CN118016326B - 基于互联网的患者护理智能随访系统及方法 - Google Patents
基于互联网的患者护理智能随访系统及方法 Download PDFInfo
- Publication number
- CN118016326B CN118016326B CN202410417642.5A CN202410417642A CN118016326B CN 118016326 B CN118016326 B CN 118016326B CN 202410417642 A CN202410417642 A CN 202410417642A CN 118016326 B CN118016326 B CN 118016326B
- Authority
- CN
- China
- Prior art keywords
- patient
- rehabilitation
- feature vector
- exercise
- semantic feature
- 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 28
- 230000000474 nursing effect Effects 0.000 title abstract description 13
- 239000013598 vector Substances 0.000 claims description 194
- 230000009471 action Effects 0.000 claims description 76
- 238000000605 extraction Methods 0.000 claims description 18
- 238000011084 recovery Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 11
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 3
- 238000011282 treatment Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008676 import Effects 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002980 postoperative effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011269 treatment regimen Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000037147 athletic performance Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请公开了一种基于互联网的患者护理智能随访系统及方法,涉及智慧医疗技术领域,其采用基于深度学习的人工智能技术对患者复健锻炼视频和患者病情信息进行分析理解,挖掘出患者复健锻炼视频的复健动作语义特征表达,并结合患者病情信息的语义特征,为患者的运动锻炼提供智能化的指导建议。这样,能够实现智能化的远程随访和护理指导,减少患者和医护人员之间的时间和空间限制,为患者提供更便捷和个性化的康复护理随访服务。
Description
技术领域
本申请涉及智慧医疗技术领域,且更为具体地,涉及一种基于互联网的患者护理智能随访系统及方法。
背景技术
随着医疗技术的进步,脊柱手术的成功率逐年提高,然而术后康复锻炼对于患者的恢复仍然是一个重要的挑战。脊柱手术的康复锻炼是一个复杂的过程,需要综合考虑患者的病情、手术方式、手术部位以及个体差异等因素来进行合理的康复锻炼规划,以帮助患者恢复正常的脊柱功能,减轻疼痛,提高生活质量。
在目前的患者术后护理随访过程中,由于时间和地理位置的限制,存在着医生随访效率低、工作量大;患者现场随诊成本高,难度大、患者积极性较低等问题。这些问题对患者的康复效果有着重要影响。
因此,期待一种基于互联网的患者护理智能随访系统及方法。
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基于互联网的患者护理智能随访系统及方法,其采用基于深度学习的人工智能技术对患者复健锻炼视频和患者病情信息进行分析理解,挖掘出患者复健锻炼视频的复健动作语义特征表达,并结合患者病情信息的语义特征,为患者的运动锻炼提供智能化的指导建议。这样,能够实现智能化的远程随访和护理指导,减少患者和医护人员之间的时间和空间限制,为患者提供更便捷和个性化的康复护理随访服务。
相应地,根据本申请的一个方面,提供了一种基于互联网的患者护理智能随访系统,其包括:
患者信息获取模块,用于获取患者复健锻炼视频以及患者病情信息,其中,所述患者病情信息包括患者病历的文本描述和患者身体情况自述的文本描述;
患者复健锻炼语义特征提取模块,用于提取所述患者复健锻炼视频的锻炼动作语义特征以得到患者复健锻炼动作语义特征向量;
患者病情信息语义理解模块,用于对所述患者病情信息进行语义编码以得到患者病情语义特征向量;
跨模态融合模块,用于融合所述患者病情语义特征向量和所述患者复健锻炼动作语义特征向量以得到患者病情康复语义特征向量;
患者运动锻炼指导模块,用于基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议;
其中,所述患者运动锻炼指导模块,包括:
特征分布优化单元,用于计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量;
分类单元,用于将所述优化患者病情康复语义特征向量通过基于分类器的康复锻炼指导方案生成器以得到患者运动锻炼指导建议,其中,所述患者运动锻炼指导建议包括锻炼项目及其锻炼频率;
其中,所述特征分布优化单元,包括:
预分类子单元,用于使用训练完成的预分类模型对所述患者病情康复语义特征向量进行分类回归以得到类概率特征向量;
等效强度计算子单元,用于计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量;
等效强度施加子单元,用于以所述类概率等效强度表征特征向量中各个位置的特征值作为系数分别乘以所述类概率特征向量以得到等效强度表征分类特征向量的序列;
优化子单元,用于将所述等效强度表征分类特征向量的序列输入基于RNN模型的优化编码器以得到所述优化患者病情康复语义特征向量。
在上述基于互联网的患者护理智能随访系统中,所述患者复健锻炼语义特征提取模块,包括:视频切分单元,用于对所述患者复健锻炼视频进行视频切分以得到局部患者复健锻炼视频的序列;局部语义特征提取单元,用于分别对所述局部患者复健锻炼视频的序列中的各个局部患者复健锻炼视频进行锻炼动作语义特征提取以得到局部患者复健锻炼动作语义特征向量的序列;锻炼动作语义特征融合单元,用于将所述局部患者复健锻炼动作语义特征向量的序列中的各个局部患者复健锻炼动作语义特征向量进行级联融合以得到所述患者复健锻炼动作语义特征向量。
在上述基于互联网的患者护理智能随访系统中,所述局部语义特征提取单元,用于:将所述局部患者复健锻炼视频的序列通过基于三维卷积神经网络模型的锻炼动作语义特征提取器以得到所述局部患者复健锻炼动作语义特征向量的序列。
在上述基于互联网的患者护理智能随访系统中,所述基于三维卷积神经网络模型的锻炼动作语义特征提取器包括输入层、三维卷积层、基于ReLU激活函数的激活层、池化层和输出层。
在上述基于互联网的患者护理智能随访系统中,所述患者病情信息语义理解模块,用于:将所述患者病情信息通过基于转换器的患者病情语义理解器以得到所述患者病情语义特征向量。
在上述基于互联网的患者护理智能随访系统中,所述患者病情信息语义理解模块,包括:分词单元,用于对所述患者病情信息进行分词处理以得到病情信息词的序列;词嵌入编码单元,用于使用所述患者病情语义理解器的词嵌入层分别对所述病情信息词的序列中各个病情信息词进行词嵌入编码以得到病情信息词嵌入向量的序列;语义编码单元,用于使用所述患者病情语义理解器的转换器模块对所述病情信息词嵌入向量的序列进行基于全局的语义编码以得到所述患者病情语义特征向量。
在上述基于互联网的患者护理智能随访系统中,所述等效强度计算子单元,用于:创建一个切面类,用于定义切面逻辑;在Spring的配置文件中启用AOP支持;创建一个服务类,所述服务类中包含计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量的计算方法;在代码中调用所述服务类中的计算方法,触发AOP切面的逻辑。
根据本申请的另一个方面,提供了一种基于互联网的患者护理智能随访方法,其包括:
获取患者复健锻炼视频以及患者病情信息,其中,所述患者病情信息包括患者病历的文本描述和患者身体情况自述的文本描述;
提取所述患者复健锻炼视频的锻炼动作语义特征以得到患者复健锻炼动作语义特征向量;
对所述患者病情信息进行语义编码以得到患者病情语义特征向量;
融合所述患者病情语义特征向量和所述患者复健锻炼动作语义特征向量以得到患者病情康复语义特征向量;
基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议;
其中,基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议,包括:
计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量;
将所述优化患者病情康复语义特征向量通过基于分类器的康复锻炼指导方案生成器以得到患者运动锻炼指导建议,其中,所述患者运动锻炼指导建议包括锻炼项目及其锻炼频率;
其中,计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量,包括:
使用训练完成的预分类模型对所述患者病情康复语义特征向量进行分类回归以得到类概率特征向量;
计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量;
以所述类概率等效强度表征特征向量中各个位置的特征值作为系数分别乘以所述类概率特征向量以得到等效强度表征分类特征向量的序列;
优化子单元,用于将所述等效强度表征分类特征向量的序列输入基于RNN模型的优化编码器以得到所述优化患者病情康复语义特征向量。
与现有技术相比,本申请提供的基于互联网的患者护理智能随访系统及方法,其采用基于深度学习的人工智能技术对患者复健锻炼视频和患者病情信息进行分析理解,挖掘出患者复健锻炼视频的复健动作语义特征表达,并结合患者病情信息的语义特征,为患者的运动锻炼提供智能化的指导建议。这样,能够实现智能化的远程随访和护理指导,减少患者和医护人员之间的时间和空间限制,为患者提供更便捷和个性化的康复护理随访服务。
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基于互联网的患者护理智能随访系统的框图。
图2为根据本申请实施例的基于互联网的患者护理智能随访系统的架构示意图。
图3为根据本申请实施例的基于互联网的患者护理智能随访系统中患者复健锻炼语义特征提取模块的框图。
图4为根据本申请实施例的基于互联网的患者护理智能随访系统中患者病情信息语义理解模块的框图。
图5为根据本申请实施例的基于互联网的患者护理智能随访系统中患者运动锻炼指导模块的框图。
图6为根据本申请实施例的基于互联网的患者护理智能随访方法的流程图。
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。
图1为根据本申请实施例的基于互联网的患者护理智能随访系统的框图。图2为根据本申请实施例的基于互联网的患者护理智能随访系统的架构示意图。如图1和图2所示,根据本申请实施例的基于互联网的患者护理智能随访系统100,包括:患者信息获取模块110,用于获取患者复健锻炼视频以及患者病情信息,其中,所述患者病情信息包括患者病历的文本描述和患者身体情况自述的文本描述;患者复健锻炼语义特征提取模块120,用于提取所述患者复健锻炼视频的锻炼动作语义特征以得到患者复健锻炼动作语义特征向量;患者病情信息语义理解模块130,用于对所述患者病情信息进行语义编码以得到患者病情语义特征向量;跨模态融合模块140,用于融合所述患者病情语义特征向量和所述患者复健锻炼动作语义特征向量以得到患者病情康复语义特征向量;患者运动锻炼指导模块150,用于基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议。
如上述背景技术所言,在目前的患者术后护理随访过程中,由于时间和地理位置的限制,存在着医生随访效率低、工作量大;患者现场随诊成本高,难度大、患者积极性较低等问题。针对上述技术问题,本申请的技术构思为采用基于深度学习的人工智能技术对患者复健锻炼视频和患者病情信息进行分析理解,挖掘出患者复健锻炼视频的复健动作语义特征表达,并结合患者病情信息的语义特征,为患者的运动锻炼提供智能化的指导建议。这样,能够实现智能化的远程随访和护理指导,减少患者和医护人员之间的时间和空间限制,为患者提供更便捷和个性化的康复护理随访服务。
在上述基于互联网的患者护理智能随访系统100中,所述患者信息获取模块110,用于获取患者复健锻炼视频以及患者病情信息,其中,所述患者病情信息包括患者病历的文本描述和患者身体情况自述的文本描述。应可以理解,通过获取患者复健锻炼视频,可以对患者的锻炼动作进行分析和理解,进而了解患者的运动状态和复健效果。而患者病情信息包括患者病历的文本描述和患者身体情况自述的文本描述。其中,患者病历可以提供关于患者的疾病诊断、治疗过程、手术记录等方面的详细描述。同时,患者身体情况自述可以提供患者主观感受、症状描述、不适程度等信息。因此,通过综合分析患者复健锻炼视频和患者病情信息,可以更全面地了解患者的病情和康复效果,进而为患者提供个性化的运动锻炼指导建议。
在上述基于互联网的患者护理智能随访系统100中,所述患者复健锻炼语义特征提取模块120,用于提取所述患者复健锻炼视频的锻炼动作语义特征以得到患者复健锻炼动作语义特征向量。具体地,图3为根据本申请实施例的基于互联网的患者护理智能随访系统中患者复健锻炼语义特征提取模块的框图。如图3所示,所述患者复健锻炼语义特征提取模块120,包括:视频切分单元121,用于对所述患者复健锻炼视频进行视频切分以得到局部患者复健锻炼视频的序列;局部语义特征提取单元122,用于分别对所述局部患者复健锻炼视频的序列中的各个局部患者复健锻炼视频进行锻炼动作语义特征提取以得到局部患者复健锻炼动作语义特征向量的序列;锻炼动作语义特征融合单元123,用于将所述局部患者复健锻炼动作语义特征向量的序列中的各个局部患者复健锻炼动作语义特征向量进行级联融合以得到所述患者复健锻炼动作语义特征向量。
具体地,所述视频切分单元121,用于对所述患者复健锻炼视频进行视频切分以得到局部患者复健锻炼视频的序列。应可以理解,所述患者复健锻炼视频通常包含了多个复健动作的连续演示,而每个复健动作都有其特定的语义含义,能够反映患者不同方面的康复效果。因此,为了更精细地捕捉患者的复健动作特征,进一步对所述患者复健锻炼视频进行切分处理。通过视频切分,将所述患者复健锻炼视频分解成多个局部视频片段,从而将患者每个复健动作的演示独立出来,使得后续的语义特征提取更加准确和精细。这样,通过这种精细化的分析和建模过程,能够更准确地理解患者的复健动作表达,从而进一步提高生成的复健指导建议的准确性。
具体地,所述局部语义特征提取单元122,用于分别对所述局部患者复健锻炼视频的序列中的各个局部患者复健锻炼视频进行锻炼动作语义特征提取以得到局部患者复健锻炼动作语义特征向量的序列。在本申请的一个具体示例中,分别对所述局部患者复健锻炼视频的序列中的各个局部患者复健锻炼视频进行锻炼动作语义特征提取以得到局部患者复健锻炼动作语义特征向量的序列的编码方式是将所述局部患者复健锻炼视频的序列通过基于三维卷积神经网络模型的锻炼动作语义特征提取器以得到所述局部患者复健锻炼动作语义特征向量的序列。本领域普通技术人员应知晓,三维卷积神经网络(3D CNN)是一种专门用于处理视频序列数据的深度学习模型。与传统的二维卷积神经网络(2D CNN)不同,三维卷积神经网络可以同时考虑输入数据在时间维度和空间维度的信息,从而更好地捕捉视频中的动态变化和运动特征。在本申请的技术方案中,通过将所述局部患者复健锻炼视频的序列输入到基于三维卷积神经网络模型的锻炼动作语义特征提取器中,可以使用三维卷积神经网络应用三维卷积核在各个局部患者复健锻炼视频的宽度、高度和时间维度上同步进行滑动和卷积操作,以学习到所述局部患者复健锻炼视频中的时序模式和运动轨迹,以及空间上的特征表示,捕捉到各个复健动作的动作模式、姿态变化、运动轨迹、速度变化等关键信息,从而更好地理解和表达复健动作的运动特征,更准确的反映患者的复健效果。更为具体地,所述基于三维卷积神经网络模型的锻炼动作语义特征提取器包括输入层、三维卷积层、基于ReLU激活函数的激活层、池化层和输出层。
具体地,所述锻炼动作语义特征融合单元123,用于将所述局部患者复健锻炼动作语义特征向量的序列中的各个局部患者复健锻炼动作语义特征向量进行级联融合以得到所述患者复健锻炼动作语义特征向量。应可以理解,为了综合考虑整个复健锻炼过程中的语义信息,进一步对所述局部患者复健锻炼动作语义特征向量的序列进行特征融合处理。通过将各个局部患者复健锻炼动作语义特征向量进行级联融合,以将局部动作信息进行整合,从而捕捉到整个复健锻炼过程中的动作特征、运动轨迹和时序模式。这里,级联融合可以通过简单的向量连接(concatenation)操作实现,将各个局部患者复健锻炼动作语义特征向量按顺序连接在一起,以生成更全局和综合的患者复健锻炼动作语义特征向量。这样,所述患者复健锻炼动作语义特征向量将包含整个复健锻炼过程的信息,具有更丰富的语义表示能力,能够更好地反映患者的整体康复情况和运动表现,提供更准确和全面的信息,进而为患者提供准确和个性化的运动锻炼指导建议。
在上述基于互联网的患者护理智能随访系统100中,所述患者病情信息语义理解模块130,用于对所述患者病情信息进行语义编码以得到患者病情语义特征向量。应可以理解,所述患者病情信息包括了患者的症状、诊断结果、治疗方案、手术记录、患者主观感受、症状描述、不适程度等信息。这些信息对于理解患者的整体健康状况和康复需求非常重要。然而,这些信息以自然语言的形式存在,因此,需要利用自然语言处理技术对其进行进一步地语义特征挖掘。在本申请的一个具体示例中,对所述患者病情信息进行语义编码以得到患者病情语义特征向量的编码方式是将所述患者病情信息通过基于转换器的患者病情语义理解器以得到所述患者病情语义特征向量。本领域普通技术人员应知晓,转换器模型(Transformer Model)是一种基于自注意力机制(self-attention mechanism)的神经网络模型,用于处理序列数据,特别是在自然语言处理任务中取得了重要的突破。传统的循环神经网络(Recurrent Neural Networks,RNN)在处理序列数据时存在一些限制,如难以并行计算、难以捕捉长距离依赖等。而转换器模型通过引入自注意力机制,能够在不考虑序列顺序的情况下,对输入序列中的不同位置进行建模和关联,从而更好地捕捉序列中的依赖关系。在本申请的技术方案中,将所述患者病情信息输入基于转换器的患者病情语义理解器进行处理,转换器通过应用多头自注意力机制将所述患者病情信息的每个位置的字词特征进行线性变换,得到查询(query)、键(key)和值(value)三个表示。然后,通过计算查询和键之间的相似度得到注意力权重,再将注意力权重与值进行加权求和,以得到每个位置的字词语义特征输出。接着,再通过残差连接技术来整合所述患者病情信息中各个字词的语义特征,以捕捉到所述患者病情信息中全局的上下文信息,从而得到所述患者病情语义特征向量。
图4为根据本申请实施例的基于互联网的患者护理智能随访系统中患者病情信息语义理解模块的框图。如图4所示,所述患者病情信息语义理解模块130,包括:分词单元131,用于对所述患者病情信息进行分词处理以得到病情信息词的序列;词嵌入编码单元132,用于使用所述患者病情语义理解器的词嵌入层分别对所述病情信息词的序列中各个病情信息词进行词嵌入编码以得到病情信息词嵌入向量的序列;语义编码单元133,用于使用所述患者病情语义理解器的转换器模块对所述病情信息词嵌入向量的序列进行基于全局的语义编码以得到所述患者病情语义特征向量。
在上述基于互联网的患者护理智能随访系统100中,所述跨模态融合模块140,用于融合所述患者病情语义特征向量和所述患者复健锻炼动作语义特征向量以得到患者病情康复语义特征向量。应可以理解,病情信息包括患者的诊断结果、治疗方案、手术记录、患者主观感受等,而康复情况则包括患者的复健锻炼动作、锻炼强度、康复进展等。在患者护理和康复过程中,患者的病情和康复情况是密切相关的。因此,通过融合所述患者病情语义特征向量和所述患者复健锻炼动作语义特征向量可以将两者的信息进行结合,综合考虑患者的病情和康复情况,使得患者的病情和康复信息相互影响,相互补充,从而更好地理解患者的整体情况,包括病情的严重程度、康复的进展情况等,从而为患者提供更个性化和针对性的康复护理建议。
在上述基于互联网的患者护理智能随访系统100中,所述患者运动锻炼指导模块150,用于基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议。具体地,图5为根据本申请实施例的基于互联网的患者护理智能随访系统中患者运动锻炼指导模块的框图。如图5所示,所述患者运动锻炼指导模块150,包括:特征分布优化单元151,用于计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量;分类单元152,用于将所述优化患者病情康复语义特征向量通过基于分类器的康复锻炼指导方案生成器以得到患者运动锻炼指导建议,其中,所述患者运动锻炼指导建议包括锻炼项目及其锻炼频率。
具体地,所述特征分布优化单元151,用于计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量。特别地,在本申请技术方案中,首先,获取患者复健训练视频和患者病情信息,包括文本描述病历和患者身体情况自述。对复健训练视频进行切分,提取局部复健训练视频序列,并通过三维卷积神经网络提取动作语义特征向量。将局部动作语义特征向量级联得到整体动作语义特征向量。患者病情信息经过患者病情语义理解器得到病情语义特征向量。将病情语义特征向量与动作语义特征向量融合得到患者病情康复语义特征向量,通过康复训练指导方案生成器生成运动训练指导建议,包括训练项目和训练频率。然而,在康复方案中,由于患者的病情会涉及不同类别的病理情况,如疾病种类、严重程度等。这可能导致所述患者病情康复语义特征向量中的不同类别在样本分布上存在不平衡。例如,某些特定疾病类型的案例可能比其他类型更常见,导致某些类别的样本数量明显多于其他类别。这种类别不平衡会影响模型在训练和预测时对少数类别的处理能力。在本申请技术方案中,进一步计算所述患者病情康复语义特征向量的基于类概率的等效强度表征。
具体地,所述特征分布优化单元151,包括:预分类子单元,用于使用训练完成的预分类模型对所述患者病情康复语义特征向量进行分类回归以得到类概率特征向量;等效强度计算子单元,用于计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量;等效强度施加子单元,用于以所述类概率等效强度表征特征向量中各个位置的特征值作为系数分别乘以所述类概率特征向量以得到等效强度表征分类特征向量的序列;优化子单元,用于将所述等效强度表征分类特征向量的序列输入基于RNN模型的优化编码器以得到所述优化患者病情康复语义特征向量。
这里,计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量,其首先,利用已经训练好的预分类模型,将待优化的患者病情康复语义特征向量输入到该模型中进行分类回归。模型会输出每个类别的概率值,形成类概率特征向量,以提供关于所述患者病情康复语义特征向量所属类别的信息。然后,对类概率特征向量中每个位置的类概率值取倒数,并对应地乘以类概率特征向量的每个位置,从而将类概率的重要性信息转化为等效强度表征,以更好地表示特征向量的重要性,同时,优化过程可以更直接地针对特征向量的类别概率进行调整,从而更好地优化患者病情康复语义特征向量。最后,将得到的等效强度表征分类特征向量的序列输入到基于RNN模型的优化编码器中,以进一步处理这些特征向量序列,优化它们以得到最终的优化患者病情康复语义特征向量,使分类特征向量更好地表示特征的重要性和类别概率信息,从而可以帮助模型更好地区分不同类别之间的特征差异,提高分类模型的性能和泛化能力。此外,基于类概率的等效强度表征可以更好地平衡不同类别之间的重要性,也提高模型的可解释性。
在本申请的一个具体示例中,计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量,包括:创建一个切面类,用于定义切面逻辑;在Spring的配置文件中启用AOP支持;创建一个服务类,所述服务类中包含计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量的计算方法;在代码中调用所述服务类中的计算方法,触发AOP切面的逻辑。
在本申请的一个具体实施方式中,“计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量”的代码实现部分,如下:
1.首先,创建一个切面类,用于定义切面逻辑:
import org.aspectj . lang.annotation.Aspect;
import org.aspectj.lang.annotation.Before;
import org. springtramework. stereotype. Component;
@Aspect
@Component
public class ProbabilityAspect {
@Before("execution(com.example.Yourservice.calculateProbabilities(..))")
public void calculatereciprocal () {
// 在这里实现取倒数的逻辑
System.out.println("Calculating reciprocals of probabilities...);
}
2.确保spring配置文件中启用了AOP支持;
<aop:aspectj-autoproxy>
3. 创建一个服务类,其中包含计算类概率特征向量的方法:
import org.springframerork.stereotype.Service;
@service
public class Yourservice {
public void calculateProbabilities() {
//在这里实现计算类概率特征向量的逻辑
System.out.printIn("Calculating class probabilities..
}
}
4.在代码中调用该服务类的方法,触发AOP切面的逻辑:
import org.springframework. context.Applicationcontext;
importorg.springframework.context.support.ClassPathxmlApplicationcontext;
public class Main
public static void main (string[] args) {
Applicationcontextcontext=newClassPathxmlApplicationcontext("applicationcontext.xml");
YourServiceservice = context.getBean(YourService.class);
service.calculateProbabilities();
}
}
在这种情况下,使用Spring AOP机制来实现“计算类概率特征向量中各个位置的类概率值的倒数作为等效强度值”。具体来说,AOP可以帮助将横切关注点(如计算倒数)与业务逻辑(计算类概率特征向量)分离开来,使业务逻辑更加清晰和简洁,代码更具模块化和可维护性。通过AOP,可以将倒数计算逻辑应用于多个地方而无需重复编写代码,提高了代码的重用性。并且,AOP将横切关注点抽象为切面,可以更容易地管理和维护这些横切关注点的逻辑,而不会将其散布在整个代码库中。同时,如果将来需要修改倒数计算的逻辑或添加其他类似的横切关注点,使用AOP可以更容易地进行扩展和修改。也就是,使用SpringAOP机制可以更好地管理和组织代码,提高代码的可维护性、可扩展性和整洁性,同时实现所需的功能。
具体地,所述分类单元152,用于将所述优化患者病情康复语义特征向量通过基于分类器的康复锻炼指导方案生成器以得到患者运动锻炼指导建议,其中,所述患者运动锻炼指导建议包括锻炼项目及其锻炼频率。应可以理解,在本申请的技术方案中,将所述患者病情康复语义特征向量输入基于分类器的康复锻炼指导方案生成器中,分类器能够根据所述优化患者病情康复语义特征向量中蕴含的患者病情特征和复健进展特征,将所述优化患者病情康复语义特征向量映射到预设的锻炼项目类别标签和锻炼频率类别标签中,以生成个性化的运动锻炼指导。其中,所述患者运动锻炼指导建议包括锻炼项目和锻炼频率。锻炼项目指的是适合患者的具体运动或锻炼动作,可以根据患者的病情和康复需求来选择适当的锻炼项目,以促进康复和改善患者的身体状况。锻炼频率指的是每周或每天进行锻炼的次数和持续时间,可以根据患者的康复进展和身体状况来确定合适的锻炼频率。这样,通过生成个性化的运动锻炼指导建议,患者可以根据自己的实际情况进行针对性的运动锻炼,实现了智能化的远程随访和护理指导,减少了患者和医护人员之间的时间和空间限制。
综上,根据本申请实施例的基于互联网的患者护理智能随访系统被阐明,其采用基于深度学习的人工智能技术对患者复健锻炼视频和患者病情信息进行分析理解,挖掘出患者复健锻炼视频的复健动作语义特征表达,并结合患者病情信息的语义特征,为患者的运动锻炼提供智能化的指导建议。这样,能够实现智能化的远程随访和护理指导,减少患者和医护人员之间的时间和空间限制,为患者提供更便捷和个性化的康复护理随访服务。
图6为根据本申请实施例的基于互联网的患者护理智能随访方法的流程图。如图6所示,根据本申请实施例的基于互联网的患者护理智能随访方法,包括步骤:S110,获取患者复健锻炼视频以及患者病情信息,其中,所述患者病情信息包括患者病历的文本描述和患者身体情况自述的文本描述;S120,提取所述患者复健锻炼视频的锻炼动作语义特征以得到患者复健锻炼动作语义特征向量;S130,对所述患者病情信息进行语义编码以得到患者病情语义特征向量;S140,融合所述患者病情语义特征向量和所述患者复健锻炼动作语义特征向量以得到患者病情康复语义特征向量;S150,基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议。
这里,本领域技术人员可以理解,上述基于互联网的患者护理智能随访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的基于互联网的患者护理智能随访系统的描述中得到了详细介绍,并因此,将省略其重复描述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。在本发明所提供的几个实施例中,应该理解到,所揭露的设备,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述模块划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于互联网的患者护理智能随访系统,其特征在于,包括:
患者信息获取模块,用于获取患者复健锻炼视频以及患者病情信息,其中,所述患者病情信息包括患者病历的文本描述和患者身体情况自述的文本描述;
患者复健锻炼语义特征提取模块,用于提取所述患者复健锻炼视频的锻炼动作语义特征以得到患者复健锻炼动作语义特征向量;
患者病情信息语义理解模块,用于对所述患者病情信息进行语义编码以得到患者病情语义特征向量;
跨模态融合模块,用于融合所述患者病情语义特征向量和所述患者复健锻炼动作语义特征向量以得到患者病情康复语义特征向量;
患者运动锻炼指导模块,用于基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议;
其中,所述患者运动锻炼指导模块,包括:
特征分布优化单元,用于计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量;
分类单元,用于将所述优化患者病情康复语义特征向量通过基于分类器的康复锻炼指导方案生成器以得到患者运动锻炼指导建议,其中,所述患者运动锻炼指导建议包括锻炼项目及其锻炼频率;
其中,所述特征分布优化单元,包括:
预分类子单元,用于使用训练完成的预分类模型对所述患者病情康复语义特征向量进行分类回归以得到类概率特征向量;
等效强度计算子单元,用于计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量;
等效强度施加子单元,用于以所述类概率等效强度表征特征向量中各个位置的特征值作为系数分别乘以所述类概率特征向量以得到等效强度表征分类特征向量的序列;
优化子单元,用于将所述等效强度表征分类特征向量的序列输入基于RNN模型的优化编码器以得到所述优化患者病情康复语义特征向量。
2.根据权利要求1所述的基于互联网的患者护理智能随访系统,其特征在于,所述患者复健锻炼语义特征提取模块,包括:
视频切分单元,用于对所述患者复健锻炼视频进行视频切分以得到局部患者复健锻炼视频的序列;
局部语义特征提取单元,用于分别对所述局部患者复健锻炼视频的序列中的各个局部患者复健锻炼视频进行锻炼动作语义特征提取以得到局部患者复健锻炼动作语义特征向量的序列;
锻炼动作语义特征融合单元,用于将所述局部患者复健锻炼动作语义特征向量的序列中的各个局部患者复健锻炼动作语义特征向量进行级联融合以得到所述患者复健锻炼动作语义特征向量。
3.根据权利要求2所述的基于互联网的患者护理智能随访系统,其特征在于,所述局部语义特征提取单元,用于:
将所述局部患者复健锻炼视频的序列通过基于三维卷积神经网络模型的锻炼动作语义特征提取器以得到所述局部患者复健锻炼动作语义特征向量的序列。
4.根据权利要求3所述的基于互联网的患者护理智能随访系统,其特征在于,所述基于三维卷积神经网络模型的锻炼动作语义特征提取器包括输入层、三维卷积层、基于ReLU激活函数的激活层、池化层和输出层。
5.根据权利要求4所述的基于互联网的患者护理智能随访系统,其特征在于,所述患者病情信息语义理解模块,用于:
将所述患者病情信息通过基于转换器的患者病情语义理解器以得到所述患者病情语义特征向量。
6.根据权利要求5所述的基于互联网的患者护理智能随访系统,其特征在于,所述患者病情信息语义理解模块,包括:
分词单元,用于对所述患者病情信息进行分词处理以得到病情信息词的序列;
词嵌入编码单元,用于使用所述患者病情语义理解器的词嵌入层分别对所述病情信息词的序列中各个病情信息词进行词嵌入编码以得到病情信息词嵌入向量的序列;
语义编码单元,用于使用所述患者病情语义理解器的转换器模块对所述病情信息词嵌入向量的序列进行基于全局的语义编码以得到所述患者病情语义特征向量。
7.根据权利要求6所述的基于互联网的患者护理智能随访系统,其特征在于,所述等效强度计算子单元,用于:
创建一个切面类,用于定义切面逻辑;
在Spring的配置文件中启用AOP支持;
创建一个服务类,所述服务类中包含计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量的计算方法;
在代码中调用所述服务类中的计算方法,触发AOP切面的逻辑。
8.一种基于互联网的患者护理智能随访方法,其特征在于,包括:
获取患者复健锻炼视频以及患者病情信息,其中,所述患者病情信息包括患者病历的文本描述和患者身体情况自述的文本描述;
提取所述患者复健锻炼视频的锻炼动作语义特征以得到患者复健锻炼动作语义特征向量;
对所述患者病情信息进行语义编码以得到患者病情语义特征向量;
融合所述患者病情语义特征向量和所述患者复健锻炼动作语义特征向量以得到患者病情康复语义特征向量;
基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议;
其中,基于所述患者病情康复语义特征向量,生成患者运动锻炼指导建议,包括:
计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量;
将所述优化患者病情康复语义特征向量通过基于分类器的康复锻炼指导方案生成器以得到患者运动锻炼指导建议,其中,所述患者运动锻炼指导建议包括锻炼项目及其锻炼频率;
其中,计算所述患者病情康复语义特征向量的基于类概率的等效强度表征以得到优化患者病情康复语义特征向量,包括:
使用训练完成的预分类模型对所述患者病情康复语义特征向量进行分类回归以得到类概率特征向量;
计算所述类概率特征向量中各个位置的类概率值的倒数作为等效强度值以得到类概率等效强度表征特征向量;
以所述类概率等效强度表征特征向量中各个位置的特征值作为系数分别乘以所述类概率特征向量以得到等效强度表征分类特征向量的序列;
优化子单元,用于将所述等效强度表征分类特征向量的序列输入基于RNN模型的优化编码器以得到所述优化患者病情康复语义特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417642.5A CN118016326B (zh) | 2024-04-09 | 2024-04-09 | 基于互联网的患者护理智能随访系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410417642.5A CN118016326B (zh) | 2024-04-09 | 2024-04-09 | 基于互联网的患者护理智能随访系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118016326A CN118016326A (zh) | 2024-05-10 |
CN118016326B true CN118016326B (zh) | 2024-05-31 |
Family
ID=90959729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410417642.5A Active CN118016326B (zh) | 2024-04-09 | 2024-04-09 | 基于互联网的患者护理智能随访系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118016326B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN208942118U (zh) * | 2018-05-17 | 2019-06-07 | 复旦大学附属中山医院 | 一种基于物联网的copd康复锻炼智能监护可穿戴系统 |
CN110404243A (zh) * | 2018-04-26 | 2019-11-05 | 北京新海樱科技有限公司 | 一种基于体态测量的康复方法及康复系统 |
US10943407B1 (en) * | 2019-01-25 | 2021-03-09 | Wellovate, LLC | XR health platform, system and method |
CN113971208A (zh) * | 2021-12-22 | 2022-01-25 | 山东建筑大学 | 基于混合注意力机制的视频对象定位方法及系统 |
CN114601560A (zh) * | 2022-05-11 | 2022-06-10 | 中国科学院深圳先进技术研究院 | 微创手术辅助方法、装置、设备及存储介质 |
CN116071827A (zh) * | 2023-02-23 | 2023-05-05 | 布法罗机器人科技(成都)有限公司 | 一种康复运动评估方法、装置、电子设备及存储介质 |
CN116269351A (zh) * | 2023-03-24 | 2023-06-23 | 河南中医药大学第一附属医院 | 基于运动姿态变化的脑卒中患者康复效果评估系统 |
CN116798617A (zh) * | 2023-05-30 | 2023-09-22 | 福建医科大学附属第二医院 | 智能视功能康复评估及辅具适配系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230178216A1 (en) * | 2021-12-07 | 2023-06-08 | Insight Direct Usa, Inc. | Adjusting mental state to improve task performance and coaching improvement |
-
2024
- 2024-04-09 CN CN202410417642.5A patent/CN118016326B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110404243A (zh) * | 2018-04-26 | 2019-11-05 | 北京新海樱科技有限公司 | 一种基于体态测量的康复方法及康复系统 |
CN208942118U (zh) * | 2018-05-17 | 2019-06-07 | 复旦大学附属中山医院 | 一种基于物联网的copd康复锻炼智能监护可穿戴系统 |
US10943407B1 (en) * | 2019-01-25 | 2021-03-09 | Wellovate, LLC | XR health platform, system and method |
CN113971208A (zh) * | 2021-12-22 | 2022-01-25 | 山东建筑大学 | 基于混合注意力机制的视频对象定位方法及系统 |
CN114601560A (zh) * | 2022-05-11 | 2022-06-10 | 中国科学院深圳先进技术研究院 | 微创手术辅助方法、装置、设备及存储介质 |
CN116071827A (zh) * | 2023-02-23 | 2023-05-05 | 布法罗机器人科技(成都)有限公司 | 一种康复运动评估方法、装置、电子设备及存储介质 |
CN116269351A (zh) * | 2023-03-24 | 2023-06-23 | 河南中医药大学第一附属医院 | 基于运动姿态变化的脑卒中患者康复效果评估系统 |
CN116798617A (zh) * | 2023-05-30 | 2023-09-22 | 福建医科大学附属第二医院 | 智能视功能康复评估及辅具适配系统 |
Non-Patent Citations (1)
Title |
---|
"基于人体姿态识别的在线问诊和康复系统";江文;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20230215;E060-2121 * |
Also Published As
Publication number | Publication date |
---|---|
CN118016326A (zh) | 2024-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11423538B2 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
AU2020260078B2 (en) | Computer-implemented machine learning for detection and statistical analysis of errors by healthcare providers | |
Khan et al. | Beyond activity recognition: skill assessment from accelerometer data | |
WO2020251681A1 (en) | Robustness against manipulations in machine learning | |
Gonzalez et al. | BioCNN: A hardware inference engine for EEG-based emotion detection | |
Ramchandran et al. | Longitudinal variational autoencoder | |
Sims et al. | A neural architecture for detecting user confusion in eye-tracking data | |
Hoelzemann et al. | Data augmentation strategies for human activity data using generative adversarial neural networks | |
Wang et al. | Unlocking the emotional world of visual media: An overview of the science, research, and impact of understanding emotion | |
Sudhakaran et al. | Learning to recognize actions on objects in egocentric video with attention dictionaries | |
CN109887606B (zh) | 一种基于注意力的双向递归神经网络的诊断预测方法 | |
Frangoudes et al. | Assessing human motion during exercise using machine learning: A literature review | |
CN112216379A (zh) | 一种基于智能联合学习的疾病诊断系统 | |
Kiciroglu et al. | Long term motion prediction using keyposes | |
Song et al. | Automatic generation of 3d scene animation based on dynamic knowledge graphs and contextual encoding | |
CN118016326B (zh) | 基于互联网的患者护理智能随访系统及方法 | |
WO2019207714A1 (ja) | 動作推定システム、動作推定方法および動作推定プログラム | |
Chitteti et al. | Taylor African vulture optimization algorithm with hybrid deep convolution neural network for image captioning system | |
Wang et al. | Large-scale Foundation Models and Generative AI for BigData Neuroscience | |
Dindorf et al. | Enhancing biomechanical machine learning with limited data: generating realistic synthetic posture data using generative artificial intelligence | |
Karpagam et al. | Facial emotion detection using convolutional neural network algorithm | |
Storey et al. | Face symmetry analysis using a unified multi-task cnn for medical applications | |
Wang | Deep Learning Approaches for Pose Estimation and Analysis | |
Cardoso | Deep Learning for the Automatic Generation of Medical Imaging Reports | |
Singh et al. | Acknowledgment of patient in sense behaviors using bidirectional ConvLSTM |
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 |