买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉盐城市大丰人民医院申请的专利基于深度学习模型的现场伤情评估调度系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120412942B 。

龙图腾网通过国家知识产权局官网在2026-01-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510502048.0，技术领域涉及：G16H40/20；该发明授权基于深度学习模型的现场伤情评估调度系统是由倪晓辉;袁晓春;沈桂芳;林鑫星设计研发完成，并于2025-04-21向国家知识产权局提交的专利申请。

本基于深度学习模型的现场伤情评估调度系统在说明书摘要公布了：本发明公开了基于深度学习模型的现场伤情评估调度系统，涉及智能医疗调度技术领域，包括采集与计算模块，采集多源数据结合模糊逻辑和斜率分析，计算综合评分，提取时序和图像特征，通过多头注意力机制进行融合后，结合综合评分调整伤情概率，得到轻、中、重伤评估结果；优化模块，结合评估结果，使用蚁群算法优化救护车路径，构建Actor‑Critic网络优化蚁群算法参数，并利用遗传算法进行全局优化后，反馈至蚁群算法进行迭代，得到最优解；本发明实现了对伤员伤情的精确评估，并提高了救护车调度效率，确保了伤员能够在最短的时间内得到及时救治，其次，实现了伤情评估结果与路径优化调度的高度结合，进而提升了本发明的响应速度与准确性。

本发明授权基于深度学习模型的现场伤情评估调度系统在权利要求书中公布了：1.基于深度学习模型的现场伤情评估调度系统，其特征在于：包括， 采集与计算模块，采集多源数据结合模糊逻辑和斜率分析，计算综合评分，提取时序和图像特征，通过多头注意力机制进行融合后，结合综合评分调整伤情概率，得到轻、中、重伤评估结果； 所述多源数据包括生命体征数据、伤情图像数据和位置信息数据； 优化模块，结合评估结果，使用蚁群算法优化救护车路径，构建Actor-Critic网络优化蚁群算法参数，并利用遗传算法进行全局优化后，反馈至蚁群算法进行迭代，得到最优解； 转换与传输模块，将最优解进行转换，并通过MQTT协议进行传输和实时下发； 存储与展示模块，通过数据库对数据进行存储，并通过可视化界面进行展示； 所述采集多源数据结合模糊逻辑和斜率分析，计算综合评分包括以下步骤： 分别通过生理监测设备、便携式X光机和GPS设备采集伤员在连续时间点中的生命体征数据、伤情图像数据和位置信息数据； 所述生命体征数据包括心率、呼吸频率、血氧饱和度、体温和血压的实际测量值； 使用经验法则为生命体征数据中的每个数据设定对应的阈值； 所述对应的阈值中包括每个数据对应的最低生理合理值、最高生理合理值、安全范围下限和安全范围上限； 使用模糊逻辑规则，计算生命体征数据中每个数据的数据可靠性评分； 根据生命体征数据中的每个数据，分别计算每个数据与相邻时间点对应数据的变化率，定义为对应数据的数据斜率后，利用最大化操作从对应数据的斜率中选取最大数据斜率，并计算数据斜率可靠性评分； 使用逻辑运算公式结合可靠性评分和斜率可靠性评分，计算数据最终可靠性评分，并使用加权平均公式结合每个数据在每个时间点的数据最终可靠性评分，计算所有数据在每个时间点的综合评分，得到当前伤员的综合评分； 所述提取时序和图像特征，通过多头注意力机制进行融合后，结合综合评分调整伤情概率，得到轻、中、重伤评估结果包括以下步骤： 使用深度卷积神经网络架构构建特征提取模型后，将生命体征数据和伤情图像数据分别输入特征提取模型，得到生命特征后，使用ReLU激活函数对伤情图像数据进行非线性变换，得到图像特征； 使用多头注意力机制对生命特征和图像特征进行加权融合，得到融合特征； 使用softmax函数对融合特征进行转换，得到最终伤情评估概率； 所述最终伤情评估概率包含轻伤评估概率、中度伤评估概率和重度伤评估概率； 使用逐元素乘法，将综合评分与最终伤情评估概率中的概率进行逐元素相乘，得到调整概率，并进行升序排序后，将最大的概率作为当前伤员的评估结果，包括轻伤、中度伤以及重伤； 所述结合评估结果，使用蚁群算法优化救护车路径包括以下步骤： 采集救护车和医院位置，将救护车位置作为起点，并将伤员位置和医院位置作为节点； 使用地图API获取完整路径的实际驾驶距离，并通过HTTP请求技术获取地图API中救护车的历史速度进行平均，得到平均速度； 所述完整路径为救护车位置到伤员位置后，再从伤员位置到医院位置； 将实际驾驶距离和平均速度的比值，定义为响应时间； 所述响应时间分为救护车到伤员位置和伤员位置到医院位置的响应时间； 使用历史回归分析法设定路况拥堵系数，并对救护车位置到伤员位置的响应时间进行动态调整后，进一步使用动态调整公式，计算伤员位置到医院位置的响应时间，得到调整后的伤员位置到医院位置的响应时间，计算总响应时间； 使用经验法则设定常数，并使用比例公式结合总响应时间和常数，计算初始信息素后，进一步使用比例公式结合总响应时间，计算初始启发式信息； 使用网格搜索法设定权重系数，并使用路径选择概率公式，计算路径选择概率后生成路径选择概率集合； 当重伤员的路径选择概率存在于路径选择概率集合中时，直接将重伤员的路径选择概率作为路径，并进行动态调整，公式为： ； 式中，表示调整后的第名重伤员完整路径的路径选择概率，表示第名重伤员的重度伤评估概率，表示第名重伤员完整路径的路径选择概率； 当路径选择概率集合中存在个重伤员时，将调整后的路径选择概率进行升序排序，并选择最大的路径选择概率作为路径，当路径选择概率集合中无重伤员时，使用轮盘赌选择路径； 归一化所选路径的路径选择概率和总响应时间，并使用专家评分法设定衰减系数和权重系数，定义目标函数，最小化响应时间和最大化救援效率； 使用理论分析法设定挥发系数，计算目标函数值，进行迭代更新，使用挥发系数控制信息素的蒸发速率，输出最优解； 所述最优解指最小化的响应时间和最大化的救援效率的最优路径； 所述构建Actor-Critic网络优化蚁群算法参数包括以下步骤： 使用归一化状态空间对最优解中的响应时间、救援效率、权重系数和以及挥发系数进行缩放，得到缩放数据集； 使用多层感知机架构构建A2C算法中的Actor网络和Critic网络； 将缩放数据集输入Critic网络，输出数据集的价值，并使用n-step回报法结合数据集的价值，计算累积回报后，将累积回报与数据集价值的差值，定义为优势函数，使用德尔菲法设定反馈阈值，将优势函数与反馈阈值进行比对，得到更新后Actor网络，将缩放数据集输入更新后Actor网络，输出三维动作向量； 所述三维动作向量包含权重系数和以及挥发系数； 使用双指数平滑滤波对三维动作向量进行平滑操作，并将平滑后的三维动作向量写入Redis键值，并通过ACO调度模块实时读取，触发路径选择概率重计算； 使用监控模块检测ACO调度模块的性能指标，当重计算路径选择概率的综合目标函数值大于最优解的综合目标函数值时，则对历史最优参数进行回滚，并将回滚后最优解中的参数作为新参数，否则将重计算的参数作为最终参数； 所述利用遗传算法进行全局优化后，反馈至蚁群算法进行迭代，得到最优解包括以下步骤： 使用混合编码技术对最优解中的最优路径进行离散编码，并对最优解中的权重系数和，挥发系数以及三维动作向量进行连续编码后进行组合，并作为个体，生成种群进行初始化； 使用最小化响应时间和最大化救援效率的目标函数进行目标函数值的计算，并进行迭代优化后，输出最优路径； 使用开源库中的图论算法对最优路径进行修复，并利用信息素更新规则进行信息素更新后，使用解码库对更新后的信息素进行解码，并将解码的信息素重新输入ACO调度模块中进行迭代，得到新的最优解。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人盐城市大丰人民医院，其通讯地址为：224100 江苏省盐城市大丰区幸福东大街139号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。