基于数字孪生的医院空间优化模拟方法及系统与流程

本发明涉及人工智能，具体而言，涉及一种基于数字孪生的医院空间优化模拟方法及系统。

背景技术：

1、digital twin数字孪生：是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。digital twin是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。例如，可以基于数字孪生技术，对医疗空间进行模拟，使得可以便于进行相应的优化操作等。但是，在现有技术中，存在着医院空间优化模拟的可靠度不高的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于数字孪生的医院空间优化模拟方法及系统，以在一定程度上提高医院空间优化模拟的可靠度。

2、为实现上述目的，本发明实施例采用如下技术方案：

3、一种基于数字孪生的医院空间优化模拟方法，包括：

4、采集到多个医院空间待分析动作，所述医院空间待分析动作用于反映患者方人员对医疗方人员输出的医院空间动作，且每一个所述医院空间待分析动作通过相应的文本数据或图像数据进行记录，所述多个医院空间待分析动作通过对一个模拟医疗空间进行运行仿真以形成；

5、基于所述多个医院空间待分析动作，确定出第一类对象分布网，所述第一类对象分布网包括所述患者方人员对应的患者方人员分布对象、所述医疗方人员对应的医疗方人员分布对象、用于关联所述患者方人员分布对象和所述医疗方人员分布对象的分布对象关联线；

6、将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量，所述第一类分布网描述向量包括各所述患者方人员分布对象对应的患者方人员关键信息、各所述医疗方人员分布对象对应的医疗方人员关键信息和各所述分布对象关联线对应的医院空间动作关键信息；

7、基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据，所述动作识别数据用于反映所述医院空间待分析动作是否属于可疑动作或属于可疑动作的可能性高低；

8、基于各所述医院空间待分析动作对应的动作识别数据，确定出所述模拟医疗空间的空间优先级参数，以及，在得到多个模拟医疗空间的空间优先级参数之后，基于所述空间优先级参数，在所述多个模拟医疗空间中，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果，所述目标实际医疗空间属于待建空间。

9、在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，在所述采集到多个医院空间待分析动作的步骤以后，所述基于数字孪生的医院空间优化模拟方法还包括：

10、基于所述多个医院空间待分析动作，确定出第二类对象分布网，所述第二类对象分布网包括动作类分布对象和动作对象关联线；

11、将所述第二类对象分布网进行图谱关键信息挖掘操作，输出各所述动作类分布对象对应的群体空间动作描述向量，所述群体空间动作描述向量属于进行群体性动作的动作关键信息；

12、所述基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据的步骤，包括：

13、基于所述第一类分布网描述向量和各所述群体空间动作描述向量，将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据。

14、在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述群体空间动作描述向量是利用关键信息分析网络进行图谱关键信息挖掘操作得到的；

15、所述关键信息分析网络的网络优化过程，包括：

16、提取到典型第二类对象分布网，所述典型第二类对象分布网中包括可疑医院空间动作的典型可疑动作类分布对象、用于关联两个典型动作类分布对象的典型动作对象关联线；

17、将所述典型第二类对象分布网中的各所述典型可疑动作类分布对象进行关键信息挖掘操作，以输出各所述典型可疑动作类分布对象对应的典型群体动作描述向量，所述典型群体动作描述向量是指典型的群体空间动作描述向量；

18、依据各所述典型可疑动作类分布对象的典型群体动作描述向量，利用候选关键信息分析网络，分析出各所述典型可疑动作类分布对象对应的典型动作识别数据；

19、基于各所述典型可疑动作类分布对象对应的典型动作识别数据和各所述典型可疑动作类分布对象，对所述候选关键信息分析网络进行参数优化调整操作，以形成所述候选关键信息分析网络对应的关键信息分析网络。

20、在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述将所述典型第二类对象分布网中的各所述典型可疑动作类分布对象进行关键信息挖掘操作，以输出各所述典型可疑动作类分布对象对应的典型群体动作描述向量的步骤，包括：

21、确定出所述典型第二类对象分布网对应的典型全局相邻关系阵列，以及，确定出各所述典型可疑动作类分布对象对应的典型局部相邻关系阵列；

22、将所述典型第二类对象分布网中各所述典型可疑动作类分布对象进行相邻分析操作，分析形成各所述典型可疑动作类分布对象对应的典型可疑相邻对象簇，所述典型可疑相邻对象簇包括与对应的典型可疑动作类分布对象之间关联有所述典型动作对象关联线的典型可疑相邻分布对象；

23、利用各所述典型可疑相邻对象簇，将所述典型局部相邻关系阵列进行强化操作，形成各所述典型可疑动作类分布对象对应的强化局部相邻关系阵列；

24、将各所述典型可疑动作类分布对象对应的强化局部相邻关系阵列进行参数的区间映射操作，以形成各所述典型可疑动作类分布对象对应的映射局部相邻关系阵列；

25、基于各所述映射局部相邻关系阵列进行可疑参数的分析操作，形成各所述典型可疑动作类分布对象对应的典型群体动作描述向量。

26、在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述将所述第一类对象分布网进行图谱关键信息挖掘操作，以输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，包括：

27、将所述第一类对象分布网中的各所述患者方人员分布对象和各所述医疗方人员分布对象进行对象关键信息挖掘操作，以分别形成对应的对象关键信息描述向量；

28、将所述第一类对象分布网中各所述分布对象关联线进行关联线关键信息挖掘操作，以分别形成对应的关联线关键信息描述向量；

29、基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量。

30、在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，包括：

31、确定出所述第一类对象分布网对应的相邻关系表征参数分布，所述相邻关系表征参数分布用于反映分布对象之间的相邻信息；

32、将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述患者方人员分布对象对应的患者关系表征参数分布；

33、基于各所述患者关系表征参数分布和各所述患者方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量；

34、倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述患者方人员分布对象的下一迭代次数的对象关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各所述患者方人员关键信息，所述第一类对象分布网的分布网表征参数与所述第一类对象分布网中所述分布对象关联线的数量之间具有相关关系；

35、倘若所述当前迭代次数等于一，则所述患者方人员分布对象的迭代次数等于一的对象关键信息描述向量为所述患者方人员分布对象的对象关键信息描述向量。

36、在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，还包括：

37、将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述医疗方人员分布对象对应的医疗关系表征参数分布；

38、基于各所述医疗关系表征参数分布和各所述医疗方人员分布对象的当前迭代次数的对象关键信息描述向量，进行数据合并操作，以分别形成各所述医疗方人员分布对象的下一迭代次数的对象关键信息描述向量；

39、倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述医疗方人员分布对象的下一迭代次数的对象关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各医疗方人员关键信息；

40、倘若所述当前迭代次数等于一，则所述医疗方人员分布对象的迭代次数等于一的对象关键信息描述向量为所述医疗方人员分布对象的对象关键信息描述向量。

41、在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述基于所述第一类对象分布网、各所述对象关键信息描述向量和各所述关联线关键信息描述向量进行数据合并操作，输出所述第一类对象分布网对应的第一类分布网描述向量的步骤，还包括：

42、将所述相邻关系表征参数分布进行参数分析操作，分析输出各所述分布对象关联线对应的线相邻关系表征参数分布；

43、基于各所述线相邻关系表征参数分布和各所述分布对象关联线的当前迭代次数的关联线关键信息描述向量，进行数据合并操作，以分别形成各所述分布对象关联线的下一迭代次数的关联线关键信息描述向量；

44、倘若所述当前迭代次数等于所述第一类对象分布网的分布网表征参数，则对各所述分布对象关联线的下一迭代次数的关联线关键信息描述向量进行标记，以标记为所述第一类分布网描述向量中的各医院空间动作关键信息；

45、倘若所述当前迭代次数等于一，则所述分布对象关联线的迭代次数等于一的关联线关键信息描述向量为所述分布对象关联线的关联线关键信息描述向量。

46、在一些优选的实施例中，在上述基于数字孪生的医院空间优化模拟方法中，所述基于所述第一类分布网描述向量，分别将各所述分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，得到各所述医院空间待分析动作对应的动作识别数据的步骤，包括：

47、基于各所述患者方人员关键信息、各所述医疗方人员关键信息和各所述医院空间动作关键信息，将各所述分布对象关联线进行可疑医院空间动作的评估操作，输出各所述分布对象关联线为可疑医院空间动作的对应线的可能性参数；

48、基于各所述分布对象关联线为可疑医院空间动作的对应线的可能性参数，得到各所述医院空间待分析动作对应的动作识别数据。

49、本发明实施例还提供一种基于数字孪生的医院空间优化模拟系统，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以实现上述的基于数字孪生的医院空间优化模拟方法。

50、本发明实施例提供的基于数字孪生的医院空间优化模拟方法及系统，可以先采集到多个医院空间待分析动作；基于多个医院空间待分析动作，确定出第一类对象分布网；将第一类对象分布网进行图谱关键信息挖掘操作，以输出第一类分布网描述向量；基于第一类分布网描述向量，得到各医院空间待分析动作对应的动作识别数据；基于动作识别数据，确定出模拟医疗空间的空间优先级参数，在得到多个模拟医疗空间的空间优先级参数之后，基于空间优先级参数，筛选出至少一个目标模拟医疗空间，以作为目标实际医疗空间的医疗空间模型优化结果。基于前述的内容，由于是基于第一类分布网描述向量，分别将各分布对象关联线对应的医院空间待分析动作进行动作异常识别操作，即表示对医院空间待分析动作进行独立分析，使得得到的各医院空间待分析动作对应的动作识别数据的可靠度更高，因此，可以在一定程度上提高基于动作识别数据进行的模拟医疗空间筛选的可靠度，从而提高医院空间优化模拟的可靠度。

51、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。