CN119418876A 用于重症患者的病情监测管理系统及方法 （吉林大学第一医院）

地公开了一种用于重症患者的病情监测管理系征提取技术来进行各个患者面部图像的面部语者面部语义动态聚合特征之间的多维表征来智2所述每个治疗监测周期的面部视频流并从中提取单位视频帧以得到患者面部图像的时间所述患者面部语义特征的时间序列进行多重门结构的特征动态聚合以得到患者面部语义面部语义特征和所述患者面部语义动态聚合特征之间的融合响应特征以得到当前面部语型的患者面部语义特征提取器以得到患者面部语义特征向量的时间序列作为所述患者面部语义特征的时间序列。患者面部语义特征映射子单元，用于将所述患个患者面部语义特征向量分别输入庞加莱空间映射器以得到患者面部语义特征异域调制编码特征向量的时间序列；患者面部语义聚合子单元，用于对所述患者面部患者面部语义值计算子单元，用于基于所述患者面别计算所述患者面部语义特征异域调制编码特征向量的时间序列中的各个患者面部语义特征异域调制编码特征向量的语义关联度和语义空间跳度值以得到患者面部语义关联度的时间序列和患者面部语义空间跳度值的时患者面部信息传递调制子单元，用于将所述患者面部语义空间跳度值的时间序列输入基于多重门结构的信息传递调制单元以得到患者患者面部异域特征显著处理子单元，用于基于患者面部异域特征补偿子单元，用于将所述患者3述患者面部语义特征异域传播表示向量输入残差单元以得到患者面部异域特征显著传播患者面部语义动态聚合子单元，用于将所述患输入欧式空间映射器以得到患者面部语义动态聚合特征向量作为所述患者面部语义动态计算所述患者面部语义特征异域调制编码特征向量的时间序列中的各个患者面部语义特征异域调制编码特征向量与所述患者面部语义特征异域传播表示向量之间的语义关联度以得到所述患者面部语义关联度的时间序计算所述患者面部语义特征异域调制编码特征向量的时间序列中的各个患者面部语义特征异域调制编码特征向量相对于所述患者面部语义特征异域传播表示向量的语义空间跳度值以得到所述患者面部语义空间跳度值的时间首帧患者面部语义特征提取子单元，用于从所述患者面部语义取首帧患者面部语义特征向量作为所述首帧患者面部语义特征和尾帧患者面部语义特征响应特征计算子单元，用于以所述首帧患者面部语义特征向量作为基准面部语义模准面部语义模板和所述动态面部语义模板之间的响应特征向量以得到基准面部语义响应语义响应特征向量以得到当前面部语义搜索匹配多维表征向量作为所述当前面部语义搜面部目标图像周期时长比计算子单元，用于基于所述当前面部将所述当前面部语义搜索匹配多维表征向量通过计数结束控述控制结果用于表示是否将所述患者面部图像的时间队列中的最后一帧患者面部图像作计算所述目标类型图像数量值与所述单位视频帧的时长的乘积,再计算所述乘积与所4情变化监测数据；获取所述重症患者的病情周期监测数据并结合所述病情变化监测数据，其中，对所述患者面部图像的时间队列进行分析以得到所述患者面部语义动态聚合特征之间的融合响应特征以得到当前面部语义搜索匹配多维所述患者面部图像的时间队列通过基于深度可分离卷积神经网络模型的患者面部语义特征提取器以得到患者面部语义特征向量的时间序列作为所述患者面部语义特征的时间序列。5[0003]公开号为CN118737361B的发明公开了一种基于数据分析的重症科室病患监控管[0004]上述专利中目标类型图像数量值是通过对一段视频流中的每一帧图像进行单独动态表情变化的捕捉不够敏感，而这些患者的情绪动态变化往往能够提供更丰富的信息，用于获取重症患者的多个治疗监测周期，并计算每个治疗监测周期的患者典型症状数据、于获取所述每个治疗监测周期的面部视频流并从中提取单位视频帧以得到患者面部图像6于对所述患者面部语义特征的时间序列进行多重门结构的特征动态聚合以得到患者面部患者面部语义特征和所述患者面部语义动态聚合特征之间的融合响应特征以得到当前面于深度可分离卷积神经网络模型的患者面部语义特征提取器以得到患者面部语义特征向量的时间序列作为所述患者面部语义特征的时间序的各个患者面部语义特征向量分别输入庞加莱空间映射器以得到患者面部语义特征异域患者面部语义值计算子单元，用于基于所述患者面部语义特征异域传播表示向语义特征异域调制编码特征向量的语义关联度和语义空间跳度值以得到患者面部语义关联度的时间序列和患者面部语义空间跳度值的时间序列；述患者面部语义空间跳度值的时间序列输入基于多重门结构的信息传递调制单元以得到患者面部信息传递调制权重的时间序列；和所述患者面部语义特征异域传播表示向量输入残差单元以得到患者面部异域特征显著向量输入欧式空间映射器以得到患者面部语义动态聚合特征向量作为所述患者面部语义制编码特征向量的时间序列输入基于前向LSTM模型的特征序列编码器以得到所述患者面计算所述患者面部语义特征异域调制编码特征向量的时间序列中的各个患者面部语义特征异域调制编码特征向量与所述患者面部语义特征异域传播表示向量之间的语7义关联度以得到所述患者面部语义关联度的时计算所述患者面部语义特征异域调制编码特征向量的时间序列中的各个患者面部语义特征异域调制编码特征向量相对于所述患者面部语义特征异域传播表示向量的语义空间跳度值以得到所述患者面部语义空间跳度值的时间列提取首帧患者面部语义特征向量作为所述首帧患者面部语义特征和尾帧患者面部语义基准面部语义模板和所述动态面部语义模板之间的响应特征向量以得到基准面部语义响面部语义响应特征向量以得到当前面部语义搜索匹配多维表征向量作为所述当前面部语将所述当前面部语义搜索匹配多维表征向量通过计数结束控制器以得到控制结计算所述目标类型图像数量值与所述单位视频帧的时长的乘积,再计算所述乘积所述面部目标图像周期时长比、所述患者病情权重和所述周期生理指标累计异常时间比，其中，对所述患者面部图像的时间队列进行分析以得到面部目标图像周期时长8特征和所述患者面部语义动态聚合特征之间的融合响应特征以得到当前面部语义搜索匹网络模型的患者面部语义特征提取器以得到患者面部语义特征向量的时间序列作为所述[0020]图2为本申请实施例的用于重症患者的病情监测管理系统中图像分析模块的数据[0021]图3为本申请实施例的用于重症患者的病情监测管理系统中图像分析模块的示意[0022]图4为本申请实施例的用于重症患者的病情监测管理系统中面部语义聚合单元的[0023]图5为本申请实施例的用于重症患者的病情监测管理系统中多维表征单元的示意9过收集患者在不同治疗监控周期内出现的症状类型，并记录每个类型症状首次显现的时系数则是通过在线病历系统获取重症患者在每个治疗监控周期内的药物使用剂量和急救CN118737361B的发明专利中已经对上述数据进行了解成的患者面部图像序列。元131，用于对所述患者面部图像的时间队列进行语义特征提取以得到患者面部语义特征述患者面部图像的时间队列通过基于深度可分离卷积神经网络模型的患者面部语义特征提取器以得到患者面部语义特征向量的时间序列作为所述患者面部语义特征的时间序列。虑到所述患者面部语义特征向量的时间序列表示了随着时间推移，患者的面部特征信息，当患者的面部语义和情绪发生变化时，时序动态信息能够更敏锐地感知到这些细微变化，进行多重门结构的特征动态聚合以得到患者面部语义动态特征向量分别输入庞加莱空间映射器以得到患者面部语义特征异域调制编码特征向量的患者面部语义特征异域调制编码特征向量的时间序列中的各个患者面部语义特征异域调制编码特征向量的语义关联度和语义空间跳度值以得到患者面部语义关联度的时间序列患者面部语义关联度的时间序列和所述患者面部语义空间跳度值的时间序列输入基于多所述患者面部语义特征异域调制编码特征向量的时间序列的按位置加权和以得到患者面异域特征显著传播表示向量和所述患者面部语义特征异域传播表示向量输入残差单元以将所述患者面部异域特征显著传播补偿表示向量输入欧式空间映射器以得到患者面部语义动态聚合特征向量作为所述患者面部语义动征向量的时间序列中的各个患者面部语义特征向量分别输入庞加莱空间映射器以得到患;;vi和vn分别个患者面部语义特征异域调制编码特征向量是所述患者面部语义特征异域调制编码特征向量的时间序列。特征异域调制编码特征向量的时间序列输入基于前向LSTM模型的特征序列编码器以得到;向LSTM模型的特征序列编码器以利用所述基于前向LSTM模型的特征序列编码器对所述初始特征异域调制编码特征向量的时间队列进行基于庞加莱语义空间的模拟传递以得到所语义特征异域调制编码特征向量的时间序列中的各个患者面部语义特征异域调制编码特征向量与所述患者面部语义特征异域传播表示向量之间的语义关联度以得到所述患者面中的各个患者面部语义特征异域调制编码特征向量相对于所述患者面部语义特征异域传播表示向量的语义空间跳度值以得到所述患者面部语义空间跳度值的时间序列。具体地，;;;联度的时间序列中第1个、第2个，第i个和第n个患者面部语义关联度，α是所述患者面β是所述患者面部语义空间跳度值的时间序列。异域调制编码特征向量与所述初始特征异域传播表示向量之间的语义关联度以得到语义列中的各个初始特征异域调制编码特征向量相对于所述初始特征异域传播表示向量的语联度的时间序列和所述患者面部语义空间跳度值的时间序列输入基于多重门结构的信息;α是所述患者面部语义关联度的时间序列，p是所述患者面部语义空间跳调制权重的时间序列。[0041]也就是，信息传递调制单元通过多重门控机制结合语义关联度和语义空间跳度部语义特征异域调制编码特征向量的时间序列的按位置加权和以得到患者面部异域特征;其中yi是对应的患者面部信息传递调制权重，n是所述患者面部语义特征异域调制编码特征向量的时间序列中向量的个数，h'是患者面部异域特征显著传征显著传播补偿表示向量输入欧式空间映射器以得到患者面部语义动态聚合特征向量作;W3和W4分别为第三权重矩阵和第四权重矩阵，feuctdean(-)为欧式空间过复杂处理后的特征向量转换回传统的欧几里得空间，便于后续的标准机器学习算法使提取首帧患者面部语义特征和尾帧患者面部语义特征，并计算所述首帧患者面部语义特特征向量作为所述首帧患者面部语义特征和尾帧患者面部语义特征向量作为所述尾帧患征分别与所述基准面部语义模板和所述动态面部语义模板之间的响应特征向量以得到基准面部语义响应特征向量和动态面部语义响应特征向量；当前面部语义搜索匹配子单元义特征向量的时间序列提取首帧患者面部语义特征向量作为所述首帧患者面部语义特征并清晰地来分析患者面部状态的变化具体情况，以更加准确地来得到目标类型图像数量，量作为基准面部语义模板，所述患者面部语义动态聚合特征向量作为动态面部语义模板，搜索特征分别与所述基准面部语义模板和所述动态面部语义模板之间的响应特征向量以;前面部语义搜索特征分别与所述基准面部语义模板和所述动态面部语义模板之间的响应特征向量以得到基准面部语义响应特征向量和动态面部语义响应特征向量。可以理解的响应特征向量和动态面部语义响应特征向量以得到当前面部语义搜索匹配多维表征向量征向量和动态面部语义响应特征向量分别表示当前帧语义特征相对于首帧和整个时间帧述控制结果用于表示是否将所述患者面部图像的时间队列中的最后一帧患者面部图像作准面部语义响应特征向量和动态面部语义响应特征向量进行融合得到的基准面部语义响应特征向量和动态面部语义响应特征向量进行分类处理，以此来智能地判断是否停止计型图像数量值与所述单位视频帧的时长的乘积,再计算所述乘积与所述面部视频流的时长的比值,得到所述面部目标图像周期时长比。这样能够量化在监测周期内特定面部表情或于表示是否将所述患者面部图像的时间队列中的最后一帧患者面部图像作为目标类型图述单位视频帧的时长的乘积,再计算所述乘积与所述面部视频流的时长的比值,得到所述将当前面部语义搜索匹配多维表征向量输入到预先训练好的分类器中。所述分类器使用[0055]在所述患者面部语义动态聚合特征向量表示患者面部图像的时域动态传播聚合匹配多维表征向量也会由于跨时域图像语义响应分布不对齐而具有查询响应交互丰富前面部语义搜索匹配多维表征向量的长度减去所述非零特征值个数以获得当前面部语义计算所述当前面部语义搜索匹配多维表征零维数值减去一后的当前面部语义搜索匹配多维表征零可微值(n-1)分别乘以和除以所述当前面部语义搜索匹配多维表征零维数值后得到的第一当前面部语义搜索匹配多维表征场拟合值(n-1)xn和第二当前面部语义搜索匹配多维表征场拟合值(n-1)/n；计算所述当前面部语义搜索匹配多维表征向量的所有特征值的平方和的平方根前面部语义搜索匹配多维表征向量的第个特征值，表示当前面部语义搜索匹以所述当前面部语义搜索匹配多维表征零可微值(n-1)作为指数计算所述当前面部语义搜索匹配多维表征场拟合值(n-1)xn以得到当前面部语义搜索匹配多维计算所述当前面部语义搜索匹配多维表征向量的每个特征值xi与所述第二当前面部语义搜索匹配多维表征场拟合值(n-1)/n和所述当前面部语义搜索匹配多维表征模式表征值α的乘积以获得当前