移动查房数据处理系统及其方法

本技术涉及数据分析，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：

1、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。

2、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。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术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。

2、相应地，根据本技术的一个方面，提供了一种移动查房数据处理系统，其包括：

3、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；

4、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；

5、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；

6、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；

7、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；

8、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；

9、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。

10、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。

11、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。

12、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：

13、；

14、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。

15、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：

16、；

17、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。

18、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。

19、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。

20、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。

21、根据本技术的另一个方面，提供了一种移动查房数据处理方法，其包括：

22、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；

23、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；

24、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；

25、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；

26、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；

27、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；

28、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。

29、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。

30、与现有技术相比，本技术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。