基于人工智能的医疗亚健康干预资源调配管理方法及装置制造方法及图纸

本申请实施例提供一种基于人工智能的医疗亚健康干预资源调配管理方法及装置，通过从数据库中获得与目标企业匹配的通用模型，根据目标企业的训练样本对获得的通用模型进行训练以得到与目标企业对应的需求模型。根据目标企业的测试样本对需求模型进行测试，以得到需求模型的准确率，再根据需求模型的准确率对训练样本中各影响因子的影响权重及训练样本进行修改，利用修改后的训练样本继续对需求模型进行训练，直至得到的需求模型的准确率满足预设准确率要求为止。通过该资源调配方法，可在现有的通用模型的基础上，结合自身企业的特征进行个性化的训练以得到达到预期要求的与自身企业匹配的需求模型，为后续该企业的医疗资源调配提供了有效的依据。

【技术实现步骤摘要】
基于人工智能的医疗亚健康干预资源调配管理方法及装置
本专利技术涉及大数据处理
，具体而言，涉及一种基于人工智能的医疗亚健康干预资源调配管理方法及装置。
技术介绍
根据国家卫计委统计数据显示，目前中国因慢性病导致死亡人数大约占总死亡人数的85％，慢性病在疾病负担中所占比重达70％，已成为重大公共卫生问题和社会问题，严重影响我国人民群众的身体健康。尤其是职场人群，由于职业需求和个人习惯的因素，慢性病高发，大量人员处于亚健康状态。针对这一需求，许多大中型企业在上班地点设置了员工康复理疗室，引入有经验的调理师，帮助员工进行调理。由于企业的员工康复理疗室的硬件条件无法与医疗机构相提并论，决定了不需要大量生化诊断的中医调理成为企业的首选。然而，中医调理需要经验较为丰富的老中医和理疗师，而经验丰富的老中医和理疗师是稀缺人才，在企业的员工康复理疗室无法大量配置。这就容易造成一个问题，忙时供不应求，闲时供过于求。造成客户的流失和医疗亚健康干预资源的浪费，从而影响经济效益和客户满意率。
技术实现思路
有鉴于此，本申请的目的在于，提供一种基于人工智能的医疗亚健康干预资源调配管理方法及装置以改善上述问题。本文档来自技高网...

【技术保护点】
1.一种基于人工智能的医疗亚健康干预资源调配管理方法，其特征在于，所述方法包括：从数据库的多个通用模型中获得与目标企业匹配的通用模型；获得目标企业的训练样本，所述训练样本携带多个不同的影响因子，各所述影响因子携带有对应的影响权重，所述训练样本包括所述目标企业的员工特性及医疗资源调配信息；对所述训练样本进行预处理，将预处理后的训练样本导入至所述通用模型对所述通用模型进行训练，以得到所述目标企业对应的需求模型；获得目标企业的测试样本，将所述测试样本导入至所述需求模型中，根据所述需求模型的输出结果得到所述需求模型的准确率；在所述准确率不满足预设准确率要求时，根据所述需求模型的准确率对所述训练样本中各...

【技术特征摘要】
1.一种基于人工智能的医疗亚健康干预资源调配管理方法，其特征在于，所述方法包括：从数据库的多个通用模型中获得与目标企业匹配的通用模型；获得目标企业的训练样本，所述训练样本携带多个不同的影响因子，各所述影响因子携带有对应的影响权重，所述训练样本包括所述目标企业的员工特性及医疗资源调配信息；对所述训练样本进行预处理，将预处理后的训练样本导入至所述通用模型对所述通用模型进行训练，以得到所述目标企业对应的需求模型；获得目标企业的测试样本，将所述测试样本导入至所述需求模型中，根据所述需求模型的输出结果得到所述需求模型的准确率；在所述准确率不满足预设准确率要求时，根据所述需求模型的准确率对所述训练样本中各所述影响因子的影响权重以及对所述训练样本进行修改；利用修改后的训练样本对所述需求模型进行训练，直至得到的需求模型的准确率满足所述预设准确率要求为止。2.根据权利要求1所述的基于人工智能的医疗亚健康干预资源调配管理方法，其特征在于，所述从数据库的多个通用模型中获得与目标企业匹配的通用模型的步骤，包括：根据目标企业的企业类型从所述数据库的多个通用模型中查找到与所述目标企业的企业类型匹配的通用模型；根据所述目标企业中的部门构成情况从查找到的通用模型中选择出与所述目标企业的部门构成情况一致的通用模型。3.根据权利要求1所述的基于人工智能的医疗亚健康干预资源调配管理方法，其特征在于，各所述影响因子包括多个特征，所述对所述训练样本进行预处理的步骤，包括：检测所述训练样本中的多个影响因子的综合输出幅值是否处于预设范围内；若未处于所述预设范围内，则分别计算各所述影响因子相对于所述通用模型中的影响因子的综合输出幅值的方差值；检测各所述影响因子对应的方差值是否大于预设阈值，若大于所述预设阈值，则从所述多个影响因子中随机抽取预设数量的影响因子，对抽取出的影响因子中的各所述影响因子的特征进行归一化处理以简化各所述影响因子的数据量。4.根据权利要求1所述的基于人工智能的医疗亚健康干预资源调配管理方法，其特征在于，所述通用模型基于神经网络所构建，所述神经网络包括输入层、输出层及隐含层，所述输入层、输出层及隐含层分别包括多个神经元，所述输入层、输出层及隐含层之间的神经元具有连接权重值，所述将预处理后的训练样本导入至所述通用模型对所述通用模型进行训练的步骤，包括：将预处理后的训练样本导入至所述神经网络的输入层，经过所述隐含层的训练后，从所述输出层输出；检测所述输出层输出的结果是否达到预期结果，若未达到预期结果，则根据所述输出的结果和所述预期结果得到误差信号，并进入反向传播阶段；将所述误差信号作为反向传播阶段的输入信号以从所述输出层向所述输入层反向回传，在反向回传的过程中，修正所述输入层、输出层和隐含层之间的神经元的连接权重值以逐渐减少最终输出的误差信号。5.根据权利要求4所述的基于人工智能的医疗亚健康干预资源调配管理方法，其特征在于，所述在反向回传的过程中，修正所述输入层、输出层和隐含层之间的神经元的连接权重值以逐渐减少最终输出的误差信号的步骤，包括：在反向回传的过程中，利用如下公式修改所述输入层、输出层和隐含层之间的神经元的连接权重值以逐渐减少最终输出的误差信号：其中，Wij表示输入层第i个神经元到隐含层第j个升级之间的连接权重值，XP表示第P个训练样本在输入层的第i个输入值，表示隐...

【专利技术属性】
技术研发人员：华伟，顾清，
申请(专利权)人：华伟，顾清，
类型：发明
国别省市：河南,41