基于智慧医疗数字化平台的设备定位管理系统技术方案

公开了一种基于智慧医疗数字化平台的设备定位管理系统

【技术实现步骤摘要】
基于智慧医疗数字化平台的设备定位管理系统


[0001]本申请涉及智能监测领域，且更为具体地，涉及一种基于智慧医疗数字化平台的设备定位管理系统
。

技术介绍

[0002]智慧医疗数字化平台中的设备定位管理系统是指利用现代技术手段，对医疗机构内部的相关设备进行实时监测和定位，以提高医疗设备的使用效率
、
节约人力物力成本，并且确保医疗服务的质量和安全
。
[0003]在智慧医疗数字化平台中的设备定位管理系统中，监测医疗设备的运行状态并进行预警故障和维修需求是非常期待的功能模块
。
在现有的医疗机构中，医疗设备故障预警和维修需求判断往往通过专业人士的定期巡检来发现或者等设备发生故障之后再进行维修，这不仅存在滞后性还会带来诸多隐患，例如，如果故障设备没有被及时发现会影响到患者的诊疗
。
[0004]因此，期待一种优化的基于智慧医疗数字化平台的设备定位管理系统
。

技术实现思路

[0005]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智慧医疗数字化平台的设备定位管理系统
。
其首先将心电图通过卷积神经网络模型以得到心电图特征矩阵，接着，对所述心电图特征矩阵进行特征矩阵划分后通过嵌入层以得到心电图特征子特征向量的序列，然后，将所述心电图特征子特征向量的序列通过全局特征提取器以得到心电图上下文语义理解特征向量，接着，对所述心电图上下文语义理解特征向量进行类概率密度优化以得到优化心电图上下文语义理解特征向量，最后，将所述优化心电图上下文语义理解特征向量通过分类器以得到用于表示被监测心电图机的运行状态是否正常的分类结果
。
这样，可以智能监测医疗设备的运行状态，及时预警故障和维修需求
。
[0006]根据本申请的一个方面，提供了一种基于智慧医疗数字化平台的设备定位管理系统，其包括：心电图获取模块，用于获取由被监测心电图机提供的心电图；卷积编码模块，用于将所述心电图通过作为特征提取器的卷积神经网络模型以得到心电图特征矩阵；特征矩阵划分模块，用于对所述心电图特征矩阵进行特征矩阵划分以得到心电图特征子矩阵的序列；嵌入编码模块，用于将所述心电图特征子矩阵的序列通过嵌入层以得到心电图特征子特征向量的序列；全局特征提取模块，用于将所述心电图特征子特征向量的序列通过基于转换器的全局特征提取器以得到心电图上下文语义理解特征向量；类概率密度优化模块，用于对所述心电图上下文语义理解特征向量进行类概率密度优化以得到优化心电图上下文语义理解特征向量；以及分类模块，用于将所述优化心电图上下文语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测心电图机的运行状态是否正常
。
[0007]在上述的基于智慧医疗数字化平台的设备定位管理系统中，所述卷积编码模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据
分别进行卷积处理
、
沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述心电图特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述心电图
。
[0008]在上述的基于智慧医疗数字化平台的设备定位管理系统中，所述作为特征提取器的卷积神经网络模型为深度残差网络模型
。
[0009]在上述的基于智慧医疗数字化平台的设备定位管理系统中，所述特征矩阵划分模块，用于：对所述心电图特征矩阵进行均匀地特征矩阵划分以得到心电图特征子矩阵的序列
。
[0010]在上述的基于智慧医疗数字化平台的设备定位管理系统中，所述嵌入编码模块，包括：向量展开单元，用于将所述心电图特征子矩阵的序列分别展开为心电图特征子向量的序列；以及全连接编码单元，用于使用所述嵌入层对所述心电图特征子向量的序列进行全连接编码以得到所述心电图特征子特征向量的序列
。
[0011]在上述的基于智慧医疗数字化平台的设备定位管理系统中，所述全局特征提取模块，用于：将所述心电图特征子特征向量的序列进行一维排列以得到心电图全局特征向量；计算所述心电图全局特征向量与所述心电图特征子特征向量的序列中各个心电图特征子特征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
Softmax
分类函数以得到多个概率值；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心电图特征子特征向量的序列中各个心电图特征子特征向量进行加权以得到多个局部心电图上下文语义理解特征向量；以及将所述多个局部心电图上下文语义理解特征向量进行级联以得到所述心电图上下文语义理解特征向量
。
[0012]在上述的基于智慧医疗数字化平台的设备定位管理系统中，所述类概率密度优化模块，用于：以如下类概率密度优化公式对所述心电图上下文语义理解特征向量进行类概率密度优化以得到所述优化心电图上下文语义理解特征向量；其中，所述类概率密度优化公式为：，其中，是所述心电图上下文语义理解特征向量的第个位置的特征值，和是所述心电图上下文语义理解特征向量的特征值集合的均值和标准差，且是所述优化心电图上下文语义理解特征向量的第 个位置的特征值
。
[0013]在上述的基于智慧医疗数字化平台的设备定位管理系统中，所述分类模块，用于：使用所述分类器的全连接层对所述优化心电图上下文语义理解特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量输入所述分类器的
Softmax
分类函数以得到所述分类结果
。
[0014]与现有技术相比，本申请提供的基于智慧医疗数字化平台的设备定位管理系统，其首先将心电图通过卷积神经网络模型以得到心电图特征矩阵，接着，对所述心电图特征矩阵进行特征矩阵划分后通过嵌入层以得到心电图特征子特征向量的序列，然后，将所述心电图特征子特征向量的序列通过全局特征提取器以得到心电图上下文语义理解特征向量，接着，对所述心电图上下文语义理解特征向量进行类概率密度优化以得到优化心电图
上下文语义理解特征向量，最后，将所述优化心电图上下文语义理解特征向量通过分类器以得到用于表示被监测心电图机的运行状态是否正常的分类结果
。
这样，可以智能监测医疗设备的运行状态，及时预警故障和维修需求
。
附图说明
[0015]为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于智慧医疗数字化平台的设备定位管理系统，其特征在于，包括：心电图获取模块，用于获取由被监测心电图机提供的心电图；卷积编码模块，用于将所述心电图通过作为特征提取器的卷积神经网络模型以得到心电图特征矩阵；特征矩阵划分模块，用于对所述心电图特征矩阵进行特征矩阵划分以得到心电图特征子矩阵的序列；嵌入编码模块，用于将所述心电图特征子矩阵的序列通过嵌入层以得到心电图特征子特征向量的序列；全局特征提取模块，用于将所述心电图特征子特征向量的序列通过基于转换器的全局特征提取器以得到心电图上下文语义理解特征向量；类概率密度优化模块，用于对所述心电图上下文语义理解特征向量进行类概率密度优化以得到优化心电图上下文语义理解特征向量；以及分类模块，用于将所述优化心电图上下文语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测心电图机的运行状态是否正常
。2.
根据权利要求1所述的基于智慧医疗数字化平台的设备定位管理系统，其特征在于，所述卷积编码模块，用于：使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理
、
沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述心电图特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述心电图
。3.
根据权利要求2所述的基于智慧医疗数字化平台的设备定位管理系统，其特征在于，所述作为特征提取器的卷积神经网络模型为深度残差网络模型
。4.
根据权利要求3所述的基于智慧医疗数字化平台的设备定位管理系统，其特征在于，所述特征矩阵划分模块，用于：对所述心电图特征矩阵进行均匀地特征矩阵划分以得到心电图特征子矩阵的序列
。5.
根据权利要求4所述的基于智慧医疗数字化平台的设备定位管理系统，其特征在于，所述嵌入编码模块，包括：向量展开单元，用于将所述心电图特征子矩阵的序列分别展开为心电图特征子向量的序列；以及全连...

【专利技术属性】
技术研发人员：刘新武，吴立顺，
申请(专利权)人：威海市立医院，
类型：发明
国别省市：