随访系统
CN113658690A (zh) 一种智能导医方法、装置、存储介质以及电子设备
CN113781462A (zh) 一种人体伤残检测方法、装置、设备及存储介质
CN112597299A (zh) 文本的实体分类方法、装置、终端设备和存储介质
CN116824670A (zh) 基于微表情的问诊辅助方法、装置、设备及介质
CN116884612A (zh) 疾病风险等级的智能分析方法、装置、设备及存储介质
CN116269426A (zh) 一种十二导联ecg辅助的心脏疾病多模态融合筛查方法
CN116383766A (zh) 基于多模态数据的辅诊方法、装置、设备及存储介质
CN113971405A (zh) 基于albert模型融合的医疗命名实体识别系统及其方法
CN113515599A (zh) 一种安置帮教语义分析与方案推荐的方法
JP2021170247A (ja) 情報処理装置、情報処理システム、情報処理方法およびプログラム
CN112766238B (zh) 年龄预测方法及装置
CN112131862B (zh) 一种中医医案数据处理方法、装置及电子设备
CN117253096B (zh) 手指自适应的健康指标监控方法、装置、设备及存储介质
CN116524612B (zh) 一种基于rPPG的人脸活体检测系统及方法
CN115132314B (zh) 检查印象生成模型训练方法、装置及生成方法

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