CN117116498A - 移动查房数据处理系统及其方法 - Google Patents
移动查房数据处理系统及其方法 Download PDFInfo
- Publication number
- CN117116498A CN117116498A CN202311367719.4A CN202311367719A CN117116498A CN 117116498 A CN117116498 A CN 117116498A CN 202311367719 A CN202311367719 A CN 202311367719A CN 117116498 A CN117116498 A CN 117116498A
- Authority
- CN
- China
- Prior art keywords
- feature
- matrix
- vital sign
- classification
- vector
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 277
- 239000011159 matrix material Substances 0.000 claims description 157
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 59
- 230000004927 fusion Effects 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 18
- 238000003672 processing method Methods 0.000 claims description 15
- 230000000873 masking effect Effects 0.000 claims description 14
- 230000036772 blood pressure Effects 0.000 claims description 12
- 230000036760 body temperature Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 230000036387 respiratory rate Effects 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000000474 nursing effect Effects 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 9
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请涉及数据分析技术领域,其具体地公开了一种移动查房数据处理系统及其方法,其采用深度学习技术,从与病人生命体征相关的指标中提取上下文语义特征信息,以及从所述相关指标对应的各项数据中提取时序变化特征信息,再将二者对应融合,并基于融合特征判断该病人是否存在异常情况。这样,可以帮助医院提高病房管理的效率和准确性,及时发现和处理病人的异常情况,改善医护人员的工作体验,并为病人提供更好的护理质量。
Description
技术领域
本申请涉及数据分析技术领域,且更为具体地,涉及一种移动查房数据处理系统及其方法。
背景技术
近年来,信息技术迅猛发展,我国智慧医院的建设进程不断推进。病房服务作为体现医院医疗服务水平和质量的核心环节,是智慧医院建设的重中之重。随着医院的快速发展和业务量的不断增加,病房管理的工作量和繁琐程度也日渐增大。传统的查房方式需要医护人员周期性地亲临病房进行观察,不仅效率低下,而且无法及时了解病人的病情变化,当病人发生异常情况时可能无法快速作出响应和干预。
因此,期待一种移动查房数据处理系统及其方法,可以对病人的生命体征信息进行实时自动釆集和连续监测。
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移动查房数据处理系统及其方法,其采用深度学习技术,从与病人生命体征相关的指标中提取上下文语义特征信息,以及从所述相关指标对应的各项数据中提取时序变化特征信息,再将二者对应融合,并基于融合特征判断该病人是否存在异常情况。这样,可以帮助医院提高病房管理的效率和准确性,及时发现和处理病人的异常情况,改善医护人员的工作体验,并为病人提供更好的护理质量。
相应地,根据本申请的一个方面,提供了一种移动查房数据处理系统,其包括:
信息获取模块,用于获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率;
上下文编码模块,用于将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量;
数据时序特征提取模块,用于将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量;
对应级联模块,用于将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量;
高斯融合模块,用于基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵;
优化模块,用于对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵;
分析结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况。
在上述移动查房数据处理系统中,所述上下文编码模块,包括:分词处理单元,用于对所述生命体征指标进行分词处理以得到词序列;嵌入向量化单元,用于使用所述上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;语义编码单元,用于使用所述上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;级联单元,用于将所述多个特征向量进行级联以得到所述指标语义特征向量。
在上述移动查房数据处理系统中,所述语义编码单元,包括:一维排列子单元,用于将所述词嵌入向量的序列进行一维排列以得到一维嵌入向量;自注意力子单元,用于计算所述一维嵌入向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化自注意力子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;注意力计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过分类函数以得到多个概率值;注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个特征向量。
在上述移动查房数据处理系统中,所述数据时序特征提取模块,包括:排列单元,用于将多个预定时间点的单项生命体征数据排列为输入向量;全连接编码单元,用于使用所述时序编码器的全连接层以如下全连接公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述全连接公式为:,其中/>是所述输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;一维卷积编码单元,用于使用时序编码器的一维卷积层以如下一维卷积公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述一维卷积公式为:
;
其中,a为一维卷积核在x方向上的宽度、为一维卷积核参数向量、/>为与一维卷积核函数运算的局部向量矩阵,w为一维卷积核的尺寸,X表示所述输入向量,表示对所述输入向量进行一维卷积编码。
在上述移动查房数据处理系统中,所述对应级联模块,用于:使用如下级联公式来融合所述数据时序特征向量和对应的所述指标语义特征向量以得到所述生命体征特征向量;其中,所述级联公式为:
;
其中,和/>均表示对输入进行点卷积、/>为激活函数,[/>]表示对/>和/>进行拼接操作,/>表示所述数据时序特征向量中各个位置的特征值,表示所述指标语义特征向量中各个位置的特征值。
在上述移动查房数据处理系统中,所述高斯融合模块,包括:融合高斯密度图构造单元,用于使用高斯密度图以如下融合公式来融合所述多个生命体征特征向量以得到融合高斯密度图;其中,所述融合公式为:,其中,/>表示所述多个生命体征特征向量之间的按位置均值向量,/>的每个位置的值表示所述多个生命体征特征向量中各个位置的特征值之间的方差,/>表示高斯密度概率函数,/>表示高斯密度图的变量;高斯离散化单元,用于对所述融合高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在上述移动查房数据处理系统中,所述优化模块,包括:矩阵分解单元,用于对所述分类特征矩阵进行基于特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征向量;最大特征值提取单元,用于对所述多个特征向量进行基于特征值大小的降序排列,并从所述多个特征向量中提取K个最大的特征值对应的特征向量以构成一个K维的仿射子空间;映射单元,用于将所述分类特征矩阵映射到所述仿射子空间以得到仿射密度域矩阵;激活单元,用于将所述仿射密度域矩阵输入Softmax激活函数以得到概率化仿射密度域矩阵;掩码化单元,用于基于所述概率化仿射密度域矩阵中各个位置的特征值与预定阈值之间的比较,对所述概率化仿射密度域矩阵进行掩码化以得到掩码化概率化仿射密度域矩阵;按位置点乘单元,用于计算所述掩码化概率化仿射密度域矩阵与所述分类特征矩阵之间的按位置点乘以得到所述优化分类特征矩阵。
在上述移动查房数据处理系统中,所述分析结果生成模块,包括:矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量;概率化单元,用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值,所述分类标签包括该病人存在异常情况和该病人情况正常;分类单元,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
根据本申请的另一个方面,提供了一种移动查房数据处理方法,其包括:
获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率;
将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量;
将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量;
将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量;
基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵;
对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵;
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况。
在上述移动查房数据处理方法中,将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量,包括:对所述生命体征指标进行分词处理以得到词序列;使用所述上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;将所述多个特征向量进行级联以得到所述指标语义特征向量。
与现有技术相比,本申请提供的移动查房数据处理系统及其方法,其采用深度学习技术,从与病人生命体征相关的指标中提取上下文语义特征信息,以及从所述相关指标对应的各项数据中提取时序变化特征信息,再将二者对应融合,并基于融合特征判断该病人是否存在异常情况。这样,可以帮助医院提高病房管理的效率和准确性,及时发现和处理病人的异常情况,改善医护人员的工作体验,并为病人提供更好的护理质量。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的移动查房数据处理系统的框图。
图2为根据本申请实施例的移动查房数据处理系统的架构示意图。
图3为根据本申请实施例的移动查房数据处理系统中上下文编码模块的框图。
图4为根据本申请实施例的移动查房数据处理系统中语义编码单元的框图。
图5为根据本申请实施例的移动查房数据处理系统中分析结果生成模块的框图。
图6为根据本申请实施例的移动查房数据处理方法的流程图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,随着医院的快速发展和业务量的不断增加,病房管理的工作量和繁琐程度也日渐增大。传统的查房方式需要医护人员周期性地亲临病房进行观察,不仅效率低下,而且无法及时了解病人的病情变化,当病人发生异常情况时可能无法快速作出响应和干预。因此,期待一种移动查房数据处理系统及其方法,可以对病人的生命体征信息进行实时自动釆集和连续监测。
目前,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、语音信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
近年来,深度学习以及神经网络的发展为病人生命体征的实时监测提供了新的解决思路和方案。
相应地,考虑到在进行病人生命体征的实时监测时,关键在于对于病人生命体征相关指标的语义理解,例如体温、血压、心率、呼吸频率;以及所述相关指标对应的各项数据的时序特征分析。基于此,在本申请的技术方案中,采用深度学习技术,从与病人生命体征相关的指标中提取上下文语义特征信息,以及从所述相关指标对应的各项数据中提取时序变化特征信息,再将二者对应融合,并基于融合特征判断该病人是否存在异常情况。这样,可以帮助医院提高病房管理的效率和准确性,及时发现和处理病人的异常情况,改善医护人员的工作体验,并为病人提供更好的护理质量。
具体地,在本申请的技术方案中,首先获取病人多个预定时间点的多项生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率。接着,考虑到所述多项生命体征指标本身只是文本数据,无法直接与其他数据进行融合分析。因此,将所述多个生命体征指标通过基于转换器的上下文编码器进行上下文语义特征提取,以将文本数据转换成更高层次的、具有语义信息的表示形式,从而获得多个指标语义特征向量。并且,转换器模型通常基于自注意力机制(self-attention),它能够在编码过程中根据输入数据之间的关联性自适应地学习权重,以将输入数据之间的依赖关系和重要性被编码到所述指标语义特征向量中,从而提高模型对病人生命体征的理解和判断能力,为病房管理提供更准确和全面的信息。
同时,将所述多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以捕捉生命体征数据的时间序列模式和动态变化,从而得到多个数据时序特征向量。本领域普通技术人员应知晓,一维卷积层在时序数据中能够有效地捕捉局部模式和时序关系,而全连接层可以通过学习权重来建立更高层次的抽象表示。通过这样的时序编码器结构,可以将各项生命体征数据转换为具有时间信息的特征向量。这样,可以更好地监测病人的体征变化,捕捉短期和长期的变化趋势,以及对特定时间段的变化做出响应。
接着,将各个数据时序特征向量与对应的指标语义特征向量进行级联以将各项生命体征指标与其对应的数据结合起来,得到对应于各项生命体征信息的生命体征特征向量。
进一步地,考虑到所述多个生命体征特征向量在高维特征空间中由于本身的不规则形状和散布位置,如果仅通过一般的融合方式进行融合会使新获得的特征分布非常不规则和复杂。因此,需要进一步地对所述多个生命体征特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。由于高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布。具体地,在本申请的技术方案中,使用高斯密度图来融合所述多个生命体征特征向量以得到融合高斯密度图,并将所述融合高斯密度图进行高斯离散化以在数据特征增广时不产生信息损失,从而得到分类特征矩阵。
最后,将所述分类特征矩阵通过分类器以得到用于表示该病人是否存在异常情况的分类结果。分类器能够根据已知的训练数据学习到不同特征对异常情况的影响和相关性,从而对新的输入数据进行分类,并判断其是否存在异常情况。这样,可以帮助医护人员快速识别可能存在异常情况的病人,当病人的生命体征超出正常范围时,系统及时发出警报,使医护人员能够迅速采取行动,提供适当的护理和医疗干预来处理异常情况。
特别地,考虑到分类特征矩阵可能包含大量的特征,其中某些特征对于分类任务的结果可能贡献较小甚至是噪声。通过低维掩码稀疏化,可以剔除或降低那些对分类结果贡献较小的特征的权重,从而减少了特征空间的维度。这样做有助于提高分类器的效率,减少计算开销。同时,过多的特征可能导致过拟合问题,即模型在训练数据上表现良好,但在新数据上的泛化能力较差。通过低维掩码稀疏化,可以筛选出对分类任务更加重要和相关的特征,减少了模型对于噪声和不相关特征的拟合程度,从而降低了过拟合的风险。并且通过低维掩码稀疏化优化后的分类特征矩阵更加关注重要的特征,能够更好地捕捉到数据中的关键信息。这样可以提高分类器的性能和准确性,使其能够更好地区分不同的类别。
具体地,对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵,包括:对所述分类特征矩阵进行基于特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征向量;对所述多个特征向量进行基于特征值大小的降序排列,并从所述多个特征向量中提取K个最大的特征值对应的特征向量以构成一个K维的仿射子空间;将所述分类特征矩阵映射到所述仿射子空间以得到仿射密度域矩阵;将所述仿射密度域矩阵输入Softmax激活函数以得到概率化仿射密度域矩阵;基于所述概率化仿射密度域矩阵中各个位置的特征值与预定阈值之间的比较,对所述概率化仿射密度域矩阵进行掩码化以得到掩码化概率化仿射密度域矩阵;计算所述掩码化概率化仿射密度域矩阵与所述分类特征矩阵之间的按位置点乘以得到所述优化分类特征矩阵。
对所述分类特征矩阵进行特征空间的仿射密度域概率化,以对所述分类特征矩阵进行基于密度域的非参数聚类,这样可以在不需要指定聚类数目的情况下,自动地发现所述分类特征矩阵的数据分布中的聚类结构。具体地,在本申请的技术方案中,利用了特征空间中的仿射变换,将所述分类特征矩阵映射到一个低维仿射子空间,然后在该空间中使用逻辑斯蒂激活函数来估计来计算每个数据点的概率密度以得到概率化仿射密度域矩阵,进而通过设置一个概率阈值,可以将高密度区域划分为聚类而低密度区域则被视为噪声或异常点以得到掩码化概率化仿射密度域矩阵,并将所述掩码化概率化仿射密度域矩阵作用于所述分类特征矩阵以实现特征分布的优化调制。这样,可以有效地处理高维数据和复杂分布的问题,因为它不需要假设数据服从某种特定的分布,也不需要预先确定模型的参数或结构;同时,可以提高数据的鲁棒性,因为它可以自适应地调整仿射子空间,以适应数据的变化和噪声的影响。
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。
示例性系统
图1为根据本申请实施例的移动查房数据处理系统的框图。如图1所示,根据本申请实施例的移动查房数据处理系统100,包括:信息获取模块110,用于获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率;上下文编码模块120,用于将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量;数据时序特征提取模块130,用于将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量;对应级联模块140,用于将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量;高斯融合模块150,用于基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵;优化模块160,用于对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵;分析结果生成模块170,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况。
图2为根据本申请实施例的移动查房数据处理系统的架构示意图。如图2所示,首先,获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率。接着,将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量。同时,将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量。然后,将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量。继而,基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵。接着,对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵。最后,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况。
在上述移动查房数据处理系统100中,所述信息获取模块110,用于获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率。如上所述,随着医院的快速发展和业务量的不断增加,病房管理的工作量和繁琐程度也日渐增大。传统的查房方式需要医护人员周期性地亲临病房进行观察,不仅效率低下,而且无法及时了解病人的病情变化,当病人发生异常情况时可能无法快速作出响应和干预。因此,期望可以对病人的生命体征信息进行实时自动釆集和连续监测。
相应地,考虑到在进行病人生命体征的实时监测时,关键在于对于病人生命体征相关指标的语义理解,例如体温、血压、心率、呼吸频率;以及所述相关指标对应的各项数据的时序特征分析。基于此,在本申请的技术方案中,首先通过传感器获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率。
在上述移动查房数据处理系统100中,所述上下文编码模块120,用于将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量。考虑到所述多项生命体征指标本身只是文本数据,无法直接与其他数据进行融合分析。因此,将所述多个生命体征指标通过基于转换器的上下文编码器进行上下文语义特征提取,以将文本数据转换成更高层次的、具有语义信息的表示形式,从而获得多个指标语义特征向量。并且,转换器模型通常基于自注意力机制(self-attention),它能够在编码过程中根据输入数据之间的关联性自适应地学习权重,以将输入数据之间的依赖关系和重要性被编码到所述指标语义特征向量中,从而提高模型对病人生命体征的理解和判断能力,为病房管理提供更准确和全面的信息。
图3为根据本申请实施例的移动查房数据处理系统中上下文编码模块的框图。如图3所示,所述上下文编码模块120,包括:分词处理单元121,用于对所述生命体征指标进行分词处理以得到词序列;嵌入向量化单元122,用于使用所述上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;语义编码单元123,用于使用所述上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;级联单元124,用于将所述多个特征向量进行级联以得到所述指标语义特征向量。
图4为根据本申请实施例的移动查房数据处理系统中语义编码单元的框图。如图4所示,所述语义编码单元123,包括:一维排列子单元1231,用于将所述词嵌入向量的序列进行一维排列以得到一维嵌入向量;自注意力子单元1232,用于计算所述一维嵌入向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;标准化自注意力子单元1233,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;注意力计算子单元1234,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过分类函数以得到多个概率值;注意力施加子单元1235,用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个特征向量。
在上述移动查房数据处理系统100中,所述数据时序特征提取模块130,用于将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量。本领域普通技术人员应知晓,一维卷积层在时序数据中能够有效地捕捉局部模式和时序关系,而全连接层可以通过学习权重来建立更高层次的抽象表示。通过这样的时序编码器结构,可以捕捉生命体征数据的时间序列模式和动态变化,将各项生命体征数据转换为具有时间信息的特征向量。这样,可以更好地监测病人的体征变化,捕捉短期和长期的变化趋势,以及对特定时间段的变化做出响应。
相应地,在一个具体示例中,所述数据时序特征提取模块130,包括:排列单元,用于将多个预定时间点的单项生命体征数据排列为输入向量;全连接编码单元,用于使用所述时序编码器的全连接层以如下全连接公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述全连接公式为:,其中/>是所述输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;一维卷积编码单元,用于使用时序编码器的一维卷积层以如下一维卷积公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述一维卷积公式为:
;
其中,a为一维卷积核在x方向上的宽度、为一维卷积核参数向量、/>为与一维卷积核函数运算的局部向量矩阵,w为一维卷积核的尺寸,X表示所述输入向量,表示对所述输入向量进行一维卷积编码。
在上述移动查房数据处理系统100中,所述对应级联模块140,用于将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量。为了将各项生命体征指标与其对应的数据结合起来,进一步将各个数据时序特征向量与对应的指标语义特征向量进行级联,以得到对应于各项生命体征信息的生命体征特征向量。
相应地,在一个具体示例中,所述对应级联模块140,用于:使用如下级联公式来融合所述数据时序特征向量和对应的所述指标语义特征向量以得到所述生命体征特征向量;其中,所述级联公式为:
;
其中,和/>均表示对输入进行点卷积、/>为激活函数,[/>]表示对/>和/>进行拼接操作,/>表示所述数据时序特征向量中各个位置的特征值,表示所述指标语义特征向量中各个位置的特征值。
在上述移动查房数据处理系统100中,所述高斯融合模块150,用于基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵。考虑到所述多个生命体征特征向量在高维特征空间中由于本身的不规则形状和散布位置,如果仅通过一般的融合方式进行融合会使新获得的特征分布非常不规则和复杂。因此,需要进一步地对所述多个生命体征特征向量进行适当的融合,使得各个特征分布能够相对于彼此在型面上收敛。由于高斯密度图在深度学习中,广泛地用于基于先验的目标后验的估计,因此可以用于修正数据分布。具体地,在本申请的技术方案中,使用高斯密度图来融合所述多个生命体征特征向量以得到融合高斯密度图,并将所述融合高斯密度图进行高斯离散化以在数据特征增广时不产生信息损失,从而得到分类特征矩阵。
相应地,在一个具体示例中,所述高斯融合模块150,包括:融合高斯密度图构造单元,用于使用高斯密度图以如下融合公式来融合所述多个生命体征特征向量以得到融合高斯密度图;其中,所述融合公式为:,其中,/>表示所述多个生命体征特征向量之间的按位置均值向量,/>的每个位置的值表示所述多个生命体征特征向量中各个位置的特征值之间的方差,/>表示高斯密度概率函数,/>表示高斯密度图的变量;高斯离散化单元,用于对所述融合高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在上述移动查房数据处理系统100中,所述优化模块160,用于对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵。特别地,考虑到分类特征矩阵可能包含大量的特征,其中某些特征对于分类任务的结果可能贡献较小甚至是噪声。通过低维掩码稀疏化,可以剔除或降低那些对分类结果贡献较小的特征的权重,从而减少了特征空间的维度。这样做有助于提高分类器的效率,减少计算开销。同时,过多的特征可能导致过拟合问题,即模型在训练数据上表现良好,但在新数据上的泛化能力较差。通过低维掩码稀疏化,可以筛选出对分类任务更加重要和相关的特征,减少了模型对于噪声和不相关特征的拟合程度,从而降低了过拟合的风险。并且通过低维掩码稀疏化优化后的分类特征矩阵更加关注重要的特征,能够更好地捕捉到数据中的关键信息。这样可以提高分类器的性能和准确性,使其能够更好地区分不同的类别。
具体地,所述优化模块160,包括:矩阵分解单元,用于对所述分类特征矩阵进行基于特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征向量;最大特征值提取单元,用于对所述多个特征向量进行基于特征值大小的降序排列,并从所述多个特征向量中提取K个最大的特征值对应的特征向量以构成一个K维的仿射子空间;映射单元,用于将所述分类特征矩阵映射到所述仿射子空间以得到仿射密度域矩阵;激活单元,用于将所述仿射密度域矩阵输入Softmax激活函数以得到概率化仿射密度域矩阵;掩码化单元,用于基于所述概率化仿射密度域矩阵中各个位置的特征值与预定阈值之间的比较,对所述概率化仿射密度域矩阵进行掩码化以得到掩码化概率化仿射密度域矩阵;按位置点乘单元,用于计算所述掩码化概率化仿射密度域矩阵与所述分类特征矩阵之间的按位置点乘以得到所述优化分类特征矩阵。
对所述分类特征矩阵进行特征空间的仿射密度域概率化,以对所述分类特征矩阵进行基于密度域的非参数聚类,这样可以在不需要指定聚类数目的情况下,自动地发现所述分类特征矩阵的数据分布中的聚类结构。具体地,在本申请的技术方案中,利用了特征空间中的仿射变换,将所述分类特征矩阵映射到一个低维仿射子空间,然后在该空间中使用逻辑斯蒂激活函数来估计来计算每个数据点的概率密度以得到概率化仿射密度域矩阵,进而通过设置一个概率阈值,可以将高密度区域划分为聚类而低密度区域则被视为噪声或异常点以得到掩码化概率化仿射密度域矩阵,并将所述掩码化概率化仿射密度域矩阵作用于所述分类特征矩阵以实现特征分布的优化调制。这样,可以有效地处理高维数据和复杂分布的问题,因为它不需要假设数据服从某种特定的分布,也不需要预先确定模型的参数或结构;同时,可以提高数据的鲁棒性,因为它可以自适应地调整仿射子空间,以适应数据的变化和噪声的影响。
在上述移动查房数据处理系统100中,所述分析结果生成模块170,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况。分类器能够根据已知的训练数据学习到不同特征对异常情况的影响和相关性,从而对新的输入数据进行分类,并判断其是否存在异常情况。这样,可以帮助医护人员快速识别可能存在异常情况的病人,当病人的生命体征超出正常范围时,系统及时发出警报,使医护人员能够迅速采取行动,提供适当的护理和医疗干预来处理异常情况。
图5为根据本申请实施例的移动查房数据处理系统中分析结果生成模块的框图。如图5所示,所述分析结果生成模块170,包括:矩阵展开单元171,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;全连接单元172,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量;概率化单元173,用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值,所述分类标签包括该病人存在异常情况和该病人情况正常;分类单元174,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
综上,根据本申请实施例的移动查房数据处理系统被阐明,其采用深度学习技术,从与病人生命体征相关的指标中提取上下文语义特征信息,以及从所述相关指标对应的各项数据中提取时序变化特征信息,再将二者对应融合,并基于融合特征判断该病人是否存在异常情况。这样,可以帮助医院提高病房管理的效率和准确性,及时发现和处理病人的异常情况,改善医护人员的工作体验,并为病人提供更好的护理质量。
示例性方法
图6为根据本申请实施例的移动查房数据处理方法的流程图。如图6所示,根据本申请实施例的移动查房数据处理方法,包括步骤:S110,获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率;S120,将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量;S130,将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量;S140,将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量;S150,基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵;S160,对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵;S170,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况。
在一个具体示例中,在上述移动查房数据处理方法中,所述步骤S120,将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量,包括:对所述生命体征指标进行分词处理以得到词序列;使用所述上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;使用所述上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;将所述多个特征向量进行级联以得到所述指标语义特征向量。
在一个具体示例中,在上述移动查房数据处理方法中,使用所述上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量,包括:将所述词嵌入向量的序列进行一维排列以得到一维嵌入向量;计算所述一维嵌入向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个特征向量。
在一个具体示例中,在上述移动查房数据处理方法中,所述步骤S130,将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量,包括:将多个预定时间点的单项生命体征数据排列为输入向量;使用所述时序编码器的全连接层以如下全连接公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述全连接公式为:,其中/>是所述输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;以及,使用时序编码器的一维卷积层以如下一维卷积公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述一维卷积公式为:
;
其中,a为一维卷积核在x方向上的宽度、为一维卷积核参数向量、/>为与一维卷积核函数运算的局部向量矩阵,w为一维卷积核的尺寸,X表示所述输入向量,表示对所述输入向量进行一维卷积编码。
在一个具体示例中,在上述移动查房数据处理方法中,所述步骤S140,将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量,包括:使用如下级联公式来融合所述数据时序特征向量和对应的所述指标语义特征向量以得到所述生命体征特征向量;其中,所述级联公式为:
;
其中,和/>均表示对输入进行点卷积、/>为激活函数,[/>]表示对/>和/>进行拼接操作,/>表示所述数据时序特征向量中各个位置的特征值,表示所述指标语义特征向量中各个位置的特征值。
在一个具体示例中,在上述移动查房数据处理方法中,所述步骤S150,基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵,包括:使用高斯密度图以如下融合公式来融合所述多个生命体征特征向量以得到融合高斯密度图;其中,所述融合公式为:,其中,/>表示所述多个生命体征特征向量之间的按位置均值向量,/>的每个位置的值表示所述多个生命体征特征向量中各个位置的特征值之间的方差,/>表示高斯密度概率函数,/>表示高斯密度图的变量;以及,对所述融合高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
在一个具体示例中,在上述移动查房数据处理方法中,所述步骤S160,对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵,包括:对所述分类特征矩阵进行基于特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征向量;对所述多个特征向量进行基于特征值大小的降序排列,并从所述多个特征向量中提取K个最大的特征值对应的特征向量以构成一个K维的仿射子空间;将所述分类特征矩阵映射到所述仿射子空间以得到仿射密度域矩阵;将所述仿射密度域矩阵输入Softmax激活函数以得到概率化仿射密度域矩阵;基于所述概率化仿射密度域矩阵中各个位置的特征值与预定阈值之间的比较,对所述概率化仿射密度域矩阵进行掩码化以得到掩码化概率化仿射密度域矩阵;计算所述掩码化概率化仿射密度域矩阵与所述分类特征矩阵之间的按位置点乘以得到所述优化分类特征矩阵。
在一个具体示例中,在上述移动查房数据处理方法中,所述步骤S170,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况,包括:将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量;将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值,所述分类标签包括该病人存在异常情况和该病人情况正常;将所述概率值中最大者对应的分类标签确定为所述分类结果。
这里,本领域技术人员可以理解,上述移动查房数据处理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的移动查房数据处理系统的描述中得到了详细介绍,并因此,将省略其重复描述。
Claims (10)
1.一种移动查房数据处理系统,其特征在于,包括:
信息获取模块,用于获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率;
上下文编码模块,用于将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量;
数据时序特征提取模块,用于将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量;
对应级联模块,用于将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量;
高斯融合模块,用于基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵;
优化模块,用于对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵;
分析结果生成模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况。
2.根据权利要求1所述的移动查房数据处理系统,其特征在于,所述上下文编码模块,包括:
分词处理单元,用于对所述生命体征指标进行分词处理以得到词序列;
嵌入向量化单元,用于使用所述上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
语义编码单元,用于使用所述上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;
级联单元,用于将所述多个特征向量进行级联以得到所述指标语义特征向量。
3.根据权利要求2所述的移动查房数据处理系统,其特征在于,所述语义编码单元,包括:
一维排列子单元,用于将所述词嵌入向量的序列进行一维排列以得到一维嵌入向量;
自注意力子单元,用于计算所述一维嵌入向量与所述词嵌入向量的序列中各个词嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
标准化自注意力子单元,用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
注意力计算子单元,用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过分类函数以得到多个概率值;
注意力施加子单元,用于分别以所述多个概率值中各个概率值作为权重对所述词嵌入向量的序列中各个词嵌入向量进行加权以得到所述多个特征向量。
4.根据权利要求3所述的移动查房数据处理系统,其特征在于,所述数据时序特征提取模块,包括:
排列单元,用于将多个预定时间点的单项生命体征数据排列为输入向量;
全连接编码单元,用于使用所述时序编码器的全连接层以如下全连接公式对所述输入向量进行全连接编码以提取出所述输入向量中各个位置的特征值的高维隐含特征,其中,所述全连接公式为:,其中/>是所述输入向量,/>是输出向量,/>是权重矩阵,/>是偏置向量,/>表示矩阵乘法;
一维卷积编码单元,用于使用时序编码器的一维卷积层以如下一维卷积公式对所述输入向量进行一维卷积编码以提取出所述输入向量中各个位置的特征值间的关联的高维隐含关联特征,其中,所述一维卷积公式为:
;
其中,a为一维卷积核在x方向上的宽度、为一维卷积核参数向量、/>为与一维卷积核函数运算的局部向量矩阵,w为一维卷积核的尺寸,X表示所述输入向量,/>表示对所述输入向量进行一维卷积编码。
5.根据权利要求4所述的移动查房数据处理系统,其特征在于,所述对应级联模块,用于:使用如下级联公式来融合所述数据时序特征向量和对应的所述指标语义特征向量以得到所述生命体征特征向量;
其中,所述级联公式为:
;
其中,和/>均表示对输入进行点卷积、/>为激活函数,[/>]表示对/>和/>进行拼接操作,/>表示所述数据时序特征向量中各个位置的特征值,表示所述指标语义特征向量中各个位置的特征值。
6.根据权利要求5所述的移动查房数据处理系统,其特征在于,所述高斯融合模块,包括:
融合高斯密度图构造单元,用于使用高斯密度图以如下融合公式来融合所述多个生命体征特征向量以得到融合高斯密度图;
其中,所述融合公式为:
;
其中,表示所述多个生命体征特征向量之间的按位置均值向量,/>的每个位置的值表示所述多个生命体征特征向量中各个位置的特征值之间的方差,/>表示高斯密度概率函数,/>表示高斯密度图的变量;
高斯离散化单元,用于对所述融合高斯密度图的各个位置的高斯分布进行离散化处理以得到所述分类特征矩阵。
7.根据权利要求6所述的移动查房数据处理系统,其特征在于,所述优化模块,包括:
矩阵分解单元,用于对所述分类特征矩阵进行基于特征值的矩阵分解以得到多个特征值和与所述多个特征值对应的多个特征向量;
最大特征值提取单元,用于对所述多个特征向量进行基于特征值大小的降序排列,并从所述多个特征向量中提取K个最大的特征值对应的特征向量以构成一个K维的仿射子空间;
映射单元,用于将所述分类特征矩阵映射到所述仿射子空间以得到仿射密度域矩阵;
激活单元,用于将所述仿射密度域矩阵输入Softmax激活函数以得到概率化仿射密度域矩阵;
掩码化单元,用于基于所述概率化仿射密度域矩阵中各个位置的特征值与预定阈值之间的比较,对所述概率化仿射密度域矩阵进行掩码化以得到掩码化概率化仿射密度域矩阵;
按位置点乘单元,用于计算所述掩码化概率化仿射密度域矩阵与所述分类特征矩阵之间的按位置点乘以得到所述优化分类特征矩阵。
8.根据权利要求7所述的移动查房数据处理系统,其特征在于,所述分析结果生成模块,包括:
矩阵展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;
全连接单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到全连接编码特征向量;
概率化单元,用于将所述全连接编码特征向量输入所述分类器的Softmax分类函数以得到所述优化分类特征矩阵归属于各个分类标签的概率值,所述分类标签包括该病人存在异常情况和该病人情况正常;
分类单元,用于将所述概率值中最大者对应的分类标签确定为所述分类结果。
9.一种移动查房数据处理方法,其特征在于,包括:
获取病人多个预定时间点的生命体征信息,其中,所述生命体征信息包含生命体征指标和生命体征数据,所述生命体征指标包括体温、血压、心率、呼吸频率;
将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量;
将多个预定时间点的各项生命体征数据分别通过包含全连接层和一维卷积层的时序编码器以获得多个数据时序特征向量;
将各个所述数据时序特征向量分别与对应的所述指标语义特征向量进行级联以得到多个生命体征特征向量;
基于高斯密度图来融合所述多个生命体征特征向量以得到分类特征矩阵;
对所述分类特征矩阵进行低维掩码稀疏化以得到优化分类特征矩阵;
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示该病人是否存在异常情况。
10.根据权利要求9所述的移动查房数据处理方法,其特征在于,将多个所述生命体征指标通过基于转换器的上下文编码器以获得多个指标语义特征向量,包括:
对所述生命体征指标进行分词处理以得到词序列;
使用所述上下文编码器的嵌入层分别将所述词序列中各个词映射为词嵌入向量以得到词嵌入向量的序列;
使用所述上下文编码器的基于转换器的Bert模型对所述词嵌入向量的序列进行基于全局的上下文语义编码以得到多个特征向量;
将所述多个特征向量进行级联以得到所述指标语义特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311367719.4A CN117116498A (zh) | 2023-10-23 | 2023-10-23 | 移动查房数据处理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311367719.4A CN117116498A (zh) | 2023-10-23 | 2023-10-23 | 移动查房数据处理系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117116498A true CN117116498A (zh) | 2023-11-24 |
Family
ID=88798646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311367719.4A Pending CN117116498A (zh) | 2023-10-23 | 2023-10-23 | 移动查房数据处理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117116498A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117438024A (zh) * | 2023-12-15 | 2024-01-23 | 吉林大学 | 急诊病人体征数据的智能采集分析系统及方法 |
CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
CN117690582A (zh) * | 2024-01-31 | 2024-03-12 | 吉林大学 | 护理工作站的信息管理系统及方法 |
CN117707501A (zh) * | 2023-12-18 | 2024-03-15 | 广州擎勤网络科技有限公司 | 基于ai与大数据的代码自动生成方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860462A (zh) * | 2022-07-11 | 2022-08-05 | 南京普道电子技术有限公司 | 双路机架式服务器的计算资源智能分配系统及其分配方法 |
CN115762558A (zh) * | 2022-11-18 | 2023-03-07 | 沃克斯迅达电梯有限公司 | 自动扶梯生产用性能检测系统及其方法 |
CN115797708A (zh) * | 2023-02-06 | 2023-03-14 | 南京博纳威电子科技有限公司 | 一种输配电同步数据采集方法 |
CN115880036A (zh) * | 2023-02-23 | 2023-03-31 | 山东金潮交通设施有限公司 | 一种车位级动态共享智能管控交易平台 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
CN116229113A (zh) * | 2023-03-08 | 2023-06-06 | 广东百凤源酒业有限公司 | 一种富硒石斛花酒的制备方法 |
CN116595551A (zh) * | 2023-05-15 | 2023-08-15 | 广州微明信息科技有限公司 | 银行交易数据管理方法及系统 |
CN116646030A (zh) * | 2023-07-26 | 2023-08-25 | 东莞市鸿馥生物科技有限公司 | 基于电子烟雾检测的烟油成分识别方法及系统 |
CN116993446A (zh) * | 2023-08-07 | 2023-11-03 | 安徽悦来悦好电子商务有限公司 | 电子商务用物流配送管理系统及其方法 |
-
2023
- 2023-10-23 CN CN202311367719.4A patent/CN117116498A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114860462A (zh) * | 2022-07-11 | 2022-08-05 | 南京普道电子技术有限公司 | 双路机架式服务器的计算资源智能分配系统及其分配方法 |
CN115762558A (zh) * | 2022-11-18 | 2023-03-07 | 沃克斯迅达电梯有限公司 | 自动扶梯生产用性能检测系统及其方法 |
CN115797708A (zh) * | 2023-02-06 | 2023-03-14 | 南京博纳威电子科技有限公司 | 一种输配电同步数据采集方法 |
CN115880036A (zh) * | 2023-02-23 | 2023-03-31 | 山东金潮交通设施有限公司 | 一种车位级动态共享智能管控交易平台 |
CN115896817A (zh) * | 2023-03-08 | 2023-04-04 | 福建德尔科技股份有限公司 | 氟氮混合气的生产方法及其系统 |
CN116229113A (zh) * | 2023-03-08 | 2023-06-06 | 广东百凤源酒业有限公司 | 一种富硒石斛花酒的制备方法 |
CN116595551A (zh) * | 2023-05-15 | 2023-08-15 | 广州微明信息科技有限公司 | 银行交易数据管理方法及系统 |
CN116646030A (zh) * | 2023-07-26 | 2023-08-25 | 东莞市鸿馥生物科技有限公司 | 基于电子烟雾检测的烟油成分识别方法及系统 |
CN116993446A (zh) * | 2023-08-07 | 2023-11-03 | 安徽悦来悦好电子商务有限公司 | 电子商务用物流配送管理系统及其方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117438024A (zh) * | 2023-12-15 | 2024-01-23 | 吉林大学 | 急诊病人体征数据的智能采集分析系统及方法 |
CN117438024B (zh) * | 2023-12-15 | 2024-03-08 | 吉林大学 | 急诊病人体征数据的智能采集分析系统及方法 |
CN117707501A (zh) * | 2023-12-18 | 2024-03-15 | 广州擎勤网络科技有限公司 | 基于ai与大数据的代码自动生成方法及系统 |
CN117618708A (zh) * | 2024-01-26 | 2024-03-01 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
CN117618708B (zh) * | 2024-01-26 | 2024-04-05 | 吉林大学 | 用于静脉输液治疗的智能监控系统及方法 |
CN117690582A (zh) * | 2024-01-31 | 2024-03-12 | 吉林大学 | 护理工作站的信息管理系统及方法 |
CN117690582B (zh) * | 2024-01-31 | 2024-04-26 | 吉林大学 | 护理工作站的信息管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117116498A (zh) | 移动查房数据处理系统及其方法 | |
CN110020623B (zh) | 基于条件变分自编码器的人体活动识别系统及方法 | |
CN109920501A (zh) | 基于卷积神经网络和主动学习的电子病历分类方法及系统 | |
Xu et al. | Intelligent emotion detection method based on deep learning in medical and health data | |
CN116933046B (zh) | 基于深度学习的多模态健康管理方案生成方法和系统 | |
CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
CN116257406A (zh) | 用于智慧城市的网关数据管理方法及其系统 | |
CN116663568B (zh) | 基于优先级的关键任务识别系统及其方法 | |
CN115186673A (zh) | 科技信息管理系统及其管理方法 | |
CN115830718A (zh) | 基于步态识别预测康复训练效果的数据处理系统 | |
CN116245513A (zh) | 基于规则库的自动化运维系统及其方法 | |
CN116610816A (zh) | 一种基于图卷积神经网络的人员画像知识图谱分析方法及系统 | |
CN117158923A (zh) | 基于元宇宙的居家养老远程监控方法 | |
CN112434718A (zh) | 基于深度图的新冠肺炎多模态特征提取融合方法及系统 | |
CN116929815A (zh) | 基于物联网的设备工作状态监测系统及其方法 | |
CN117041017A (zh) | 数据中心的智能运维管理方法及系统 | |
CN114093445B (zh) | 一种基于偏多标记学习的患者筛选标记方法 | |
CN112216379A (zh) | 一种基于智能联合学习的疾病诊断系统 | |
CN112905793B (zh) | 一种基于Bilstm+Attention文本分类的案例推荐方法及系统 | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
CN117155706B (zh) | 网络异常行为检测方法及其系统 | |
Zhu et al. | Using a vae-som architecture for anomaly detection of flexible sensors in limb prosthesis | |
CN117037427B (zh) | 一种地质灾害联网监测预警系统 | |
CN117198468A (zh) | 基于行为识别和数据分析的干预方案智慧化管理系统 | |
CN116966513A (zh) | 健身器材的监控方法及其系统 |
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 |