CN111584088A - 一种基于病源信息熵的电网施工人员高原病防治方法 - Google Patents
一种基于病源信息熵的电网施工人员高原病防治方法 Download PDFInfo
- Publication number
- CN111584088A CN111584088A CN202010546578.2A CN202010546578A CN111584088A CN 111584088 A CN111584088 A CN 111584088A CN 202010546578 A CN202010546578 A CN 202010546578A CN 111584088 A CN111584088 A CN 111584088A
- Authority
- CN
- China
- Prior art keywords
- information entropy
- disease
- altitude
- source information
- power grid
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出了一种基于病源信息熵的电网施工人员高原病防治方法,首先建立高原病特征库,然后采集电网施工人员的施工数据,并将施工数据汇聚后传输到病源信息熵建模分析平台,由病源信息熵建模分析平台使用采集到的电网施工人员的施工数据建立高原病病源独立信息熵和高原病病源联合信息熵进而实现电网施工人员是否存在高原病风险的判断;通过本发明实现了快速、实时地对电网施工人员高原病的预防及检测救治等。
Description
技术领域
本发明属于数据采集分析领域,具体地说,涉及一种基于病源信息熵的电网施工人员高原病防治方法。
背景技术
高原病通常指人体进入高原或由高原进入更高海拔地区的当时或数天内发生的因高原低氧环境引起的疾病。高原病指初入高原时出现的急性缺氧反应或疾病,依其严重程度分为轻型(或良性)和重型(或恶性)。轻型即反应型或急性高原反应;重型又分为:脑型急性高原病(又称高原昏迷或高原脑水肿)、肺型急性高原病(又称高原肺水肿)、混合型(即肺型和脑型的综合表现)。高原病共同的临床表现有头痛、头昏、心慌、气促、恶心、呕吐、乏力、失眠、眼花、嗜睡、手足麻木、唇指发绀、心律增快等,其他症状和体征则视类型不同而异。
目前,国内外主要通过对电网施工人员进行提前体检,或者在电网施工人员出现高原病后才送医院救治的方式进行高原病防治,现有的研究中,采用在电网施工人员进入高原前,采用超声波检查、心电图等的方式,对进入青藏地区施工作业的人员进行事前体检。或者是采用建立骨髓有核红细胞检查分析软件的方法来进行青藏地区施工人员的事前分析。电网基建施工往往在偏远地区,当电网施工人员发病时,电网公司不仅会耗费大量的人力物力来进行救治,而且病人的生命安全也得不到保障,在电网施工人员出现高原病后才送医院救治的方式进行高原病防治,往往错过了高原病防治的黄金时间,对电网施工人员的身体造成永久性的伤害。
国内外均无有效的急性高原病实时预测及筛选方法,只能通过事前体检进行筛选,事前体检的方法筛选效果差。而青藏高原平均海拔在4000米以上,受该地区海拔高、空气稀薄、大气压低、氧分分压低、紫外线强等因素影响,急性高原病已成为进藏电网建设人员的主要威胁。急性高原病按严重程度分为轻型(反应型或急性高原反应)、重型(高原脑水肿、高原肺水肿)两种。急性高原病发病时间短,在数小时至数日内发病,若不及时救治,就会危及生命。国家电网公司高原病防治中心调查研究表明,原常住地海拔低的电网施工人员,经过事前的身体体检到青藏高原,在刚进入青藏高原劳动强度大时,容易诱发急性高原病,急性高原病总的发病率为18.97%,其中急性轻度高原病的发病率为18.19%,重度高原病的发病率为0.78%,由此可见,在刚进入青藏地区进行电网作业的人员中,急性高原病发病率高、危害性大,对其健康构成了严重的威胁。
发明内容
本发明针对现有技术的上述问题,提出了一种基于病源信息熵的电网施工人员高原病防治方法,通过实时采集施工人员的生命特征数据和施工时的高原病发病原因溯源数据,得到病源信息熵,通过对病源信息熵的分析,实现对电网施工人员高原病发生风险的实时预防及治疗方法推荐。
本发明具体实现内容如下:
本发明提出了一种基于病源信息熵的电网施工人员高原病防治方法,首先建立高原病特征库,然后采集电网施工人员的施工数据,并将施工数据汇聚后传输到病源信息熵建模分析平台,由病源信息熵建模分析平台使用采集到的电网施工人员的施工数据进行病源信息熵建模分析,最后进行电网施工人员是否存在高原病风险的判断;
所述施工数据包括生命特征数据、高原病发病原因溯源数据;所述生命特征数据包括呼吸系统生命特征数据、心血管系统生命特征数据、消化系统生命特征数据、泌尿系统生命特征数据;
所述进行病源信息熵建模分析具体操作为:首先根据施工数据分别计算高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q);然后根据高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q)计算高原病病源联合信息熵H(z,x,y,p,q)。
为了更好地实现本发明,进一步地,所述高原病发病原因溯源数据包括:原住地海拔高度、施工人员进入高原地区的时间、中等海拔区域习服时间、心理因素、施工劳动强度、年龄、呼吸道感染;设定高原病发病原因溯源数据的特征取值范围下限为m,上限为n;得到高原病发病原因溯源特征取值范围表:
计算高原病发病原因溯源独立信息熵H(z)的具体步骤为:首先定义高原病发病发病原因溯源信息熵为z,取值范围为{zm......zn};则设定原住地海拔高度为za,取值范围为{zam......zan},施工劳动强度为zb,取值范围为{zbm......zbn},中等海拔区域习服时间为zc,取值范围为{zcm......zcn},施工人员进入高原地区的时间为zd,取值范围为{zdm......zdn},心理因素为ze,取值范围为{zem......zen},呼吸道感染为zf,取值范围为{zfm......zfn},年龄为zg,取值范围为{zgm......zgn};然后计算出病源信息熵H(za)、病源信息熵H(zb)、病源信息熵H(zc)、病源信息熵H(zd)、病源信息熵H(ze)、病源信息熵H(zf)、病源信息熵H(zg)、条件熵H(za|zb|zc|zd|ze|zf|zg);最后将病源信息熵H(za)、病源信息熵H(zb)、病源信息熵H(zc)、病源信息熵H(zd)、病源信息熵H(ze)、病源信息熵H(zf)、病源信息熵H(zg)、条件熵H(za|zb|zc|zd|ze|zf|zg)相加得到高原病发病原因溯源独立信息熵H(z)。
为了更好地实现本发明,进一步地,所述呼吸系统生命特征数据包括BMI指数、肺功能-FVL、肺功能-FEV1、肺功能-FEE25、肺功能-SaO2下降、呼吸次数、呼吸停顿时间;
所述心血管系统生命特征数据包括心电图ST段、血压舒张压、血压收缩压、心率≥100次时间、血红细胞、血红蛋白;
所述消化系统生命特征数据包括腹部肌张力痉挛次数;
所述泌尿系统生命特征数据包括尿红细胞、尿蛋白;
设定呼吸系统信息熵为x,取值范围为{xm......xn},则设定BMI指数为xa,取值范围为{xam......xan},肺功能-FVL为xb,取值范围为{xbm......xbn},肺功能-FEV1为xc,取值范围为{xcm......xcn},肺功能-FEE25为xd,取值范围为{xdm......xdn},肺功能-SaO2下降为xe,取值范围为{xem......xen},呼吸次数为xf,取值范围为{xfm......xfn},呼吸停顿时间为xg,取值范围为{xgm......xgn},进一步计算出病源信息熵H(za)、病源信息熵H(zb)、病源信息熵H(zc)、病源信息熵H(zd)、病源信息熵H(ze)、病源信息熵H(zf)、病源信息熵H(zg)、条件熵H(za|zb|zc|zd|ze|zf|zg);最后将病源信息熵H(za)、病源信息熵H(zb)、病源信息熵H(zc)、病源信息熵H(zd)、病源信息熵H(ze)、病源信息熵H(zf)、病源信息熵H(zg)、条件熵H(za|zb|zc|zd|ze|zf|zg)相加得到呼吸系统独立信息熵H(x);
同理,计算得出心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q)。
为了更好地实现本发明,进一步地,所述高原病病源联合信息熵H(z,x,y,p,q)的具体计算方法为:首先计算出高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q),然后计算出条件熵H(z|x|y|p|q),最后计算出高原病病源联合信息熵H(z,x,y,p,q),所述高原病病源联合信息熵H(z,x,y,p,q)为高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q)、条件熵H(z|x|y|p|q)之和。
为了更好地实现本发明,进一步地,所述采集电网施工人员的施工数据为采用多传感器数据自适应加权融合估计算法进行生命特征数据采集,具体操作为:在每一位需要进行监测的电网施工人员身上安装n个传感器进行测量,所述传感器采集的数据为所述高原病特征库中所记载的数据,并根据施工人员的情况配置若干生命特征采集点,然后通过神经网络、小波变换、kalman滤波技术进行多传感器数据融合,计算出多传感器数据自适应加权融合估计值。
为了更好地实现本发明,进一步地,所述将施工数据汇聚具体使用以数据为中心的自组织算法SPIN实现多个电网施工人员的施工数据的汇聚。
为了更好地实现本发明,进一步地,在进行病源信息熵建模分析之前,将电网施工人员在静止状态下的呼吸系统生命特征数据、心血管系统生命特征数据、消化系统生命特征数据、泌尿系统生命特征数据增加90%,用作电网施工人员在运动状态下的呼吸系统生命特征数据、心血管系统生命特征数据、消化系统生命特征数据、泌尿系统生命特征数据的控制目标值,同时,结合经验库,对运动状态数据进行修正,得到电网施工人员在运动状态下更加准确的生命特征数据。
为了更好地实现本发明,进一步地,在使用病源信息熵建模分析平台根据高原病的病源信息熵建模分析得出电网施工人员高原病产生几率后,同时结合高原病患者专家诊断库评估出电网施工人员发生高原病的风险程度,并根据风险程度生成评估报告和处理意见并发送给在施工现场的医务人员。
本发明与现有技术相比具有以下优点及有益效果:
(1)可以实时采集数据,并进行实时监控和分析,大大减少了病情的发现时间,为病人治疗争取了宝贵时间;
(2)针对不同的发病原因进行分析,有的放矢,有助于病情的快速治疗;
(3)在病人进行救治时可以快速提供救治前的生命特征数据,有助于医生分析病情,有益于治疗。
附图说明
图1为本发明整体流程示意图;
图2为本发明通过SPIN多人无线组网进行数据传输示意图;
图3为病源信息熵函数的曲线示意图;
图4为高原病病源联合信息熵H(z,x,y,p,q)关系示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
实施例1:
本发明提出了一种基于病源信息熵的电网施工人员高原病防治方法,如图1所示,一种基于病源信息熵的电网施工人员高原病防治方法,首先建立高原病特征库,然后采集电网施工人员的施工数据,并将施工数据汇聚后传输到病源信息熵建模分析平台,由病源信息熵建模分析平台使用采集到的电网施工人员的施工数据进行病源信息熵建模分析,最后进行电网施工人员是否存在高原病风险的判断;
所述施工数据包括生命特征数据、高原病发病原因溯源数据;所述生命特征数据包括呼吸系统生命特征数据、心血管系统生命特征数据、消化系统生命特征数据、泌尿系统生命特征数据;
所述进行病源信息熵建模分析具体操作为:首先根据施工数据分别计算高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q);然后根据高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q)计算高原病病源联合信息熵H(z,x,y,p,q)。
工作原理:简单的来说,病源信息熵就是,多少信息用信息量来衡量,我们接受到的信息量跟具体发生的事件有关。信息的大小跟随机事件的概率有关。越小概率的事情发生了产生的信息量越大,如某地产生的地震了;越大概率的事情发生了产生的信息量越小,如太阳从东边升起来了。如果我们有俩个不相关的事件x和y,那么我们观察到的俩个事件同时发生时获得的信息应该等于观察到的事件各自发生时获得的信息之和,即:
H(x,y)=H(x)+H(y);
由于x,y是俩个不相关的事件,那么满足p(x,y)=p(x)*p(y);根据上面推导,我们很容易看出H(x)一定与p(x)的对数有关,因为只有对数形式的真数相乘之后,能够对应对数的相加形式。因此我们有信息量公式如下:
H(x)=-log2p(x);
信息量度量的是一个具体事件发生了所带来的信息,而熵则是在结果出来之前对可能产生的信息量的期望——考虑该随机变量的所有可能取值,即所有可能发生事件所带来的信息量的期望,即:
H(x)=-sum(p(x)log2p(x));
病源信息熵还可以作为一个高原病复杂程度的度量,如果高原病越复杂,出现不同情况的种类越多,那么他的信息熵是比较大的。如果一种高原病越简单,出现情况种类很少,极端情况为1种情况,那么对应概率为1,那么对应的病源信息熵为0,此时的病源信息熵较小。
实施例2:
本发明在上述实施例1的基础上,首先建立高原病特征库,具体建立的操作为:按照苏州高新区人民医院基于国家电网公司高原病防治中心的电网施工人员高原病调研情况,对患高原病的电网施工人员进行了患病原因和病情特征进行了分析,分析病患452个,总结了7类高原病发病原因和4大类16小类病情特征数据;在高原病发病的原因方面,主要由施工人员原住地海拔高度、施工人员进入高原地区的时间、中等海拔区域习服时间、心理因素、施工劳动强度、年龄和呼吸道感染7个方面构成,一个施工人员患病后,可溯源至多类原因,分析结果如表1所示:
表1施工人员高原病患病原因分析表:
由表1可见,电网施工人员高原病患病原因从高到低依次为施工劳动强度、原住地海拔高度、中等海拔区域习服时间、施工人员进入高原地区的时间、心理因素、呼吸道感染和年龄。基于此,在电网施工人员进入高原初期,将施工人员的病患原因纳入病源信息熵分析范畴,重点观察原住地海拔高度、中等海拔区域习服时间、施工劳动强度超过阈值的人员。
电网施工人员患高原病后的16类病情特征数据如表2所示:
表2施工人员高原病患病特征数据表
由表2可见,电网施工人员高原病患病后,身体特征主要由呼吸、心血管、消化和泌尿系统4大类,16小类异常构成,需结合高原病发病原因和高原病患病特征数据进行联合病源信息熵建模,当电网施工人员出现身体特征指标异常时,进行有效处置及救助,避免该类人员病情发展为高原病。
本实施例的其他部分与上述实施例1相同,故不再赘述。
实施例3:
本发明在上述实施例1-2任一项的基础上,在建立了高原病特征库以后,进行电网施工人员的施工数据采集,施工数据主要包括施工人员的生命特征数据以及在施工时候的高原病发病原因溯源数据;
电网施工人员生命特征数据通过可穿戴的生命特征传感器采集,传感器主要分心跳、心动图、血压、血氧、体温、呼吸频率和海拔高度等类型,并根据施工人员的情况配置若干个生命特征采集点,通过神经网络、小波变换、kalman滤波技术进行多传感器数据融合,以获得准确的量测信号;
本发明采用多传感器数据自适应加权融合估计算法进行生命特征数据采集:
设有n个传感器对某一电网施工人员进行测量,传感器的方差分别为测量的次数为z,传感器测量的预估真值为x,则各传感器的测量值为x1,x2......xn,各传感器的加权因子为y1,y2......yn,在多传感器融合后,算上个传感器加权因子后的传感器融合测量值xt为:
设再进行测量h次的第二组测量,则得到传感器的平均方差为:
此时,多传感器对应的最小方差为:
由式(3)、式(4)可以计算出多传感器数据自适应加权融合估计值xg,具体计算公式为:
由式(5)可见,通过对可穿戴的生命特征多传感器的数据融合,可得到电网施工人员准确的心跳、心动图、血压、血氧、体温等类型的生命体征数据。
本实施例的其他部分与上述实施例1-2任一项相同,故不再赘述。
实施例4:
本发明在上述实施例1-3任一项的基础上,如图2所示,在青藏高原的电网施工现场,往往有数人参加电网施工作业,若每个施工人员均占一个5G传输通道,会造成资源的浪费和传输成本的增加,因此,可采用以数据为中心的自组织算法SPIN实现多个施工人员的生命特征数据本地汇聚。
电网施工人员SPIN多人无线组网中,施工人员的地理位置随机布置,每个生命特征监测传感器节点首先会向相邻的基点传感器发送请求分配级别的命令,若相邻的基点传感器是汇聚点,则生命特征监测传感器节点将接受到汇聚点分配的级别,则该传感器节点就向会汇聚点发送生命特征信息数据报。若相邻的基点传感器是其它的中转生命特征监测传感器,则该传感器节点就会向中转传感器发送生命特征信息数据。通过SPIN路由算法组网,每个传感器节点都希望成为中转节点,并指导自己的传输路径是否在汇聚节点的路径上,为减少节点传输的损耗,各施工人员的生命特征传感器节点在传输时直接进行协商,从而达到最佳传输的效率,如图2所示。当各电网施工人员的生命特征数据到达汇聚点后,采用5G网络,并通过泛在电力物联网的多层级安全架构,将数据传输至供电公司电网施工人员高原病防治平台。
本实施例的其他部分与上述实施例1-3任一项相同,故不再赘述。
实施例5:
本发明在上述实施例1-4任一项的基础上,高原病的病源信息熵主要涉及到电网施工人员的发病原因溯源分析、呼吸系统、心血管系统、消化系统、泌尿系统五部分,基于电网施工人员高原病特征分析分析情况,开展病源独立信息熵和高原病联合信息熵两层病源信息熵建模。具体的病源独立信息熵建模计算方法如下:
1)高原病发病原因溯源建模
高原病发病原因溯源主要包括7个方面,设m为高原病发病原因溯源特征取值范围的下限,n为取值范围的上限,各类高原病发病原因的溯源特征值上下限如表3所示:
表3高原病发病原因溯源特征取值范围表
设高原病发病原因溯源信息熵为z,取值范围为{zm......zn},原住地海拔高度为za,取值范围为{zam......zan},施工劳动强度为zb,取值范围为{zbm......zbn},中等海拔区域习服时间为zc,取值范围为{zcm......zcn},施工人员进入高原地区的时间为zd,取值范围为{zdm......zdn},心理因素为ze,取值范围为{zem......zen},呼吸道感染为zf,取值范围为{zfm......zfn},年龄为zg,取值范围为{zgm......zgn},高原病发病原因溯源的病源熵为:
2)呼吸系统建模
呼吸系统建模主要7个方面,根据生命特征传感器监测的呼吸数据,通过检测人员呼吸加快,快速连续进行3、4次呼吸后,产生10秒以上的停顿等监测数据,以此判断高原病发作风险。设为m为呼吸系统特征取值范围下限,n为呼吸系统特征取值范围上限,呼吸系统特征值上下限如表4所示:
表4呼吸系统特征取值范围表
设呼吸系统信息熵为x,取值范围为{xm......xn},BMI指数为xa,取值范围为{xam......xan},肺功能-FVL为xb,取值范围为{xbm......xbn},肺功能-FEV1为xc,取值范围为{xcm......xcn},肺功能-FEE25为xd,取值范围为{xdm......xdn},肺功能-SaO2下降为xe,取值范围为{xem......xen},呼吸次数为xf,取值范围为{xfm......xfn},呼吸停顿时间为xg,取值范围为{xgm......xgn},呼吸系统病源熵为:
3)心血管系统建模
根据生命特征传感器监测的心跳数据、动态心电图数据、血压数据,检测心率、血压是否增加,血红细胞、血红蛋白是否增高,是否出现异位心律失常等临床症状,以此判断高原病发作风险;设m为心血管系统特征取值范围的下限,n为心血管系统特征取值范围的上限,心血管系统特征值上下限如表5所示:
表5心血管系统特征取值范围表
设心血管系统信息熵为y,取值范围为{ym......yn},心电图ST段为ya,取值范围为{yam......yan},血压舒张压为yb,取值范围为{ybm......ybn},血压收缩压为yc,取值范围为{ycm......ycn},心率≥100次时间为yd,取值范围为{ydm......ydn},血红细胞为ye,取值范围为{yem......yen},血红蛋白为yf,取值范围为{yfm......yfn},心血管系统病源熵为:
需要注意的是,血红蛋白和血红细胞的检测不是靠传感器进行,而是定期通过采集血样进行检测,此处血红蛋白和血红细胞的数据根据定期的检测进行更新。
4)消化系统建模
根据生命特征传感器监测的肠蠕动数据,检测肠道蠕动是否乏力,肠道张力的强弱程度等临床症状,以此判断高原病发作风险;设为m为消化系统特征取值范围下限,n为消化系统特征取值范围上限,消化系统特征值上下限分别为0次/h、60次/h。
设消化系统信息熵为p,取值范围为{pm......pn};腹部肌张力(痉挛次数/h)为Pa,取值范围为{pam......pan}消化系统病源熵为:
H(p)=H(pa) (9)
5)泌尿系统建模
根据生命特征传感器监测的血液数据,检测是否存在血尿、蛋白尿等临床症状,以此判断高原病发作风险。设为m为泌尿系统特征取值范围下限,n为泌尿系统特征取值范围上限,泌尿系统特征值上下限如表5所示:
表6泌尿系统特征取值范围表
设泌尿系统信息熵为q,取值范围为{qm......qn},尿红细胞为qa,取值范围为{qam......qan},尿蛋白为qb,取值范围为{qbm......qbn},泌尿系统病源熵为:
H(q)=H(qa)+H(qb)+H(qa|qb) (10);
需要注意的是,泌尿系统的生命特征检测不是实时检测,同样是按照定期的采样检测进行数据的更新。
工作原理:高原病的病源信息熵主要涉及到电网施工人员的呼吸系统、心血管系统、消化系统、泌尿系统四大方面的建模。其中,在呼吸系统建模方面,根据生命特征传感器监测的呼吸数据,通过检测人员呼吸加快,快速连续进行3、4次呼吸后,产生10秒以上的停顿等临床症状,以此判断高原病发作风险;在心血管系统建模方面,根据生命特征传感器监测的心跳数据、动态心电图数据、血压数据,检测心率、血压是否增加,血红细胞、血红蛋白是否增高,是否出现异位心律失常等临床症状,以此判断高原病发作风险;在消化系统封面,根据生命特征传感器监测的肠蠕动数据,检测肠道蠕动是否乏力,肠道张力的强弱程度等临床症状,以此判断高原病发作风险;在泌尿系统方面,根据生命特征传感器监测的血液数据,检测是否存在血尿、蛋白尿等临床症状,以此判断高原病发作风险。
本实施例的其他部分与上述实施例1-4任一项相同,故不再赘述。
实施例6:
本发明在上述实施例1-5任一项的基础上,如图3所示,所述高原病病源联合信息熵H(z,x,y,p,q)的具体计算原理如下:
在高原病的病源信息熵的建模中,高原病发病原因溯源、呼吸系统、心血管系统、消化系统、泌尿系统的5个变量是相互独立的,那么分别观测5个变量得到的信息量应该和同时观测5个变量的信息量是相同的,设为m为高原病联合信息熵特征取值范围下限,n呼吸取值范围上限,设高原病发病原因溯源信息熵为z,取值范围为{zm......zn},设呼吸系统的信息熵为x,取值范围为{xm......xn};心血管系统的信息熵为y,取值范围为{ym......yn};消化系统的信息熵为p,取值范围为{pm......pn};泌尿系统的信息熵为q,取值范围为{qm......qn};设高原病发病原因溯源、呼吸系统、心血管系统、消化系统、泌尿系统的病源独立信息熵分别可以表示为si=s{z=zi}、ai=a{x=xi}、bi=b{y=yi}、ci=c{p=pi}、di=d{q=qi};则可以计算得到:
若式(11)至式(15)中,对数的底数为2,则高原病发病原因溯源、呼吸系统、心血管系统、消化系统、泌尿系统的病源独立信息熵分别表示为,H2(z)、H2(x)、H2(y)、H2(p)、H2(q),代表以2为基底的熵,单位是bits,熵函数的曲线如图3所示;
由图3可以求出H(z)、H(x)、H(y)、H(p)、H(q)对应的信息量函数I(z)、I(x)、I(y)、I(p)、I(q)。此时的I(z)、I(x)、I(y)、I(p)、I(q)可视为z、x、y、p、q所提供的信息量;而H(z)、H(x)、H(y)、H(p)、H(q)可分别是I(z)、I(x)、I(y)、I(p)、I(q)的平均值。进而求出高原病病源联合信息熵H(z,x,y,p,q)。
高原病的高原病病源联合信息熵定义为高原病发病原因溯源、呼吸系统、心血管系统、消化系统、泌尿系统5个因素同时发生的不确定度,高原病病源联合信息熵为:
公式(16)可简化表达为:
条件熵H(z|x|y|p|q)可以看成由于信道上存在干扰和噪声而损失掉的平均信息量,也可作为唯一地确定信道噪声或者散布度。
高原病的病源信息高原病病源联合信息熵关系及互信息如图4所示,H(z)、H(x)、H(y)、H(p)、H(q)的交叉部分为高原病联合信息熵的条件熵H(z|x|y|p|q),若高原病联合信息熵的值越大,五个函数的差异就越大,意味着发生高原病的机率就越大,以此判断电网施工人员是否存在高原病风险。
工作原理:在高原病的病源信息熵的建模中,呼吸系统、心血管系统、消化系统、泌尿系统的5个变量是相互独立的,H(z)、H(x)、H(y)、H(p)、H(q)的交叉部分为高原病联合信息熵H(x|y|p|q),若高原病联合信息熵的值越大,四个函数的差异就越大,意味着发生高原病的机率就越大,以此判断电网施工人员是否存在高原病风险。
本实施例的其他部分与上述实施例1-5任一项相同,故不再赘述。
实施例7:
本发明在上述实施例1-6任一项的基础上,电网施工人员高原病防治平台根据高原病的病源信息熵建模分析出电网施工人员高原病产生机率后,同时结合高原病患者专家诊断库,可以准确的评估电网施工人员高原病发生的风险,并按施工人员生成高原病风险评估报告及处置意见,评估等级分轻微、中度、危重风险三种,可生成停止工作,现场休息,服用葡萄糖,呼吸氧气,紧急送医院等建议,如表7所示:
表7高原病风险评估等级及处置意见表
电网施工人员高原病防治平台通过5G网络将评估报告和处置意见发送给电网施工现场的医务人员,现场的医院人员按照处置意见对评估为有高原病风险的电网作业人员进行现场处理或紧急送就近的医院进行救治。
本实施例的其他部分与上述实施例1-6任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (8)
1.一种基于病源信息熵的电网施工人员高原病防治方法,其特征在于,首先建立高原病特征库,然后采集电网施工人员的施工数据,并将施工数据汇聚后传输到病源信息熵建模分析平台,由病源信息熵建模分析平台使用采集到的电网施工人员的施工数据进行病源信息熵建模分析,最后进行电网施工人员是否存在高原病风险的判断;
所述施工数据包括生命特征数据、高原病发病原因溯源数据;所述生命特征数据包括呼吸系统生命特征数据、心血管系统生命特征数据、消化系统生命特征数据、泌尿系统生命特征数据;
所述进行病源信息熵建模分析具体操作为:首先根据施工数据分别计算高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q);然后根据高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q)计算高原病病源联合信息熵H(z,x,y,p,q)。
2.如权利要求1所述的一种基于病源信息熵的电网施工人员高原病防治方法,其特征在于,所述高原病发病原因溯源数据包括:原住地海拔高度、施工人员进入高原地区的时间、中等海拔区域习服时间、心理因素、施工劳动强度、年龄、呼吸道感染;设定高原病发病原因溯源数据的特征取值范围下限为m,上限为n;
计算高原病发病原因溯源独立信息熵H(z)的具体步骤为:首先定义高原病发病发病原因溯源信息熵为z,取值范围为{zm......zn};则设定原住地海拔高度为za,取值范围为{zam......zan},施工劳动强度为zb,取值范围为{zbm......zbn},中等海拔区域习服时间为zc,取值范围为{zcm......zcn},施工人员进入高原地区的时间为zd,取值范围为{zdm......zdn},心理因素为ze,取值范围为{zem......zen},呼吸道感染为zf,取值范围为{zfm......zfn},年龄为zg,取值范围为{zgm......zgn};然后计算出病源信息熵H(za)、病源信息熵H(zb)、病源信息熵H(zc)、病源信息熵H(zd)、病源信息熵H(ze)、病源信息熵H(zf)、病源信息熵H(zg)、条件熵H(za|zb|zc|zd|ze|zf|zg);最后将病源信息熵H(za)、病源信息熵H(zb)、病源信息熵H(zc)、病源信息熵H(zd)、病源信息熵H(ze)、病源信息熵H(zf)、病源信息熵H(zg)、条件熵H(za|zb|zc|zd|ze|zf|zg)相加得到高原病发病原因溯源独立信息熵H(z)。
3.如权利要求1所述的一种基于病源信息熵的电网施工人员高原病防治方法,其特征在于,
所述呼吸系统生命特征数据包括BMI指数、肺功能-FVL、肺功能-FEV1、肺功能-FEE25、肺功能-SaO2下降、呼吸次数、呼吸停顿时间;
所述心血管系统生命特征数据包括心电图ST段、血压舒张压、血压收缩压、心率≥100次时间、血红细胞、血红蛋白;
所述消化系统生命特征数据包括腹部肌张力痉挛次数;
所述泌尿系统生命特征数据包括尿红细胞、尿蛋白;
设定呼吸系统信息熵为x,取值范围为{xm......xn},则设定BMI指数为xa,取值范围为{xam......xan},肺功能-FVL为xb,取值范围为{xbm......xbn},肺功能-FEV1为xc,取值范围为{xcm......xcn},肺功能-FEE25为xd,取值范围为{xdm......xdn},肺功能-SaO2下降为xe,取值范围为{xem......xen},呼吸次数为xf,取值范围为{xfm......xfn},呼吸停顿时间为xg,取值范围为{xgm......xgn},进一步计算出病源信息熵H(za)、病源信息熵H(zb)、病源信息熵H(zc)、病源信息熵H(zd)、病源信息熵H(ze)、病源信息熵H(zf)、病源信息熵H(zg)、条件熵H(za|zb|zc|zd|ze|zf|zg);最后将病源信息熵H(za)、病源信息熵H(zb)、病源信息熵H(zc)、病源信息熵H(zd)、病源信息熵H(ze)、病源信息熵H(zf)、病源信息熵H(zg)、条件熵H(za|zb|zc|zd|ze|zf|zg)相加得到呼吸系统独立信息熵H(x);
同理,计算得出心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q)。
4.如权利要求1-3任一项所述的一种基于病源信息熵的电网施工人员高原病防治方法,其特征在于,所述高原病病源联合信息熵H(z,x,y,p,q)的具体计算方法为:首先计算出高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q),然后计算出条件熵H(z|x|y|p|q),最后计算出高原病病源联合信息熵H(z,x,y,p,q),所述高原病病源联合信息熵H(z,x,y,p,q)为高原病发病原因溯源独立信息熵H(z)、呼吸系统独立信息熵H(x)、心血管系统独立信息熵H(y)、消化系统独立信息熵H(p)、泌尿系统独立信息熵H(q)、条件熵H(z|x|y|p|q)之和。
5.如权利要求1所述的一种基于病源信息熵的电网施工人员高原病防治方法,其特征在于,所述采集电网施工人员的施工数据为采用多传感器数据自适应加权融合估计算法进行生命特征数据采集,具体操作为:在每一位需要进行监测的电网施工人员身上安装n个传感器进行测量,所述传感器采集的数据为所述高原病特征库中所记载的数据,并根据施工人员的情况配置若干生命特征采集点,然后通过神经网络、小波变换、kalman滤波技术进行多传感器数据融合,计算出多传感器数据自适应加权融合估计值。
6.如权利要求5所述的一种基于病源信息熵的电网施工人员高原病防治方法,其特征在于,所述将施工数据汇聚具体使用以数据为中心的自组织算法SPIN实现多个电网施工人员的施工数据的汇聚。
7.如权利要求1所述的一种基于病源信息熵的电网施工人员高原病防治方法,其特征在于,在进行病源信息熵建模分析之前,将电网施工人员在静止状态下的呼吸系统生命特征数据、心血管系统生命特征数据、消化系统生命特征数据、泌尿系统生命特征数据增加90%,用作电网施工人员在运动状态下的呼吸系统生命特征数据、心血管系统生命特征数据、消化系统生命特征数据、泌尿系统生命特征数据的控制目标值,同时,结合经验库,对运动状态数据进行修正,得到电网施工人员在运动状态下更加准确的生命特征数据。
8.如权利要求1-7任一项所述的一种基于病源信息熵的电网施工人员高原病防治方法,其特征在于,在使用病源信息熵建模分析平台根据高原病的病源信息熵建模分析得出电网施工人员高原病产生几率后,同时结合高原病患者专家诊断库评估出电网施工人员发生高原病的风险程度,并根据风险程度生成评估报告和处理意见并发送给在施工现场的医务人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546578.2A CN111584088B (zh) | 2020-06-15 | 2020-06-15 | 一种基于病源信息熵的电网施工人员高原病风险判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010546578.2A CN111584088B (zh) | 2020-06-15 | 2020-06-15 | 一种基于病源信息熵的电网施工人员高原病风险判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111584088A true CN111584088A (zh) | 2020-08-25 |
CN111584088B CN111584088B (zh) | 2023-05-30 |
Family
ID=72112813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010546578.2A Active CN111584088B (zh) | 2020-06-15 | 2020-06-15 | 一种基于病源信息熵的电网施工人员高原病风险判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111584088B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112397204A (zh) * | 2020-11-16 | 2021-02-23 | 中国人民解放军空军特色医学中心 | 一种预测高原病的方法、装置、计算机设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020065232A1 (en) * | 1999-09-24 | 2002-05-30 | Butler Terri L. | Method for treating acute mountain sickness |
KR20120107750A (ko) * | 2011-03-22 | 2012-10-04 | 계명대학교 산학협력단 | 엔트로피 러프 근사화 기술에 기반한 감별진단을 위한 주요 파라미터 추출방법 및 이를 이용한 통합 임상 의사결정 지원 시스템 |
CN104481508A (zh) * | 2014-09-10 | 2015-04-01 | 大庆明达韦尔信息系统服务有限公司 | 用信息熵结合灰度关联矩阵实现油田抽油机井故障诊断的方法 |
WO2019046854A1 (en) * | 2017-09-01 | 2019-03-07 | University Of Cincinnati | SYSTEM, METHOD, COMPUTER PROGRAM PRODUCT AND APPARATUS FOR DYNAMIC PREDICTIVE SURVEILLANCE IN CRITICAL HEALTH ASSESSMENT AND RESULTS / SCORE / (CHAOS) STUDY |
CN110335678A (zh) * | 2019-05-30 | 2019-10-15 | 中国人民解放军总医院 | 一种高原适应性评估方法及系统 |
CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
-
2020
- 2020-06-15 CN CN202010546578.2A patent/CN111584088B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020065232A1 (en) * | 1999-09-24 | 2002-05-30 | Butler Terri L. | Method for treating acute mountain sickness |
KR20120107750A (ko) * | 2011-03-22 | 2012-10-04 | 계명대학교 산학협력단 | 엔트로피 러프 근사화 기술에 기반한 감별진단을 위한 주요 파라미터 추출방법 및 이를 이용한 통합 임상 의사결정 지원 시스템 |
CN104481508A (zh) * | 2014-09-10 | 2015-04-01 | 大庆明达韦尔信息系统服务有限公司 | 用信息熵结合灰度关联矩阵实现油田抽油机井故障诊断的方法 |
WO2019046854A1 (en) * | 2017-09-01 | 2019-03-07 | University Of Cincinnati | SYSTEM, METHOD, COMPUTER PROGRAM PRODUCT AND APPARATUS FOR DYNAMIC PREDICTIVE SURVEILLANCE IN CRITICAL HEALTH ASSESSMENT AND RESULTS / SCORE / (CHAOS) STUDY |
CN110335678A (zh) * | 2019-05-30 | 2019-10-15 | 中国人民解放军总医院 | 一种高原适应性评估方法及系统 |
CN110364259A (zh) * | 2019-05-30 | 2019-10-22 | 中国人民解放军总医院 | 一种高原疾病预测方法、系统、介质及电子设备 |
Non-Patent Citations (4)
Title |
---|
唐冬来等: ""基于病源信息熵的电网施工人员高原病监测评估平台研究"", 《电力信息与通信技术》 * |
唐冬来等: "基于病源信息熵的电网施工人员 高原病监测评估平台研究", 《电力信息与通信技术》 * |
王驰等: ""急性高原病诊断和预测因素的研究进展"", 《临床检验杂志(电子版)》 * |
王驰等: "急性高原病诊断和预测因素的研究进展", 《临床检验杂志(电子版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112397204A (zh) * | 2020-11-16 | 2021-02-23 | 中国人民解放军空军特色医学中心 | 一种预测高原病的方法、装置、计算机设备和存储介质 |
CN112397204B (zh) * | 2020-11-16 | 2024-01-19 | 中国人民解放军空军特色医学中心 | 一种预测高原病的方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111584088B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102908130B (zh) | 用于监测人体健康状态的设备 | |
McGregor et al. | A process mining driven framework for clinical guideline improvement in critical care | |
Al-Dmour et al. | A fuzzy logic–based warning system for patients classification | |
AU2011205557A1 (en) | Multivariate residual-based health index for human health monitoring | |
CN105956372B (zh) | 一种远程多传感器监护的医疗系统 | |
US11854699B1 (en) | Predicting respiratory distress | |
Emokpae et al. | Smart multimodal telehealth-IoT system for COVID-19 patients | |
Jin et al. | Classification of normal and abnormal ECG records using lead convolutional neural network and rule inference | |
CN112365996A (zh) | 一种疾病传播防控方法及系统 | |
CN109846474A (zh) | 心电图的处理方法及装置、心电图的远程处理方法及系统 | |
WO2021253188A1 (zh) | 一种基于病源信息熵的电网施工人员高原病防治方法 | |
Baig et al. | Fuzzy logic based smart anaesthesia monitoring system in the operation theatre | |
Al-Saud et al. | Wireless body area sensor networks signal processing and communication framework: survey on sensing, communication technologies, delivery and feedback | |
CN111584088A (zh) | 一种基于病源信息熵的电网施工人员高原病防治方法 | |
CN114078600A (zh) | 一种基于云技术的智能多通道疾病诊断系统和方法 | |
Jung et al. | Monitoring senior wellness status using multimodal biosensors | |
Irshad et al. | Convolutional neural network enable optoelectronic system for predicting cardiac response by analyzing auction-based optimization algorithms | |
CN116978510A (zh) | 一种居家脑卒中患者的护理分级评估系统 | |
Kew et al. | Wearable patch-type ECG using ubiquitous wireless sensor network for healthcare monitoring application | |
Mbida et al. | Artificial intelligence auscultation system for physiological diseases | |
CN116098595A (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
Zhao et al. | Intelligent Gateway Based Human Cardiopulmonary Health Monitoring System | |
CN112216400A (zh) | 一种基于大数据的食源性疾病致病因子预测的方法和系统 | |
Ivascu et al. | Real-time health status monitoring system based on a fuzzy agent model | |
Tang et al. | Research on a monitoring and evaluation platform for mountain sickness of grid construction workers based on disease information entropy |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210723 Address after: No.2688 Xiyuan Avenue, modern industrial port (south area), Pidu District, Chengdu, Sichuan 610000 Applicant after: SICHUAN ZHONGDIAN AOSTAR INFORMATION TECHNOLOGIES Co.,Ltd. Address before: 610000 No. 2688 Xiyuan Avenue, Pixian Modern Industrial Port, Chengdu City, Sichuan Province Applicant before: SICHUAN ZHONGDIAN AOSTAR INFORMATION TECHNOLOGIES Co.,Ltd. Applicant before: STATE GRID INFORMATION & TELECOMMUNICATION GROUP Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |