CN108847274B - 一种基于云平台的生命体征数据处理方法及系统 - Google Patents

Abstract

本发明涉及一种基于云平台的生命体征数据处理方法及系统，属于医疗云计算领域，解决了用户缺乏分析处理生命体征数据能力的问题，同时解决了不同制造商生命体征监护设备数据格式、通讯协议互不兼容，难以集中、高效处理的问题。包括：实时获取用户数据进行预处理并统一封装，存入生命体征数据库；应用基于分布式并行计算的深度学习框架实时读取、分析海量生命体征数据，筛查异常数据，自动生成电子化数据分析报告，及时向用户发出异常事件预警，提示医护人员快速干预，提高了医疗质量和工作效率，减少设备误报警事件，降低医护人员劳动强度和工作压力；应用生命体征数据库中的定量定性数据，实时训练优化中央模型，进一步提高云平台数据处理效率。

Description

一种基于云平台的生命体征数据处理方法及系统

技术领域

本发明涉及医疗云计算领域，尤其涉及一种基于云平台的生命体征数据处理方法及系统。

背景技术

生命体征监护设备包括床边多参数监护仪、呼吸功能监测仪、颅内压监测仪、胎心监护仪是医院重症监护病房(Intensive care unit，ICU)，以及心内科、呼吸科、神经外科、急诊科、妇产科等专科ICU的主要设备，用于实时监测患者的生命体征数据，对挽救患者的生命具有重要的作用。在美国，每年ICU监护服务数百万例患者，中国是全球ICU数量最多的国家，全国医院中现有数百万台各种类型的生命体征监护设备，并在快速增长之中。

全球生命体征监护设备存在的问题是，每台设备每天产生数百MB数据，但是没有长时间数据存储能力，设备误报警率极高，不能生成电子化数据分析报告，需要医院ICU医护人员人工实时分析甄别数据，手工转抄相关信息数据，全球范围的医院ICU医护人员长期处于高负荷状态，疲惫不堪。另外，医院长期缺少有经验的ICU医护人员，无力应对复杂繁重的生命体征数据处理工作，直接影响到医疗质量。近年来出现的重症监护病房临床信息系统(CIS)，能够降低ICU劳动强度，但是它需要用户具有庞大的信息管理中心支持，费用成本昂贵，现有技术中一般将下级医院生命体征监护设备数据远程发送到上级医院，帮助下级医院ICU医生分析诊断生命体征数据，指导临床医疗工作。但是，当大量的下级医院ICU患者数据全部集中到上级医院处理，将会给上级医院带来难以承受的巨大压力，很难实现规模化。

全球的生命体征监护设备已经具有多种数据通讯接口，但是每个厂商都有自己的通讯协议和数据格式，互相不兼容。有的现有技术中可以解决其他厂家设备数据接收服务问题，但是，没有解决各厂家不同的数据格式问题，需要设立多个处理软件，以及匹配数据存储格式，效率明显低下。同时还有许多厂家通讯协议不支持输入患者信息，该技术无法保证识别同一台设备(同一床位)不同患者的问题，在医院中，同一台设备往往要服务许多患者。还有的现有技术，在生命体征数据源模块配接了信息处理模块和通讯模块，通讯模块与Internet相连将数据发送给云计算模块和云端数据库，该技术在各厂家每台设备与云平台之间，增加了中间处理环节，不仅每台设备所带来的复杂程度和成本明显上升，同时可靠性下降。

发明内容

鉴于上述的分析，本发明旨在提供一种基于云平台的生命体征数据处理方法及系统，用以解决医院缺乏分析解读生命体征数据能力的问题，以及解决不同制造商生命体征监护设备数据格式、通讯协议互不兼容，难以集中、高效处理的问题。

本发明的目的主要是通过以下技术方案实现的：

一方面，提供了一种基于云平台的生命体征数据处理方法，包括以下步骤：

步骤S1，实时获取多个用户数据；所述用户数据包括生命体征监护设备ID编码、患者信息和生命体征数据；

步骤S2，对获取的每一用户数据进行预处理并进行统一封装后存入生命体征数据库；

步骤S3，实时读取上述生命体征数据库中的生命体征数据，并利用分布式并行计算的深度学习框架进行分析筛查处理，得到分析筛查结果，生成数据分析报告。

本发明有益效果如下：

1、通过对海量生命体征数据实时分析处理，解决了医院缺乏分析解读生命体征数据能力的问题，提高了医疗质量和工作效率。

2、通过对设备原始报警事件数据实时分析计算，有效减少监护过程中频发的误报警事件，提高了异常事件预警的准确性，降低了医护人员劳动强度和工作压力。

在上述方案的基础上，本发明还做了如下改进：

进一步，在步骤S2中，

基于系统编码表规则，将生命体征监护设备ID编码和患者信息绑定，生成患者业务流水号，并与所述设备ID编码保持双向映射转换；

对接收的生命体征数据进行解析、分类、数据格式标准化处理，保留设备原始报警事件标志；

将患者业务流水号和经过预处理的生命体征数据进行统一封装，存入生命体征数据库。

采用上述进一步方案的有益效果是：

通过业务流水号关联用户信息、临床信息、数据信息，并与设备ID双向映射转换，解决了识别同一台设备(同一病床)不同患者的问题，同时建立了可靠高效的数据查询、数据交互的内部和外部逻辑关系，满足系统内部数据查询，以及与外部数据交互的需求。

进一步，实时读取上述生命体征数据库中的生命体征数据，并利用分布式并行计算的深度学习框架进行分析筛查处理，是采用在线实时数据分析处理方式及基于Spark引擎的深度学习框架实现：

通过Spark分布式并行计算的深度学习框架读取生命体征数据中的生命体征数据，按照设置的微批处理间隔时间，Spark引擎并行创建多个任务，触发Spark流将数据按类型切分为RDD数据集合，同时控制相应类型的中央模型对该类型数据进行计算处理。

进一步，所述中央模型分为两类，一类对波形类数据的形态、节律、速率进行分析计算，另一类对数值型数据幅值进行分析计算；中央模型内置的二阶差分计算工具和阈值逻辑分析工具，实时计算分析生命体征数据的形态、节律、速率、数值，对波形进行分类标记、对数值进行统计归纳，实时分析筛查超出基准的异常数据。

进一步，当所述中央模型计算处理发现超出设定基准的异常数据时，分析异常数据特征，计算持续时间，标记异常数据属性。

进一步，在发现异常数据时，将异常数据生成实时数据分析报告，向用户发出异常事件预警，并将实时数据分析报告发送给用户。

采用上述进一步方案的有益效果是：

基于Spark引擎的深度学习框架具有分布式、高吞吐量、自学习的优势，实现海量生命体征数据的实时分析处理，解决了医院缺乏分析解读生命体征数据能力的问题，及时发现异常数据，支持医护人员快速反应干预，提高了医疗质量和工作效率。

进一步，使用所述生命体征数据库中经过分析筛查处理后的生命体征数据，实时对每类中央模型进行训练优化，得到该类型数据新的中央模型。

采用上述进一步方案的有益效果是：

中央模型应用定量定性的生命体征数据进行训练优化，能够进一步提高中央模型的分析计算准确度，进而，有效提高云平台的数据处理效率，减少生命体征监护过程中频发的设备误报警事件，降低医护人员劳动强度和工作压力。

进一步，将经过分析筛查处理的每一用户全程生命体征数据进行整合，自动生成动态数据分析报告，根据患者业务流水号，将动态数据分析报告发送给用户。

采用上述进一步方案的有益效果是：

解决了生命体征监护设备在应用过程中缺少电子化数据总结分析记录的问题，通过动态数据分析报告，医护人员可以对患者病情状态进行分析诊断，评估临床治疗效果，调整治疗方案，有效提高用户的医疗质量和工作效率。

另一方面，还提供了一种基于云平台的生命体征数据处理系统，包括：云平台数据通信子系统、云平台数据支持子系统；所述云平台数据通信子系统包括数据通信模块、数据预处理模块；所述云平台数据支持子系统包括消息总线模块、数据存储模块、实时分析处理模块；

所述消息总线模块用于连接控制数据通信模块、数据预处理模块、实时分析处理模块、数据存储模块之间的数据传输；

所述数据通信模块用于实时接收多个用户数据，还用于和用户之间的数据交互，并将接收的数据传递给所述数据预处理模块，所述用户数据包括生命体征监护终端设备ID编码、患者信息和生命体征数据；

所述数据预处理模块包括系统编码表，用于对获取的每一用户数据进行预处理并进行统一封装后存入生命体征数据库；

所述数据存储模块包括生命体征数据库、文件数据库、业务信息数据库、缓存数据库，用于数据存储、调用；

所述实时分析处理模块包括分布式并行计算的深度学习框架，用于实时读取生命体征数据库中的生命体征数据，进行分析筛查处理，生成数据分析报告，并将分析报告发送给用户，同时存入文件数据库。

采用本发明的有益效果如下：

1、通过对海量生命体征数据实时分析处理，解决了医院缺乏分析解读生命体征数据能力的问题，提高了医疗质量和工作效率。

2、通过对设备原始报警事件数据进行实时分析计算，有效减少监护过程中频发的误报警事件，提高了异常事件预警的准确性，降低了医护人员劳动强度和工作压力。

进一步，所述数据预处理模块用于：

基于系统编码表规则将生命体征监护终端设备ID编码和患者信息绑定，生成业务流水号，并与所述设备ID编码双向映射转换；

对接收的生命体征数据进行解析、分类、数据格式标准化处理，保留设备原始报警事件标志；

将患者业务流水号和经过预处理的生命体征数据进行统一封装，存入生命体征数据库。

采用上述进一步方案的有益效果是：

通过业务流水号关联用户信息、临床信息、数据信息，并与设备ID双向映射转换，解决了识别同一台设备(同一病床)不同患者的问题，同时建立了可靠高效的数据查询、数据交互的内部和外部逻辑关系，满足系统内部数据查询，以及与外部数据交互的需求。

进一步，所述实时分析处理模块实时读取生命体征数据库中的生命体征数据，并利用在线实时数据分析处理方式及基于Spark引擎的深度学习框架进行分析计算处理；

通过Spark分布式并行计算的深度学习框架读取生命体征数据中的生命体征数据，按照设置的微批处理间隔时间，Spark引擎并行创建多个任务，触发Spark流将数据按类型切分为RDD数据集合，同时控制相应类型的中央模型对该类型数据进行分析筛查处理。

进一步，所述中央模型分为两类，一类对波形类数据的形态、节律、速率进行分析计算，另一类对数值型数据幅值进行分析计算；中央模型内置的二阶差分计算工具和阈值逻辑分析工具，实时计算分析生命体征数据的形态、节律、速率、数值，对波形进行分类标记、对数值进行统计归纳，实时分析筛查超出基准的异常数据。

进一步，所述实时分析处理模块在中央模型计算处理发现超出设定基准的异常数据时，分析异常数据特征，计算持续时间，标记异常数据属性。

进一步，所述实时分析处理模块在发现异常数据时，将异常数据生成实时数据分析报告，向用户发出异常事件预警，并将实时数据分析报告发送给用户。

采用上述进一步方案的有益效果是：

基于Spark引擎的深度学习框架具有分布式、高吞吐量、自学习的优势，实现海量生命体征数据的实时处理，解决了医院缺乏分析解读生命体征数据能力的问题，及时发现异常数据，提示医护人员快速反应干预，提高医疗质量和工作效率。

进一步，所述实时分析处理模块使用生命体征数据库中经过分析筛查处理后的生命体征数据，实时对每类中央模型进行训练优化得到该类型数据新的中央模型。

采用上述进一步方案的有益效果是：

实时分析处理模块对中央模型应用经过分析筛查处理后的定量定性的生命体征数据进行训练优化，能够进一步提高中央模型的分析计算准确度，进而，有效提高云平台的数据处理效率，减少生命体征监护过程中频发的设备误报警事件，降低医护人员劳动强度和工作压力。

进一步，所述实时分析处理模块将经过分析筛查处理的每一用户的全程生命体征数据进行整合，自动生成动态数据分析报告，并存入文件数据库，根据患者业务流水号将动态数据分析报告发送给用户。

采用上述进一步方案的有益效果是：

解决了生命体征监护设备在应用过程中缺少电子化数据总结分析记录的问题，通过动态数据分析报告，医护人员可以对患者病情状态进行分析诊断，评估临床治疗效果，调整治疗方案，有效提高用户的医疗质量和工作效率。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书、权利要求书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例中基于云平台的生命体征数据处理方法流程图；

图2为本发明实施例中基于云平台的生命体征数据处理系统结构图；

图3为本发明实施例中基于Spark分布式并行计算的深度学习框架；

图4为本发明实施例中实时数据分析处理流程图；

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明的一个具体实施例，公开了一种基于云平台的生命体征数据处理方法，如图1所示，包括以下步骤：

步骤S1，实时获取多个用户数据；所述用户数据包括生命体征监护终端设备ID编码、患者信息和生命体征数据；

步骤S2，对获取的每一用户数据进行预处理并进行统一封装，存入生命体征数据库；

步骤S3，实时读取上述生命体征数据库中的生命体征数据，利用分布式并行计算的深度学习框架进行分析筛查处理，得到分析筛查结果，生成数据分析报告。

与现有技术相比，该方法通过实时分析处理海量生命体征数据(包括设备原始报警事件数据)，筛查异常数据，及时向用户发出异常数据预警，提示医护人员快速反应干预，生成数据分析报告，用户可以接收、阅读浏览和下载打印，作为医疗依据，有效减少设备误报警事件，提高了用户医疗质量和工作效率，降低医护人员劳动强度和工作压力。

在步骤S1中，通过与生命体征监护终端设备(示例性地，生命体征监护设备可以为多参数监护设备、呼吸功能监测仪、颅内压监测仪、胎心监测仪等)进行数据交互，获取用户数据。

需要说明的是，为了解决识别同一台设备(同一病床)不同患者的问题，同时解决数据查询、数据交互的寻址识别问题；还包括以下步骤：

基于系统编码表规则，将生命体征监护设备ID编码和患者信息绑定，生成业务流水号，并与所述设备ID编码双向映射转换；

对接收的生命体征数据进行解析、分类、数据格式标准化处理，同时保留设备原始报警事件标志；解析是指从接收的数据包中抽取数据(包括时间戳、数值)，分类是指根据数据协议将上述解析的生命体征数据按参数类型进行分类；数据格式标准化处理是采用数位变化、码率转换、再编码方式转换为所述云平台生命体征数据标准格式；

将患者业务流水号和经过处理的生命体征数据进行统一封装，存入生命体征数据库。

需要强调的是，业务流水号关联用户信息、临床信息、数据信息，并与生命体征监护设备ID保持对应关联，双向映射转换，从而建立了可靠、高效的数据查询、数据交互的内部外部逻辑关系，解决了识别同一台设备(同一病床)不同患者的问题，满足系统内部数据查询，以及与外部数据交互的需求。数据格式标准化处理，解决了各厂家设备数据格式不同，难以集中处理的问题，提高了云平台数据处理效率。

需要说明的是，步骤S3中，实时读取上述生命体征数据库中的生命体征数据及所包含的设备原始报警数据，并利用分布式并行计算的深度学习框架进行实时分析筛查处理，采用了在线实时数据分析处理方式及基于Spark引擎的深度学习框架(还可以采用通用的Storm、Flink、Samza框架的其中一种)，如图3所示，该框架具有分布式、高吞吐量、自学习的优势，极大地提高了海量生命体征数据实时处理速度，同时对设备原始报警事件数据的参数、波形、标记进行复核计算，有效减少误报警事件，降低医护人员劳动强度和工作压力。

具体来说，通过Spark分布式并行计算的深度学习框架读取生命体征数据中的生命体征数据及所包含的设备原始报警数据，按照设置的微批处理间隔时间(大于等于0.01秒)，Spark引擎并行创建多个任务，触发Spark Streaming将数据按类型切分为RDD数据集合，同时控制相应类型的中央模型对该类型数据进行分析筛查处理；中央模型可以分为两类，一类对波形类数据的形态、节律、速率进行分析计算，另一类对数值型数据幅值进行分析计算，中央模型内置的二阶差分计算工具和阈值逻辑分析工具，实时计算分析生命体征数据的形态、节律、速率、数值，对波形进行分类标记、对数值进行统计归纳，实时分析筛查超出基准的异常数据。

需要说明的是，生命体征数据分为波形类和数值类；其中，波形类生命体征数据包括：全程总心博、心电波间期、QRS时限、ST段形态、QT间期，全程呼吸总次数、呼吸波间期，脉搏容积波峰谷值，颅内压波峰谷值，呼气末二氧化碳分压波峰谷值、呼气末二氧化碳分压波间期；数值类生命体征数据包括：全程无创/有创血压中的收缩压和舒张压、脉率、血氧饱和度、体温值、胎心率；无创心排量的心搏量、心脏指数、总外周阻力值；呼吸力学的气道压力值、气道流量值、气道容积值。

进一步，当中央模型计算分析处理发现超出设定基准的异常数据时，分析异常数据特征，并进行标记，计算持续时间，标记异常数据属性；同时，将异常数据生成实时数据分析报告，向用户发出异常事件预警，并将实时数据分析报告发送给用户；需要说明的是：所述基准采用了国际通用的生命体征数据的诊断标准。

异常数据特征包括：心动过速、心动过缓、扑动颤动、频发早搏、心脏停博、RonT、QT间期延长、ST段抬高/压低，呼吸暂停、呼吸过缓、呼吸过快，血氧饱和度升高/下降、收缩压和舒张压升高/下降、平均动脉压升高/下降，脉搏容积波峰值升高/下降，颅内压波峰值升高/下降，呼气末二氧化碳分压波峰值升高/下降，胎心率升高/下降，无创心排量下降，呼吸力学值升高/下降。

为了提高中央模型分析筛查处理的效率和准确度，该方法还包括使用生命体征数据库中分析筛查处理后的定量定性的生命体征数据，实时对每类中央模型进行训练优化，得到该类型数据新的中央模型。

通过Spark分布式并行计算的深度学习框架实现了海量生命体征数据的分析处理，满足用户生命体征数据分析解读的需求，提高了医疗质量和工作效率。中央模型使用经过分析筛查处理后的定量定性的生命体征数据实时训练优化，进一步提高中央模型的分析计算准确度，提高了云平台数据服务效率。

进一步，将经过分析筛查处理的每一用户全程生命体征数据进行整合，生成动态数据分析报告，并根据患者业务流水号发送给用户。

需要说明的是，用户可以根据动态数据分析报告模板内容读取生命体征数据库对应的数据数值，包括：全程的动态心电数据、动态血压数据、呼吸数据、血氧饱和度数据、有创血压数据、颅内压数据、呼气末二氧化碳数据、体温数据、胎心率数据的综合分析计算、波形分类标记、波形图形等；

还可以包括以下步骤：对数据进行统计并生成数据统计图表，包括：趋势图、直方图、散点图、变异性分析图；

还可以包括以下步骤：根据患者业务流水号，将动态数据分析报告提供给用户进行阅读浏览、下载打印。

通过动态数据分析报告，解决了生命体征监护设备在应用过程中缺乏电子化数据总结分析记录的问题，同时作为临床医疗的数据依据，医护人员可以对患者疾病状态进行分析诊断，评估临床治疗效果，制定或调整医疗方案决策，能够有效提高用户医疗质量和工作效率，减轻了医护人员的工作负担。

本发明的第二实施例，公开了一种基于云平台的生命体征数据处理系统，如图2所示，包括：云平台数据通信子系统、云平台数据支持子系统；云平台数据通信子系统包括数据通信模块、数据预处理模块；云平台数据支持子系统包括消息总线模块、数据存储模块、实时分析处理模块。

具体来说，数据通信模块用于实时接收多个用户数据，以及数据交互，并将接收的数据传递给数据预处理模块，其中，用户数据包括生命体征监护终端设备ID编码、患者信息和生命体征数据；

上述数据通信模块支持多种通讯协议，示例性地，包括：TCP/IP协议、即时通讯协议、HL7协议、DICOM协议、多媒体通信协议、设备制造商通讯协议，自动识别用户身份和设备ID编码，建立网络连接，接收数据，送入数据预处理模块。通过支持多种通讯协议，有效扩大了业务服务面，满足用户各种不同的生命体征监护设备、外部系统的数据交互，所述外部系统包括医院管理系统(HIS)、重症监护临床信息系统(CIS)，以及体检机构、健康管理机构、保险机构的平台的应用程序接口(API)。

数据预处理模块用于对获取的每一用户数据进行预处理并进行统一封装后存入生命体征数据库；具体地：

基于系统编码表规则，将获取的生命体征监护终端设备ID编码和患者信息绑定，生成业务流水号，并与所述设备ID编码双向映射转换；

对接收的生命体征数据进行解析、分类、数据格式标准化处理，保留设备原始报警事件标志；

将患者业务流水号和经过预处理的生命体征数据进行统一封装，送入生命体征数据库存储，用于读取、调用、计算分析、检索统计。

需要说明的是：业务流水号包括时间戳、患者信息、用户信息、设备信息、数量计数器；解析是从接收的数据包中抽取数据(包括时间戳、数值)，分类是根据数据协议对解析的生命体征数据进行数据类型分类；数据格式标准化处理是采用数位变化、码率转换、再编码方式转换为本实施例的生命体征数据标准格式。

需要强调的是，通过数据格式标准化处理，解决了各厂家设备数据格式不兼容的问题，采用统一的数据格式，提高了云平台的运行效率；业务流水号与生命体征监护设备ID保持双向映射转换，建立了可靠、高效的数据查询、数据交互的内部外部逻辑关系，满足系统内部数据查询，以及与外部数据交互的需求，同时解决了识别同一台设备(同一病床)不同患者的问题。

消息总线模块用于连接控制数据通讯模块、数据预处理模块、数据实时分析处理模块、数据存储模块之间的数据传输；

数据存储模块包括生命体征数据库、文件数据库、业务信息数据库、缓存数据库，用于数据存储、调用；该数据存储模块整合了各类数据库、数据存储服务系统的优势，解决了该系统对海量生命体征数据的存储与访问的问题，以及对大规模数据集合、多样数据结构、多重数据种类管理的问题。

具体地，生命体征数据库属于结构化数据库，用于存储经过统一封装后的生命体征数据；提供了海量存储容量和实时查询能力，具有高并发、低延迟、支持灵活的特点；

文件数据库属于对象存储数据库，用于存储系统生成的生命体征数据分析报告文件、临床信息文件、患者信息文件、视频影像文件、医学工具资料文件；

业务信息数据库属于关系型数据库，用于存储结构化业务数据、业务逻辑关系数据；建立在关系模型基础上，具有保持数据一致性的优点；

缓存数据库属于非关系型数据库，作为各模块之间的数据交换和状态保持的缓存，也用于缓存数据存储模块的查询结果，减少了数据库访问次数，提高系统的响应速度。

实时分析处理模块包括分布式并行计算的深度学习框架，用于实时读取生命体征数据库中的生命体征数据进行处理，生成数据分析报告，并将分析报告发送给用户，同时存入文件数据库；如图4所示，具体地：

实时读取生命体征数据库的生命体征数据(包含设备原始报警数据)，并利用基于Spark引擎的深度学习框架的该类生命体征数据中央模型进行筛查处理，得到分析筛查处理结果，以及异常数据属性，并将经过分析筛查处理的数据存入生命体征数据库。

需要强调的是，实时分析处理模块采用基于分布式并行计算的深度学习框架，可以是通用的Spark、Storm、Flink、Samza框架的其中一种。

具体来说，通过Spark分布式并行计算的深度学习框架读取生命体征数据中的生命体征数据，按照设置的微批处理间隔时间(大于等于0.01秒)，Spark引擎并行创建多个任务，触发Spark Streaming将数据按类型切分为RDD数据集合，同时控制相应类型的中央模型对该类型数据进行分析处理；中央模型内置的二阶差分计算工具和阈值逻辑分析工具，实时计算分析生命体征数据的形态、节律、速率、数值，对波形进行分类标记、对数值进行统计归纳，实时分析筛查超出基准的异常数据。

需要说明的是，生命体征数据分为波形类和数值类；具体来说，波形类生命体征数据包括：全程总心博、心电波间期、QRS时限、ST段形态、QT间期，全程呼吸总次数、呼吸波间期，脉搏容积波峰谷值，颅内压波峰谷值，呼气末二氧化碳分压波峰谷值、呼气末二氧化碳分压波间期；数值类生命体征数据包括：全程无创/有创血压中的收缩压和舒张压、脉率、血氧饱和度、体温、胎心率；无创心排量的心搏量、心脏指数、总外周阻力值；呼吸力学的气道压力值、气道流量值、气道容积值。

上述异常数据特征包括：心动过速、心动过缓、扑动颤动、频发早搏、停博、RonT、QT间期延长、ST段抬高/压低，呼吸暂停、呼吸过缓、呼吸过快，血氧饱和度升高/下降、收缩压和舒张压升高/下降、平均动脉压升高/下降，脉搏容积波峰值升高/下降，颅内压波峰值升高/下降，呼气末二氧化碳分压波升高/下降，胎心率升高/下降，无创心排量下降，呼吸力学值升高/下降。

需要说明的是：中央模型分为两类，一类对波形类数据的形态、节律、速率进行计算分析，另一类对数值型数据幅值进行计算分析；当中央模型发现超出设定基准的异常数据时，分析异常数据特征，计算异常事件持续时间，标记异常数据属性；实时分析处理模块将异常数据生成实时数据分析报告，存入文件数据库，同时发送给用户。

为了进一步提高分析筛查处理的效率和准确度，减少误报警事件，实时分析处理模块使用生命体征数据库中分析筛查处理后的定量定性的生命体征数据，实时对每类中央模型进行训练优化，得到该类型数据新的中央模型。

本实施例的实时分析处理模块还可以将经过分析筛查处理的每一用户全程生命体征数据进行整合，生成动态数据分析报告，并存入文件数据库，根据患者业务流水号将动态数据分析报告发送给用户。

需要说明的是，实时分析处理模块生成的动态数据分析报告内容包括：全程的动态心电数据、动态血压数据、呼吸数据、血氧饱和度数据、有创血压数据、颅内压数据、呼气末二氧化碳分压数据、体温数据、胎心率数据、无创心排量数据、呼吸力学数据的综合分析计算、波形分类标记、波形图形，以及它们的趋势图、直方图、散点图、变异性分析图。

实时数据分析报告内容包括：异常心电数据、异常血压数据、异常呼吸数据、异常血氧饱和度数据、异常颅内压数据、异常呼气末二氧化碳分压数据、异常体温、异常胎心率数据、异常无创心排量数据、异常呼吸力学数据的实时计算分析、波形分类标记、异常波形图形，以及趋势图。

本实施例的动态数据分析报告，解决了生命体征监护设备在应用过程中缺少电子化数据总结分析记录的问题，同时作为临床医疗的数据依据，可以对临床治疗效果和患者状态进行评估，制定或调整医疗方案决策；实时数据分析报告解决了在异常事件发生时缺少电子化异常数据分析报记录的问题，同时作为异常事件数据依据，支持医护人员快速干预；上述电子化数据分析报告有效提高了医疗质量和工作效率，减轻了医护人员的劳动强度和工作负担。用户还可以向云平台发出请求指令，进行检索查询，统计分析，回顾总结临床经验。

需要说明的是，本申请基于云平台的生命体征数据处理方法及系统可以在公有云或私有云上部署实施和运行，可以采用云端的服务器、数据库、应用服务系统来实现，采用集群的形式实现系统中所涉及模块的功能。

上述方法实施例和系统实施例基于相同或相似的原理，其相似之处可相互借鉴，且能达到相同的效果。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于云平台的生命体征数据处理方法，其特征在于，包括以下步骤：

步骤S1，实时获取多个用户数据；所述用户数据包括生命体征监护终端设备ID编码、患者信息和生命体征数据；

步骤S2，对获取的每一用户数据进行预处理并进行统一封装后存入生命体征数据库；

步骤S3，实时读取上述生命体征数据库中的生命体征数据，并利用分布式并行计算的深度学习框架进行分析筛查处理，得到分析筛查结果，生成数据分析报告；

在步骤S2中，

基于系统编码表规则，将生命体征监护终端设备ID编码和患者信息绑定，生成患者业务流水号，并与所述设备ID编码保持双向映射转换；

对接收的生命体征数据进行解析、分类、数据格式标准化处理，保留设备原始报警事件数据标志；解析是指从接收的数据包中抽取数据，所述抽取数据包括时间戳、数值；分类是指根据数据协议将上述解析的生命体征数据按参数类型进行分类；数据格式标准化处理是采用数位变化、码率转换、再编码方式转换为所述云平台生命体征数据标准格式；

将患者业务流水号和经过预处理的生命体征数据进行统一封装，存入生命体征数据库；

在步骤S3中，实时读取上述生命体征数据库中的生命体征数据及所包含的设备原始报警数据，并利用分布式并行计算的深度学习框架进行分析筛查处理，是采用在线实时数据分析处理方式及基于Spark引擎的深度学习框架实现：

通过Spark分布式并行计算的深度学习框架读取生命体征数据中的生命体征数据及所包含的设备原始报警数据，按照设置的微批处理间隔时间，Spark引擎并行创建多个任务，触发Spark流将数据按类型切分为RDD数据集合，同时控制相应类型的中央模型对该类型数据进行计算处理；

所述中央模型分为两类，一类对波形类数据的形态、节律、速率进行分析计算，另一类对数值型数据幅值进行分析计算；中央模型内置的二阶差分计算工具和阈值逻辑分析工具，实时计算分析生命体征数据的形态、节律、速率、数值，对波形进行分类标记、对数值进行统计归纳，实时分析筛查超出基准的异常数据；

所述生命体征监护终端设备为多参数监护设备、呼吸功能监测仪、颅内压监测仪或胎心监测仪；

生命体征数据分为波形类和数值类；其中，波形类生命体征数据包括：全程总心博、心电波间期、QRS时限、ST段形态、QT间期，全程呼吸总次数、呼吸波间期，脉搏容积波峰谷值，颅内压波峰谷值，呼气末二氧化碳分压波峰谷值、呼气末二氧化碳分压波间期；数值类生命体征数据包括：全程无创/有创血压中的收缩压和舒张压、脉率、血氧饱和度、体温值、胎心率；无创心排量的心搏量、心脏指数、总外周阻力值；呼吸力学的气道压力值、气道流量值、气道容积值。

2.根据权利要求1所述的方法，其特征在于，当所述中央模型计算处理发现超出设定基准的异常数据时，分析异常数据特征，计算持续时间，标记异常数据属性。

3.根据权利要求2所述的方法，其特征在于，在发现异常数据时，将异常数据生成实时数据分析报告，向用户发出异常事件预警，并将实时数据分析报告发送给用户。

4.根据权利要求3所述的方法，其特征在于，使用所述生命体征数据库中经过分析筛查处理后的生命体征数据，实时对每类中央模型进行训练优化，得到该类型数据新的中央模型。

5.根据权利要求4所述的方法，其特征在于，将经过分析筛查处理的每一用户全程生命体征数据进行整合，自动生成动态数据分析报告，根据患者业务流水号，将动态数据分析报告发送给用户。

6.一种基于云平台的生命体征数据处理系统，其特征在于，包括：云平台数据通信子系统、云平台数据支持子系统；所述云平台数据通信子系统包括数据通信模块、数据预处理模块；所述云平台数据支持子系统包括消息总线模块、数据存储模块、实时分析处理模块；

所述消息总线模块用于连接控制数据通信模块、数据预处理模块、实时分析处理模块、数据存储模块之间的数据传输；

所述数据通信模块用于实时接收多个用户数据，还用于和用户之间的数据交互，并将接收的数据传递给所述数据预处理模块，所述用户数据包括生命体征监护终端设备ID编码、患者信息和生命体征数据；

所述数据预处理模块包括系统编码表，用于对获取的每一用户数据进行预处理并进行统一封装后存入生命体征数据库；

所述数据存储模块包括生命体征数据库、文件数据库、业务信息数据库、缓存数据库，用于数据存储、调用；

所述实时分析处理模块包括分布式并行计算的深度学习框架，用于实时读取生命体征数据库中的数据进行分析筛查处理，生成数据分析报告，并将分析报告发送给用户，同时存入文件数据库；

所述实时分析处理模块实时读取所述生命体征数据库中的生命体征数据及所包含的设备原始报警数据，采用在线实时数据分析处理方式及基于Spark引擎的深度学习框架进行分析筛查处理：

通过Spark分布式并行计算的深度学习框架读取生命体征数据中的生命体征数据及所包含的设备原始报警数据，按照设置的微批处理间隔时间，Spark引擎并行创建多个任务，触发Spark流将数据按类型切分为RDD数据集合，同时控制相应类型的中央模型对该类型数据进行计算处理；

所述中央模型分为两类，一类对波形类数据的形态、节律、速率进行分析计算；另一类对数值型数据幅值进行分析计算，中央模型内置的二阶差分计算工具和阈值逻辑分析工具，实时计算分析生命体征数据的形态、节律、速率、数值，对波形进行分类标记、对数值进行统计归纳，实时分析筛查超出基准的异常数据；

所述数据预处理模块用于：

基于系统编码表规则将生命体征监护终端设备ID编码和患者信息绑定，生成业务流水号，并与所述设备ID编码保持双向映射转换；

对接收的生命体征数据进行解析、分类、数据格式标准化处理，保留设备原始报警事件标志；解析是指从接收的数据包中抽取数据，所述抽取数据包括时间戳、数值；分类是指根据数据协议将上述解析的生命体征数据按参数类型进行分类；数据格式标准化处理是采用数位变化、码率转换、再编码方式转换为所述云平台生命体征数据标准格式；

将患者业务流水号和经过预处理的生命体征数据进行统一封装，存入生命体征数据库；

所述生命体征监护终端设备为多参数监护设备、呼吸功能监测仪、颅内压监测仪或胎心监测仪；

生命体征数据分为波形类和数值类；其中，波形类生命体征数据包括：全程总心博、心电波间期、QRS时限、ST段形态、QT间期，全程呼吸总次数、呼吸波间期，脉搏容积波峰谷值，颅内压波峰谷值，呼气末二氧化碳分压波峰谷值、呼气末二氧化碳分压波间期；数值类生命体征数据包括：全程无创/有创血压中的收缩压和舒张压、脉率、血氧饱和度、体温值、胎心率；无创心排量的心搏量、心脏指数、总外周阻力值；呼吸力学的气道压力值、气道流量值、气道容积值。

7.根据权利要求6所述的系统，其特征在于，所述实时分析处理模块在中央模型计算处理发现超出设定基准的异常数据时，分析异常数据特征，计算持续时间，标记异常数据属性。

8.根据权利要求7所述的系统，其特征在于，所述实时分析处理模块在发现异常数据时，将异常数据生成实时数据分析报告，向用户发出异常事件预警，并将实时数据分析报告发送给用户。

9.根据权利要求8所述的系统，其特征在于，所述实时分析处理模块使用生命体征数据库中经过分析筛查处理后的生命体征数据，实时对每类中央模型进行训练优化，得到该类型数据新的中央模型。

10.根据权利要求9所述的系统，其特征在于，所述实时分析处理模块将经过分析筛查处理的每一用户全程生命体征数据进行整合，自动生成动态数据分析报告，并存入文件数据库，根据患者业务流水号将动态数据分析报告发送给用户。

Images