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
阅读：857发布：2020-05-12
专利汇可以提供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专利检索，专利查询，专利分析的服务。并且本 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。，下面是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专利的具体信息内容。
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， 表示隐含层第j个神经元的阈值。
6.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的步骤，包括：
将当前得到的需求模型的准确率与历史次数中所得到的需求模型的准确率进行比对；
若当前得到的需求模型的准确率高于历史次数中得到的一半以上的需求模型的准确率，则保留当前的训练样本，并对各所述影响因子的影响权重进行修改；
若当前得到的需求模型的准确率低于历史次数中得到的一半以上的需求模型的准确率，则将所述训练样本中的部分训练样本删除，并添加新的训练样本。
7.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的步骤之后，所述方法还包括：
建立适应度函数以评估修改后的训练样本中各所述训练样本的适应度值，利用遗传算法的选择机制选择出适应度值最高的训练样本；
利用遗传算法的交叉机制从多个训练样本中随机选择任意两个训练样本进行交叉，以得到下一代的训练样本；
利用所述适应度函数计算出所述下一代的训练样本中适应度值最高的训练样本；
检测所述下一代的训练样本的适应度值是否低于上一代的训练样本的适应度值，若低于，则利用遗传算法的变异机制引入变异因子以对所述下一代的训练样本进行变异操作，再计算变异操作后的训练样本的适应度值；
根据训练样本的适应度值对训练样本进行再次修改。
8.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的步骤之后，所述方法还包括：
接收当前输入的待测信息，所述待测信息携带有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；
将所述待测信息导入至所述需求模型进行预测，以得到预测结果；
接收用户输入的对所述需求模型的预测结果的反馈信息；
根据所述反馈信息对所述需求模型的模型参数进行调整。
9.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，所述直至得到的需求模型的准确率满足预设要求为止的步骤之后，所述方法还包括：
将得到的满足预设准确率要求的需求模型存入所述数据库中，以对所述数据库中的数据进行更新。
10.一种基于人工智能的医疗亚健康干预资源调配管理装置，其特征在于，所述装置包括：
通用模型获取模块，用于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；
训练样本获取模块，用于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，为各所述影响因子设置对应的影响权重；
需求模型获得模块，用于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；
准确率获得模块，用于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；
修改模块，用于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；
训练模块，用于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。
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
技术领域
背景技术
[0002] 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。
[0003] 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。
[0004] 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。
发明内容
[0005] 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。
[0006] 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，所述方法包括：
[0007] 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；
[0008] 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；
[0009] 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；
[0010] 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；
[0012] 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。
[0013] 可选地，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：
[0014] 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；
[0015] 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。
[0016] 可选地，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：
[0017] 检测所述训练样本中的所述多个影响因子的综合输出幅值是否处于预设范围内；
[0018] 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；
[0019] 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。
[0020] 可选地，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：
[0021] 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；
[0023] 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。
[0024] 可选地，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：
[0025] 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：
[0026]
[0027] 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， 表示隐含层第j个神经元的阈值。
[0028] 可选地，所述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的步骤，包括：
[0029] 将当前得到的需求模型的准确率与历史次数中所得到的需求模型的准确率进行比对；
[0030] 若当前得到的需求模型的准确率高于历史次数中得到的一半以上的需求模型的准确率，则保留当前的训练样本，并对各所述影响因子的影响权重进行修改；
[0031] 若当前得到的需求模型的准确率低于历史次数中得到的一半以上的需求模型的准确率，则将所述训练样本中的部分训练样本删除，并添加新的训练样本。
[0032] 可选地，所述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的步骤之后，所述方法还包括：
[0034] 利用遗传算法的交叉机制从多个训练样本中随机选择任意两个训练样本进行交叉，以得到下一代的训练样本；
[0035] 利用所述适应度函数计算出所述下一代的训练样本中适应度值最高的训练样本；
[0036] 检测所述下一代的训练样本的适应度值是否低于上一代的训练样本的适应度值，若低于，则利用遗传算法的变异机制引入变异因子以对所述下一代的训练样本进行变异操作，再计算变异操作后的训练样本的适应度值；
[0037] 根据训练样本的适应度值对训练样本进行再次修改。
[0038] 可选地，所述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的步骤之后，所述方法还包括：
[0039] 接收当前输入的待测信息，所述待测信息携带有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；
[0040] 将所述待测信息导入至所述需求模型进行预测，以得到预测结果；
[0041] 接收用户输入的对所述需求模型的预测结果的反馈信息；
[0042] 根据所述反馈信息对所述需求模型的模型参数进行调整。
[0043] 可选地，所述直至得到的需求模型的准确率满足预设要求为止的步骤之后，所述方法还包括：
[0044] 将得到的满足预设准确率要求的需求模型存入所述数据库中，以对所述数据库中的数据进行更新。
[0045] 本申请实施例还提供一种基于人工智能的医疗亚健康干预资源调配管理装置，所述装置包括：
[0046] 通用模型获取模块，用于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；
[0047] 训练样本获取模块，用于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；
[0048] 需求模型获得模块，用于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；
[0049] 准确率获得模块，用于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；
[0050] 修改模块，用于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；
[0051] 训练模块，用于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。
[0053] 本申请实施例提供的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，首先通过从数据库中获得与目标企业匹配的通用模型，再根据获得的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。进而根据获得的目标企业的测试样本对得到的需求模型进行测试，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，为后续为该企业进行医疗资源调配提供了有效的依据。
附图说明
[0055] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0056] 图1为本申请实施例提供的电子设备的结构框图。
[0057] 图2为本申请实施例提供的基于人工智能的医疗亚健康干预资源调配管理方法的流程图。
[0058] 图3为图2中步骤S110的子步骤的流程图。
[0059] 图4为图2中步骤S130的子步骤的流程图。
[0060] 图5为图2中步骤S130的子步骤的另一流程图。
[0061] 图6为图2中步骤S150的子步骤的流程图。
[0062] 图7为本申请实施例提供的基于人工智能的医疗亚健康干预资源调配管理方法的另一流程图。
[0063] 图8为本申请实施例提供的基于人工智能的医疗亚健康干预资源调配管理方法的另一流程图。
[0064] 图9为本申请实施例提供的基于人工智能的医疗亚健康干预资源调配管理装置的功能模块框图。
[0065] 图标：100-电子设备；110-基于人工智能的医疗亚健康干预资源调配管理装置；111-通用模型获取模块；112-训练样本获取模块；113-需求模型获得模块；114-准确率获得模块；115-修改模块；116-训练模块；120-处理器；130-存储器。
具体实施方式
[0066] 下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0067] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0068] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0069] 如图1所示，本发明实施例基于上述研究发现提供了一种电子设备100，所述电子设备100包括存储器130、处理器120和基于人工智能的医疗亚健康干预资源调配管理装置110。
[0070] 所述存储器130和处理器120之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于人工智能的医疗亚健康干预资源调配管理装置110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器130中的软件功能模块。所述处理器120用于执行所述存储器130中存储的可执行的计算机程序，例如，所述基于人工智能的医疗亚健康干预资源调配管理装置110所包括的软件功能模块及计算机程序等，以实现基于人工智能的医疗亚健康干预资源调配管理方法。
[0071] 其中，所述存储器130可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器130用于存储程序，所述处理器120在接收到执行指令后，执行所述程序。
[0072] 所述处理器120可能是一种集成电路芯片，具有信号的处理能力。上述的处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器120也可以是任何常规的处理器等。
[0073] 可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
[0074] 可选地，所述电子设备100的具体类型不受限制，例如，可以是，但不限于，个人电脑(personal computer，PC)、平板电脑、个人数字助理(personal digital assistant，PDA)、移动上网设备(mobile Internet device，MID)、web(网站)服务器、数据服务器等具有处理功能的设备。
[0075] 结合图2，本发明实施例还提供一种可应用于上述电子设备100的基于人工智能的医疗亚健康干预资源调配管理方法。其中，所述方法有关的流程所定义的方法步骤可以由所述处理器120实现。下面将对图2所示的具体流程进行详细阐述。
[0076] 步骤S110，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。
[0077] 本实施例中，电子设备100可与云端服务器通信连接，可从云端服务器的数据库中获取数据，或将数据存放至云端服务器的数据库中。云端服务器的数据库中存放有多个通用模型，在需要对某个企业进行模型训练，以得到针对该企业的员工的特性以及该企业的医疗资源的调配的对应关系时，可从该多个通用模型中获取其中匹配的通用模型作为基础进行训练得到。其中，员工的特性可例如员工的工作特性、员工对医疗资源的需求特性等。其中，所述医疗资源可为医疗师数量、医疗师分配时间等。
[0078] 请参阅图3，在本实施例中，步骤S110可以包括以下子步骤：
[0079] 步骤S111，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。
[0080] 步骤S112，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。
[0081] 由于不同的类型的企业的部门设置、员工构成情况等不同，因此，对于不同类型的企业，其对于医疗资源的需求可能不同。因此，在从数据库的多个通用模型中选择匹配的通用模型时，可根据待建模的目标企业的企业类型，从多个通用模型中选择出与目标企业的企业类型一致的通用模型。例如，若目标企业为通信设计类的企业，这种企业中员工可能出差在外较多，作息时间不是特别稳定，因此可能对医疗资源的需求量不是很大。因此，可从通用模型中查找到与该通信设计类的企业的企业类型一致的通用模型。而若目标企业为员工长期在办公室内办公的企业，这类企业的员工其作息时间较为规律，并且由于久坐办公，员工对医疗资源的需求量可能较大。因此，对于这类企业，可从多个通用模型中选择出与该类企业的企业类型一致的通用模型。
[0082] 在上述基础上，若需要对某个企业内的不同的部门形成有针对性的模型，还可在上述获得的与企业的企业类型相同的通用模型中，根据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目标企业的部门构成情况一致的通用模型。例如，若需要对人力资源部门进行单独建模，若选择出的通用模型中包含有人力资源部门的通用模型，则从获得的通用模型中选择出该通用模型。
[0083] 如此，通过上述步骤，则可以从云端的通用模型中获得与目标企业的企业类型相同，并且与目标企业的部门构成情况一致的通用模型。后续在上述获得的通用模型的基础上进行训练，可大幅度地节省训练量，提高训练效率。
[0084] 步骤S120，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。
[0085] 步骤S130，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。
[0086] 在本实施例中，由上述可知，所述训练样本携带有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。其中，所述影响因子可为星期信息、每天的不同时间段信息、季节等可能对员工的需求产生不同影响的影响因子。例如，在不同的星期信息中，如在周一至周五，以及周六和周末中，员工对于医疗资源的需求可能存在差异。进一步地，在周一至周五中的具体每一天中，员工对医疗资源的需求也可能存在差异。而在每天的不同时间段内，员工对医疗资源的需求同样存在差异。而对于不同的季节，由于不同的季节可能人体的健康程度存在差异，因此，也可将季节信息纳入影响因素。
[0087] 本实施例中，为不同的影响因子设置了不同的影响权重，例如若时间段信息对结果的准确率的影响程度较大，则可将时间段信息的影响权重设置为较大值。而若星期信息对结果的准确率的影响程度较大，则可将星期信息设置为较大值。需要说明的是，各影响因子的影响权重的初始值可以根据经验进行设置，后续需要根据训练的结果的准确率对各影响因子的影响权重进行不断地调整。
[0088] 其中，各影响因子的影响权重的值为大于0小于1的小数，并且，所有影响因子的影响权重的总和为1。
[0089] 在本实施例中，由于选择了多个影响因子，各个影响因子所含的信息之间具有一定的重叠性和相关性，如果直接利用影响因子的原始数据进行建模，则可能会增加运算量，耗费大量的计算资源。因此，可对训练样本进行预处理，以达到分层分级降温的目的。
[0090] 请参阅图4，在本实施例中，在对训练样本进行预处理时，可通过以下步骤实现：
[0091] 步骤S131，检测所述训练样本中的所述多个影响因子的综合输出幅值是否处于预设范围内。
[0092] 步骤S132，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。
[0093] 步骤S133，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。
[0094] 在本实施例中，各所述影响因子包括多个特征，例如针对上述的时间段信息，可将每天划分为多个时间段，若每天的工作时间是8个小时，则可划分为8个时间段，或者考虑到员工在上班前或者是下班后也可能存在对医疗资源的需求，因此可在上班时间的前、后各增加一个时间段，也就是将每天划分为10个时间段。
[0095] 可选地，首先可将训练样本中的多个影响因子作为一个整体来处理，可检测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。若未处于预设范围，则表明可能综合输出幅值的数据量较大，则需要单独对多个影响因子进行处理，以对训练样本进行简化。
[0096] 在多个影响因子的综合输出幅值未处于预设范围内时，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，以此来检测各影响因子相对于综合输出幅值的偏差程度。
[0097] 可检测各所述影响因子对应的方差值是否大于预设阈值，若大于预设阈值，则表明该影响因子偏离通用模型的综合输出幅值较大，可进行后续的简化。
[0098] 在上述基础上，若影响因子的方差值大于预设阈值，则从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，如此达到简化各影响因子的数据量的目的。
[0099] 本实施例中，在对训练样本进行预处理之后，需要将预处理之后的训练样本导入至上述选择出的通用模型中以对通用模型进行训练。请参阅图5，该过程可通过以下步骤实现：
[0100] 步骤S134，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。
[0101] 步骤S135，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。
[0102] 步骤S136，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。
[0103] 本实施例中，所述通用模型基于神经网络构建，该神经网络可为BP神经网络。所述神经网络包括输入层、输出层及隐含层，其中，所述隐含层可为一层或多层。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。
[0104] 可选地，将训练样本导入至神经网络中，训练样本从神经网络的输入层进入网络，经过一层或多层隐含层后，从输出层输出。在神经网络的正向传播过程，输入层、隐含层及输出层之间的各神经元的连接权重值以及神经元的阈值保持不变。每一层神经元依据其连接权重值影响下一层神经元的输入和状态。
[0105] 在本实施例中，检测从输出层输出的结果是否能够达到预期结果，该预期结果为用户预先设置的数值。若输出层的输出结果未达到预期结果，则可以根据输出结果和预期结果得到误差信号，并进入反向传播阶段，以进行修正。
[0106] 在反向传播阶段，将输出所得到的误差信号作为该阶段的输入信号以从神经网络的输出层向输入层反向回传。具体地，从输出层经过各层隐含层之后，向输入层反向回传。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。
[0107] 在本实施例中，在反向回传的过程中，可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：
[0108]
[0109] 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， 表示隐含层第j个神经元的阈值。
[0110] 步骤S140，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。
[0111] 步骤S150，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。
[0112] 本实施例中，在从云端获得通用模型的基础上训练得到与目标企业所对应的需求模型之后，还需对得到的需求模型的准确率进行验证。可选地，可获得目标企业的测试样本，该测试样本中包含有在不同情况下，该企业的员工对医疗资源的实际需求量。
[0113] 可将测试样本导入至需求模型中，根据需求模型对测试样本的输出结果，与原测试样本中的员工对医疗资源的实际需求量进行比对以得到该需求模型的准确率。
[0114] 可检测得到的需求模型的准确率是否满足预设的准确率要求，若满足预设的准确率要求，表明该需求模型的精确度较高，可作为该企业的医疗资源的调配管理模型。
[0115] 而若所述需求模型的准确率不满足预设的准确率要求，则可根据所述需求模型的准确率对训练样本中各影响因子的影响权重以及对所述训练样本进行修改。请结合参阅图6，该过程可通过以下步骤实现：
[0116] 步骤S151，将当前得到的需求模型的准确率与历史次数中所得到的需求模型的准确率进行比对。
[0117] 步骤S152，若当前得到的需求模型的准确率高于历史次数中得到的一半以上的需求模型的准确率，则保留当前的训练样本，并对各所述影响因子的影响权重进行修改。
[0118] 步骤S153，若当前得到的需求模型的准确率低于历史次数中得到的一半以上的需求模型的准确率，则将所述训练样本中的部分训练样本删除，并添加新的训练样本。
[0119] 在本实施例中，可将当前得到的需求模型的准确率与历史的需求模型的准确率进行比对，以决定是否需求对训练样本进行更改。例如，若当前得到的需求模型的准确率高于历史次数中得到的一半以上的需求模型的准确率，则表明该当前得到的需求模型的准确率虽然未达到预设准确率要求，但是相比先前得到的需求模型的准确率而言还是较好的，因此，可不对训练样本进行替换，可保留当前的训练样本，只对训练样本中各影响因子的影响权重进行修改即可。
[0120] 而若当前得到的需求模型的准确率低于历史次数中得到的一半以上的需求模型的准确率，则表明当前的需求模型相比先前得到的需求模型而言，在预测效果上并不理想，因此，可对现有的训练样本进行更改。可将所述训练样本中的部分训练样本删除，并添加新的训练样本以构成更新后的训练样本，后续以更新后的训练样本对通用模型进行训练。
[0121] 步骤S160，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预设准确率要求为止。
[0122] 在利用更新后的训练样本对需求模型进行继续训练之前，在本实施例中还引入了遗传算法的寻优策略以对修改后的训练样本再次寻优，以期达到更佳的训练效果。
[0123] 请结合参阅图7，在本实施例中，所述基于人工智能的医疗亚健康干预资源调配管理方法还包括以下步骤：
[0124] 步骤S210，建立适应度函数以评估修改后的训练样本中各所述训练样本的适应度值，利用遗传算法的选择机制选择出适应度值最高的训练样本。
[0125] 步骤S220，利用遗传算法的交叉机制从多个训练样本中随机选择任意两个训练样本进行交叉，以得到下一代的训练样本。
[0126] 步骤S230，利用所述适应度函数计算出所述下一代的训练样本中适应度值最高的训练样本。
[0127] 步骤S240，检测所述下一代的训练样本的适应度值是否低于上一代的训练样本的适应度值，若低于，则利用遗传算法的变异机制引入变异因子以对所述下一代的训练样本进行变异操作，再计算变异操作后的训练样本的适应度值。
[0128] 步骤S250，根据训练样本的适应度值对训练样本进行再次修改。
[0129] 遗传算法中，可建立适应度函数评价训练样本的优劣，其中，适应度值越高的训练样本，其适应度越好，被保留下来的可能性越高。而适应度值越小的训练样本，则适应度越差，可能需要淘汰。
[0130] 本实施例中，遗传算法可通过多次迭代寻找出训练样本中适应度高的训练样本，并且，在此过程中，为了避免陷入局部最优值，并且为了增加训练样本的多样性，可采用交叉机制、变异机制等提高寻优精确度。
[0131] 可选地，利用建立的适应度函数以评估修改后的训练样本中各所述训练样本的适应度值，并利用选择机制选择出适应度值最高的训练样本。
[0132] 再利用遗传算法的交叉机制从多个训练样本中随机选择任意两个训练样本进行交叉，以此来增加样本多样性。交叉后的训练样本即为下一代的训练样本。
[0133] 遗传算法在多次迭代过程中，可利用每一次迭代的结果的比较方式来寻找到较好的训练样本。以此来对上述修改后的训练样本进行再次修改。
[0134] 可选地，将利用通过遗传算法寻优得到的训练样本对所述需求模型进行继续训练，直至得到的需求模型的准确率满足预设准确率要求为止。最终得到的需求模型，即为适合于目标企业的需求模型，可利用该需求模型根据员工的特性、员工的需求调配到适合的医疗资源，对医疗资源进行合理、有效地利用。
[0135] 本实施例中，可选地，在得到与目标企业相适应的需求模型后，还可将该满足预设准确率要求的需求模型发送至云端，以存放在云端的数据库中，以对所述数据库中的数据进行更新。增加数据库中的模型的类型，以及不断地对数据库中的模型进行优化。
[0136] 上述过程均是在训练时对需求模型的优化过程，在本实施例中，还可根据实际的预测情况对需求模型进行修正以进一步提高需求模型的预测准确率，更好地满足用户的实际需求。
[0137] 可选地，请参阅图8，本实施例提供的方法还包括以下步骤：
[0138] 步骤S310，接收当前输入的待测信息，所述待测信息携带有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。
[0139] 步骤S320，将所述待测信息导入至所述需求模型进行预测，以得到预测结果。
[0140] 步骤S330，接收用户输入的对所述需求模型的预测结果的反馈信息。
[0141] 步骤S340，根据所述反馈信息对所述需求模型的模型参数进行调整。
[0142] 本实施例中，在正式进行医疗资源预测时，可将用于预测的待测信息导入至上述建立的需求模型。其中，该待测信息携带有多个不同的影响因子以及各影响因子不同的影响权重。其中，待测信息体现的是员工特性，以及天气、星期、季节等信息。需求模型可以基于这些信息进行所需医疗资源的预测，并输出预测结果。
[0143] 用户可基于预测结果并结合自身的实际需求对预测结果进行反馈，例如完全满足自身需求、和自身需求稍微不符或者是和自身需求严重不符等。并且，还可反馈与自身需求不符时的具体不相符的情况，例如可以是在自身有资源需求时，但是没有可供服务的医疗资源，也可以是医疗资源大量的闲置导致资源浪费等。
[0144] 可基于用户输入的反馈信息对需求模型的模型参数进行调整，以调整之后的需求模型继续后续的预测，以此来不断优化模型，不断提升用户的满足度。
[0145] 请参阅图9，本申请实施例还提供一种基于人工智能的医疗亚健康干预资源调配管理装置110，所述装置包括：
[0146] 通用模型获取模块111，用于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。可以理解，该通用模型获取模块111可以用于执行上述步骤S110，关于该通用模型获取模块111的详细实现方式可以参照上述对步骤S110有关的内容。
[0147] 训练样本获取模块112，用于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，为各所述影响因子设置对应的影响权重。可以理解，该训练样本获取模块112可以用于执行上述步骤S120，关于该训练样本获取模块112的详细实现方式可以参照上述对步骤S120有关的内容。
[0148] 需求模型获得模块113，用于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。可以理解，该需求模型获得模块113可以用于执行上述步骤S130，关于该需求模型获得模块113的详细实现方式可以参照上述对步骤S130有关的内容。
[0149] 准确率获得模块114，用于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。可以理解，该准确率获得模块114可以用于执行上述步骤S140，关于该准确率获得模块114的详细实现方式可以参照上述对步骤S140有关的内容。
[0150] 修改模块115，用于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。可以理解，该修改模块115可以用于执行上述步骤S150，关于该修改模块115的详细实现方式可以参照上述对步骤S150有关的内容。
[0151] 训练模块116，用于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。可以理解，该训练模块116可以用于执行上述步骤S160，关于该训练模块116的详细实现方式可以参照上述对步骤S160有关的内容。
[0152] 上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。
[0153] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法中的对应过程，在此不再过多赘述。
[0154] 综上所述，本申请实施例提供的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，首先通过从数据库中获得与目标企业匹配的通用模型，再根据获得的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。进而根据获得的目标企业的测试样本对得到的需求模型进行测试，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，为后续为该企业进行医疗资源调配提供了有效的依据。
[0155] 在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0156] 需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0157] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0158] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 医疗设备及其可视化 | 2020-05-13 | 12 |
| 一种糖尿病五驾马车的人工智能干预系统和方法 | 2020-05-19 | 859 |
| 手术装置 | 2020-05-18 | 52 |
| 治疗与线粒体应激相关的疾病的方法 | 2020-05-19 | 673 |
| 一种非接触非侵入无损伤的癫痫自组织监测预警干预系统及获取干扰脑电分布的方法 | 2020-05-20 | 5 |
| 依据临床结果的医疗干预费用偿付系统 | 2020-05-11 | 554 |
| 手术器械 | 2020-05-15 | 980 |
| 用于夹紧、切割及缝合组织的器械 | 2020-05-18 | 657 |
| 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 | 2020-05-12 | 857 |
| 与机电式驱动器装置使用的膨胀平行夹具装置 | 2020-05-17 | 567 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈