CN107550471A - 一种消化内科上消化道出血护理系统 - Google Patents
一种消化内科上消化道出血护理系统 Download PDFInfo
- Publication number
- CN107550471A CN107550471A CN201710217174.7A CN201710217174A CN107550471A CN 107550471 A CN107550471 A CN 107550471A CN 201710217174 A CN201710217174 A CN 201710217174A CN 107550471 A CN107550471 A CN 107550471A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- signal
- mtd
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- External Artificial Organs (AREA)
Abstract
本发明涉及一种消化内科上消化道出血护理系统，包括分别与心电监测仪、血压传感器、脉搏传感器、中心静脉压监测仪有线连接，用于对接收的数据进行分析和处理的单片机；与单片机有线连接，用于调节输液装置、输血装置、灌肠器和供氧装置流量的调节装置；与单片机有线连接，用于对运行数据进行保存的信息管理终端；与单片机通过GPS无线网络无线连接，用于进行数据传输与交换的云服务器。本发明能够对患者进行生命体征的检测，并根据检测参数通过调节装置调节输液装置、输血装置、灌肠器和供氧装置的流量，能更好地针对不同患者的上消化道出血情况和生命体征情况进行不同的治疗，保障上消化道出血护理的效果。
Description
技术领域
本发明属于医疗护理技术领域，尤其涉及一种消化内科上消化道出血护理系统。
背景技术
消化内科中，对于上消化道出血病情观察时，需要观察患者的各种生命体征，同时为患者进行各种护理。但是传统的检测设备不能全方位的进行实时监测，不能满足医护人员在护理上消化道出血患者的必要要求，从而耽误医疗过程的进行，给医护人员带来一定的麻烦。最主要的是无法根据患者的生命体征情况来实施不同的治疗方案，单凭医生经验进行血量、药液、生理盐水和氧气的流量和用量设定，导致上消化道护理的不精确和不彻底，增加医护人员的负担。
综上所述，现有技术存在的问题是：现有的护理方式可能导致上消化道护理的不精确和不彻底，增加了医护人员的工作负担，并且在一定程度上降低了工作效率；并且智能化控制低，获得的数据信号准确率低，不能满足实际需要。
发明内容
为解决现有技术存在的问题，本发明提供一种消化内科上消化道出血护理系统。
本发明为解决公知技术中存在的技术问题所采取的技术方案是：
本发明提供的消化内科上消化道出血护理系统，所述消化内科上消化道出血护理系统包括：
用于对患者的心率进行检测的心电监测仪；所述心电监测仪稳定不动点域上的传递函数包括：
Yt＝F(vt)：Yi-1,t＝(2-α)Yi-1,t-1-(1-α)Yi-1,t-2+βg(Yi-1,t-1)+vi-1,t；
以及逆向脉冲传递函数vt＝F-1(Yt)：作为无调幅vi,t＝Yi-1,t和作为调幅：
所述的传递函数Yt＝F(vt)，包括有界且满足g(－x)＝－g(x)和xg(x)＜0的恢复力项g(x)，阻力系数0＜α＜2，恢复力系数β＞0以及相对恢复力系数：
0＜γ＝β/(4-2α)＜1；
所述的传递函数Yt＝F(vt)和逆向传递函数vt＝F-1(Yt)，包括输入信号vi,t，响应输出Yi,t，Yi,t的一阶滞后值Yi,t-1，Yi,t的二阶滞后值Yi,t-2，初始值Yi,-1＝0，Yi,0＝0，v1,t＝c1如果vt≥c1否则vt是原始输入信号，是具有小方差的白噪音，阀值0＜c3＜c2＜c1，i＝1,2,…,q表示传输中继节点数及t＝1,2,…,n表示时间或信号数；
用于对患者的血压进行检测的血压传感器；血压传感器的量测模型如下：
血压传感器为传感器A；YA(tk-1)、YA(tk)、YA(tk+1)分别为传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值，分别为：
其中，Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置；CA(t)为误差的变换矩阵；ξA(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)；
用于对患者的脉搏进行检测的脉搏传感器；所述脉搏传感器的状态方程与伪量测方程如下：
其中F(k+1|k)为状态方程的转移矩阵，取值与脉搏传感器的系统误差的变化规律相关，若脉搏传感器的系统误差是缓变的，则F(k+1|k)近似为单位矩阵，取为F(k+1|k)＝0.99I，I为单位阵；
用于对患者的中心静脉压进行检测的中心静脉压监测仪；
分别与心电监测仪、血压传感器、脉搏传感器、中心静脉压监测仪有线连接，用于对接收的数据进行分析和处理的单片机；所述单片机时频域跳频源信号，具体步骤如下：
第一步，对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；
第二步，对第l(l＝1,2,…)跳的所有时刻pl，估计该跳各跳频源信号的时频域数据，计算公式如下：
与单片机有线连接，用于对患者进行输液的输液装置；
与单片机有线连接，用于对患者进行输血的输血装置；
与单片机有线连接，用于清除患者肠道积血的灌肠器；
与单片机有线连接，用于向患者提供氧气的供氧装置；
与单片机有线连接，用于调节输液装置、输血装置、灌肠器和供氧装置流量的调节装置；
与单片机有线连接，用于对运行数据进行保存的信息管理终端；所述信息管理终端的数据处理具体包括：
第一步，将时间数据按照天进行划分，对每一天的数据进行分别处理；
第二步，根据时间数据处理精度，将某一天所有时间点按顺序进行标记；
第三步，用128位的随机数种子S，S以SHA-1256算法进行Hash，Hash所得256位数据一分为二，即S11和S12；S11和S12重复上述过程，继续通过SHA-1256进行扩展和分裂；扩展和分裂操作将持续到所产生的二叉树叶子节点能够覆盖所选择精度对应的所有时间点；
第四步，将第二步产生的标记，按编号顺序，对应到第三步产生的叶子节点上，或者说每个时间点被转化成了256位的Hash值；
第五步，根据叶子节点情况进行合并，合并后转变为上层节点，直到无法合并为止；
第六步，合并后的节点进行乱序处理，作为起止时间Node数据存储；
与单片机通过GPS无线网络无线连接，用于进行数据传输与交换的云服务器；所述云服务器的离散函数模型：
式中：u(0)为初始信号，μ为混沌参数，ν为分数阶阶数，n为信号长度，j表示第j步迭代，α(μ,ν,j,n)为离散积分核，u(n)为第n步信号，n和N设置为800，m为1,L,N的整数；
所述单片机与电源模块有线连接，用于提供电源；
所述信息管理终端上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机相连接；
所述显示装置的顶部安装有警示灯，警示灯与单片机有线连接。
进一步，所述单片机的低信噪比短前导突发信号的解调方法设定发送端数据采用MPSK调制方式，通过包含频偏的AWGN信道；在射频端完全理想、突发前后噪声功率不变的条件下，接收的MPSK信号rk表示为：
式中，A为信号幅度，在一个突发帧内为未知常数；fo为载波频偏，在一个突发帧内为未知常数；Ts为采样周期，foTs为归一化的载波频率偏移；an为QPSK调制数据；θ0为相偏，在一个突发帧内为未知常数；g发送脉冲与接收匹配滤波器脉冲函数的乘积；nk为复高斯白噪声，服从N(0,σ2)分布；ε＝0时定时完全同步，否则定时未同步；k为时间序号，N为过采样倍数；rk有10dB的动态范围；所述低信噪比短前导突发信号的解调方法主要任务是从rk中恢复出发送数据。
进一步，所述云服务器信号间干扰关系分析方法包括以下步骤：
步骤一，确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量与参照信号特征矢量
步骤二，基于干扰空间模型，针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量
步骤三，定义位移矢量在干扰空间中对某个维度坐标轴的投影，为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离，即有：
其中PRJ(·)算子表示针对某一CP维度的投影运算；
步骤四，定义干扰信号对参照信号的干扰状态为S，用以表示干扰信号对参照信号的干扰关系；
步骤五，在已经形成干扰的前提下，首先需要选取并确定干扰作用参数EP，对于干扰信号而言，参数通常为信号功率p或者能量e；
步骤六，定义干扰信号对参照信号的干扰程度为G，用以衡量干扰信号对参照信号的干扰影响程度。
进一步，所述中心静脉压监测仪的中心静脉压信号监测方法包括：
接收信号x(t)进行线性变换，按公式进行；
其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，fc表示信号的载波频率，表示信号的相位，通过该线性变换后得到酉变换矩阵：
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱；
从所述能量特征谱中获取决策平面；
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括：
对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵，得到接收信号的能量特征谱；
从所述能量特征谱中获取决策平面包括：
根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量；
按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量；
所述接收信号的离散信号向量通过奈奎斯特定律采样得到，并且采样长度涵盖接收信号的预定比例能量；
在从所述能量特征谱中获取决策平面之前，所述方法还包括：
对所述能量特征谱进行滑动平均处理；
所述信号接收方法应用于跳时-脉冲位置调制方式的通信系统或者通断键控调制方式的通信系统。
进一步，所述提取特征向量方法具体包括以下步骤：
获取信号，通过传感器采集数据并对信号进行放大处理；
信号进行分段处理；即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数，通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断：若有则往下执行步骤小波包去噪，否者，跳到执行获取信号；
小波包去噪；即利用改进小波包算法对采集的信号进行去噪；
小波包分解与重构；即利用改进小波包算法对采集的信号进行小波包分解与重构，得到单子带重构信号；
提取信号特征参数；即从重构的单子带信号里提取：时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数；
组成特征向量，即利用主成分分析方法，从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量，并将这些特征向量输入到支持向量机进行决策判断，即第二层决策判断，根据支持向量机的输出判断是否有错误发生。
本发明具有的优点和积极效果是：该消化内科上消化道出血护理系统利用心电监测仪、血压传感器、脉搏传感器和中心静脉压监测仪对患者的心率、血压、脉搏和中心静脉压进行生命体征的检测，并根据检测参数通过调节装置调节输液装置、输血装置、灌肠器和供氧装置的流量，能更好地针对不同患者的消化道出血情况和生命体征情况进行不同的治疗，保障消化道出血护理的效果，另一方面将检测参数和治疗方案保存到云服务器中。经试验证明，本发明的中心静脉压监测仪的中心静脉压信号监测方法比现有技术的检测准确率92.5％提高到97.32％，提高了进5个百分点。
附图说明
图1是本发明实施例提供的消化内科上消化道出血护理系统的结构示意图；
图中：1、心电监测仪；2、血压传感器；3、脉搏传感器；4、中心静脉压监测仪；5、单片机；6、输液装置；7、输血装置；8、灌肠器；9、供氧装置；10、调节装置；11、信息管理终端；12、云服务器；13、电源模块；14、显示装置；15、打印装置；16、警示灯。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合图1对本发明的结构作详细的描述。
本发明实施例提供的消化内科上消化道出血护理系统包括：
用于对患者的心率进行检测的心电监测仪1；
用于对患者的血压进行检测的血压传感器2；
用于对患者的脉搏进行检测的脉搏传感器3；
用于对患者的中心静脉压进行检测的中心静脉压监测仪4；
分别与心电监测仪1、血压传感器2、脉搏传感器3、中心静脉压监测仪4有线连接，用于对接收的数据进行分析和处理的单片机5；
与单片机5有线连接，用于对患者进行输液的输液装置6；
与单片机5有线连接，用于对患者进行输血的输血装置7；
与单片机5有线连接，用于清除患者肠道积血的灌肠器8；
与单片机5有线连接，用于向患者提供氧气的供氧装置9；
与单片机5有线连接，用于调节输液装置6、输血装置7、灌肠器8和供氧装置9流量的调节装置10；
与单片机5有线连接，用于对运行数据进行保存的信息管理终端11；
与单片机5通过GPS无线网络无线连接，用于进行数据传输与交换的云服务器12。
进一步，所述单片机5与电源模块13有线连接，用于提供电源。
进一步，所述信息管理终端11上安装有显示装置14和打印装置15，显示装置14和打印装置15均通过数据线与单片机5相连接。
进一步，所述显示装置14的顶部安装有警示灯16，警示灯16与单片机5有线连接。
所述心电监测仪稳定不动点域上的传递函数包括：
Yt＝F(vt)：Yi-1,t＝(2-α)Yi-1,t-1-(1-α)Yi-1,t-2+βg(Yi-1,t-1)+vi-1,t；
以及逆向脉冲传递函数vt＝F-1(Yt)：作为无调幅vi,t＝Yi-1,t和作为调幅：
所述的传递函数Yt＝F(vt)，包括有界且满足g(－x)＝－g(x)和xg(x)＜0的恢复力项g(x)，阻力系数0＜α＜2，恢复力系数β＞0以及相对恢复力系数：
0＜γ＝β/(4-2α)＜1；
所述的传递函数Yt＝F(vt)和逆向传递函数vt＝F-1(Yt)，包括输入信号vi,t，响应输出Yi,t，Yi,t的一阶滞后值Yi,t-1，Yi,t的二阶滞后值Yi,t-2，初始值Yi,-1＝0，Yi,0＝0，v1,t＝c1如果vt≥c1否则vt是原始输入信号，是具有小方差的白噪音，阀值0＜c3＜c2＜c1，i＝1,2,…,q表示传输中继节点数及t＝1,2,…,n表示时间或信号数；
用于对患者的血压进行检测的血压传感器；血压传感器的量测模型如下：
血压传感器为传感器A；YA(tk-1)、YA(tk)、YA(tk+1)分别为传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值，分别为：
其中，Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置；CA(t)为误差的变换矩阵；ξA(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)；
用于对患者的脉搏进行检测的脉搏传感器；所述脉搏传感器的状态方程与伪量测方程如下：
其中F(k+1|k)为状态方程的转移矩阵，取值与脉搏传感器的系统误差的变化规律相关，若脉搏传感器的系统误差是缓变的，则F(k+1|k)近似为单位矩阵，取为F(k+1|k)＝0.99I，I为单位阵。
所述单片机时频域跳频源信号，具体步骤如下：
第一步，对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；
第二步，对第l(l＝1,2,…)跳的所有时刻pl，估计该跳各跳频源信号的时频域数据，计算公式如下：
所述信息管理终端的数据处理具体包括：
第一步，将时间数据按照天进行划分，对每一天的数据进行分别处理；
第二步，根据时间数据处理精度，将某一天所有时间点按顺序进行标记；
第三步，用128位的随机数种子S，S以SHA-1256算法进行Hash，Hash所得256位数据一分为二，即S11和S12；S11和S12重复上述过程，继续通过SHA-1256进行扩展和分裂；扩展和分裂操作将持续到所产生的二叉树叶子节点能够覆盖所选择精度对应的所有时间点；
第四步，将第二步产生的标记，按编号顺序，对应到第三步产生的叶子节点上，或者说每个时间点被转化成了256位的Hash值；
第五步，根据叶子节点情况进行合并，合并后转变为上层节点，直到无法合并为止；
第六步，合并后的节点进行乱序处理，作为起止时间Node数据存储；
与单片机通过GPS无线网络无线连接，用于进行数据传输与交换的云服务器；所述云服务器的离散函数模型：
式中：u(0)为初始信号，μ为混沌参数，ν为分数阶阶数，n为信号长度，j表示第j步迭代，α(μ,ν,j,n)为离散积分核，u(n)为第n步信号，n和N设置为800，m为1,L,N的整数。
进一步，所述单片机的低信噪比短前导突发信号的解调方法设定发送端数据采用MPSK调制方式，通过包含频偏的AWGN信道；在射频端完全理想、突发前后噪声功率不变的条件下，接收的MPSK信号rk表示为：
式中，A为信号幅度，在一个突发帧内为未知常数；fo为载波频偏，在一个突发帧内为未知常数；Ts为采样周期，foTs为归一化的载波频率偏移；an为QPSK调制数据；θ0为相偏，在一个突发帧内为未知常数；g发送脉冲与接收匹配滤波器脉冲函数的乘积；nk为复高斯白噪声，服从N(0,σ2)分布；ε＝0时定时完全同步，否则定时未同步；k为时间序号，N为过采样倍数；rk有10dB的动态范围；所述低信噪比短前导突发信号的解调方法主要任务是从rk中恢复出发送数据。
进一步，所述云服务器信号间干扰关系分析方法包括以下步骤：
步骤一，确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量与参照信号特征矢量
步骤二，基于干扰空间模型，针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量
步骤三，定义位移矢量在干扰空间中对某个维度坐标轴的投影，为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离，即有：
其中PRJ(·)算子表示针对某一CP维度的投影运算；
步骤四，定义干扰信号对参照信号的干扰状态为S，用以表示干扰信号对参照信号的干扰关系；
步骤五，在已经形成干扰的前提下，首先需要选取并确定干扰作用参数EP，对于干扰信号而言，参数通常为信号功率p或者能量e；
步骤六，定义干扰信号对参照信号的干扰程度为G，用以衡量干扰信号对参照信号的干扰影响程度。
，所述中心静脉压监测仪的中心静脉压信号监测方法包括：
接收信号x(t)进行线性变换，按公式进行；
其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，fc表示信号的载波频率，表示信号的相位，通过该线性变换后得到酉变换矩阵：
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱；
从所述能量特征谱中获取决策平面；
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括：
对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵，得到接收信号的能量特征谱；
从所述能量特征谱中获取决策平面包括：
根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量；
按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量；
所述接收信号的离散信号向量通过奈奎斯特定律采样得到，并且采样长度涵盖接收信号的预定比例能量；
在从所述能量特征谱中获取决策平面之前，所述方法还包括：
对所述能量特征谱进行滑动平均处理；
所述信号接收方法应用于跳时-脉冲位置调制方式的通信系统或者通断键控调制方式的通信系统。
进一步，所述提取特征向量方法具体包括以下步骤：
获取信号，通过传感器采集数据并对信号进行放大处理；
信号进行分段处理；即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数，通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断：若有则往下执行步骤小波包去噪，否者，跳到执行获取信号；
小波包去噪；即利用改进小波包算法对采集的信号进行去噪；
小波包分解与重构；即利用改进小波包算法对采集的信号进行小波包分解与重构，得到单子带重构信号；
提取信号特征参数；即从重构的单子带信号里提取：时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数；
组成特征向量，即利用主成分分析方法，从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量，并将这些特征向量输入到支持向量机进行决策判断，即第二层决策判断，根据支持向量机的输出判断是否有错误发生。
所述小波包去噪和小波包分解与重构包括：
信号延拓，对小波包分解的各层信号进行抛物线延拓；
设信号数据为x(a),x(a+1),x(a+2)，则延拓算子E的表达式为：
消去单子带多余频率成分；
将延拓后的信号与分解低通滤波器h0卷积，得到低频系数，然后经过HF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层的低频系数；将延拓后的信号与分解高通滤波器g0卷积，得到高频系数，然后经过LF-cut-IF算子处理，去掉多余的频率成分，再进行下采样，得到下一层高频系数，HF-cut-IF算子如式(2)所示，LF-cut-IF算子如式(3)所示；
在(2)、(3)式中，x(n)为在2j尺度上小波包的系数，Nj表示在2j尺度上数据的长度，k＝0，1，…，Nj-1；n＝0，1，…，Nj-1；
单子带信号重构：
将得到的高、低频系数进行上采样，然后分别与高通重建滤波器g1和低通重建滤波器h1卷积，将得到的信号分别用HF-cut-IF、LF-cut-IF算子处理，得到单子带重构信号。
下面结合工作原理对本发明的结构作进一步的描述。
通过利用心电监测仪1、血压传感器2、脉搏传感器3和中心静脉压监测仪4对患者的心率、血压、脉搏和中心静脉压进行生命体征的检测，单片机5根据检测参数通过调节装置10调节输液装置6、输血装置7、灌肠器8和供氧装置9的流量，能更好地针对不同患者的消化道出血情况和生命体征情况进行不同的治疗，保障消化道出血护理的效果，另一方面将检测参数和治疗方案保存到云服务器中12，检测参数、分析结果和治疗方案通过显示装置14进行显示，同时通过打印装置15进行打印保存，电源模块13为设备和系统提供电源。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (6)
1.一种消化内科上消化道出血护理系统，其特征在于，所述消化内科上消化道出血护理系统包括：
用于对患者的心率进行检测的心电监测仪；所述心电监测仪稳定不动点域上的传递函数包括：
Yt＝F(vt)：Yi-1,t＝(2-α)Yi-1,t-1-(1-α)Yi-1,t-2+βg(Yi-1,t-1)+vi-1,t；
以及逆向脉冲传递函数vt＝F-1(Yt)：作为无调幅vi,t＝Yi-1,t和作为调幅：
所述的传递函数Yt＝F(vt)，包括有界且满足g(－x)＝－g(x)和xg(x)＜0的恢复力项g(x)，阻力系数0＜α＜2，恢复力系数β＞0以及相对恢复力系数：
0＜γ＝β/(4-2α)＜1；
所述的传递函数Yt＝F(vt)和逆向传递函数vt＝F-1(Yt)，包括输入信号vi,t，响应输出Yi,t，Yi,t的一阶滞后值Yi,t-1，Yi,t的二阶滞后值Yi,t-2，初始值Yi,-1＝0，Yi,0＝0，v1,t＝c1如果vt≥c1否则vt是原始输入信号，是具有小方差的白噪音，阀值0＜c3＜c2＜c1，i＝1,2,…,q表示传输中继节点数及t＝1,2,…,n表示时间或信号数；
用于对患者的血压进行检测的血压传感器；血压传感器的量测模型如下：
血压传感器为传感器A；YA(tk-1)、YA(tk)、YA(tk+1)分别为传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值，分别为：
<mrow>
<msub>
<mi>Y</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<msup>
<mi>Y</mi>
<mo>&prime;</mo>
</msup>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&xi;</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>n</mi>
<mrow>
<msub>
<mi>Y</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<msup>
<mi>Y</mi>
<mo>&prime;</mo>
</msup>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&xi;</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>n</mi>
<mrow>
<msub>
<mi>Y</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>;</mo>
</mrow>
<mrow>
<msub>
<mi>Y</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<msup>
<mi>Y</mi>
<mo>&prime;</mo>
</msup>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&xi;</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>n</mi>
<mrow>
<msub>
<mi>Y</mi>
<mi>A</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>;</mo>
</mrow>
其中，Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置；CA(t)为误差的变换矩阵；ξA(t)为传感器的系统误差；为系统噪声，假设为零均值、相互独立的高斯型随机变量，噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)；
用于对患者的脉搏进行检测的脉搏传感器；所述脉搏传感器的状态方程与伪量测方程如下：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>W</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中F(k+1|k)为状态方程的转移矩阵，取值与脉搏传感器的系统误差的变化规律相关，若脉搏传感器的系统误差是缓变的，则F(k+1|k)近似为单位矩阵，取为F(k+1|k)＝0.99I，I为单位阵；
用于对患者的中心静脉压进行检测的中心静脉压监测仪；
分别与心电监测仪、血压传感器、脉搏传感器、中心静脉压监测仪有线连接，用于对接收的数据进行分析和处理的单片机；所述单片机时频域跳频源信号，具体步骤如下：
第一步，对所有采样时刻索引p判断该时刻索引属于哪一跳，具体方法为：如果则表示时刻p属于第l跳；如果则表示时刻p属于第1跳；
第二步，对第l(l＝1,2,…)跳的所有时刻pl，估计该跳各跳频源信号的时频域数据，计算公式如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>S</mi>
<mo>~</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<msubsup>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<mi>j</mi>
<mi>H</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>j</mi>
<mo>=</mo>
<munder>
<mrow>
<mi>arg</mi>
<mi>max</mi>
</mrow>
<mrow>
<msub>
<mi>j</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mover>
<mi>N</mi>
<mo>^</mo>
</mover>
</mrow>
</munder>
<mrow>
<mo>(</mo>
<mrow>
<mo>|</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mover>
<mi>X</mi>
<mo>~</mo>
</mover>
<mi>M</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>H</mi>
</msup>
<mo>&times;</mo>
<msub>
<mover>
<mi>a</mi>
<mo>^</mo>
</mover>
<msub>
<mi>j</mi>
<mn>0</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>S</mi>
<mo>~</mo>
</mover>
<mi>m</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>p</mi>
<mi>l</mi>
</msub>
<mo>,</mo>
<mi>q</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>M</mi>
<mo>,</mo>
<mi>m</mi>
<mo>&NotEqual;</mo>
<mi>j</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>q</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>f</mi>
<mi>f</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
与单片机有线连接，用于对患者进行输液的输液装置；
与单片机有线连接，用于对患者进行输血的输血装置；
与单片机有线连接，用于清除患者肠道积血的灌肠器；
与单片机有线连接，用于向患者提供氧气的供氧装置；
与单片机有线连接，用于调节输液装置、输血装置、灌肠器和供氧装置流量的调节装置；
与单片机有线连接，用于对运行数据进行保存的信息管理终端；所述信息管理终端的数据处理具体包括：
第一步，将时间数据按照天进行划分，对每一天的数据进行分别处理；
第二步，根据时间数据处理精度，将某一天所有时间点按顺序进行标记；
第三步，用128位的随机数种子S，S以SHA-1256算法进行Hash，Hash所得256位数据一分为二，即S11和S12；S11和S12重复上述过程，继续通过SHA-1256进行扩展和分裂；扩展和分裂操作将持续到所产生的二叉树叶子节点能够覆盖所选择精度对应的所有时间点；
第四步，将第二步产生的标记，按编号顺序，对应到第三步产生的叶子节点上，或者说每个时间点被转化成了256位的Hash值；
第五步，根据叶子节点情况进行合并，合并后转变为上层节点，直到无法合并为止；
第六步，合并后的节点进行乱序处理，作为起止时间Node数据存储；
与单片机通过GPS无线网络无线连接，用于进行数据传输与交换的云服务器；所述云服务器的离散函数模型：
<mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>&mu;</mi>
<mo>,</mo>
<mi>&nu;</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>u</mi>
<mo>(</mo>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式中：u(0)为初始信号，μ为混沌参数，ν为分数阶阶数，n为信号长度，j表示第j步迭代，α(μ,ν,j,n)为离散积分核，u(n)为第n步信号，n和N设置为800，m为1,L,N的整数；
所述单片机与电源模块有线连接，用于提供电源；
所述信息管理终端上安装有显示装置和打印装置，显示装置和打印装置均通过数据线与单片机相连接；
所述显示装置的顶部安装有警示灯，警示灯与单片机有线连接。
2.如权利要求1所述的消化内科上消化道出血护理系统，其特征在于，所述单片机的低信噪比短前导突发信号的解调方法设定发送端数据采用MPSK调制方式，通过包含频偏的AWGN信道；在射频端完全理想、突发前后噪声功率不变的条件下，接收的MPSK信号rk表示为：
<mrow>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mi>A</mi>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</munderover>
<msub>
<mi>a</mi>
<mi>n</mi>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>kT</mi>
<mi>s</mi>
</msub>
</mrow>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<msub>
<mi>nT</mi>
<mi>s</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&epsiv;T</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mi>j</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msub>
<mi>&pi;f</mi>
<mi>o</mi>
</msub>
<mfrac>
<mrow>
<msub>
<mi>kT</mi>
<mi>s</mi>
</msub>
</mrow>
<mi>N</mi>
</mfrac>
<mo>+</mo>
<msub>
<mi>&theta;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>n</mi>
<mi>k</mi>
</msub>
<mo>;</mo>
</mrow>
式中，A为信号幅度，在一个突发帧内为未知常数；fo为载波频偏，在一个突发帧内为未知常数；Ts为采样周期，foTs为归一化的载波频率偏移；an为QPSK调制数据；θ0为相偏，在一个突发帧内为未知常数；g发送脉冲与接收匹配滤波器脉冲函数的乘积；nk为复高斯白噪声，服从N(0,σ2)分布；ε＝0时定时完全同步，否则定时未同步；k为时间序号，N为过采样倍数；rk有10dB的动态范围；所述低信噪比短前导突发信号的解调方法主要任务是从rk中恢复出发送数据。
3.如权利要求1所述的消化内科上消化道出血护理系统，其特征在于，所述云服务器信号间干扰关系分析方法包括以下步骤：
步骤一，确定干扰信号在无线信号领域上的若干特征参数CP，并基于特征参数形成对应的干扰空间模型，基于建立的干扰空间模型，确定待分析的干扰信号特征矢量与参照信号特征矢量
步骤二，基于干扰空间模型，针对干扰信号特征矢量定义对参照信号特征矢量的位移矢量
步骤三，定义位移矢量在干扰空间中对某个维度坐标轴的投影，为干扰信号特征矢量到参照信号特征矢量在该CP维度上的距离，即有：
其中PRJ(·)算子表示针对某一CP维度的投影运算；
步骤四，定义干扰信号对参照信号的干扰状态为S，用以表示干扰信号对参照信号的干扰关系；
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mover>
<msub>
<mi>V</mi>
<mi>I</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>,</mo>
<mover>
<msub>
<mi>V</mi>
<mi>S</mi>
</msub>
<mo>&RightArrow;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<mo>&Exists;</mo>
<msub>
<mi>CP</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<mrow>
<msub>
<mi>CP</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>I</mi>
<mo>,</mo>
<mi>S</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mi>&Delta;</mi>
<mrow>
<msub>
<mi>CP</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<msub>
<mi>CP</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>d</mi>
<mrow>
<msub>
<mi>CP</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mrow>
<mi>I</mi>
<mo>,</mo>
<mi>S</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>&Delta;</mi>
<mrow>
<msub>
<mi>CP</mi>
<mi>i</mi>
</msub>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
步骤五，在已经形成干扰的前提下，首先需要选取并确定干扰作用参数EP，对于干扰信号而言，参数通常为信号功率p或者能量e；
步骤六，定义干扰信号对参照信号的干扰程度为G，用以衡量干扰信号对参照信号的干扰影响程度。
4.如权利要求1所述的消化内科上消化道出血护理系统，其特征在于，所述中心静脉压监测仪的中心静脉压信号监测方法包括：
接收信号x(t)进行线性变换，按公式进行；
其中A表示信号的幅度，a(m)表示信号的码元符号，p(t)表示成形函数，fc表示信号的载波频率，表示信号的相位，通过该线性变换后得到酉变换矩阵：
5.如权利要求4所述的消化内科上消化道出血护理系统，其特征在于，根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱；
从所述能量特征谱中获取决策平面；
根据所述酉变换矩阵中的主对角线元素和副对角线元素计算出接收信号的能量特征谱包括：
对副对角线元素组成的矩阵进行平方并乘以主对角线元素组成的矩阵，得到接收信号的能量特征谱；
从所述能量特征谱中获取决策平面包括：
根据所述能量特征谱的能量集中度、波形对称性和局部波形函数方差从所述能量特征谱中提取至少一组特征向量；
按照模式分类的方式从提取的特征向量中获取作为决策平面的特征向量；
所述接收信号的离散信号向量通过奈奎斯特定律采样得到，并且采样长度涵盖接收信号的预定比例能量；
在从所述能量特征谱中获取决策平面之前，所述方法还包括：
对所述能量特征谱进行滑动平均处理；
所述信号接收方法应用于跳时-脉冲位置调制方式的通信系统或者通断键控调制方式的通信系统。
6.如权利要求5所述的消化内科上消化道出血护理系统，其特征在于，所述提取特征向量方法具体包括以下步骤：
获取信号，通过传感器采集数据并对信号进行放大处理；
信号进行分段处理；即从每段信号里提取出均值、方差、信号的累积值和峰值4个基本时域参数，通过相邻段信号的4个参数值的差值判断是否有疑似泄漏的情况发生的第一层决策判断：若有则往下执行步骤小波包去噪，否者，跳到执行获取信号；
小波包去噪；即利用改进小波包算法对采集的信号进行去噪；
小波包分解与重构；即利用改进小波包算法对采集的信号进行小波包分解与重构，得到单子带重构信号；
提取信号特征参数；即从重构的单子带信号里提取：时域能量、时域峰值、频域能量、频域峰值、峰态系数、方差、频谱和偏斜系数8个表示信号特征的参数；
组成特征向量，即利用主成分分析方法，从上述参数中选择3到8个能明显表示声发射信号特征的参数组成特征向量，并将这些特征向量输入到支持向量机进行决策判断，即第二层决策判断，根据支持向量机的输出判断是否有错误发生。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710217174.7A CN107550471A (zh) | 2017-04-05 | 2017-04-05 | 一种消化内科上消化道出血护理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710217174.7A CN107550471A (zh) | 2017-04-05 | 2017-04-05 | 一种消化内科上消化道出血护理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107550471A true CN107550471A (zh) | 2018-01-09 |
Family
ID=60973357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710217174.7A Pending CN107550471A (zh) | 2017-04-05 | 2017-04-05 | 一种消化内科上消化道出血护理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107550471A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108421140A (zh) * | 2018-03-31 | 2018-08-21 | 何韵苗 | 麻醉工作站 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103051367A (zh) * | 2012-11-27 | 2013-04-17 | 西安电子科技大学 | 一种基于聚类的同步正交跳频信号盲源分离方法 |
| CN103780369A (zh) * | 2014-01-24 | 2014-05-07 | 吴国成 | 一种基于分数阶离散映射的混沌序列产生方法 |
| CN104112061A (zh) * | 2014-05-12 | 2014-10-22 | 管蕾蕾 | Icu重症监护信息系统技术 |
| CN104809326A (zh) * | 2014-06-23 | 2015-07-29 | 方洋旺 | 一种异步传感器空间配准算法 |
| CN105049141A (zh) * | 2015-05-26 | 2015-11-11 | 西安电子科技大学 | 一种基于多维干扰空间模型的信号间干扰关系分析方法 |
| CN106359023A (zh) * | 2016-09-13 | 2017-02-01 | 叶永伟 | 一种基于物联网的农业灌溉系统 |
| CN106389056A (zh) * | 2016-12-21 | 2017-02-15 | 邢台医学高等专科学校 | 一种神经内科病人用头部理疗系统 |
| CN106407837A (zh) * | 2016-09-18 | 2017-02-15 | 成都信息工程大学 | 一种具备隐私保护能力的时间数据加密处理方法 |
-
2017
- 2017-04-05 CN CN201710217174.7A patent/CN107550471A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103051367A (zh) * | 2012-11-27 | 2013-04-17 | 西安电子科技大学 | 一种基于聚类的同步正交跳频信号盲源分离方法 |
| CN103780369A (zh) * | 2014-01-24 | 2014-05-07 | 吴国成 | 一种基于分数阶离散映射的混沌序列产生方法 |
| CN104112061A (zh) * | 2014-05-12 | 2014-10-22 | 管蕾蕾 | Icu重症监护信息系统技术 |
| CN104809326A (zh) * | 2014-06-23 | 2015-07-29 | 方洋旺 | 一种异步传感器空间配准算法 |
| CN105049141A (zh) * | 2015-05-26 | 2015-11-11 | 西安电子科技大学 | 一种基于多维干扰空间模型的信号间干扰关系分析方法 |
| CN106359023A (zh) * | 2016-09-13 | 2017-02-01 | 叶永伟 | 一种基于物联网的农业灌溉系统 |
| CN106407837A (zh) * | 2016-09-18 | 2017-02-15 | 成都信息工程大学 | 一种具备隐私保护能力的时间数据加密处理方法 |
| CN106389056A (zh) * | 2016-12-21 | 2017-02-15 | 邢台医学高等专科学校 | 一种神经内科病人用头部理疗系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108421140A (zh) * | 2018-03-31 | 2018-08-21 | 何韵苗 | 麻醉工作站 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102917661B (zh) | 基于多变量残差的用于人体健康监视的健康指数 | |
| CN104173043B (zh) | 一种适合于移动平台的心电数据分析方法 | |
| CN106108889B (zh) | 基于深度学习算法的心电图分类方法 | |
| CN105595990A (zh) | 一种用于心电信号质量评估判别的智能终端设备 | |
| CN107811626A (zh) | 一种基于一维卷积神经网络和s变换的心律失常分类方法 | |
| CN106725488A (zh) | 一种无线场强呼吸检测方法、装置及呼吸检测仪 | |
| US20130317377A1 (en) | Generative Model-Driven Resource-Efficient Monitoring in Body Sensor Networks | |
| CN106889981B (zh) | 一种用于提取胎儿心率的智能终端 | |
| CN106308772A (zh) | 一种可穿戴远程健康监护系统及方法 | |
| CN105125206A (zh) | 一种智能心电监护方法及装置 | |
| CN106788885A (zh) | 一种心电信号压缩率自适应调节无线传输系统和传输方法 | |
| CN107440695A (zh) | 生理信号感测装置 | |
| KR100883185B1 (ko) | 가중 퍼지 소속함수 기반 신경망 알고리즘을 이용한생체신호의 이상데이터 추출 장치 및 그 방법 | |
| Saini et al. | Effective automated method for detection and suppression of muscle artefacts from single‐channel EEG signal | |
| CN109875545A (zh) | 一种基于cnn的个体化12导联心电图重建方法 | |
| CN110537907B (zh) | 一种基于奇异值分解的心电信号压缩及识别方法 | |
| CN110236529A (zh) | 一种基于modwt和lstm的多导联心律失常智能诊断方法 | |
| CN110327032A (zh) | 一种单导心电信号pqrst波联合精准识别算法 | |
| CN106951852A (zh) | 一种有效的人体行为识别系统 | |
| CN204520670U (zh) | 一种基于物联网的心电监护系统 | |
| CN107595277A (zh) | 一种具有运动识别和定位功能的心电监测系统及监测方法 | |
| CN111297340A (zh) | 基于gps与心率结合的运动状态监测方法 | |
| CN107516019A (zh) | 无创健康预测系统及方法 | |
| CN107550471A (zh) | 一种消化内科上消化道出血护理系统 | |
| CN204500675U (zh) | 一种便携式心电监护系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180109 |
|
| WD01 | Invention patent application deemed withdrawn after publication |