一种基于注意力机制的新冠肺炎识别方法及设备与流程

医药医疗技术的改进;医疗器械制造及应用技术1.本发明涉及医疗检测技术领域，具体为一种基于注意力机制的新冠肺炎 识别方法及设备。背景技术：2.目前用于新冠病毒确诊方法，患者直接到医院进行临床体温检测，肺部 ct检测以及核酸检测阳性。目前还没有通过病历数据挖掘方法对新冠病毒进 行预判。因此，如何减少人工检测工作，加快病患检测速度，采用人工智能 手段进行辅助医疗，已经势在必行。3.技术实现要素：4.为了克服新冠病毒检测中存在繁重人工检测工作量，针对老年人群体和 有相关过往病史的高风险人群，本发明提出了一种基于注意力机制的新冠肺 炎识别方法及设备，目的在于提供一种基于神经网络深度学习的方法，通过 对5g网络远程监测数据进行识别，诊断出患者是否具有新冠病毒体征。提供 医院检测自动水平，有效地提高医院工作效率。5.为实现上述目的，本发明提供如下技术方案：一种基于注意力机制的新 冠肺炎识别设备，包括数据采集模块、数据分析模块和结果展示模块，所述 数据采集模块、数据分析模块和结果展示模块通过5g网络进行通信；6.所述数据采集模块使用可穿戴式检测设备对实时数据进行采集以及对基 础辅助信息的采集，主要采集体温特征、呼吸特征以及脉搏特征，具体有如 下指标：体温、心率、呼吸频率、氧气输出量和氧气饱和度；7.所述数据分析模块通过医疗机构端的存储与计算中心进行，将数据采集 模块采集到的数据结合相关计算公式推测出其他的指标数值，包括吸入氧气 压力、动脉氧气含量、吸入氧气分率、氧气消耗量、氧气使用分率、氧合指 数、呼吸指数、动脉氧气含量、动脉氧血红素饱和度、氧血红素饱和度和咳 嗽频率，从而分析用户可能患肺炎的风险或已经患病的可能性，以便对高危 人群及时进行控制；8.所述结果展示模块为将最后分析结果以分析报告形式发送至用户和医务 人员的使用终端。9.优选的，所述数据采集模块包括基础模块、信号采集模块和信号处理模 块；10.所述基础模块包括电源模块、存储模型和传输模块；11.所述信号采集模块包括体温检测模块，脉搏检测模块和呼吸检测模块；12.所述信号处理模块包括滤波模块、放大模块和a/d模块。13.优选的，所述电源模块涉及硬件电池，为整体设备的运行提供额能源保 证长时间续航；所述存储模型涉及硬件闪存芯片，对采集的数据进行缓存； 所述传输模块作为发射端将采集的信号数据。14.优选的，所述体温检测模块使用热电堆红外温度传感器采集体温信号； 所述脉搏检测模块使用反射式光电传感器采集脉搏波信号；所述呼吸检测模 块涉及硬件有面罩、采样针、光电二极管及信号接收装置，用无创的方式采 集氧气、二氧化碳气体含量、血氧饱和度等信号。15.优选的，所述滤波模块为滤波电路；所述放大模块为信号放大电路；所 述a/d模块为将接收信号数字化以提供给信号发送模块和存储模块的模数转 换器。16.优选的，所述存储与计算中心的辅助信息有：性别、年龄、身高、体重、 有无肺炎患病史、亲属有无肺炎患病史、距离上次患病时间、亲属距离上次 患病时间、近期有无感冒史、近期有无发烧史、上次感冒时间、上次发烧时 间、近期途径地点、有无患者接触史和有无患者间接接触史。17.优选的，一种基于注意力机制的新冠肺炎识别方法，具体包括以下步骤：18.s1：通过5g网络提供位置跟踪服务，通过ltaas层跟踪用户设备的位置；19.s2：用户佩戴一个上述数据输入的智能头盔，作为可穿戴远程诊疗监测 设备，在家中适时采集自身健康数据并自动上传数据；20.s3：智能头盔与居民手机采用蓝牙无线连接，所采集的数据通过手机api 传输到5g网络ran云网络资源管理层；21.s4：医疗机构端的存储与计算中心对上传数据进行挖掘；22.s5：最后的分析结果再由5g网络发送给用户和医生终端。23.优选的，存储与计算中心对数据挖掘流程具体包括以下步骤：24.s4.1：流程开始是辅助数据即历史病症信息和设备采集的数据作为输入；25.s4.2：进行预处理，包括缺失值处理、异常值剔除、连续特征标准化、类 别特征onehot编码，设定一个batch_masks矩阵，在有特征的位置值为1，其 他地方为0，用于后面计算attention，把其余没有特征的位置的attention改为 0；26.s4.3：模型网络结构首先通过编码器encoder对原始特征进行初步的特征 提取，具体操作为将预处理后的数据进行拼接，然后传入cnnencoder，其中cnnencoder定义了3个卷积核，大小分别为[2，10]，[3，10]，[4，10]，即 outputchannel都是10维，将卷积后的结果通过池化层，进行数据压缩，最后 将得到的3个向量在第二个维度上进行拼接，得到的数据记为sent_reps；[0027]s4.4：将sent_reps传入lstmencoder，此处的lstmencoder为2层的双 向lstm结构，将其与mask按位置相乘，把特征缺失的位置改为0，并将最 后输出数据记为batch_hiddens；[0028]s4.5：将attention引入对肺炎识别的模型，当某一特征发生变化时，会 使其他关联特征的权重发生变化：将batch_hiddens和batch_masks作为 attention的输入；在attention里，batch_hiddens首先复制一份经过线性变化 得到key，维度不变，另外将batch_hiddens再复制两份作为query和value， 其中query用于和keys计算相似度，value用于和计算得到的attention权重加 权，得到最终的输出；key和query相乘，得到outputs，表示分配到每个特征 的权重；下一步需要对这个attetion做softmax处理，并使用batch_masks，把 没有特征的权重置为-1e32，得到的结果记为masked_attn_scores；最后把 masked_attn_scores和value相乘，得到batch_outputs；[0029]s4.6：经过全连接fc层，得到分类概率的向量；[0030]s4.7：由训练得到的模型，对新数据进行预测，得到判定结果。[0031]与现有技术相比，本发明的有益效果是：[0032]1)该基于注意力机制的新冠肺炎识别方法及设备，本地采集实时生理数 据，并利用5g网络传输到远程计算中心，结合用户的其他基础信息和过往病 史，通过神经网络等人工智能技术，进行有效信息的进一步挖掘，对用户是 否有患病风险或已患病的可能性进行判断，对于高风险的用户提醒尽快到医 院进行复查。[0033]2)该基于注意力机制的新冠肺炎识别方法及设备，通过可穿戴设备上的 各种生理指数采集传感器，采集各类数据，利用5g网络多用户，多点，多天 线，多摄取的协同组网的特点，可将采集到的数据快速传输到远程计算端， 避免了传统可穿戴设备使用简易的计算模块造假高昂、计算性能差等缺点。[0034]3)该基于注意力机制的新冠肺炎识别方法，包括信号预处理、特征工程、 神经网络、模型调试等步骤，结合用户的个性化特征(基础信息和病史)和 实时生理指标数据对用户的患病风险进入深入挖掘。对判定为高风险的用户， 通知其到附近医院就诊进行医生面诊与肺部ct或核酸检测。[0035]本发明利用5g网络强大的实时传输能力，将由可穿戴设备采集到的数据 传输到后台计算中心，利用计算服务器强大的计算能力建立大数据模型，从 而避免传统可穿戴设备单机离线模式下使用微处理器集训数据分析，功能单 一精度低的缺点。本发明提出的远程监护模式，采集并上传医疗数据进行监 控、分析整理、分区建档。对异常数据进行处理，如电话回访，了解异常原 因，并及时提示给远程医院医生关注患者情况。通过这种远程监护、预检测 的方法可大大减少人工检测工作，加快病患检测速度。附图说明[0036]为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需 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发明 的一些实施例，对于本领域普通技术人员来讲，在不付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。[0037]图1为本发明的系统架构图；[0038]图2为本发明的可穿戴设备硬件功能模块示意图；[0039]图3为本发明的辅助诊断方法框架图；[0040]图4为本发明的神经网络拓扑图；[0041]图5为本发明的encoder网络结构图；[0042]图6为本发明的attention机制逻辑结构图。具体实施方式[0043]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述。[0044]请参阅图1～6，本发明提供以下种技术方案：[0045]实施例一[0046]一种基于注意力机制的新冠肺炎识别设备，包括数据采集模块、数据分 析模块和结果展示模块，所述数据采集模块、数据分析模块和结果展示模块 通过5g网络进行通信；[0047]所述数据采集模块使用可穿戴式检测设备对实时数据进行采集以及对基 础辅助信息的采集，主要采集体温特征、呼吸特征以及脉搏特征，具体有如 下指标：体温、心率、呼吸频率、氧气输出量和氧气饱和度；[0048]所述数据分析模块通过医疗机构端的存储与计算中心进行，将数据采集 模块采集到的数据结合相关计算公式推测出其他的指标数值，包括吸入氧气 压力、动脉氧气含量、吸入氧气分率、氧气消耗量、氧气使用分率、氧合指 数、呼吸指数、动脉氧气含量、动脉氧血红素饱和度、氧血红素饱和度和咳 嗽频率，从而分析用户可能患肺炎的风险或已经患病的可能性，以便对高危 人群及时进行控制；[0049]所述结果展示模块为将最后分析结果以分析报告形式发送至用户和医务 人员的使用终端。[0050]其中，所述数据采集模块包括基础模块、信号采集模块和信号处理模块；[0051]所述基础模块包括电源模块、存储模型和传输模块；[0052]所述信号采集模块包括体温检测模块，脉搏检测模块和呼吸检测模块；[0053]所述信号处理模块包括滤波模块、放大模块和a/d模块。[0054]其中，所述电源模块涉及硬件电池，为整体设备的运行提供额能源保证 长时间续航；所述存储模型涉及硬件闪存芯片，对采集的数据进行缓存；所 述传输模块作为发射端将采集的信号数据。[0055]其中，所述体温检测模块使用热电堆红外温度传感器采集体温信号；所 述脉搏检测模块使用反射式光电传感器采集脉搏波信号；所述呼吸检测模块 涉及硬件有面罩、采样针、光电二极管及信号接收装置，用无创的方式采集 氧气、二氧化碳气体含量、血氧饱和度等信号。[0056]其中，所述滤波模块为滤波电路；所述放大模块为信号放大电路；所述 a/d模块为将接收信号数字化以提供给信号发送模块和存储模块的模数转换 器。[0057]其中，所述存储与计算中心的辅助信息有：性别、年龄、身高、体重、 有无肺炎患病史、亲属有无肺炎患病史、距离上次患病时间、亲属距离上次 患病时间、近期有无感冒史、近期有无发烧史、上次感冒时间、上次发烧时 间、近期途径地点、有无患者接触史和有无患者间接接触史。[0058]实施例二[0059]一种基于注意力机制的新冠肺炎识别方法，具体包括以下步骤：[0060]s1：通过5g网络提供位置跟踪服务，通过ltaas层跟踪用户设备的位置；[0061]s2：用户佩戴一个上述数据输入的智能头盔，作为可穿戴远程诊疗监测 设备，在家中适时采集自身健康数据并自动上传数据；[0062]s3：智能头盔与居民手机采用蓝牙无线连接，所采集的数据通过手机api 传输到5g网络ran云网络资源管理层；[0063]s4：医疗机构端的存储与计算中心对上传数据进行挖掘；[0064]s5：最后的分析结果再由5g网络发送给用户和医生终端。[0065]其中，存储与计算中心对数据挖掘流程具体包括以下步骤：[0066]s4.1：流程开始是辅助数据即历史病症信息和设备采集的数据作为输入；[0067]s4.2：进行预处理，包括缺失值处理、异常值剔除、连续特征标准化、类 别特征onehot编码，设定一个batch_masks矩阵，在有特征的位置值为1，其 他地方为0，用于后面计算attention，把其余没有特征的位置的attention改为 0；[0068]s4.3：模型网络结构首先通过编码器encoder对原始特征进行初步的特征 提取，具体操作为将预处理后的数据进行拼接，然后传入cnnencoder，其中cnnencoder定义了3个卷积核，大小分别为[2，10]，[3，10]，[4，10]，即 outputchannel都是10维，将卷积后的结果通过池化层，进行数据压缩，最后 将得到的3个向量在第二个维度上进行拼接，得到的数据记为sent_reps；[0069]s4.4：将sent_reps传入lstmencoder，此处的lstmencoder为2层的双 向lstm结构，将其与mask按位置相乘，把特征缺失的位置改为0，并将最 后输出数据记为batch_hiddens；[0070]s4.5：将attention引入对肺炎识别的模型，当某一特征发生变化时，会 使其他关联特征的权重发生变化：将batch_hiddens和batch_masks作为 attention的输入；在attention里，batch_hiddens首先复制一份经过线性变化 得到key，维度不变，另外将batch_hiddens再复制两份作为query和value， 其中query用于和keys计算相似度，value用于和计算得到的attention权重加 权，得到最终的输出；key和query相乘，得到outputs，表示分配到每个特征 的权重；下一步需要对这个attetion做softmax处理，并使用batch_masks，把 没有特征的权重置为-1e32，得到的结果记为masked_attn_scores；最后把 masked_attn_scores和value相乘，得到batch_outputs；[0071]s4.6：经过全连接fc层，得到分类概率的向量；[0072]s4.7：由训练得到的模型，对新数据进行预测，得到判定结果。[0073]本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步 骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于计算机可读 存储介质中。[0074]以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并 没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然， 根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这 些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领 域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范 围和等效物的限制。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!