CN111053540A - 一种基于机器学习的crrt上机病人体温校正系统 - Google Patents

一种基于机器学习的crrt上机病人体温校正系统 Download PDF

Info

Publication number
CN111053540A
CN111053540A CN201911342407.1A CN201911342407A CN111053540A CN 111053540 A CN111053540 A CN 111053540A CN 201911342407 A CN201911342407 A CN 201911342407A CN 111053540 A CN111053540 A CN 111053540A
Authority
CN
China
Prior art keywords
body temperature
crrt
data
patient
temperature
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.)
Granted
Application number
CN201911342407.1A
Other languages
English (en)
Other versions
CN111053540B (zh
Inventor
吴健
陈晋泰
陈婷婷
应豪超
雷璧闻
刘雪晨
宋庆宇
陈潇俊
杨娜
王晓玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911342407.1A priority Critical patent/CN111053540B/zh
Publication of CN111053540A publication Critical patent/CN111053540A/zh
Application granted granted Critical
Publication of CN111053540B publication Critical patent/CN111053540B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7221—Determining signal validity, reliability or quality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7296—Specific aspects of physiological measurement analysis for compensation of signal variation due to stress unintentionally induced in the patient, e.g. due to the stress of the medical environment or examination

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychology (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种基于机器学习的CRRT上机病人体温校正系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，还包括温度监测设备，用于对CRRT设备最靠近人体的采血端和输血端进行温度监测；所述计算机存储器中存有训练好的体温校正模型，所述的体温校正模型由若干种算法融合而成，所述的若干种算法包括但不限于Xgboost、LightGBM、SVM和LR算法；所述计算机处理器执行所述计算机程序时实现以下步骤：获取待测时间点的病人生理数据、CRRT面板数据、环境变量数据以及温度监测设备监测的温度数据，输入体温校正模型后得到病人的正确体温数据。利用本发明，可以准确、无创的评估病人在CRRT治疗时的真实体温。

Description

一种基于机器学习的CRRT上机病人体温校正系统
技术领域
本发明属于医疗数据处理系统领域，尤其是涉及一种基于机器学习的CRRT上机病人体温校正系统。
背景技术
病人的体温是反映病人生命特征的重要指标，正常人的体温是35℃至37℃，低于或者高于正常体温，都会对病人产生不适。尤其对重症感染病人而言，体温对重症病人的健康状态评估、治疗方案选择都有着极为重要的影响。因此，准确有效的测量病人体温，有着非常重要的意义。
连续性肾脏替代治疗(Continuous Renal Replacement Therapy，CRRT)技术，是效仿肾小球的滤过机制，每天24小时或者接近24小时持续性的使用对流和弥散以清除溶质并对脏器起支持作用的体外血液净化技术。在CRRT的治疗过程中，体温的波动变化是一种严重的并发症，体温过高或体温过低都会严重的影响患者的恢复。此外，体温的波动更是会影响患者的凝血功能。因此，在CRRT治疗的过程中，有效的体温监测是非常重要的。
但是，由于CRRT治疗长时间、大量的血液被引出患者体外再输到患者体内，会导致热量丢失、体温降低。虽然目前很多CRRT治疗设备都已经有加热装置可进行液体加热，但是血液在体外循环路线长且加热装置只能对部分管路进行加热，这些并不能弥补耗散热量的损失。大量未加温的置换液、PBP溶液和透析液进入回输的血液中，从而使得患者体温下降，导致低体温现象的产生。
另一方面，对于体温异常上升，有发热症状的患者而言，由于CRRT治疗设备的血液体外循环机制，带来了一定的体温下降影响，从而导致了原先体温偏高症状的掩埋，使得医师无法正确的对病人的身体健康状态进行评估。这是非常可怕的，也是需要小心注意的。
在目前的重症监护领域中，大部分有经验的医生对CRRT治疗过程中病人体温存在误差的情况是有所认知的，但具体对于CRRT治疗时病人丢失的血液热量、CRRT治疗设备加热补偿的热量是认知有限的，只能通过估计来评判病人身体体温的真实数值。这种方法是不够准确的，对后续采取的治疗方案也会有一定的影响。
通常认为，在CRRT治疗过程中，由于重症监护室(ICU)的室温是较为恒定的，并且待病人完成CRRT治疗血管穿刺后，病人的血液交换状态与外界的热交换状态将会达到稳定，故此，为了克服现有技术中无准确还原CRRT上机病人的真实体温的方法，亟需设计一种可以准确、快速评估病人真实体温，从而对病人体温进行实时校正的系统，从而对病人接受CRRT治疗后体温不准确情况有效校正。
发明内容
本发明提供了一种基于机器学习的CRRT上机病人体温校正系统，可以在病人进行CRRT治疗过程中，可以准确、无创的评估病人的真实体温，从而对病人体温有效校正。
一种基于机器学习的CRRT上机病人体温校正系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，还包括温度监测设备，用于对CRRT设备最靠近人体的采血端和输血端进行温度监测；
所述计算机存储器中存有训练好的体温校正模型，所述的体温校正模型由若干种算法融合而成，所述的若干种算法包括但不限于Xgboost、LightGBM、SVM和LR算法；
所述计算机处理器执行所述计算机程序时实现以下步骤：
获取待测时间点的病人生理数据、CRRT面板数据、环境变量数据以及温度监测设备监测的温度数据，输入体温校正模型后得到病人的正确体温数据。
利用本发明的系统，可以在CRRT治疗过程获取病人真实的体温数值，使得医生可以对病人的身体状况进行准确的评估。
所述的体温校正模型由若干种算法通过投票法融合而成，将各个分类器得到的结果进行汇总，选择得票最多的结果为预测结果，最终返回标签。
所述的病人生理数据包括血液红细胞压积HCT、红细胞计数RBC、红细胞平均体积MCV、平均血红蛋白含量MCH、身高、体重、血压；所述的CRRT面板数据包括血流速度、置换液/透析液温度以及速度、静脉压、动脉压、滤前压、废液压；所述的环境变量数据包括室温、CRRT仪器输血管的管径长度、管径直径。
所述的CRRT面板数据由CRRT设备导出，且这些数据是根据设定的采样时间实时采集的。
所述的体温校正模型在训练前，先采集CRRT上机病人的数据作为训练数据集，训练过程中，采用K折交叉验证，将整个数据集随机划分为K份，其中每次取出一份数据作为验证集，其余份作为训练，重复训练K次。
在具体应用时，所述的体温校正模型在训练时可以采用5折交叉验证。
所述的体温校正模型在模型验证的同时，进行特征变量的筛选，剔除影响有限或者存在依赖关系的变量，找到线性和非线性关系最强的特征组合，并按照特征重要性排序，输出关键的特征变量，并将其作为体温校正模型的输入变量。
所述的温度监测设备基于ESP32控制主板开发，采用医疗级别的红外体温测量模块，实时监测温度变化并将监测温度传输给ESP32控制主板。
与现有技术相比，本发明具有以下有益效果：
1、本发明可以剔除多种不确定因素的影响，利用机器学习的方法，进行模型的拟合，避免按照传统的公式法选择影响变量，包括输血管长度，输血管厚度、血液比热容等一系列参数，而是自动对系统设计的一些易于采集的特征变量进行模型的建设。通过大量数据的拟合和验证，智能的进行特征变量的筛选，剔除影响有限或者存在依赖关系的变量，找到线性和非线性关系最强的特征组合，并按照特征重要性排序，输出关键的特征变量。
2、本发明通过预先采集的一部分CRRT上机病人的数据进行模型训练，得到一个准确的校正模型，从而使日后医生在临床使用时仅需要进行一次体温测量，输入模型后，模型自动校正，就能获取病人的真实体温。本发明系统的体温校正模型可以帮助医生在以前模糊预估的基础上，给定更精确的校正数值，其校正的精度能达到±0.2℃。
附图说明
图1为本发明实施例中病人使用CRRT设备治疗时的状态示意图；
图2为本发明一种基于机器学习的CRRT上机病人体温校正系统实施的流程示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，在使用CRRT治疗过程中，大量的血液被引出患者体外再输到患者体内，各种热量的耗散会导致热量丢失、体温降低。目前很多CRRT治疗设备都已经有加热装置可进行液体加热，但是由于准确还原CRRT上机病人的真实体温，很难准确的对液体进行热量补偿。
本实施例提供了一种基于机器学习的CRRT上机病人体温校正系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，还包括温度监测设备，用于对CRRT设备最靠近人体的采血端和输血端进行温度监测；
计算机存储器中存有训练好的体温校正模型，体温校正模型由Xgboost、LightGBM、SVM和LR算法融合而成；计算机处理器执行所述计算机程序时实现以下步骤：
获取待测时间点的病人生理数据、CRRT面板数据、环境变量数据以及温度监测设备监测的温度数据，输入体温校正模型后得到病人的正确体温数据。
如图2所示，体温校正模型包括训练过程和校正过程。具体包括以下步骤：
1.数据采集：本实施例从浙江大学医学院附属邵逸夫医院采集了200例CRRT上机病人的数据。
红外线体温测量是一种利用辐射原理来测量人体体温的测量方式，它采用的红外传感器只吸收人体辐射的红外线而不向外界发射任何射线，通过非接触的方法感应人体的体温。红外线又称红外光，它具有反射、折射、散射、干涉、吸收等性质。人体的红外热辐射聚焦到检测器上，检测器将辐射功率转换为电信号，该电信号在被补偿环境温度之后可以以温度为单位显示。
本发明设计了一套基于ESP32控制主板的CRRT上机病人体温监测设备，主要采用了一种医疗级别的红外体温测量模块，对CRRT设备最靠近人体的采血端和输血端进行温度监测。测量模块能实时监测温度变化，并将监测温度提交给ESP32控制主板，主板记录实时的温度数据。
此外，数据还包括了病人生理数据、CRRT面板数据、环境变量数据。病人生理数据包括血液红细胞压积(HCT)、红细胞计数(RBC)、红细胞平均体积(MCV)、平均血红蛋白含量(MCH)、身高、体重、血压等。CRRT面板数据包括了血流速度、置换液/透析液温度以及速度、静脉压、动脉压、滤前压、废液压等。环境变量数据包括了室温、CRRT仪器输血管的管径长度、管径直径等。
CRRT设备可以记录治疗过程中的一系列数据，CRRT设备的面板数据可由CRRT设备商导出，并且这些数据是实时的，按照单位时间进行采集的。单位时间采样时间(T)可以被设定，T的阈值可为且不限于1秒至600秒。本发明采用的T为120秒。
模型数据的采集对象是新上机的病人，且在整个CRRT上机过程中能保持稳定，设备不发生报警的情况。此外，模型也设定了一些数据采集要求，包括但不限于数据还需对发生休克和非休克的病人进行详细的标注。
2.算法设计：本发明运用了Xgboost、LightGBM、SVM(Support Vector Machine)、LR(Logistics Regression)等算法。XGboost和LightGBM都属于梯度下降决策树体系(GBDT)，都属于boosting算法，且用到的树模型都是CART回归树模型。他们的主要思想都是将许多弱分类器集成在一起形成一个强分类器。不同的是，在过滤数据样例寻找分割值时，LightGBM使用的是全新的技术：基于梯度的单边采样(GOSS)；而XGBoost则通过预分类算法和直方图算法来确定最优分割。他们都是被广泛使用的优秀算法，在大规模数据集、高维度数据集的训练预测上有着出色的能力。而SVM(支持向量机，Support Vector Machine)是一种传统的分类器算法，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。可以说，SVM的的学习算法就是求解凸二次规划的最优化算法。逻辑回归LR(Logistics Regression)是一种经典的分类算法，其主要思想是面对一个分类问题，建立代价函数，然后通过优化方法迭代求解出最优的模型参数。本发明利用这些算法建立一个能准确描述CRRT上机病人体温进行热交换过程的模型。这些算法通过投票法进行算法融合，利用K折验证法进行验证，用以提升准确性。投票法的具体融合思想是这四个分类模型，每个模型都会给出一个类别预测结果，通过投票的方式，按照少数服从多数的原则融合得到一个新的预测结果。算法融合的意义在于通过这几个模型的不同性能的特点，从线性、非线性融合的角度，提升整个模型的泛化能力和鲁棒性。
3.模型训练：为了提升整个模型的可靠性，本实施例在模型训练时采用五折交叉验证，即将整个数据集随机划分为五份，其中每次取出一份数据作为验证集，其余四份作为训练，重复训练5次。
4.特征重要性分析：在验证模型的同时，本发明的算法将自动对模型进行特征重要性排序，得到关键特征。这些关键特征有别于传统经验判定的特征，而是从数据的角度进行判定，有益于医生日后深入研究，进行医学新发现。
5.校正过程：在完成模型训练后，对于日后进行CRRT治疗的病人，医生只需对治疗过程中一个时间点进行体温的测量，便可通过模型的推算，获取病人的正确体温数据，对被热交换影响的测量体温进行真实体温的校正。模型帮助医生能够在以前模糊预估的基础上，给定更精确的校正数值，其校正的精度能达到±0.2℃。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于机器学习的CRRT上机病人体温校正系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，还包括温度监测设备，用于对CRRT设备最靠近人体的采血端和输血端进行温度监测；
所述计算机存储器中存有训练好的体温校正模型，所述的体温校正模型由若干种算法融合而成，所述的若干种算法包括但不限于Xgboost、LightGBM、SVM和LR算法；
所述计算机处理器执行所述计算机程序时实现以下步骤：
获取待测时间点的病人生理数据、CRRT面板数据、环境变量数据以及温度监测设备监测的温度数据，输入体温校正模型后得到病人的正确体温数据。
2.根据权利要求1所述的基于机器学习的CRRT上机病人体温校正系统，其特征在于，所述的体温校正模型由若干种算法通过投票法融合而成，将各个分类器得到的结果进行汇总，选择得票最多的结果为预测结果，最终返回标签。
3.根据权利要求1所述的基于机器学习的CRRT上机病人体温校正系统，其特征在于，所述的病人生理数据包括血液红细胞压积HCT、红细胞计数RBC、红细胞平均体积MCV、平均血红蛋白含量MCH、身高、体重、血压；所述的CRRT面板数据包括血流速度、置换液/透析液温度以及速度、静脉压、动脉压、滤前压、废液压；所述的环境变量数据包括室温、CRRT仪器输血管的管径长度、管径直径。
4.根据权利要求3所述的基于机器学习的CRRT上机病人体温校正系统，其特征在于，所述的CRRT面板数据由CRRT设备导出，且这些数据是根据设定的采样时间实时采集的。
5.根据权利要求1所述的基于机器学习的CRRT上机病人体温校正系统，其特征在于，所述的体温校正模型在训练时采用K折交叉验证，将整个数据集随机划分为K份，其中每次取出一份数据作为验证集，其余份作为训练，重复训练K次。
6.根据权利要求5所述的基于机器学习的CRRT上机病人体温校正系统，其特征在于，所述的体温校正模型在训练时采用5折交叉验证。
7.根据权利要求5所述的基于机器学习的CRRT上机病人体温校正系统，其特征在于，所述的体温校正模型在模型验证的同时，进行特征变量的筛选，剔除影响有限或者存在依赖关系的变量，找到线性和非线性关系最强的特征组合，并按照特征重要性排序，输出关键的特征变量。
8.根据权利要求1所述的基于机器学习的CRRT上机病人体温校正系统，其特征在于，所述的温度监测设备基于ESP32控制主板开发，采用医疗级别的红外体温测量模块，实时监测温度变化并将监测温度传输给ESP32控制主板。
CN201911342407.1A 2019-12-23 2019-12-23 一种基于机器学习的crrt上机病人体温校正系统 Active CN111053540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911342407.1A CN111053540B (zh) 2019-12-23 2019-12-23 一种基于机器学习的crrt上机病人体温校正系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911342407.1A CN111053540B (zh) 2019-12-23 2019-12-23 一种基于机器学习的crrt上机病人体温校正系统

Publications (2)

Publication Number Publication Date
CN111053540A true CN111053540A (zh) 2020-04-24
CN111053540B CN111053540B (zh) 2021-06-29

Family

ID=70302651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911342407.1A Active CN111053540B (zh) 2019-12-23 2019-12-23 一种基于机器学习的crrt上机病人体温校正系统

Country Status (1)

Country Link
CN (1) CN111053540B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111466910A (zh) * 2020-04-30 2020-07-31 电子科技大学 一种睡眠监测方法、系统、存储介质、计算机程序、装置
CN111986814A (zh) * 2020-08-21 2020-11-24 南通大学 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法
CN114052669A (zh) * 2020-08-05 2022-02-18 广东小天才科技有限公司 体温检测方法、耳挂式耳机、智能穿戴设备和存储介质
CN114881540A (zh) * 2022-07-04 2022-08-09 广东盈峰科技有限公司 确定水源治理方案的方法和装置、电子设备和存储介质
CN117168623A (zh) * 2023-08-28 2023-12-05 南京诺源医疗器械有限公司 一种医疗用多点融合测温系统及测温方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102258363A (zh) * 2011-04-19 2011-11-30 何宗彦 代谢热参数测量设备和方法
CN203677065U (zh) * 2013-09-29 2014-07-02 中华人民共和国南京出入境检验检疫局 一种红外体温监测自动校准系统
EP2995329A1 (en) * 2014-09-15 2016-03-16 Gambro Lundia AB Apparatus for extracorporeal treatment of blood and method of control of a blood-warming device in an extracorporeal blood treatment apparatus
JP2016087307A (ja) * 2014-11-10 2016-05-23 国立大学法人群馬大学 撮像支援装置及び透析装置
CN205494503U (zh) * 2016-01-25 2016-08-24 孔丽丽 一种crrt双向感温加热系统
CN105962906A (zh) * 2016-06-14 2016-09-28 广州视源电子科技股份有限公司 一种体温测量方法及装置
CN106294654A (zh) * 2016-08-04 2017-01-04 首都师范大学 一种本体排序方法及系统
CN109637663A (zh) * 2018-11-14 2019-04-16 浙江大学山东工业技术研究院 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置
CN110160670A (zh) * 2019-05-05 2019-08-23 深圳中集智能科技有限公司 人体体温检测装置
CN110491511A (zh) * 2019-07-24 2019-11-22 广州知汇云科技有限公司 一种基于围术期危险预警的多模型互补增强机器学习方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102258363A (zh) * 2011-04-19 2011-11-30 何宗彦 代谢热参数测量设备和方法
CN203677065U (zh) * 2013-09-29 2014-07-02 中华人民共和国南京出入境检验检疫局 一种红外体温监测自动校准系统
EP2995329A1 (en) * 2014-09-15 2016-03-16 Gambro Lundia AB Apparatus for extracorporeal treatment of blood and method of control of a blood-warming device in an extracorporeal blood treatment apparatus
JP2016087307A (ja) * 2014-11-10 2016-05-23 国立大学法人群馬大学 撮像支援装置及び透析装置
CN205494503U (zh) * 2016-01-25 2016-08-24 孔丽丽 一种crrt双向感温加热系统
CN105962906A (zh) * 2016-06-14 2016-09-28 广州视源电子科技股份有限公司 一种体温测量方法及装置
CN106294654A (zh) * 2016-08-04 2017-01-04 首都师范大学 一种本体排序方法及系统
CN109637663A (zh) * 2018-11-14 2019-04-16 浙江大学山东工业技术研究院 一种基于机器学习的经皮冠状动脉介入治疗心血管不良事件的预测装置
CN110160670A (zh) * 2019-05-05 2019-08-23 深圳中集智能科技有限公司 人体体温检测装置
CN110491511A (zh) * 2019-07-24 2019-11-22 广州知汇云科技有限公司 一种基于围术期危险预警的多模型互补增强机器学习方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RICCI, ZACCARIA: "Technical Complications of Continuous Renal Replacement Therapy", 《40 YEARS OF CONTINUOUS RENAL REPLACEMENT THERAPY》 *
古春梅: "CRRT治疗过程中患者的体温监测及护理", 《中国医药指南》 *
王健: "《面向样本不平衡的故障特征提取方法》", 29 February 2016 *
程光: "《互联网大数据挖掘与分类》", 31 December 2015 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111466910A (zh) * 2020-04-30 2020-07-31 电子科技大学 一种睡眠监测方法、系统、存储介质、计算机程序、装置
CN111466910B (zh) * 2020-04-30 2023-11-21 电子科技大学 一种睡眠监测方法、系统、存储介质、计算机程序、装置
CN114052669A (zh) * 2020-08-05 2022-02-18 广东小天才科技有限公司 体温检测方法、耳挂式耳机、智能穿戴设备和存储介质
CN114052669B (zh) * 2020-08-05 2024-04-12 广东小天才科技有限公司 体温检测方法、耳挂式耳机、智能穿戴设备和存储介质
CN111986814A (zh) * 2020-08-21 2020-11-24 南通大学 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法
CN111986814B (zh) * 2020-08-21 2024-01-16 南通大学 一种红斑狼疮患者的狼疮性肾炎预测模型的建模方法
CN114881540A (zh) * 2022-07-04 2022-08-09 广东盈峰科技有限公司 确定水源治理方案的方法和装置、电子设备和存储介质
CN114881540B (zh) * 2022-07-04 2022-09-27 广东盈峰科技有限公司 确定水源治理方案的方法和装置、电子设备和存储介质
CN117168623A (zh) * 2023-08-28 2023-12-05 南京诺源医疗器械有限公司 一种医疗用多点融合测温系统及测温方法
CN117168623B (zh) * 2023-08-28 2024-04-12 南京诺源医疗器械有限公司 一种医疗用多点融合测温系统及测温方法

Also Published As

Publication number Publication date
CN111053540B (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN111053540B (zh) 一种基于机器学习的crrt上机病人体温校正系统
Gjoreski et al. Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds
JP6427554B2 (ja) 流体分析器および関連方法
KR102129730B1 (ko) 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
US20210319905A1 (en) System for assessing and mitigating potential spread of infectious disease among dialysis patients
CN107391901A (zh) 建立普通病房患者病情评估模型的方法和服务器
CN112183572A (zh) 一种生成预测肺炎严重程度的预测模型的方法及装置
WO2022216220A1 (en) Method and system for personalized prediction of infection and sepsis
KR102421172B1 (ko) 앙상블 딥러닝과 형상 융합 기반 심장병 예측을 위한 스마트 헬스케어 모니터링 방법 및 시스템
EP2968707B1 (en) Methods and computer system for determining a patient parameter, including a volume of fluid drainage
Irshad et al. Convolutional neural network enable optoelectronic system for predicting cardiac response by analyzing auction-based optimization algorithms
Maulana et al. Smart devices for self-diagnosing of lung condition based on body temperature and fingernail color
CN115349832A (zh) 一种生命体征监测预警系统和方法
US20210225517A1 (en) Predictive model for adverse patient outcomes
Amalarathinam et al. A New Monotony Advanced Decision Tree Using Graft Algorithm to Predict the Diagnosis of Diabetes Mellitus
Madhuri et al. Novel Internet of Things Based Disease Diagnosis Framework for Smart Healthcare Schemes using Combined Optimized Artificial Intelligence Approach
Pravin et al. Machine learning and IoT-based automatic health monitoring system
Niestroy et al. Prediction of decompensation in patients in the cardiac ward
US20230386676A1 (en) Systems and methods to detect a false alarm in a patient monitoring device
Schellenberger et al. An ensemble lstm architecture for clinical sepsis detection
MUTUA et al. Comparative Analysis of Machine Learning Classification Techniques for Neonatal Postprandial Hypoglycemia Symptoms Screening.
Jain Deep Transfer Learning Approach for Obstructive Sleep Apnea Classification with Photoplethysmography Signal
Dai Evaluating the effect of different Mode's attributes on the subjective classification in the case of TCM
Deny et al. IoT-based Sweat Glucose Monitoring System
Rubaeah et al. Review of Internet of Things (IoT) and Blockchain In Healthcare: Chronic Disease Detection and Data Security

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
GR01 Patent grant
GR01 Patent grant