Aquisição de dados para rede conectada para EMSs Suporte técnico abrangente usando inteligência artificial

Desenvolvemos um algoritmo baseado em IA que pode prever as quatro principais doenças graves de emergência que requerem tratamento de emergência imediato e avaliar sua gravidade por meio dos seguintes modelos de entrada e saída.

1. Dados de entrada do algoritmo 1) Dados de vídeo/imagem

   • Aquisição de vídeo através de uma câmera de 360 ​​graus instalada dentro da ambulância e uma conexão de dispositivo Mobile Hot spot (MHS) (conexão com fio RJ-45)
   • Coleta de dados de vídeo via câmera de pescoço (vestível)
   • Número de vídeos através de dispositivos de óculos inteligentes (vestíveis) e terminais de primeiros socorros 2) Dados de sinal sonoro
   • Colete voz de paramédico pré-hospitalar e dados de voz do paciente por meio de microfones de condução óssea usados ​​por paramédicos 3) Dados de bio-sinal
   • Dispositivo de monitoramento de paciente instalado em ambulância Dispositivo Mobile Hot Spot (MHS) Coleta e transmissão de sinais vitais através de conexão TCP/IP
   • Desfibriladores e terminais de emergência usados ​​por equipes de campo (suporte 5G) Coleta e transmite sinais vitais por meio de conexão TCP/IP

2. Tecnologia de desenvolvimento 1) Desenvolvimento de tecnologia AI de reconhecimento de voz em ambiente de emergência

   • Colete texto falado, frases relacionadas a emergências e dados de voz da fase de transporte do site
   • Coleta de texto de fala do cenário de serviço de transferência no local para criar banco de dados de voz para aprendizado de reconhecimento de voz
   • Parafraseando, a partir do texto coletado, em que os paramédicos geram sentenças com significados semelhantes que podem ser pronunciadas 2) Estabelecimento de um sistema de processamento de linguagem natural para dados de transcrição de voz do ambiente de emergência - processamento de linguagem natural, como análise de stemming e reconhecimento de nome de entidade Otimize a emergência médica domínio do módulo
   • Coleta de dados de idioma em ambientes de emergência, como atividades de emergência, primeiros socorros e primeiros socorros
   • Processamento de dados de linguagem de ambiente de emergência coletados para otimização de domínio e aprendizado de um modelo de processamento de linguagem natural baseado em aprendizado de máquina 3) Remoção de ruído de informações de voz paramédica e design de modelo de separação de alto-falante 4) Desenvolvimento de tecnologia de monitoramento de informações de sinais biológicos de reconhecimento de imagem baseada em IA em ambulâncias
   • Desenvolvimento de algoritmo de reconhecimento de caracteres baseado em imagem para sinais vitais de saída de equipamentos PMS (Patient Monitoring System)
   • Implementação de tecnologia de reconhecimento automático para equipamentos PMS (localização, tipo, marca, etc.) por meio de vídeo 5G 360 °CAM baseado em aprendizado de IA
   • Desenvolvimento de reconhecimento automático de área de caracteres e algoritmo de leitura baseado em OCR (reconhecimento óptico de caracteres) para cada tipo de sinal vital
   • Implementação da tecnologia de correção de caracteres específicos/distorcidos baseada em NLP (Natural language process)

   • Desenvolvimento de tecnologia de pré-processamento de imagem que minimiza os efeitos de fundo, ruído, vibração, iluminação, etc.

     5) Desenvolvimento do módulo de detecção de objeto de informação de imagem de atividade de emergência 6) Modelagem de análise de vídeo de detecção de comportamento AI

   • Detecção de comportamento usando modelagem de análise de imagem de aprendizado profundo - Análise de técnicas gerais de detecção de comportamento
   • Teste de alvo de classe semelhante ao comportamento médico de emergência durante a detecção de comportamento geral
   • Detecção de classe semelhante às atividades de resgate de paramédicos e movimentação de pacientes
   • Modelagem de detecção de comportamento geral 7) A variável de entrada obtida com base nos dados multifacetados obtidos extrai os principais determinantes para a variável de saída do modelo através do método de rede profunda de Ji-an Lee e calcula o poder preditivo para a variável de saída final.