[发明专利]一种基于卷积神经网络的智能急诊预检分诊系统

权利要求书

1.一种基于卷积神经网络的智能急诊预检分诊系统，其特征在于：该智能急诊预检分诊系统包括以下步骤：

S1：评估指标特征簇矩阵构建；

S2：灰度矩阵融合构建；

S3：训练卷积神经网络模型；

S4：确定分级及就诊通道划分；

S5：差异化事件处置及再评估；

S6：急诊转归及再训练；

所述S1具体为以下步骤：

A1：关键人口学特征矩阵构建；将关键人口学特征转化为十进制灰度值，通过将关键人口学特征转化为[0,255]区间的十进制数，最终构建了一个a*n矩阵；

A2：症状特征矩阵构建；将症状特征转化为十进制灰度值，通过将症状特征转化为[0,255]区间的十进制数，最终构建了一个b*n矩阵；

A3：生命指标特征矩阵构建；将生命指标特征转化为十进制灰度值，通过将生命指标特征转化为[0,255]区间的十进制数，最终构建了一个c*n矩阵；

所述S2具体为将人口学特征矩阵、症状特征矩阵、生命指标特征矩阵融合为灰度矩阵，如果a+b+cn，则需要对矩阵补位，形成一个n*n的矩阵；

所述S3具体为以下步骤：

B1：模型训练；

B2：卷积神经网络算法；

所述B1具体为以下步骤：

C1：将用于训练的数据分为训练集和测试集；

C2：将训练集数据中的每个病例都做双通道卷积处理，得到每个样本对应的特征图，再将特征图做最大池化处理，得到新的特征图，将新的特征图全连接并且输入到神经网络中，得到分类结果；

C3：将输出的分类结果和原始标签值代入交叉熵损失函数并利用反向传播算法多次迭代求出最佳的卷积核矩阵和最佳的神经网络权重矩阵；

C4：将测试数据集输入到交叉验证得到的卷积神经网络模型当中，由卷积神经网络模型给出样本的分类结果，最终投票得到样本的最终分类结果；

所述B2包括输入层、隐含层和输出层，所述输入层具体为将前面基于预检分诊评估指标构建的灰度矩阵，作为卷积神经网络的输入，所述隐含层包括卷积层、池化层和全连接层，所述卷积层由若干卷积单元组成，每个卷积单元的参数皆通过反向传播算法优化获得，所述池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量，所述全连接层具体为将所有局部特征结合变成全局特征，用来计算最后每一类的得分，特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数，所述输出层具体为通过隐含层处理后通过卷积神经网络模型给出等级预测，包括5个等级，并基于不同等级分发到不同的区域；

所述S4具体为根据模型输出的分诊级别，1级为濒危患者，2级为危重患者，3级为急症患者，4级为非急症患者，系统根据分诊级别提示就诊区域，1级、2级患者进入红区即急诊复苏室和抢救室、优先诊疗区为黄区，3级患者进入该区域；普通诊疗区为绿区，4级患者进入该区域，在同一就诊区域中，级别高的就诊优先级高；

所述S5具体为根据病情危重程度等级制定相应的应诊时间，确保急诊资源合理利用和急诊就诊秩序良好，让其在正确的时间、正确的地点接受恰当的治疗，提高患者安全，1级应诊时间为即刻0min，2级为10min，3级30min，4级240min，当候诊患者就诊时间超出应诊时间，系统自动提醒分诊护士对患者进行再评估，动态观察患者病情，以确保患者安全；

所述S6具体为根据系统记录的每位急诊患者的最终转归进行反馈学习，其中所述转归包括死亡、入住ICU、急诊手术、入住普通病房或者出院，与最初的分诊级别进行比对，以患者最终结局为病情真实情况反映，通过模型再训练，不断提升分诊模型的准确度。