一种基于5G网络的远程医疗系统的制作方法

一种基于5g网络的远程医疗系统
技术领域
1.本发明涉及远程医疗技术领域，具体为一种基于5g网络的远程医疗系统。


背景技术：

2.远程医疗是指通过远程通信对一个远方的病人提供包括诊断和会诊在内的医疗服务，是一种随着现代通讯技术和计算机技术的高速发展而日渐兴起的一种新型医疗活动。近几年来，随着科技的发展，远程医疗系统也得到了飞速的发展，但对于现有远程医疗系统，桌面端的病人只能通过桌面端服务器与桌面端的医生进行诊断和会诊，而手机端的病人又只能通过手机端服务器与手机端的医生进行诊断和会诊，即桌面端与手机端之间无法相互通讯，这样给病人和医生的使用带来了非常的不便。
3.同时，远程医疗系统一般会采集病人的头像，并对病人头像进行识别，但现有远程医疗系统所采用的面部检测网络模型存在适应能力差和效率底下的问题，严重影响了医护人员的工作效率。
4.而且，现有远程医疗系统所采用的面部检测网络模型的结构一般都非常复杂，这样会延长病人头像识别的时间，也影响了医护人员的工作效率。


技术实现要素：

5.为实现以上目的，本发明通过以下技术方案予以实现：一种基于5g网络的远程医疗系统，包括5g中转服务器和通讯服务器；
6.所述5g中转服务器通过5g网络分别与桌面服务器和手机端服务器连接，并接收病人端通过桌面服务器或手机端服务器发送的远程问诊信息；
7.所述通讯服务器也通过5g网络分别与所述桌面服务器、手机端服务器、5g中转服务器连接，并通过所述桌面服务器或手机端服务器分别接收病人端的通讯信息和会诊医生端的通讯信息，将病人端的通讯信息通过所述桌面服务器或手机端服务器发送给会诊医生端，将会诊医生端的通讯信息通过所述桌面服务器或手机端服务器发送给病人端。
8.优选的，所述远程问诊信息包括病人id信息和会诊医生id信息。
9.优选的，所述病人id信息又包括病人姓名、性别、身份证号码和病人端采集的病人头像。
10.优选的，所述5g中转服务器包括验证模块，所述验证模块用于验证所述远程问诊信息是否正确，验证通过后，所述通讯服务器才通过所述桌面服务器或手机端服务器分别接收病人端的通讯信息和会诊医生端的通讯信息，将病人端的通讯信息通过所述桌面服务器或手机端服务器发送给会诊医生端，将会诊医生端的通讯信息通过所述桌面服务器或手机端服务器发送给病人端。
11.优选的，所述验证所述远程问诊信息是否正确，具体为，验证病人端发送的病人姓名、性别和身份证号码与预存的病人姓名、性别和身份证号码是否一致，并识别病人端采集的病人头像，同时验证病人端发送的会诊医生id信息与预存的会诊医生id信息是否一致。
12.优选的，所述识别病人端采集的病人头像，具体为：
13.将所述病人头像输入面部检测网络模型，采用one-stage面部检测网络模型对输入的病人头像进行面部检测标记出病人面部边框；采用优化的元学习从图像质量评价任务中学习人眼视觉系统评价图像质量的先于经验的知识，所述基于优化的元学习适用于基于增量梯度下降优化的网络结构，其所用的图像质量评价任务数据库作为元学习的训练任务集来学习人眼视觉系统评价图像质量的先于经验的知识；所述网络结构包括病人头像旋积神经网络模型和病人头像全连接层，对病人头像旋积神经网络模型的输出进行全局平均池化计算得到第一层全连接层，再增加第二层全连接层生成病人头像深度神经回归网络模型的输出；对于输入的病人头像，将病人头像输入病人头像深度神经回归网络模型得到预算的病人头像质量分数值；采用平均欧几里得距离作为损失函数来优化预算的病人头像质量分数值与真实值之间的差距；采用双层增量梯度下降算法对病人头像深度神经回归网络模型进行优化，并使用自适应矩估计优化器对病人头像深度神经回归网络模型参数进行更替；学习到质量先验网络模型后，再使用少量病人头像样本对质量先验网络模型做进一步学习优化，获得优化后的病人头像可识别度评估网络模型；将标记出病人面部边框的病人头像输入优化后的病人头像可识别度评估网络模型，输出得到可识别病人头像；采用数据驱动策略构建病人遮挡面部头像分类网络模型，具体地，采用病人无遮挡面部识别数据库和病人遮挡面部检测数据库，学习vgg面部识别网络模型，将可识别病人头像输入学习后的vgg面部识别网络模型并获取病人面部特征，采用支持向量机工具包中基于径向基函数核的支持向量机分类器对获取的病人面部特征进行分类，分别输出可识别病人无遮挡面部与遮挡面部；将输出的可识别病人无遮挡面部和遮挡面部分别对应输入无遮挡面部识别器和遮挡面部识别器进行识别，所述遮挡面部识别器为采用修复思想的遮挡面部识别网络。
14.优选的，将所述面部检测网络模型进行精简操作，具体为：
15.引入采用深度学习的面部检测网络模型的批规范化层，将规范化层中的形状参数伽玛作为评估深度网络模型每一层旋积层各通道对于该网络模型特征获取的重要程度的尺度函数系数；所述批规范化层，指对该层输入进行规范化处理，然后引入可学习重构形状参数；批规范化层的输入为旋积层输出的病人面部特征图，每个通道的病人面部特征图作为一个单独的神经块，使用权重共享策略，每个通道的病人面部特征图只有一对重构形状参数，即每个缩放比例系数和每个偏置系数均与输入病人面部特征图通道一一对应，将批规范化层的缩放比例系数形状参数伽玛作为网络模型剪切所需的通道重要性尺度函数系数；依据所得网络模型旋积通道重要性尺度函数系数进行核稀疏学习，具体为，在原始网络模型的损失函数中增加了一项对网络模型所有规范化层的形状参数伽玛的稀疏规则算子约束，使得形状参数伽玛更加稀疏且大部分形状参数伽玛接近于零；所述增加稀疏规则算子约束，具体为，在原始网络模型的学习损失函数上增加一项关于形状参数伽玛的子项，其实质为该网络模型所有形状参数伽玛值绝对值和的惩罚系数，其值越大，则形状参数伽玛对学习损失函数影响越大；网络模型学习过程中，损失值函数不断减小，则所有形状参数伽玛值绝对值和不断减小，更多形状参数伽玛值不断趋近于零，即实现旋积通道重要性尺度函数系数的核稀疏学习；当网络模型损失值不再随学习次数产生较大波动且大部分形状参数伽玛值趋近于零时，停止学习，获得网络模型权重比值；原始网络模型的学习损失函数共四个：第一个为边界框中心坐标损失函数，该损失函数用于表达第a个网格的第b个候选边
界框负责一个真实目标时，该候选边界框产生的预测边界框中心点坐标与真实目标的标注边界框中心点坐标的距离；其中还需将网络模型输出的预测边界框中心点对于网格相对值的横纵坐标和宽高对于候选边界框相对值转化为对于图像的真实坐标和预测边界框真实宽高的计算过程；第二个为边界框宽高损失函数，该项损失函数用于表达第a个网格的第b个候选边界框负责一个真实目标时，该候选边界框产生的预测边界框尺寸与真实目标的标注边界框尺寸的距离；第三个为置信水平损失函数，大部分光学图像内容不包含待检测物体，即没有物体的计算部分损失贡献会大于有物体的计算部分，这会导致网络模型倾向于预测单元格内不含物体，本损失函数减少不包含物体计算部分的贡献权重比值；第四个为分类损失函数，该损失函数用于表达第a个网格的第b个候选边界框负责一个真实目标时，该候选边界框产生的预测边界框分类概率与真实目标的标注边界框分类概率的距离；依据所得核稀疏学习之后的网络模型形状参数伽玛值进行旋积层通道剪切，具体如下，在通道核稀疏学习后，得到了的网络模型形状参数伽玛值大部分趋近于零，由规范化层形状参数伽玛的含义可知输入该层的病人面部特征图的每个通道对应一个形状参数伽玛值；将重要性低于剪枝概率的病人面部特征图通道丢弃，丢弃的病人面部特征图通道对应的旋积核也被丢弃，这就完成了通道剪切的过程；所述剪枝概率，指核稀疏学习后所有形状参数伽玛的百分比，即将网络模型所有形状参数伽玛从小到大排列，取前剪枝概率对应数量的形状参数伽玛对应的病人面部特征图通道剪切，该病人面部特征图通道对应的旋积核同时丢弃；当剪枝概率较高时，通道剪切可能会暂时导致不准确，但这可通过后序的网络模型微调来解决；具体地，对于旋积层，剪枝后判断每一层通道数是否为零，若为零，强制保留形状参数伽玛绝对值最大的病人面部特征图参数对应的滤波器单通道，以防过度剪枝带来的网络模型结构破坏；对于没有后续接入批规范化层的旋积层不进行通道剪切；对于直连层，剪枝后判断该层所连接的两个层通道数是否一致，若不一致，则将两层旋积层通道进行标记，未被剪枝通道标记为一，被剪枝通道标记为零，生成两组一维的二进制向量，对两组向量各位进行或处理，得到一个一维向量，其中内容为一的向量位数对应的两个旋积层通道保留，内容为零的向量位数对应的两个旋积层通道剪切；对于池化层，上采样层和连接层，不对其进行参数剪枝；最大池化层指对每个通道维度的病人面部特征图进行最大池化处理，即将病人面部特征图不重叠地分割成若干个池化尺寸大小的小块，每个小块内只取最大的数字，再丢弃其他节点后，保持原有的平面结构得到输出病人面部特征图；所述直连层，指对输入的两个旋积层病人面部特征图进行各对应通道参数叠加处理，其要求输入旋积层通道数相同；所述上采样层，是指对输入病人面部特征图，在像素点值之间采用在两个方向分别进行一次线性插值的方法插入新的元素；所述连接层，是指将输入的病人面部特征图按先后顺序，在通道维度上组合，即连接层输出病人面部特征图通道数等于输入病人面部特征图通道数之和，编码时直接进行病人面部特征图数组在通道维度上的组合；依据获取的通道剪切后的网络模型参数权重比值，对相同数据集进行网络模型再学习；学习损失函数为核稀疏学习时的原始网络模型损失函数；当网络模型损失值不再随学习次数产生较大波动时，停止学习，获得网络模型权重比值，所述学习具体为：对输入学习集图片划分网格，在各网格内通过预先设定尺寸的候选边界框生成预测边界框，通过预测边界框参数和标注真实边界框参数计算损失函数，计算完学习集内所有图片得到本次学习损失函数值，完成一次学习。
16.本发明提供了一种基于5g网络的远程医疗系统。具备以下有益效果：
17.1、通过将新用户基本要求信息预存到区块链储存模块中，这样，由于区块链的不可篡改属性，所以各金融机构可充分信任区块链储存模块中预存的新用户基本要求信息，从而减少了用户信息采集工作，提高了金融服务效率。
18.2、通过采用优化的元学习来学习图像质量评价任务获得人眼视觉系统评价图像的先于经验的知识，这样可以降低对影响面部可识别度的亮度、对比度和清晰度的失真，而且，采用优化的元学习能够适用于任何基于增量梯度下降优化的网络结构。
19.3、通过采用双层增量梯度下降算法对病人头像深度神经回归网络模型进行优化，并使用自适应矩估计优化器对病人头像深度神经回归网络模型参数进行更替，这样能获得更好的学习不同任务之间的适应能力。
20.4、本发明能够在无人工干预的情况下自动获取病人头像可识别度及失真类型，为挑选高质量病人头像或选取与失真类型匹配的面部识别算法提供了依据，能够帮助头像识别系统选用高识别度病人候选面部或者启动专用的面部识别模块，从而间接提升头像识别系统的效率。
21.5、本发明通过批规范化层来改善网络模型梯度，这样允许更大的学习率，从而能大幅提高学习速度并减少对初始化的强烈依赖。
22.6、批规范化层形状参数伽玛本质具有通道缩放的性质，引入其作为评估各通道重要程度所需的尺度函数系数，不会给网络模型带来额外的参数和计算工作量。
23.7、通过增加一项对网络模型所有规范化层的形状参数伽玛的稀疏规则算子约束，这样解决了在规范化层的形状参数伽玛在原始网络模型中不具备很高的稀疏性，其值分布分散的问题，有利于后续根据通道重要性尺度函数系数进行通道剪切的过程。
24.8、针对目前的基于深度学习的面部检测网络模型精简算法适用性较差，检测准确度损失较大的问题，引入规范化层的形状参数伽玛作为评估网络模型旋积通道重要性的尺度函数系数，通过学习，网络模型自动识别冗余通道信息，在不影响适应性的前提下，可以安全地去除冗余参数，同时通过微调学习有效地补偿了通道剪切带来的准确度的降低。
附图说明
25.图1为本发明的流程框图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.请参阅图1，一种基于5g网络的远程医疗系统，包括5g中转服务器和通讯服务器；
28.所述5g中转服务器通过5g网络分别与桌面服务器和手机端服务器连接，并接收病人端通过桌面服务器或手机端服务器发送的远程问诊信息；
29.所述通讯服务器也通过5g网络分别与所述桌面服务器、手机端服务器、5g中转服务器连接，并通过所述桌面服务器或手机端服务器分别接收病人端的通讯信息和会诊医生
端的通讯信息，将病人端的通讯信息通过所述桌面服务器或手机端服务器发送给会诊医生端，将会诊医生端的通讯信息通过所述桌面服务器或手机端服务器发送给病人端。
30.上述远程问诊信息包括病人id信息和会诊医生id信息。所述病人id信息又包括病人姓名、性别、身份证号码和病人端采集的病人头像。所述5g中转服务器包括验证模块，所述验证模块用于验证所述远程问诊信息是否正确，验证通过后，所述通讯服务器才通过所述桌面服务器或手机端服务器分别接收病人端的通讯信息和会诊医生端的通讯信息，将病人端的通讯信息通过所述桌面服务器或手机端服务器发送给会诊医生端，将会诊医生端的通讯信息通过所述桌面服务器或手机端服务器发送给病人端。
31.上述验证所述远程问诊信息是否正确，具体为，验证病人端发送的病人姓名、性别和身份证号码与预存的病人姓名、性别和身份证号码是否一致，并识别病人端采集的病人头像，同时验证病人端发送的会诊医生id信息与预存的会诊医生id信息是否一致。在病人第一次问诊时，会给病人注册账号，并建立一份对应的病人id信息，这样病人在后续问诊时，只需登录账号并验证通过后，便可再次问诊，该建立的病人id信息会随即预存在5g中转服务器内，同时，会诊医生id信息也会预先存储在5g中转服务器内。
32.上述识别病人端采集的病人头像，具体为：将所述病人头像输入面部检测网络模型，采用one-stage面部检测网络模型对输入的病人头像进行面部检测标记出病人面部边框；采用优化的元学习从图像质量评价任务中学习人眼视觉系统评价图像质量的先于经验的知识，所述基于优化的元学习适用于基于增量梯度下降优化的网络结构，其所用的图像质量评价任务数据库作为元学习的训练任务集来学习人眼视觉系统评价图像质量的先于经验的知识；所述网络结构包括病人头像旋积神经网络模型和病人头像全连接层，对病人头像旋积神经网络模型的输出进行全局平均池化计算得到第一层全连接层，再增加第二层全连接层生成病人头像深度神经回归网络模型的输出；对于输入的病人头像，将病人头像输入病人头像深度神经回归网络模型得到预算的病人头像质量分数值；采用平均欧几里得距离作为损失函数来优化预算的病人头像质量分数值与真实值之间的差距；采用双层增量梯度下降算法对病人头像深度神经回归网络模型进行优化，并使用自适应矩估计优化器对病人头像深度神经回归网络模型参数进行更替；学习到质量先验网络模型后，再使用少量病人头像样本对质量先验网络模型做进一步学习优化，获得优化后的病人头像可识别度评估网络模型；将标记出病人面部边框的病人头像输入优化后的病人头像可识别度评估网络模型，输出得到可识别病人头像；采用数据驱动策略构建病人遮挡面部头像分类网络模型，具体地，采用病人无遮挡面部识别数据库和病人遮挡面部检测数据库，学习vgg面部识别网络模型，将可识别病人头像输入学习后的vgg面部识别网络模型并获取病人面部特征，采用支持向量机工具包中基于径向基函数核的支持向量机分类器对获取的病人面部特征进行分类，分别输出可识别病人无遮挡面部与遮挡面部；将输出的可识别病人无遮挡面部和遮挡面部分别对应输入无遮挡面部识别器和遮挡面部识别器进行识别，所述遮挡面部识别器为采用修复思想的遮挡面部识别网络。
33.将所述面部检测网络模型进行精简操作，具体为：引入采用深度学习的面部检测网络模型的批规范化层，将规范化层中的形状参数伽玛作为评估深度网络模型每一层旋积层各通道对于该网络模型特征获取的重要程度的尺度函数系数；所述批规范化层，指对该层输入进行规范化处理，然后引入可学习重构形状参数；批规范化层的输入为旋积层输出
的病人面部特征图，每个通道的病人面部特征图作为一个单独的神经块，使用权重共享策略，每个通道的病人面部特征图只有一对重构形状参数，即每个缩放比例系数和每个偏置系数均与输入病人面部特征图通道一一对应，将批规范化层的缩放比例系数形状参数伽玛作为网络模型剪切所需的通道重要性尺度函数系数；依据所得网络模型旋积通道重要性尺度函数系数进行核稀疏学习，具体为，在原始网络模型的损失函数中增加了一项对网络模型所有规范化层的形状参数伽玛的稀疏规则算子约束，使得形状参数伽玛更加稀疏且大部分形状参数伽玛接近于零；所述增加稀疏规则算子约束，具体为，在原始网络模型的学习损失函数上增加一项关于形状参数伽玛的子项，其实质为该网络模型所有形状参数伽玛值绝对值和的惩罚系数，其值越大，则形状参数伽玛对学习损失函数影响越大；网络模型学习过程中，损失值函数不断减小，则所有形状参数伽玛值绝对值和不断减小，更多形状参数伽玛值不断趋近于零，即实现旋积通道重要性尺度函数系数的核稀疏学习；当网络模型损失值不再随学习次数产生较大波动且大部分形状参数伽玛值趋近于零时，停止学习，获得网络模型权重比值；原始网络模型的学习损失函数共四个：第一个为边界框中心坐标损失函数，该损失函数用于表达第a个网格的第b个候选边界框负责一个真实目标时，该候选边界框产生的预测边界框中心点坐标与真实目标的标注边界框中心点坐标的距离；其中还需将网络模型输出的预测边界框中心点对于网格相对值的横纵坐标和宽高对于候选边界框相对值转化为对于图像的真实坐标和预测边界框真实宽高的计算过程；第二个为边界框宽高损失函数，该项损失函数用于表达第a个网格的第b个候选边界框负责一个真实目标时，该候选边界框产生的预测边界框尺寸与真实目标的标注边界框尺寸的距离；第三个为置信水平损失函数，大部分光学图像内容不包含待检测物体，即没有物体的计算部分损失贡献会大于有物体的计算部分，这会导致网络模型倾向于预测单元格内不含物体，本损失函数减少不包含物体计算部分的贡献权重比值；第四个为分类损失函数，该损失函数用于表达第a个网格的第b个候选边界框负责一个真实目标时，该候选边界框产生的预测边界框分类概率与真实目标的标注边界框分类概率的距离；依据所得核稀疏学习之后的网络模型形状参数伽玛值进行旋积层通道剪切，具体如下，在通道核稀疏学习后，得到了的网络模型形状参数伽玛值大部分趋近于零，由规范化层形状参数伽玛的含义可知输入该层的病人面部特征图的每个通道对应一个形状参数伽玛值；将重要性低于剪枝概率的病人面部特征图通道丢弃，丢弃的病人面部特征图通道对应的旋积核也被丢弃，这就完成了通道剪切的过程；所述剪枝概率，指核稀疏学习后所有形状参数伽玛的百分比，即将网络模型所有形状参数伽玛从小到大排列，取前剪枝概率对应数量的形状参数伽玛对应的病人面部特征图通道剪切，该病人面部特征图通道对应的旋积核同时丢弃；当剪枝概率较高时，通道剪切可能会暂时导致不准确，但这可通过后序的网络模型微调来解决；具体地，对于旋积层，剪枝后判断每一层通道数是否为零，若为零，强制保留形状参数伽玛绝对值最大的病人面部特征图参数对应的滤波器单通道，以防过度剪枝带来的网络模型结构破坏；对于没有后续接入批规范化层的旋积层不进行通道剪切；对于直连层，剪枝后判断该层所连接的两个层通道数是否一致，若不一致，则将两层旋积层通道进行标记，未被剪枝通道标记为一，被剪枝通道标记为零，生成两组一维的二进制向量，对两组向量各位进行或处理，得到一个一维向量，其中内容为一的向量位数对应的两个旋积层通道保留，内容为零的向量位数对应的两个旋积层通道剪切；对于池化层，上采样层和连接层，不对其进行参数剪枝；最大池化层指对每个通道
维度的病人面部特征图进行最大池化处理，即将病人面部特征图不重叠地分割成若干个池化尺寸大小的小块，每个小块内只取最大的数字，再丢弃其他节点后，保持原有的平面结构得到输出病人面部特征图；所述直连层，指对输入的两个旋积层病人面部特征图进行各对应通道参数叠加处理，其要求输入旋积层通道数相同；所述上采样层，是指对输入病人面部特征图，在像素点值之间采用在两个方向分别进行一次线性插值的方法插入新的元素；所述连接层，是指将输入的病人面部特征图按先后顺序，在通道维度上组合，即连接层输出病人面部特征图通道数等于输入病人面部特征图通道数之和，编码时直接进行病人面部特征图数组在通道维度上的组合；依据获取的通道剪切后的网络模型参数权重比值，对相同数据集进行网络模型再学习；学习损失函数为核稀疏学习时的原始网络模型损失函数；当网络模型损失值不再随学习次数产生较大波动时，停止学习，获得网络模型权重比值，所述学习具体为：对输入学习集图片划分网格，在各网格内通过预先设定尺寸的候选边界框生成预测边界框，通过预测边界框参数和标注真实边界框参数计算损失函数，计算完学习集内所有图片得到本次学习损失函数值，完成一次学习。
34.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。