基於圖像處理與語音識別技術的智能病房及其運行方法與流程
2023-12-02 08:44:06 1
涉及智能管理系統，特別是一種運用於病房的智能管理系統。
背景技術：
在醫院系統中，對病人和病房的狀態獲取主要依賴於護士人員的人工巡查，以及一些傳統的監測技術等手段，存在效率低下，可靠性低，反饋不夠及時等缺點。隨著社會的進步，人們對醫療條件提出了更高的要求，傳統手段的缺點愈發明顯，並且需要投入大量的人力，不利於醫療質量的提高；市場需要一種智能系統，能時刻監督並判斷病人狀態的智能系統，本發明解決這樣的問題。
技術實現要素：
為解決現有技術的不足，本發明的目的在於提供一種基於圖像處理與語音識別技術的智能病房及其運行方法，方便醫護人員遠程監控病人狀態，自動化程度高，操作準確；為醫患雙方提供了便利，提高了醫生的工作效率，節省了人力物力，降低了成本。
為了實現上述目標，本發明採用如下的技術方案：
基於圖像處理與語音識別的智能病房，包括:對病房的信息進行實時監測與採集的信息採集終端，接收信息採集終端信息並對信息進行處理、判斷、存儲的信息處理中心伺服器，既可以接收信息處理中心伺服器發出的信息也可以自主訪問信息處理中心伺服器的客戶端；信息採集終端包括：採集語音信息的麥克風，採集圖像信息的攝像頭，採集病房內醫療設備數據的接口模塊，接收語音信息、圖像信息、醫療設備信息的處理器，將處理器處理後的信息傳輸到信息處理中心伺服器的處理器通信器；信息處理中心伺服器包括：接收處理器通信器信息的伺服器通信器，接收並處理伺服器通信器的信息的伺服器主機，接發信息於伺服器主機並儲存信息的伺服器資料庫。
前述的基於圖像處理與語音識別的智能病房，客戶端包括：智慧型手機，平板電腦，計算機。
前述的基於圖像處理與語音識別的智能病房的運行方法，包括如下步驟：
步驟一，採用攝像頭採集信息採集病房實時畫面信息，採用麥克風採集病房語音，採用接口模塊採集病房內醫療設備數據；處理器將採集到的模擬信號轉換成數位訊號，並進行數字濾波，剔除噪聲和一些錯誤數據，再將初步處理的數據通過處理器通信器發送傳輸到信息處理中心伺服器；
步驟二，通過信息處理中心伺服器完成語音信號的識別，圖像信號的分析、判斷和識別，醫療設備信息的分析和識別。
步驟三，信息處理中心伺服器將採集到的數據及分析結果進行存儲以供用戶查詢；分析結果包括：語音信號的識別結果，病房內醫療設備工作狀況，病房內有無病人的判斷結果，對病人的身體狀態的判斷結果。
步驟四，信息處理中心伺服器將步驟三的分析結果向客戶端進行發布；
步驟五，用戶客戶端實時接收信息處理中心伺服器發布的信息或主動向信息處理中心伺服器查詢病房與病人的狀態。
前述的基於圖像處理與語音識別的智能病房的運行方法，信息處理中心伺服器識別語音信號的具體過程為：
步驟一，語音信號預處理，預處理包括：語音分幀，預加重，加窗處理；
步驟二，採用短時能量短時過零率雙門限端點檢測方法對語音信號進行端點檢測，找出字、詞的起始點及結束點，只存儲和處理有效語音信號；短時能量短時過零率雙門限端點檢測方法具體內容包括：第n幀語音信號的短時能量en為：xn為原樣本序列在窗函數所切取出的第n段短時語音，n為幀長；
短時過零率：表示一幀語音信號波形穿過橫軸(零電平)的次數。計算方法是通過設定一個差的閾值δ，使不僅xn(m)*xn(m-1)δ，從而計算出短時過零率。δ的值可由多次試驗取得；採用雙門限端點檢測在開始檢測之前設定4個門限，即分別為短時能量和短時過零率各設置一個高門限和一個低門限：ehigh、elow和zhigh、zlow，若第n幀的短時能量和短時過零率在門限之間，則認為該幀即為要檢測的端點；
步驟三，採用mfcc係數作為識別參數在預處理的基礎上對有效語音信號進行語音識別參數提取；mfcc係數計算方法包括：
a)計算離散功率譜：對預處理的每幀進行離散fft變換得到其頻譜，再取模的平方作為離散功率譜s(n)；
b)將功率譜通過濾波器組：計算s(n)通過m個hm(n)後所得的功率值，即計算s(n)和hm(n)在各離散頻率點上的乘積之和，得到m個參數pm，m＝0,1,……m-1；
c)取對數：計算pm的自然對數，得到lm，m＝0,1,……m-1；
d)離散餘弦變換：對lm計算其離散餘弦變換，得到dm，m＝0,1,……m-1，捨去代表直流成份的d0，取d1，d2，……，dk作為mfcc參數。
步驟四：採用dtw算法將測試信號與所有參考模板特徵參數進行匹配進行語音識別；dtw算法分兩步進行，一是計算兩個對象各幀之間的距離，即求出幀匹配距離矩陣，二是在幀匹配距離矩陣中找出一條最佳路徑，找到的最小匹配距離dmin(n,m)所對應語音即為識別結果。
前述的基於圖像處理與語音識別的智能病房的運行方法，信息處理中心伺服器完成圖像信號的分析、判斷和識別的具體過程為：步驟一，對圖像進行預處理，預處理內容包括圖像降噪和圖像增強；圖像降噪採用中值濾波降噪，具體算法是進行n次採樣，n為奇數，將採樣的結果按從小到大或從大到小排序，取中間值作為採樣的結果；圖像增強則是通過增強對比度的辦法來看清圖像的細節，運用平滑技術減少塊效應對圖像清晰度的影響，使用微分運算突出邊界或其他變化部分；步驟二，對預處理後的病房圖像進行處理，獲得病房內的信息，完成判斷；判斷內容包括：判斷病房是否住有病人，判斷病房有無人員進出，判斷特定病患的及時定位，判斷病人行為。
前述的基於圖像處理與語音識別的智能病房的運行方法，判斷病房是否住有病人的具體過程包括：
步驟一，在樣本圖像中選取並分割含有醫院病服的部分；分割方法是先在樣本圖像中統計出病服區域的二階灰度直方圖，並求出門限值，以此門限值來進行分割，並且用於之後的邊界匹配。若把m×n的樣本圖像x在像素(i,j)處的灰度值記為f(i,j),求出的病服部分的門限值為t，
則要分割的目標部分為：o＝{f(i,j)≤t|(i,j)∈x}；
背景部分為：b＝{f(i,j)＞t|(i,j)∈x}；
步驟二，對目標區域進行紋理分析，先求出樣本區域的灰度共生矩陣，用樣本圖像中求得的門限值在要處理的目標圖像中自動識別與病服相同的邊界並分割該區域，同樣求出該區域的灰度共生矩陣，計算紋理一致性和紋理反差等紋理特徵；紋理特徵的描述包括灰度共生矩陣、對比度、idm、熵、自相關；
樣本區域的灰度共生矩陣:
對比度：
idm：
熵：
自相關：
其中
用一個向量將以上特徵綜合在一起，可以綜合得到向量：h＝[asm1,con1,idm1,ent1,cor1,...,asm4,con4,idm4,ent4,cor4]；
步驟三，對樣本圖像和目標圖像中分割到的區域進行紋理特徵綜合向量比較，如果一致性很強，則認為樣本圖中存在病人，否則，認為不存在病人。
前述的基於圖像處理與語音識別的智能病房的運行方法，判斷病房是否住有病人的具體過程還包括：在紋理特徵識別的基礎上進行顏色特徵的識別,對分割樣本圖像和目標圖像中分割到的區域進行顏色特徵的提取，具體提取過程包括：
步驟一，計算區域內rgb顏色系統的r,g,b值，計算公式如為:
步驟二，由rgb向his空間進行轉換,可以得到his值,轉換方法如下:
max＝max(r,g,b),min＝min(r,g,b)，
i＝0.229r+0.587g+0.114b，
其中r,g,b,s,i∈[0，1],h∈[0，360]；
步驟三，對樣本圖像和目標圖像中分割到的區域的his值進行比較，如果一致性很強，則認為樣本圖中存在目標，否則，認為不存在目標；
步驟四，綜合顏色特徵和紋理特徵的識別，便可以準確的確定目標圖像中病人是否在病房中。
前述的基於圖像處理與語音識別的智能病房的運行方法，判斷病房有無人員進出的具體過程包括：
步驟一，採用加權平均法對相鄰兩幀rgb圖像進行灰度化處理，圖像灰度值計算公式為:f(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j))；
步驟二，比較前後兩幀圖像的灰度差，設定一個灰度差閾值；
步驟三，當兩幀圖像的灰度差大於這一閾值，則認為有人員進出病房，由伺服器向客戶端發出提示，相關人員進行查看確認。
前述的基於圖像處理與語音識別的智能病房的運行方法，判斷特定病患的及時定位的具體過程包括：
步驟一，在病人入院時對其進行面部圖像採集；
步驟二，在人臉特徵提取前對圖像進行濾波去噪、灰度變換、圖像二值化、邊緣檢測、尺寸歸一化、灰度歸一化等預處理；
步驟三，採用適用於人臉特徵的神經網絡分類器提取其人臉特徵並建立病人信息庫，用人臉圖像樣本對分類器一邊訓練，一邊測試，並把在測試過程中的錯誤分類結果作為反例樣本加入學習過程；
步驟四，採用基於pca的人臉識別方法進行識別，先把人臉庫組成的高維圖像空間經k—l變換後得到一組新的正交基，對這些正交基作一定的取捨，保留其中的一部分生成低維的人臉空間，也即人臉的特徵子空間，有了這樣一個由「特徵臉」組成的降維子空間，把所需識別的人臉圖像都向其做投影並獲得一組坐標係數，根據這一組坐標係數運用模式分類的理論進行識別，把投影到子空間中的所有測試圖像和訓練圖像進行比較，確定待識樣本是否是醫院人臉庫的病人，如果是所需查找的病人，則向伺服器反饋所識別到的攝像頭的坐標，由相關人員前往處理。
前述的基於圖像處理與語音識別的智能病房的運行方法，判斷病人行為的具體過程包括：
步驟一，設fk(x,y)、fk+1(x,y)、fk+2(x,y)為病房攝像頭採集到的連續3幀圖像，先對圖像進行灰度化處理；
步驟二，把第k幀作為背景圖像，用k+1幀減去第k幀獲得k+1幀與第k幀的差分圖像，m1為所得差分圖像的質心，也為目標的初始位置，用k+2幀減去第k幀獲得k+2幀與第k幀的差分圖像，m2為所得差分圖像的質心，為目標的運動位置；
步驟三，通過獲取圖像中m1和m2的坐標關係，可以得出目標的運動方向，通過與獲取幀圖像間隔時間的計算，可以獲得目標的運動速度。
前述的基於圖像處理與語音識別的智能病房的運行方法，判斷病人行為的內容包括：病人跌倒和行為異常；
病人跌倒的具體判斷過程包括：當通過圖像處理，發現目標的運動方向是向下，並且在設定時間長度t內沒有向上運動則認為病人發生了跌倒，及時向客戶端發出預警，由醫護人員及時處理，時間長度t的設定是為了防止病人正常行為時系統的錯誤響應；
行為異常的具體判斷過程包括：通過對目標的運動速度設定一閾值，若是目標的運動速度大於此閾值，並且運動方向具有明顯的無序性，則伺服器發出預警到客戶端，由醫生前往病房處理。
本發明的有益之處在於：本發明提供一種基於圖像處理與語音識別技術的智能病房及其運行方法，通過信息採集終端採集病房、病人的語言和圖像信息以及醫療設備運行狀態，再通過乙太網傳輸到信息處理中心伺服器，中心伺服器利用圖像處理與語音識別技術對所採集到的圖像信息和語音信息進行智能分析處理，信息處理中心伺服器交互分析結果信息於客戶端，方便醫護人員遠程監控病人狀態，自動化程度高，操作準確；為醫患雙方提供了便利，提高了醫生的工作效率，節省了人力物力，降低了成本。
附圖說明
圖1是本發明的一種實施例的結構示意圖；
圖2是本發明系統工作流程圖；
圖3是本發明人臉識別流程圖。
具體實施方式
以下結合附圖和具體實施例對本發明作具體的介紹。
如圖1所示，基於圖像處理與語音識別的智能病房，包括:對病房的信息進行實時監測與採集的信息採集終端，接收信息採集終端信息並對信息進行處理、判斷、存儲的信息處理中心伺服器，既可以接收信息處理中心伺服器發出的信息也可以自主訪問信息處理中心伺服器的客戶端；信息採集終端包括：採集語音信息的麥克風，採集圖像信息的攝像頭，採集病房內醫療設備數據的接口模塊，接收語音信息、圖像信息、醫療設備信息的處理器，將處理器處理後的信息傳輸到信息處理中心伺服器的處理器通信器；信息處理中心伺服器包括：接收處理器通信器信息的伺服器通信器，接收並處理伺服器通信器的信息的伺服器主機，接發信息於伺服器主機並儲存信息的伺服器資料庫。作為一種實施例，接口模塊可以為具有485通訊接口或者乙太網通訊接口的標準接口，作為一種實施例，處理器通信器為乙太網，伺服器通信器為乙太網；需要說明的是，處理器通信器和伺服器通信器除了乙太網，也可以是其他類型的網絡，如wifi無線網絡。作為實施例，客戶端包括：智慧型手機，平板電腦，計算機。信息採集終端對病房的信息進行實時監測與採集，將所獲得的信息發送給信息處理中心伺服器，信息處理中心伺服器對所收到的信息進行智能處理、判斷、存儲，同時將病房的最新狀態及時發布到客戶端，客戶端為醫護人員所使用，既可以接收伺服器信息，也能自主訪問伺服器，實時了解病房的情況。
如圖2所示，基於圖像處理與語音識別的智能病房的運行方法，包括如下步驟：
步驟一，採用攝像頭採集信息採集病房實時畫面信息，採用麥克風採集病房語音，採用接口模塊採集病房內醫療設備數據；處理器將採集到的模擬信號轉換成數位訊號，並進行數字濾波，剔除噪聲和一些錯誤數據，再將初步處理的數據通過乙太網發送傳輸到信息處理中心伺服器；
步驟二，通過信息處理中心伺服器完成語音信號的識別，圖像信號的分析、判斷和識別，醫療設備信息的分析和識別。
步驟三，信息處理中心伺服器將採集到的數據及分析結果進行存儲以供用戶查詢；分析結果包括：語音信號的識別結果，病房內醫療設備工作狀況，病房內有無病人的判斷結果，對病人的身體狀態的判斷結果。
步驟四，信息處理中心伺服器將步驟三的分析結果向客戶端進行發布；
步驟五，用戶客戶端實時接收信息處理中心伺服器發布的信息或主動向信息處理中心伺服器查詢病房與病人的狀態。
信息處理中心伺服器識別語音信號的具體過程為：
步驟一，語音信號預處理，預處理包括：語音分幀，預加重，加窗處理；
步驟二，採用短時能量短時過零率雙門限端點檢測方法對語音信號進行端點檢測，找出字、詞的起始點及結束點，只存儲和處理有效語音信號；短時能量短時過零率雙門限端點檢測方法具體內容包括：第n幀語音信號的短時能量en為：xn為原樣本序列在窗函數所切取出的第n段短時語音，n為幀長；
短時過零率：表示一幀語音信號波形穿過橫軸(零電平)的次數。計算方法是通過設定一個差的閾值δ，使不僅xn(m)*xn(m-1)δ，從而計算出短時過零率。δ的值可由多次試驗取得；採用雙門限端點檢測在開始檢測之前設定4個門限，即分別為短時能量和短時過零率各設置一個高門限和一個低門限：ehigh、elow和zhigh、zlow，若第n幀的短時能量和短時過零率在門限之間，則認為該幀即為要檢測的端點；
步驟三，採用mfcc係數作為識別參數在預處理的基礎上對有效語音信號進行語音識別參數提取；mfcc係數計算方法包括：
a)計算離散功率譜：對預處理的每幀進行離散fft變換得到其頻譜，再取模的平方作為離散功率譜s(n)；
b)將功率譜通過濾波器組：計算s(n)通過m個hm(n)後所得的功率值，即計算s(n)和hm(n)在各離散頻率點上的乘積之和，得到m個參數pm，m＝0,1,……m-1；
c)取對數：計算pm的自然對數，得到lm，m＝0,1,……m-1；
d)離散餘弦變換：對lm計算其離散餘弦變換，得到dm，m＝0,1,……m-1，捨去代表直流成份的d0，取d1，d2，……，dk作為mfcc參數。
步驟四：採用dtw算法將測試信號與所有參考模板特徵參數進行匹配進行語音識別；dtw算法分兩步進行，一是計算兩個對象各幀之間的距離，即求出幀匹配距離矩陣，二是在幀匹配距離矩陣中找出一條最佳路徑，找到的最小匹配距離dmin(n,m)所對應語音即為識別結果。
信息處理中心伺服器完成圖像信號的分析、判斷和識別的具體過程為：步驟一，對圖像進行預處理，預處理內容包括圖像降噪和圖像增強；圖像降噪採用中值濾波降噪，具體算法是進行n次採樣，n為奇數，將採樣的結果按從小到大或從大到小排序，取中間值作為採樣的結果；圖像增強則是通過增強對比度的辦法來看清圖像的細節，運用平滑技術減少塊效應對圖像清晰度的影響，使用微分運算突出邊界或其他變化部分；步驟二，對預處理後的病房圖像進行處理，獲得病房內的信息，完成判斷；判斷內容包括：判斷病房是否住有病人，判斷病房有無人員進出，判斷特定病患的及時定位，判斷病人行為。
判斷病房是否住有病人通過提取醫院病服的紋理特徵和色彩特徵，再通過對採集到的圖像的特徵與病服特徵匹配，判斷病房是否有病人在。判斷病房是否住有病人的具體過程包括：
步驟一，在樣本圖像中選取並分割含有醫院病服的部分；分割方法是先在樣本圖像中統計出病服區域的二階灰度直方圖，並求出門限值，以此門限值來進行分割，並且用於之後的邊界匹配。若把m×n的樣本圖像x在像素(i,j)處的灰度值記為f(i,j),求出的病服部分的門限值為t，
則要分割的目標部分為：o＝{f(i,j)≤t|(i,j)∈x}；
背景部分為：b＝{f(i,j)＞t|(i,j)∈x}；
步驟二，對目標區域進行紋理分析，先求出樣本區域的灰度共生矩陣，用樣本圖像中求得的門限值在要處理的目標圖像中自動識別與病服相同的邊界並分割該區域，同樣求出該區域的灰度共生矩陣，計算紋理一致性和紋理反差等紋理特徵；紋理特徵的描述包括灰度共生矩陣、對比度、idm、熵、自相關；
樣本區域的灰度共生矩陣:
對比度：
idm：
熵：
自相關：
其中
用一個向量將以上特徵綜合在一起，可以綜合得到向量：h＝[asm1,con1,idm1,ent1,cor1,...,asm4,con4,idm4,ent4,cor4]；
步驟三，對樣本圖像和目標圖像中分割到的區域進行紋理特徵綜合向量比較，如果一致性很強，則認為樣本圖中存在病人，否則，認為不存在病人。
作為一種優選，為了提高識別精度，判斷病房是否住有病人的具體過程還包括：在紋理特徵識別的基礎上進行顏色特徵的識別,對分割樣本圖像和目標圖像中分割到的區域進行顏色特徵的提取，具體提取過程包括：
步驟一，計算區域內rgb顏色系統的r,g,b值，計算公式如為:
步驟二，由rgb向his空間進行轉換,可以得到his值,轉換方法如下:
max＝max(r,g,b),min＝min(r,g,b)，
i＝0.229r+0.587g+0.114b，
其中r,g,b,s,i∈[0，1],h∈[0，360]；
步驟三，對樣本圖像和目標圖像中分割到的區域的his值進行比較，如果一致性很強，則認為樣本圖中存在目標，否則，認為不存在目標；
步驟四，綜合顏色特徵和紋理特徵的識別，便可以準確的確定目標圖像中病人是否在病房中。
當需要及時了解出入病房的人員時，可在發現有人員出入時發出提示，再由相關人員查看；可採用基於相鄰幀差的算法，其原理是比較相鄰兩幀圖像的灰度差。判斷病房有無人員進出的具體過程包括：
步驟一，採用加權平均法對相鄰兩幀rgb圖像進行灰度化處理，圖像灰度值計算公式為:f(i,j)＝0.30r(i,j)+0.59g(i,j)+0.11b(i,j))；
步驟二，比較前後兩幀圖像的灰度差，設定一個灰度差閾值；這樣的過程設計可以消除由於病房背景的變化引起的誤差；
步驟三，當兩幀圖像的灰度差大於這一閾值，則認為有人員進出病房，由伺服器向客戶端發出提示，相關人員進行查看確認。
如圖3所示，在病人入院時對其進行面部圖像採集，提取其人臉特徵並建立病人信息庫，當需要查找庫中某位病人時，對所有攝像頭上傳圖像進行人臉檢測和特徵提取，與該位病人面部特徵進行匹配，便可以快速的獲得其所處位置。判斷特定病患的及時定位的具體過程包括：
步驟一，在病人入院時對其進行面部圖像採集；
步驟二，在人臉特徵提取前對圖像進行濾波去噪、灰度變換、圖像二值化、邊緣檢測、尺寸歸一化、灰度歸一化等預處理，這樣的設計可以消除客觀因素對後期識別的幹擾，提高識別精確度；
步驟三，人臉的檢測和定位採用人工神經網絡學習的方法，採用自調整的學習原理，設計一個適用於人臉特徵的神經網絡分類器，採用適用於人臉特徵的神經網絡分類器提取其人臉特徵並建立病人信息庫，用人臉圖像樣本對分類器一邊訓練，一邊測試，並把在測試過程中的錯誤分類結果作為反例樣本加入學習過程；這樣的過程設計，減少了樣本集的規模，並逐步的提高了神經網絡的分類性能。
步驟四，採用基於pca的人臉識別方法進行識別，先把人臉庫組成的高維圖像空間經k—l變換後得到一組新的正交基，對這些正交基作一定的取捨，保留其中的一部分生成低維的人臉空間，也即人臉的特徵子空間，有了這樣一個由「特徵臉」組成的降維子空間，把所需識別的人臉圖像都向其做投影並獲得一組坐標係數，根據這一組坐標係數運用模式分類的理論進行識別，把投影到子空間中的所有測試圖像和訓練圖像進行比較，確定待識樣本是否是醫院人臉庫的病人，如果是所需查找的病人，則向伺服器反饋所識別到的攝像頭的坐標，由相關人員前往處理。
判斷病人行為的具體過程包括：
步驟一，設fk(x,y)、fk+1(x,y)、fk+2(x,y)為病房攝像頭採集到的連續3幀圖像，先對圖像進行灰度化處理；
步驟二，把第k幀作為背景圖像，用k+1幀減去第k幀獲得k+1幀與第k幀的差分圖像，m1為所得差分圖像的質心，也為目標的初始位置，用k+2幀減去第k幀獲得k+2幀與第k幀的差分圖像，m2為所得差分圖像的質心，為目標的運動位置；
步驟三，通過獲取圖像中m1和m2的坐標關係，可以得出目標的運動方向，通過與獲取幀圖像間隔時間的計算，可以獲得目標的運動速度。
作為判斷病人行為的計算方法的應用，判斷病人行為的內容包括：病人跌倒和行為異常；
病人跌倒的具體判斷過程包括：當通過圖像處理，發現目標的運動方向是向下，並且在設定時間長度t內沒有向上運動則認為病人發生了跌倒，及時向客戶端發出預警，由醫護人員及時處理，時間長度t的設定是為了防止病人正常行為時系統的錯誤響應；
行為異常的具體判斷過程包括：通過對目標的運動速度設定一閾值，若是目標的運動速度大於此閾值，並且運動方向具有明顯的無序性，則伺服器發出預警到客戶端，由醫生前往病房處理。
本發明提供一種基於圖像處理與語音識別技術的智能病房及其運行方法，通過信息採集終端採集病房、病人的語言和圖像信息以及醫療設備運行狀態，再通過乙太網傳輸到信息處理中心伺服器，中心伺服器利用圖像處理與語音識別技術對所採集到的圖像信息和語音信息進行智能分析處理，信息處理中心伺服器交互分析結果信息於客戶端，方便醫護人員遠程監控病人狀態，將護士的巡查工作交予伺服器完成，處理效率高，可靠性好，降低了人力資源的投入，提高了服務質量；能實時獲取病房與病人的狀態，極大地降低了意外發生的機率；利用物聯網技術將病人及病房狀態信息及時發送給醫護人員，不同權限的用戶可以及時了解相關信息，然後採取相應的措施，為醫患雙方都帶來了極大的便利。
以上顯示和描述了本發明的基本原理、主要特徵和優點。本行業的技術人員應該了解，上述實施例不以任何形式限制本發明，凡採用等同替換或等效變換的方式所獲得的技術方案，均落在本發明的保護範圍內。