Adquisición de datos para red conectada para EMS Soporte técnico integral utilizando inteligencia artificial

Desarrollamos un algoritmo basado en IA que puede predecir las cuatro principales enfermedades de emergencia graves que requieren tratamiento de emergencia inmediato y evaluar su gravedad a través de los siguientes modelos de entrada y salida.

1. Datos de entrada del algoritmo 1) Datos de vídeo/imagen

   • Adquisición de video a través de una cámara de 360 ​​grados instalada dentro de la ambulancia y una conexión de dispositivo Mobile Hot spot (MHS) (conexión por cable RJ-45)
   • Recopilación de datos de video a través de una cámara de banda para el cuello (portable)
   • Número de videos a través de dispositivos de gafas inteligentes (ponibles) y terminales de primeros auxilios 2) Datos de señal de sonido
   • Recopile la voz del paramédico prehospitalario y los datos de la voz del paciente a través de micrófonos de conducción ósea que usan los paramédicos 3) Datos de bioseñales
   • Dispositivo de monitoreo de pacientes instalado en ambulancia Dispositivo de punto de acceso móvil (MHS) Recopilación y transmisión de signos vitales a través de una conexión TCP/IP
   • Desfibriladores y terminales de emergencia utilizados por los equipos de campo (soporte 5G) Recolectar y transmitir signos vitales a través de una conexión TCP/IP

2. Tecnología de desarrollo 1) Desarrollo de tecnología de IA de reconocimiento de voz en entornos de emergencia

   • Recopile texto hablado, oraciones relacionadas con emergencias y datos de voz de la fase de transporte del sitio
   • Recopilación de texto de voz del escenario del servicio de transferencia en el sitio para crear una base de datos de voz para el aprendizaje de reconocimiento de voz
   • Parafrasear, a partir del texto recopilado, en el que los paramédicos generan oraciones con significados similares que se pueden pronunciar 2) Establecimiento de un sistema de procesamiento de lenguaje natural para datos de transcripción de voz en entornos de emergencia: procesamiento de lenguaje natural, como análisis de derivación y reconocimiento de nombre de entidad Optimizar la emergencia médica dominio del modulo
   • Recopilación de datos lingüísticos en entornos de emergencia, como actividades de emergencia, primeros auxilios y primeros auxilios
   • Procesamiento de los datos de idioma del entorno de emergencia recopilados para la optimización del dominio y el aprendizaje de un modelo de procesamiento de lenguaje natural basado en el aprendizaje automático 3) Eliminación de ruido de información de voz de paramédicos y diseño de modelo de separación de altavoces 4) Desarrollo de tecnología de monitoreo de información de bioseñales de reconocimiento de imagen basada en IA en ambulancias
   • Desarrollo de un algoritmo de reconocimiento de caracteres basado en imágenes para la salida de signos vitales de equipos PMS (Patient monitoring system)
   • Implementación de tecnología de reconocimiento automático de equipos PMS (ubicación, tipo, marca, etc.) a través de video 5G 360°CAM basado en aprendizaje de IA
   • Desarrollo de algoritmo de lectura basado en OCR (Optical Character Recognition) y reconocimiento automático de área de caracteres para cada tipo de señal vital
   • Implementación de tecnología de corrección de caracteres específicos/distorsionados basada en NLP (proceso de lenguaje natural)

   • Desarrollo de tecnología de preprocesado de imagen que minimiza los efectos de fondo, ruido, vibración, iluminación, etc.

     5) Desarrollo del módulo de detección de objetos de información de imagen de actividad de emergencia 6) Modelado de análisis de video de detección de comportamiento de IA

   • Detección de comportamiento mediante aprendizaje profundo Modelado de análisis de imágenes: análisis de técnicas generales de detección de comportamiento
   • Prueba de objetivo de clase similar al comportamiento médico de emergencia durante la detección del comportamiento general
   • Detección de clase similar a las actividades de rescate de los paramédicos y el movimiento de pacientes
   • Modelado de detección de comportamiento general 7) La variable de entrada obtenida en base a los datos multifacéticos obtenidos extrae los determinantes principales para la variable de salida del modelo a través del método de red profunda de Ji-an Lee y calcula el poder predictivo para la variable de salida final.