【技术实现步骤摘要】
本专利技术涉及信息处理，更具体地，涉及一种基于不完备参数的伤员生存状态评估方法和系统。
技术介绍
1、在紧急医疗救援领域，特别是在灾难现场环境中，医疗资源往往有限，且伤员的完整医疗信息难以获得。在这种情况下，采用高效且适应性强的伤员分类方法至关重要。这类方法的目标是在短时间内对伤员进行快速评估和分类，以确定最需要紧急医疗援助的人员。目前主要的分类方法和策略包括简化急救伤情分类法(start)、跳过式伤情分类法(jumpstart)、颜色编码系统以及现场快速评估，这有助于在紧急情况下迅速确定治疗优先级。但是这些检伤分类方法较为粗糙，只能进行少数几个类别的分类，并且分类结果精细度较差。
2、目前，一些相关研究通过分析视觉影像分析伤员生存状态。面部特征识别是分析患者面部的组织和结构特征以了解患者健康状况的过程。眼睛和嘴唇是面部最重要的特征之一，它们的信息可以反映患者健康和生理状况的大量信息，通过识别和分析眼睛和嘴唇的信息，有助于预测患者的生存和疾病进展，为患者的生存预测提供更加准确可靠的方法。研究人员结合机器学习和深度学习，可以对大规模临床数据进行高效处理和分析，发现面部特征与生存时间之间的关联，构建生存分析模型，为临床医生提供有价值的参考信息。
3、然而，在现有技术中，通常使用单一的临床生理数据集进行患者的生存分析，存在以下缺陷：单一的临床生理数据集无法全面反映患者的整体情况，如果只依赖于生理数据集，可能会忽略其他重要的预测因子，从而导致分析结果的不准确性，生存分析结果的泛化能力较差，无法适用于其他患者群体或
4、综上，传统的伤员生存分析方法通常依赖于单一的生理指标数据集，然而这些单一信息有时难以充分描述患者的疾病状态和生存情况，且灾害救援现场由于医疗资源与检测能力的限制，难以获取完备的生理参数，这对基于生理指标的救治决策带来了较大困难。
技术实现思路
1、本专利技术的目的是克服上述现有技术的缺陷，提供一种基于不完备参数的伤员生存状态评估方法和系统，旨在解决地震、火灾等灾害救援现场有限医疗资源、有限检测能力、有限数据条件下的伤员检伤分类问题。
2、根据本专利技术的第一方面，提供一种基于不完备参数的伤员生存状态评估方法。该方法包括以下步骤：
3、获取目标的视觉信息、音频信息和热成像多模态数据；
4、将所述多模态数据输入到特征提取网络，获得多模态特征数据；
5、将所述多模态特征数据和生理指标相结合，构成多模态数据集，并基于经训练的生存指数模型，得到目标生存状态的评估结果。
6、根据本专利技术的第二方面，提供一种基于不完备参数的伤员生存状态评估系统。该系统包括：
7、数据采集模块：用于获取目标的视觉信息、音频信息和热成像多模态数据；
8、特征提取模块：用于将所述多模态数据输入到特征提取网络，获得多模态特征数据；
9、评估模块：用于将所述多模态特征数据和生理指标相结合，构成多模态数据集，并基于经训练的生存指数模型，得到目标生存状态的评估结果。
10、与现有技术相比，本专利技术的优点在于，所提出的基于不完备参数的伤员生存状态评估方案，结合运用灾害救援现场环境采集的不完备生理指标、结合灾害救援现场环境与伤员视觉、语音、热成像多模态数据特征，融合构建伤员生存指数，提供更全面、更准确的伤员生存状态评估结果，从而实现灾害现场伤员快速、精准检伤分类。
11、通过以下参照附图对本专利技术的示例性实施例的详细描述，本专利技术的其它特征及其优点将会变得清楚。
本文档来自技高网...【技术保护点】
1.一种基于不完备参数的伤员生存状态评估方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述特征提取模块包括具有残差结构的主干结构、全局平均池化层和激活层，在所述主干结构中，将一层卷积层卷积运算后的特征信息作为残差结构的输入信息，分别通过跨级连接和在跨级连接下提取深层特征后，得到残差结构的输出信息；所述全局平均池化层用于对所述输出信息进行缩减，并对所述输出信息中各通道的特征值进行平均池化，得到全局特征向量；所述激活层采用Softplus非线性激活函数，将输入值映射到非线性空间。
3.根据权利要求2所述的方法，其特征在于，所述特征提取模块表示为：
4.根据权利要求1所述的方法，其特征在于，所述生存指数模型是增强感知长短期记忆网络，包括LSTM模块、门控机制模块、自适应加权机制模块和残差结构，所述LSTM模块用于处理顺序数据，所述门控机制模块用于控制输出状态的权重；所述自适应加权机制模块包含注意力层，用于对每个时间步的输出进行加权求和，所述注意力层用于计算每个时间步的注意力权重，将输出与注意力权重逐个元素相乘，得到加权获得输出；所述
5.根据权利要求1所述的方法，其特征在于，训练所述生存指数模型的多模态数据集是利用生成对抗网络对原始多模态数据集扩增获得，所述生成对抗网络包括生成器和判别器，在扩增过程中，生成器接受一个随机噪声向量，并通过第一神经网络将其转换为假数据，判别器接受真实数据或者假数据，并通过第二神经网络判断其是否为真实数据，所述生成对抗网络的训练目标是最小化设定的损失函数，该损失函数表示判别器希望最大化对真实数据和假数据的识别能力，而生成器希望最小化判别器识别出其生成的假数据的能力。
6.根据权利要求4所述的方法，其特征在于，所述门控机制模块包含全连接层并采用sigmoid激活函数。
7.根据权利要求4所述的方法，其特征在于，所述注意力层包含一系列全连接层、tanh激活函数和softmax。
8.一种基于不完备参数的伤员生存状态评估系统，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至7中任一项所述的方法的步骤。
10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于不完备参数的伤员生存状态评估方法，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述特征提取模块包括具有残差结构的主干结构、全局平均池化层和激活层，在所述主干结构中，将一层卷积层卷积运算后的特征信息作为残差结构的输入信息，分别通过跨级连接和在跨级连接下提取深层特征后，得到残差结构的输出信息；所述全局平均池化层用于对所述输出信息进行缩减，并对所述输出信息中各通道的特征值进行平均池化，得到全局特征向量；所述激活层采用softplus非线性激活函数，将输入值映射到非线性空间。
3.根据权利要求2所述的方法，其特征在于，所述特征提取模块表示为：
4.根据权利要求1所述的方法，其特征在于，所述生存指数模型是增强感知长短期记忆网络，包括lstm模块、门控机制模块、自适应加权机制模块和残差结构，所述lstm模块用于处理顺序数据，所述门控机制模块用于控制输出状态的权重；所述自适应加权机制模块包含注意力层，用于对每个时间步的输出进行加权求和，所述注意力层用于计算每个时间步的注意力权重，将输出与注意力权重逐个元素相乘，得到加权获得输出；所述残差结构对原始输出信息进行非线性变换和降维操作，通过加权输出与原始输出信息相加实现残差连接，生成预测输出信息。
<...【专利技术属性】
技术研发人员：廖祥云，张小峰，孙寅紫，王琼，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。