[发明专利]院前急救信息处理装置

说明书

本发明提供了一种院前急救信息处理装置包括：文本信息获取模块，用于获取院前急救病历的文本信息；分类模块，用于将所述文本信息输入至预先训练的语言处理模型中进行分类处理，获得病症类型。本发明所述的院前急救信息处理装置，通过将文本信息输入至预先训练的语言处理模型中，该语言处理模型能够解决院前急救病历文本信息存在一词多义、用词重复和含有专业的词汇的现象，更精准地获取文本信息的特征信息，能够提高院前急救病历的文本信息的分类准确性，为急救人员快速提供决策建议，提高急救人员的工作效率和患者的救治率。

技术领域

本发明涉及自然语言处理技术领域，具体而言，涉及一种院前急救信息处理装置。

背景技术

院前急救是急诊医学重要的组成部分，它是指医护人员利用院前简陋的条件和设备，对急重症病人进行现场抢救，其目的和意义在于挽救患者生命，为医院处理赢得时间和治疗条件。但与其它医疗领域相比，院前急救领域存在医疗资源相对短缺、医疗人员诊疗水平参差不齐、急危重患者的快速诊断需求较大的问题。而我国各大中型城市已经建立了急救网络，记录了大量的院前急救电子病历，通过使用深度学习分析大量的院前急救电子病历的文本信息，并对患者患病信息进行分类对院前急救具有重要的意义。

目前，院前急救电子病历的文本信息的诊断主要依赖人工经验进行判断，诊断结果受工作人员的经验限制，可能会出现误判的情况，且在处理院前急救电子病历的文本信息时，需要大量的人工处理，处理效率低下。

发明内容

本发明旨在解决的技术问题在于针对上述现有技术中的不足，提供一种院前急救信息处理装置。

为解决上述问题，本发明提供一种院前急救信息处理装置，包括：

文本信息获取模块，用于获取院前急救病历的文本信息；

分类模块，用于将所述文本信息输入至预先训练的语言处理模型中进行分类处理，获得病症类型。

进一步地，所述语言处理模型包括BERT模型和分类模型；

所述分类模块包括：

词向量获取子模块，用于将所述文本信息输入至所述BERT模型中，获得所述BERT模型输出的所述文本信息的词向量集合；

分类子模块，用于将所述词向量集合输入至所述分类模型中，获得所述分类模型输出的所述病症类型。

进一步地，所述分类模型包括TextCNN层、Attention层、FastText层、全连接层和Softmax层；

所述分类子模块，包括：

文本特征单元，用于将所述词向量集合输入至所述TextCNN层，获得所述TextCNN层对所述词向量集合进行多次卷积和池化处理后输出的所述文本信息的特征信息；

关键词向量单元，用于将所述词向量集合输入至所述Attention层，获得所述Attention层对所述词向量进行赋值处理后输出的所述词向量集合中的关键词向量；

特征信息单元，用于将所述关键词向量输入至所述FastText层，获得所述FastText层对所述关键词向量进行2-gram处理后输出的所述关键词向量的特征信息；

融合单元，用于将所述文本信息的特征信息和所述关键词向量的特征信息输入至所述全连接层进行全连接处理，获得所述全连接层输出的融合特征信息；

分类单元，用于将所述融合特征信息输入至所述Softmax层，获得所述Softmax层输出的所述病症类型。

进一步地，所述TextCNN层包括至少两个并联的子模型，每个子模型包括至少两个串联的特征提取模块，所述特征提取模块包括至少两层卷积层、残差处理层和池化层，其中，每个子模型中的所有卷积层的卷积核大小相同，且不同子模型间的卷积层的卷积核大小不同。