本發(fā)明涉及多模態(tài)數(shù)據(jù)技術(shù)，尤其涉及基于多模態(tài)數(shù)據(jù)與邊緣計(jì)算的智能預(yù)檢分診方法。

背景技術(shù)：

1、隨著醫(yī)療信息化的快速發(fā)展，預(yù)檢分診作為醫(yī)院急診科的重要環(huán)節(jié)，其智能化水平直接影響醫(yī)療資源的合理分配和患者的救治效率。目前，預(yù)檢分診主要依靠醫(yī)護(hù)人員通過觀察患者癥狀和詢問病史來判斷病情輕重緩急，并進(jìn)行分級(jí)處理。同時(shí)，隨著物聯(lián)網(wǎng)和人工智能技術(shù)的發(fā)展，基于多模態(tài)數(shù)據(jù)的智能預(yù)檢分診系統(tǒng)逐漸得到應(yīng)用，通過采集患者的生理體征、影像和語音等多源數(shù)據(jù)，結(jié)合邊緣計(jì)算實(shí)現(xiàn)快速分析和決策。

2、現(xiàn)有預(yù)檢分診技術(shù)主要存在以下問題：

3、現(xiàn)有技術(shù)主要依賴單一數(shù)據(jù)源進(jìn)行分析，缺乏對(duì)患者面部表情、創(chuàng)傷圖像、語音和生理信號(hào)等多模態(tài)數(shù)據(jù)的綜合分析能力，難以全面準(zhǔn)確評(píng)估患者狀態(tài)，容易造成分診結(jié)果偏差。

4、目前的預(yù)檢分診系統(tǒng)大多采用集中式云計(jì)算架構(gòu)，數(shù)據(jù)需要全部上傳至云端進(jìn)行處理，存在網(wǎng)絡(luò)帶寬占用大、處理延遲高等問題，難以滿足急診場(chǎng)景下的實(shí)時(shí)性要求，影響救治效率。

5、現(xiàn)有技術(shù)缺乏對(duì)群傷場(chǎng)景下的整體分析和資源調(diào)度能力，無法根據(jù)多個(gè)患者的緊急程度和受傷分布特征進(jìn)行醫(yī)療資源的優(yōu)化分配，容易造成資源浪費(fèi)或供給不足的情況。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供基于多模態(tài)數(shù)據(jù)與邊緣計(jì)算的智能預(yù)檢分診方法，能夠解決現(xiàn)有技術(shù)中的問題。

2、本發(fā)明實(shí)施例的第一方面，

3、提供基于多模態(tài)數(shù)據(jù)與邊緣計(jì)算的智能預(yù)檢分診方法，包括：

4、通過醫(yī)用級(jí)設(shè)備采集患者的面部表情、創(chuàng)傷部位、聲音和生理信號(hào)，分別利用深度學(xué)習(xí)網(wǎng)絡(luò)提取面部表情和創(chuàng)傷部位的圖像特征計(jì)算表情強(qiáng)度和傷情程度，通過神經(jīng)網(wǎng)絡(luò)分析聲音特征得到痛苦評(píng)分和呼吸評(píng)分，結(jié)合生理信號(hào)計(jì)算心功能和血壓異常度，將表情強(qiáng)度、傷情程度、痛苦評(píng)分、呼吸評(píng)分、心功能和血壓異常度動(dòng)態(tài)加權(quán)融合得到患者狀態(tài)評(píng)估結(jié)果；

5、獲取醫(yī)療設(shè)備的多模態(tài)數(shù)據(jù)并按類型存儲(chǔ)至邊緣節(jié)點(diǎn)進(jìn)行時(shí)序?qū)R，基于邊緣節(jié)點(diǎn)的資源狀態(tài)構(gòu)建向量分配任務(wù)，執(zhí)行數(shù)據(jù)預(yù)處理和特征提取，動(dòng)態(tài)調(diào)整計(jì)算精度，將壓縮后的特征傳輸至云端分析，當(dāng)處理延遲超過預(yù)設(shè)閾值時(shí)將任務(wù)遷移至低于預(yù)設(shè)負(fù)載閾值的節(jié)點(diǎn)，確保數(shù)據(jù)處理實(shí)時(shí)性；

6、通過多源傳感器采集患者的生理、視覺和音頻數(shù)據(jù)并進(jìn)行時(shí)序?qū)R校準(zhǔn)，對(duì)校準(zhǔn)后數(shù)據(jù)提取多模態(tài)特征并進(jìn)行自適應(yīng)融合，基于多模態(tài)特征計(jì)算患者緊急程度并預(yù)測(cè)群傷分布，根據(jù)群傷分布生成資源調(diào)度方案，通過實(shí)時(shí)評(píng)估系統(tǒng)性能對(duì)參數(shù)進(jìn)行動(dòng)態(tài)優(yōu)化調(diào)整。

7、通過醫(yī)用級(jí)設(shè)備采集患者的面部表情、創(chuàng)傷部位、聲音和生理信號(hào)，分別利用深度學(xué)習(xí)網(wǎng)絡(luò)提取面部表情和創(chuàng)傷部位的圖像特征計(jì)算表情強(qiáng)度和傷情程度，通過神經(jīng)網(wǎng)絡(luò)分析聲音特征得到痛苦評(píng)分和呼吸評(píng)分，結(jié)合生理信號(hào)計(jì)算心功能和血壓異常度，將表情強(qiáng)度、傷情程度、痛苦評(píng)分、呼吸評(píng)分、心功能和血壓異常度動(dòng)態(tài)加權(quán)融合得到患者狀態(tài)評(píng)估結(jié)果包括：

8、通過醫(yī)用級(jí)采集設(shè)備獲取患者的多模態(tài)生理數(shù)據(jù)，包括通過醫(yī)用級(jí)攝像系統(tǒng)獲取面部表情圖像和創(chuàng)傷部位圖像，通過醫(yī)用級(jí)定向麥克風(fēng)陣列獲取聲音信號(hào)，通過生理信號(hào)采集設(shè)備獲取心電信號(hào)、血壓信號(hào)、體溫信號(hào)和血氧飽和度信號(hào)；

9、對(duì)創(chuàng)傷部位圖像和面部表情圖像進(jìn)行預(yù)處理得到預(yù)處理圖像，將預(yù)處理圖像輸入u-net網(wǎng)絡(luò)進(jìn)行區(qū)域分割并通過多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)計(jì)算創(chuàng)傷嚴(yán)重程度評(píng)分，將預(yù)處理后的面部表情圖像輸入vgg網(wǎng)絡(luò)提取面部特征并計(jì)算表情強(qiáng)度評(píng)分，將預(yù)處理后的創(chuàng)傷部位圖像輸入多尺度特征金字塔網(wǎng)絡(luò)提取創(chuàng)面特征計(jì)算傷情嚴(yán)重度；

10、對(duì)聲音信號(hào)進(jìn)行噪聲抑制和增強(qiáng)處理得到增強(qiáng)信號(hào)，從增強(qiáng)信號(hào)中提取聲音特征并通過長短時(shí)記憶網(wǎng)絡(luò)計(jì)算痛苦程度評(píng)分，對(duì)增強(qiáng)信號(hào)進(jìn)行頻帶分解得到呼吸音特征并計(jì)算呼吸困難程度；對(duì)所獲取的心電信號(hào)進(jìn)行波群分析提取特征并計(jì)算心功能評(píng)分，對(duì)所獲取的血壓信號(hào)進(jìn)行趨勢(shì)分析得到血壓異常程度，對(duì)所獲取的體溫信號(hào)和血氧飽和度信號(hào)進(jìn)行歸一化處理；

11、將創(chuàng)傷嚴(yán)重程度評(píng)分、表情強(qiáng)度評(píng)分、傷情嚴(yán)重度、痛苦程度評(píng)分、呼吸困難程度、心功能評(píng)分和血壓異常程度構(gòu)建多模態(tài)特征向量，將多模態(tài)特征向量輸入特征權(quán)重生成網(wǎng)絡(luò)，基于歷史數(shù)據(jù)動(dòng)態(tài)調(diào)整特征權(quán)重得到加權(quán)特征，將加權(quán)特征結(jié)合歷史狀態(tài)信息生成患者當(dāng)前狀態(tài)評(píng)估結(jié)果。

12、對(duì)創(chuàng)傷部位圖像和面部表情圖像進(jìn)行預(yù)處理得到預(yù)處理圖像，將預(yù)處理圖像輸入u-net網(wǎng)絡(luò)進(jìn)行區(qū)域分割并通過多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)計(jì)算創(chuàng)傷嚴(yán)重程度評(píng)分，將預(yù)處理后的面部表情圖像輸入vgg網(wǎng)絡(luò)提取面部特征并計(jì)算表情強(qiáng)度評(píng)分，將預(yù)處理后的創(chuàng)傷部位圖像輸入多尺度特征金字塔網(wǎng)絡(luò)提取創(chuàng)面特征計(jì)算傷情嚴(yán)重度包括：

13、對(duì)創(chuàng)傷部位的圖像數(shù)據(jù)進(jìn)行圖像預(yù)處理得到預(yù)處理后的創(chuàng)傷圖像，圖像預(yù)處理包括圖像去噪、對(duì)比度增強(qiáng)和幾何校正；將預(yù)處理后的創(chuàng)傷圖像輸入創(chuàng)傷區(qū)域分割網(wǎng)絡(luò)進(jìn)行創(chuàng)傷區(qū)域分割得到創(chuàng)傷區(qū)域分割結(jié)果；

14、將預(yù)處理后的創(chuàng)傷圖像和創(chuàng)傷區(qū)域分割結(jié)果輸入多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)，多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)包括創(chuàng)傷分類分支、創(chuàng)傷深度估計(jì)分支和創(chuàng)傷邊緣檢測(cè)分支，創(chuàng)傷分類分支采用密集連接卷積塊提取多尺度特征用于創(chuàng)傷類型分類，創(chuàng)傷深度估計(jì)分支基于深度回歸網(wǎng)絡(luò)預(yù)測(cè)創(chuàng)傷深度信息，創(chuàng)傷邊緣檢測(cè)分支采用邊緣檢測(cè)算子提取創(chuàng)傷邊緣輪廓特征；

15、將創(chuàng)傷類型分類、創(chuàng)傷深度信息和創(chuàng)傷邊緣輪廓特征輸入特征融合模塊，特征融合模塊采用自適應(yīng)權(quán)重方式對(duì)多任務(wù)特征進(jìn)行融合得到融合特征；根據(jù)融合特征計(jì)算創(chuàng)傷嚴(yán)重程度評(píng)分。

16、獲取醫(yī)療設(shè)備的多模態(tài)數(shù)據(jù)并按類型存儲(chǔ)至邊緣節(jié)點(diǎn)進(jìn)行時(shí)序?qū)R，基于邊緣節(jié)點(diǎn)的資源狀態(tài)構(gòu)建向量分配任務(wù)，執(zhí)行數(shù)據(jù)預(yù)處理和特征提取，動(dòng)態(tài)調(diào)整計(jì)算精度，將壓縮后的特征傳輸至云端分析，當(dāng)處理延遲超過預(yù)設(shè)閾值時(shí)將任務(wù)遷移至低于預(yù)設(shè)負(fù)載閾值的節(jié)點(diǎn)，確保數(shù)據(jù)處理實(shí)時(shí)性包括：

17、將多模態(tài)數(shù)據(jù)按照數(shù)據(jù)類型分別存儲(chǔ)至對(duì)應(yīng)的邊緣節(jié)點(diǎn)緩存區(qū)，基于采集時(shí)間戳對(duì)多模態(tài)數(shù)據(jù)進(jìn)行時(shí)序?qū)R，生成對(duì)齊后的多模態(tài)數(shù)據(jù)；

18、構(gòu)建宏觀任務(wù)分配層和微觀資源調(diào)度層的雙層架構(gòu)實(shí)現(xiàn)層間信息雙向傳遞，對(duì)任務(wù)進(jìn)行多維度優(yōu)先級(jí)評(píng)估得到綜合獎(jiǎng)勵(lì)函數(shù)，將綜合獎(jiǎng)勵(lì)函數(shù)輸入雙重q網(wǎng)絡(luò)結(jié)構(gòu)并結(jié)合注意力機(jī)制和優(yōu)先級(jí)經(jīng)驗(yàn)回放進(jìn)行訓(xùn)練，最終輸出任務(wù)調(diào)度策略；

19、對(duì)邊緣節(jié)點(diǎn)緩存區(qū)進(jìn)行資源監(jiān)控，獲取邊緣節(jié)點(diǎn)緩存區(qū)的計(jì)算負(fù)載、內(nèi)存占用率和網(wǎng)絡(luò)帶寬狀態(tài)，基于計(jì)算負(fù)載、內(nèi)存占用率和網(wǎng)絡(luò)帶寬狀態(tài)構(gòu)建資源狀態(tài)向量，資源狀態(tài)向量用于表征邊緣節(jié)點(diǎn)的實(shí)時(shí)資源狀態(tài)；將資源狀態(tài)向量和對(duì)齊后的多模態(tài)數(shù)據(jù)輸入任務(wù)調(diào)度模型，任務(wù)調(diào)度模型基于深度強(qiáng)化學(xué)習(xí)訓(xùn)練得到，任務(wù)調(diào)度模型根據(jù)資源狀態(tài)向量和任務(wù)調(diào)度策略的處理需求輸出任務(wù)分配策略，根據(jù)任務(wù)分配策略將數(shù)據(jù)處理任務(wù)分配至對(duì)應(yīng)的邊緣節(jié)點(diǎn)；

20、在邊緣節(jié)點(diǎn)上執(zhí)行數(shù)據(jù)預(yù)處理和特征提取，對(duì)多模態(tài)數(shù)據(jù)進(jìn)行降噪和標(biāo)準(zhǔn)化處理得到預(yù)處理數(shù)據(jù)，將預(yù)處理數(shù)據(jù)按照預(yù)設(shè)批次大小分組得到數(shù)據(jù)批次，將數(shù)據(jù)批次輸入輕量化特征提取網(wǎng)絡(luò)提取特征得到特征數(shù)據(jù)；基于邊緣節(jié)點(diǎn)的資源狀態(tài)向量動(dòng)態(tài)調(diào)整輕量化特征提取網(wǎng)絡(luò)的計(jì)算精度，當(dāng)資源狀態(tài)向量表明資源緊張時(shí)降低網(wǎng)絡(luò)量化位寬和計(jì)算精度，當(dāng)資源狀態(tài)向量表明資源充足時(shí)提高計(jì)算精度，對(duì)特征數(shù)據(jù)進(jìn)行壓縮編碼得到壓縮特征；

21、將壓縮特征通過加密通道傳輸至云端服務(wù)器，在云端服務(wù)器上對(duì)壓縮特征進(jìn)行解碼得到解碼特征，將解碼特征進(jìn)行分析處理，生成分析結(jié)果；實(shí)時(shí)監(jiān)控邊緣節(jié)點(diǎn)的數(shù)據(jù)處理延遲，當(dāng)數(shù)據(jù)處理延遲超過預(yù)設(shè)延遲閾值時(shí)，基于資源狀態(tài)向量選擇負(fù)載低于預(yù)設(shè)負(fù)載閾值的目標(biāo)邊緣節(jié)點(diǎn)，將待處理的數(shù)據(jù)處理任務(wù)遷移至目標(biāo)邊緣節(jié)點(diǎn)，確保數(shù)據(jù)處理的實(shí)時(shí)性。

22、構(gòu)建宏觀任務(wù)分配層和微觀資源調(diào)度層的雙層架構(gòu)實(shí)現(xiàn)層間信息雙向傳遞，對(duì)任務(wù)進(jìn)行多維度優(yōu)先級(jí)評(píng)估得到綜合獎(jiǎng)勵(lì)函數(shù)，將綜合獎(jiǎng)勵(lì)函數(shù)輸入雙重q網(wǎng)絡(luò)結(jié)構(gòu)并結(jié)合注意力機(jī)制和優(yōu)先級(jí)經(jīng)驗(yàn)回放進(jìn)行訓(xùn)練，最終輸出任務(wù)調(diào)度策略包括：

23、構(gòu)建包含宏觀任務(wù)分配層和微觀資源調(diào)度層的雙層強(qiáng)化學(xué)習(xí)架構(gòu)，宏觀任務(wù)分配層的狀態(tài)空間包括資源狀態(tài)矩陣、待處理任務(wù)集合和任務(wù)隊(duì)列狀態(tài)，宏觀任務(wù)分配層的動(dòng)作空間包括任務(wù)分組策略和節(jié)點(diǎn)選擇策略，微觀資源調(diào)度層的狀態(tài)空間包括宏觀任務(wù)分配層的狀態(tài)空間、局部資源利用率和任務(wù)依賴關(guān)系圖，微觀資源調(diào)度層的動(dòng)作空間包括資源分配比例、任務(wù)優(yōu)先級(jí)調(diào)整和調(diào)度時(shí)序安排；通過微觀資源調(diào)度層對(duì)宏觀任務(wù)分配層分配的任務(wù)執(zhí)行具體調(diào)度，通過策略映射函數(shù)將宏觀任務(wù)分配層的決策結(jié)果轉(zhuǎn)換為微觀資源調(diào)度層的約束條件，通過狀態(tài)聚合函數(shù)將微觀資源調(diào)度層的狀態(tài)信息壓縮傳遞至宏觀任務(wù)分配層，實(shí)現(xiàn)層間信息的雙向傳遞；

24、將微觀資源調(diào)度層接收的任務(wù)進(jìn)行多維度優(yōu)先級(jí)評(píng)估，基于任務(wù)截止時(shí)間計(jì)算任務(wù)緊急度，基于各類資源需求量計(jì)算資源需求度，將任務(wù)緊急度與任務(wù)的執(zhí)行效率獎(jiǎng)勵(lì)相乘得到第一乘積，將資源需求度與任務(wù)的資源利用率獎(jiǎng)勵(lì)相乘得到第二乘積，將第一乘積和第二乘積相加得到任務(wù)的綜合獎(jiǎng)勵(lì)函數(shù)；

25、構(gòu)建主網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)組成的雙重q網(wǎng)絡(luò)結(jié)構(gòu)，主網(wǎng)絡(luò)和目標(biāo)網(wǎng)絡(luò)采用相同的網(wǎng)絡(luò)結(jié)構(gòu)，將綜合獎(jiǎng)勵(lì)函數(shù)輸入主網(wǎng)絡(luò)，基于時(shí)序差分誤差構(gòu)建損失函數(shù)對(duì)主網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并周期性地將主網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)復(fù)制到目標(biāo)網(wǎng)絡(luò)；將微觀資源調(diào)度層的狀態(tài)空間中的狀態(tài)特征輸入注意力機(jī)制模塊，通過注意力機(jī)制模塊計(jì)算狀態(tài)特征的重要性權(quán)重，根據(jù)重要性權(quán)重對(duì)狀態(tài)特征進(jìn)行加權(quán)；將訓(xùn)練樣本按照時(shí)序差分誤差確定的優(yōu)先級(jí)存入經(jīng)驗(yàn)回放池，從經(jīng)驗(yàn)回放池中按照樣本優(yōu)先級(jí)進(jìn)行采樣訓(xùn)練主網(wǎng)絡(luò)，基于訓(xùn)練后的主網(wǎng)絡(luò)輸出任務(wù)的調(diào)度策略。

26、通過多源傳感器采集患者的生理、視覺和音頻數(shù)據(jù)并進(jìn)行時(shí)序?qū)R校準(zhǔn)，對(duì)校準(zhǔn)后數(shù)據(jù)提取多模態(tài)特征并進(jìn)行自適應(yīng)融合，基于多模態(tài)特征計(jì)算患者緊急程度并預(yù)測(cè)群傷分布，根據(jù)群傷分布生成資源調(diào)度方案，通過實(shí)時(shí)評(píng)估系統(tǒng)性能對(duì)參數(shù)進(jìn)行動(dòng)態(tài)優(yōu)化調(diào)整包括：

27、通過多源傳感器實(shí)時(shí)采集患者的生理數(shù)據(jù)、視覺數(shù)據(jù)和音頻數(shù)據(jù)，根據(jù)時(shí)間戳生成對(duì)齊權(quán)重系數(shù)，基于對(duì)齊權(quán)重系數(shù)計(jì)算時(shí)序?qū)R損失函數(shù)對(duì)生理數(shù)據(jù)、視覺數(shù)據(jù)和音頻數(shù)據(jù)進(jìn)行校準(zhǔn)，獲得校準(zhǔn)后的多模態(tài)數(shù)據(jù)；

28、對(duì)校準(zhǔn)后的多模態(tài)數(shù)據(jù)進(jìn)行特征提取，通過小波變換對(duì)生理數(shù)據(jù)進(jìn)行多尺度頻譜分析得到時(shí)域和頻域特征，通過vgg網(wǎng)絡(luò)對(duì)視覺數(shù)據(jù)提取面部微表情特征，通過時(shí)頻注意力機(jī)制對(duì)音頻數(shù)據(jù)提取聲學(xué)特征，獲得多模態(tài)特征數(shù)據(jù)；

29、將多模態(tài)特征數(shù)據(jù)輸入跨模態(tài)注意力融合機(jī)制進(jìn)行自適應(yīng)權(quán)重融合得到融合特征，將融合特征輸入多層次特征提取網(wǎng)絡(luò)分別提取生理特征、行為特征和語義特征，基于動(dòng)態(tài)權(quán)重系數(shù)對(duì)不同評(píng)估指標(biāo)進(jìn)行綜合評(píng)分得到緊急程度得分；

30、根據(jù)緊急程度得分對(duì)患者進(jìn)行分類，在群傷場(chǎng)景下基于多模態(tài)特征數(shù)據(jù)進(jìn)行多源信息融合，估算傷員數(shù)量并預(yù)測(cè)傷情分布信息；基于傷員數(shù)量、傷情分布信息構(gòu)建資源調(diào)度優(yōu)化目標(biāo)函數(shù)，通過優(yōu)化資源調(diào)度優(yōu)化目標(biāo)函數(shù)生成最優(yōu)資源調(diào)度方案；

31、構(gòu)建多維性能評(píng)估指標(biāo)體系實(shí)時(shí)監(jiān)控最優(yōu)資源調(diào)度方案的執(zhí)行狀態(tài)，將性能改善度量指標(biāo)輸入深度強(qiáng)化學(xué)習(xí)模型獲得優(yōu)化策略，基于執(zhí)行效果更新優(yōu)化知識(shí)庫并動(dòng)態(tài)調(diào)整策略網(wǎng)絡(luò)參數(shù)，結(jié)合故障恢復(fù)機(jī)制實(shí)現(xiàn)系統(tǒng)性能和可靠性的動(dòng)態(tài)平衡優(yōu)化。

32、構(gòu)建多維性能評(píng)估指標(biāo)體系實(shí)時(shí)監(jiān)控最優(yōu)資源調(diào)度方案的執(zhí)行狀態(tài)，將性能改善度量指標(biāo)輸入深度強(qiáng)化學(xué)習(xí)模型獲得優(yōu)化策略，基于執(zhí)行效果更新優(yōu)化知識(shí)庫并動(dòng)態(tài)調(diào)整策略網(wǎng)絡(luò)參數(shù)，結(jié)合故障恢復(fù)機(jī)制實(shí)現(xiàn)系統(tǒng)性能和可靠性的動(dòng)態(tài)平衡優(yōu)化包括：

33、構(gòu)建多維性能評(píng)估指標(biāo)體系，采集每個(gè)邊緣節(jié)點(diǎn)的數(shù)據(jù)處理延遲、計(jì)算負(fù)載、網(wǎng)絡(luò)帶寬占用率和內(nèi)存使用率，基于數(shù)據(jù)處理延遲、計(jì)算負(fù)載、網(wǎng)絡(luò)帶寬占用率和內(nèi)存使用率計(jì)算端到端處理延遲、系統(tǒng)吞吐量和資源使用效率，將端到端處理延遲、系統(tǒng)吞吐量和資源使用效率構(gòu)建為性能評(píng)估向量；

34、對(duì)性能評(píng)估向量進(jìn)行實(shí)時(shí)監(jiān)控，計(jì)算優(yōu)化前后的性能改善度量指標(biāo)，性能改善度量指標(biāo)包括延遲改善率、吞吐量提升率和資源節(jié)省率，將性能改善度量指標(biāo)輸入深度強(qiáng)化學(xué)習(xí)模型進(jìn)行訓(xùn)練，獲得性能優(yōu)化策略；

35、基于性能優(yōu)化策略執(zhí)行邊緣節(jié)點(diǎn)的任務(wù)分配和資源調(diào)度，將執(zhí)行過程中的狀態(tài)特征向量、優(yōu)化決策向量和性能改善向量記錄并存儲(chǔ)至優(yōu)化知識(shí)庫，其中狀態(tài)特征向量包含資源利用率和負(fù)載水平，優(yōu)化決策向量包含資源分配和任務(wù)遷移決策，性能改善向量包含各性能指標(biāo)的改善程度；

36、計(jì)算當(dāng)前狀態(tài)特征向量與優(yōu)化知識(shí)庫中歷史狀態(tài)特征向量的余弦相似度，基于余弦相似度和當(dāng)前執(zhí)行效果構(gòu)建綜合性能獎(jiǎng)勵(lì)函數(shù)，利用綜合性能獎(jiǎng)勵(lì)函數(shù)計(jì)算策略梯度并更新深度強(qiáng)化學(xué)習(xí)模型的策略網(wǎng)絡(luò)參數(shù)，生成新的性能優(yōu)化策略；

37、實(shí)時(shí)監(jiān)控性能優(yōu)化策略的執(zhí)行效果，當(dāng)性能指標(biāo)的波動(dòng)系數(shù)超過預(yù)設(shè)波動(dòng)閾值或系統(tǒng)穩(wěn)定時(shí)間超過預(yù)設(shè)時(shí)間閾值時(shí)，從優(yōu)化知識(shí)庫中篩選歷史相似度最高的優(yōu)化決策向量作為備選策略并進(jìn)行切換，保證系統(tǒng)性能的穩(wěn)定性；

38、監(jiān)控邊緣節(jié)點(diǎn)的故障狀態(tài)，記錄故障恢復(fù)時(shí)間并計(jì)算平均故障恢復(fù)時(shí)間，結(jié)合系統(tǒng)平均故障時(shí)間計(jì)算系統(tǒng)可用性指標(biāo)，將系統(tǒng)可用性指標(biāo)作為性能優(yōu)化策略選擇的約束條件，實(shí)現(xiàn)系統(tǒng)性能和可靠性的動(dòng)態(tài)平衡優(yōu)化。

39、本發(fā)明實(shí)施例的第二方面，

40、提供一種電子設(shè)備，包括：

41、處理器；

42、用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；

43、其中，處理器被配置為調(diào)用存儲(chǔ)器存儲(chǔ)的指令，以執(zhí)行前述的方法。

44、本發(fā)明實(shí)施例的第三方面，

45、提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序指令，計(jì)算機(jī)程序指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)前述的方法。

46、本技術(shù)的有益效果如下：

47、本發(fā)明通過醫(yī)用級(jí)設(shè)備采集多模態(tài)數(shù)據(jù)并結(jié)合深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行特征提取和融合分析，能夠全面準(zhǔn)確地評(píng)估患者狀態(tài)，提高預(yù)檢分診的客觀性和準(zhǔn)確性，有效避免人工評(píng)估的主觀性和不確定性。

48、本發(fā)明采用邊緣計(jì)算架構(gòu)對(duì)多模態(tài)數(shù)據(jù)進(jìn)行分布式處理和動(dòng)態(tài)任務(wù)調(diào)度，通過資源狀態(tài)感知和任務(wù)遷移機(jī)制保證數(shù)據(jù)處理的實(shí)時(shí)性，同時(shí)優(yōu)化網(wǎng)絡(luò)帶寬占用，提高系統(tǒng)的可靠性和可擴(kuò)展性。

49、本發(fā)明基于多源傳感數(shù)據(jù)的時(shí)序?qū)R和特征融合，實(shí)現(xiàn)了對(duì)患者緊急程度的精確評(píng)估和群傷分布的準(zhǔn)確預(yù)測(cè)，通過動(dòng)態(tài)優(yōu)化參數(shù)提升系統(tǒng)性能，為醫(yī)療資源的合理調(diào)度提供了可靠依據(jù)，有效提高了救治效率。