CN111938607A - 基于多元参数融合的智能监护报警方法及其系统 - Google Patents
基于多元参数融合的智能监护报警方法及其系统 Download PDFInfo
- Publication number
- CN111938607A CN111938607A CN202010841393.4A CN202010841393A CN111938607A CN 111938607 A CN111938607 A CN 111938607A CN 202010841393 A CN202010841393 A CN 202010841393A CN 111938607 A CN111938607 A CN 111938607A
- Authority
- CN
- China
- Prior art keywords
- data
- patient
- intelligent monitoring
- health
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 230000036541 health Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000036760 body temperature Effects 0.000 claims abstract description 8
- 230000036772 blood pressure Effects 0.000 claims abstract description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 6
- 239000008280 blood Substances 0.000 claims abstract description 6
- 210000004369 blood Anatomy 0.000 claims abstract description 6
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 6
- 239000001301 oxygen Substances 0.000 claims abstract description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000008447 perception Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000013461 design Methods 0.000 description 8
- 230000006866 deterioration Effects 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 3
- 206010035664 Pneumonia Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000024716 acute asthma Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
- A61B5/02055—Simultaneously evaluating both cardiovascular condition and temperature
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
- A61B5/14542—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue for measuring blood gases
-
- 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
- A61B5/7235—Details of waveform analysis
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Cardiology (AREA)
- Pulmonology (AREA)
- Optics & Photonics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本申请公开一种基于多元参数融合的智能监护报警方法及其系统，通过对ICU患者的历史监护生理数据(心率、血氧饱和度、体温、血压值、呼吸率)采用机器学习方法进行分析训练，得到患者健康评分模型。当患者的实时监护数据代入该模型即得到了患者的实时健康评分，该评分高于设定阈值时即产生报警，这种医学警报可以准确识别患者生理体征的微小变化，提前判断患者是否将会出现生理恶化。
Description
技术领域
本申请涉及生理参数的监测，尤其涉及基于多元参数融合的智能监护报警方法及其系统。
背景技术
研究表明，ICU住院病人的生理恶化往往在生理监护数据改变之前的8小时就已经发生，因此这种患者的恶化状况可能会在相当长的一段时间内没有被医护人员注意到，也就无法进行及时的医疗干预。为了解决这个问题，常见的方法是通过监护设备的单参数报警机制或者采用早期预警评分系统(Early Warning Score-EWS)。监护设备的报警机制是当某一个生理参数超出设定阈值时产生医学警报，然而这种报警机制具有很高的敏感性而且没有特异性，每天在ICU病房内产生上千次的这类报警，极容易造成医护人员的报警疲劳，其早期预警的作用也就得到了限制。EWS评分系统通常包含5个生理参数：心率、呼吸频率、体温、血压、意识分数，每个参数有对应的评分标准，对不同参数分配不同的权重再通过线性求和即可以得出患者预警评分。当这个分数高于设定阈值时，即认为患者恶化已经发生需要及时的医疗干预。这种预警方法考虑到了不同生理参数之间的关联性，而且经过研究验证其报警准确率比单参数报警要高，针对患者病情的恶化可以起到一定的预警作用。但是EWS方法的缺点在于其评分标准都是医生基于自身经验给出，对于不同的场景差异性严重，而且其评分计算过程依赖手工记录，效率低下并且容易产生错误。
发明内容
鉴于上述问题，本申请旨在提出一种基于多元参数融合的智能监护报警方法及其系统，其通过对大量患者历史数据进行机器训练学习，从而智能的判断患者恶化现象是否发生。
本申请的基于多元参数融合的智能监护报警方法，将患者的实时监护数据以多元参数输入到健康评分模型中，得到该患者的实时健康评分，该实时健康评分高于设定阈值时产生报警，其中该健康评分模型通过包括N个患者监护数据的样本集训练获得。
优选地，所述健康评分模型基于无参数核密度估计模型
其中，gi表示估计权重，K(x,xi|σi)表示以σi为窗宽参数的核函数；
所述健康评分
其中，pmax表示p(x)在样本集中的最大值。
优选地，核函数K(x,xi|σi)采用高斯核函数，
优选地，将样本集的N个患者监护数据进行聚类后得到N1个聚类中心点；所述健康评分模型基于无参数核密度估计模型
其中，
gi为聚类权重，
其中，ki表示第i个聚类中心包含的样本个数。
优选地，所述聚类通过K-means方法进行。
优选地，
其中Qi表示距离样本点xi最近的10个样本点组成的集合。
优选地，被监护的患者在5分钟内至少4分钟z(x)值大于阈值则产生警报；被监护患者在3分钟内至少2分钟z(x)值小于阈值则不产生警报。
优选地，所述多元参数包括：心率、血压值、呼吸率、血氧饱和度、体温。
本申请的基于多元参数融合的智能监护报警系统，其基于医疗设备物联网平台架构实现，用于实现上述的智能监护报警方法，其包括：感知层、平台层、应用层；
感知层通过数据采集器从医疗设备实时获取患者的生理数据，并上传至平台层；平台层首先对数据进行预处理，然后进行数据的分布式存储，为健康评分模型提供样本集；健康评分模型在平台层完成评分计算，并将评分结果发送到应用层，使得医护人员在终端获得患者的健康评分与报警。
优选地，平台层包括：贴源数据池、数据仓库、数据计算模块；
贴源数据池保存感知层上传的原始数据；基于贴源数据池中的数据，数据仓库进行清洗、转换、整合，形成所述智能监护报警方法所需的标准数据结构；基于数据仓库存储的标准化数据，数据计算模块进行健康评分模型的封装、训练及实现健康评分模型对患者的实时健康评分。
这种算法完全基于数据驱动，不依赖任何人类的医学经验，从而可以解决单参数报警和EWS系统的弊端，减少了大量无效报警的产生，也避免了医生主观因素对预警准确性的影响，通过连续不断的生理参数来实时计算患者的监护健康指数，使其可以在病情恶化发生前就产生准确预警来提醒医护人员进行干预。
附图说明
图1为本申请的基于多元参数融合的智能监护报警方法的流程图；
图2为本申请的基于多元参数融合的智能监护报警方法及其系统的预警示意图；
图3为基于多元参数融合的智能监护报警系统的网络部署图。
具体实施方式
下面，对本申请的基于多元参数融合的智能监护报警方法及其系统进行详细说明。
1.基于多元参数融合的智能监护报警方法
本申请的基于多元参数融合的智能监护报警方法，通过对ICU患者的历史监护生理数据(心率、血氧饱和度、体温、血压值、呼吸率)采用机器学习方法进行分析训练，得到患者健康评分模型。当患者的实时监护数据代入该模型即得到了患者的实时健康评分，该评分高于设定阈值时即产生报警，这种医学警报可以准确识别患者生理体征的微小变化，提前判断患者是否将会出现生理恶化。该算法中构建模型的主要是思路是对生理数据的分布情况做无参数估计，估计方法采用核密度估计算法(kernel density estimates-KDE)，算法设计及分析方法如下：
将N个患者监护数据样本组成训练集X＝(X1,X2,…,XN),其中Xi∈Rd表示一个由d个监护生理参数构成的多维特征向量，在本申请中考虑了5个生理参数(心率、血氧饱和度、体温、血压值、呼吸率)因此d＝5，样本个数N应尽可能的大(训练数据越大模型准确性越高)，原则上N≥20000。该算法的主要思路是估计出训练集X的概率密度分布函数，其条件概率密度函数p(x)可通过核密度无参数估计方法获得：
其中gi表示估计权重，K(x,xi|σi)表示以σi为窗宽参数的核函数，接下来将说明如何设计适当的权重gi和核函数K(x,xi|σi)。
传统的无参数分布估计方法存在计算成本高的问题，在样本量N很大的情况下计算耗时长，不利于算法的落地应用。因此本申请中采用了稀疏样本的处理方法，即对包含数万样本量的原始数据集进行聚类，生成500个聚类中心点，这样原始大样本数据集就被压缩成了一个包含500个样本点的特征数据集，在聚类后对新样本集进行概率密度估计即可得出整个样本X的p(x)，其中本申请采用的聚类方法是k-means算法。
在一般的核密度估计方法中，通常认为各个样本点具有相同的估计权重，即
然而由于本申请中采用了聚类方法对原始样本进行了稀疏处理，每个类别包含的样本个数不同，因此各个新样本点(即各聚类中心)应该具有不同权重。在本申请中取
其中N＝500，ki表示第i个聚类中心包含的样本个数。
另外，在本申请中核函数K(x,xi|σi)采用比较通用的高斯核函数：
确定了权重gi和核函数K(x,xi|σi)后，就可以得到概率密度函数p(x)的估计：
接下来要考虑参数σ的设计。σ设计过大估计的概率分布会非常平滑，无法体现各个样本点的差异性；σ设计过小就会产生过度估计的问题。在本申请中，σ的选取采用下列设计公式：
其中Qi表示距离样本点xi最近的10个样本点组成的集合。
这样当输入一个新的患者监护数据x时，代入到模型中即可得到对应的的p(x)估计。进一步通过下列公式获得患者健康评分z(x)：
z(x)是根据实时生理参数x不断变化的，可以反映当前患者的生理变化，当患者健康评分超过阈值时，即表示患者的生理状况产生了恶化现象。本申请设定如果z(x)＞3即表示患者出现了不正常的生命体征，于是设计患者健康评分的阈值为3。另外为了排除监控人为因素的影响(例如设备脱落等情况)，在本申请中设计的医学报警机制是：监护患者5分钟的时间窗口内总共有4分钟z(x)超出阈值，产生报警；3分钟的时间窗口内至少有2分钟z(x)没有超出阈值，不产生报警。
如图1所示为本申请的报警方法的流程图。
在数据预处理这一环节，为了减少不同维度的生理参数变化的差异性(如心率变化幅度和体温变化幅度差异性非常大)，采用0均值方法对数据进行归一化处理，即
当数据集中存在缺失值时，采用中值插值的方法进行缺失值填充。例如，当某一时刻的生理数据为空值时(可能由于监护设备故障导致)，取前5分钟的所有数据的中值来填充当前时刻的空值。当连续30分钟的数据都是空值时，取整个数据集的平均值来替代空值。
另外，在模型的训练样本中需要尽可能的加入患有不同疾病的患者数据，并且加入少部分死亡患者的历史监护数据，以保证算法模型的普适性及准确性。在本申请中，选取了心脏衰竭、急性肺炎、哮喘患者样本各50例，死亡患者样本10例，由这些患者首次进入ICU病房24小时之内及出院或死亡前24小时的生理监护数据构成样本集进行模型训练。将患者的实时监护数据x输入上述训练模型得出对应p(x)，进而产生患者健康评分z(x)。
最终该模型就可以根据某位患者的实时生理数据作为输入，输出该患者此刻的健康评分，并根据设计的报警机制产生警报：监护患者在5分钟内至少4分钟z(x)值大于阈值则产生警报；监护患者在3分钟内至少2分钟z(x)值小于阈值则不产生警报。预警效果如图2所示。
2.基于多元参数融合的智能监护报警系统
为了解决上述方法的数据来源以及部署应用问题，在本申请中采用了基于医疗设备物联网架构的解决方案。该物联网架构包含感知层、平台层及应用层。
主要部署思路是：通过数据采集器获得监护设备产生的生理数据，上传至数据平台进行预处理；再通过数据平台进行数据的分布式存储为算法模型的训练提供样本集；模型通过数据平台完成计算并通过接口推送结果；最终算法结果得到患者健康评分与风险警报，并通过基于Web的可视化程序在终端供医护人员使用。部署如图3所示。
感知层通过安装医疗设备数据采集适配器，从监护设备中获取患者的实时生命体征数据，包括了上述算法设计中需求的心率、血氧饱和度、体温、血压值这五个生理参数。这种数据采集器通过串口连接以一定的通信协议来读取监护设备产生的数据流，并将原始数据进行转化形成标准化数据上传至云平台，进行进一步的数据预处理与存储。这种基于物联网技术的数据采集方案解决了算法设计上的数据来源问题，该方案不再依赖传统的人工获取医疗监护数据的方法，而是用一种智能地、自动化的方式来获取数据。这种物联网采集方案可以获取超大规模的数据量，为上述算法的分析设计提供了足够的数据支撑。
在平台层通过云计算技术及Hadoop大数据架构来搭建物联网数据平台。采用Nifi集群来进行数据流的管理与预处理，完成对数据的筛选、加工、匹配等操作。数据进一步通过Kafka进行分发推送至Druid时序数据库进行存储，当应用端需要调取数据时通过Hive或者Spark架构进行离线计算和实时计算，进而从感知层采集的监护数据可以在云平台中整合为一个标准化的患者监护数据集，这个数据集是带有时间戳的并且可以通过接口集成电子病历系统。这样算法模型就可以有更全面的样本选取范围，例如可以在患有不同疾病(心肌梗塞、急性肺炎等)的患者中均挑选一定的样本，保证算法对各种不同患者的普适性，同时由于数据平台具有强大的分布式计算能力，可以在实际应用中为智能预警算法保证低延时性及稳定性。
采集的患者监护数据通过网络上传至数据平台，数据接入后，通过分布式数据存储方案进行保存，并利用ETL工具、Nifi数据流管理集群对数据进行规范化治理。平台架构按功能划分为贴源数据池、数据仓库和数据计算三部分。贴源数据池保存采集端上报的原始数据，本层与数据源保持数据的同构性，并通过增量/全量加载方式与源系统数据定期/实时同步。数据仓库通过Kafka及Hive等组件对贴源层数据清洗、转换、整合，形成智能报警算法所需的标准数据结构，经过预处理的标准数据接入Druid时序数据库进行存储，上述算法的数据预处理环节便是在数据仓库中实现。基于数据仓库存储的标准化数据，计算模块通过Spark-Streaming、Flink等组件来进行算法模型的封装，模型的训练及应用计算可以在这一模块实现。
最后在应用层来实现算法的具体部署，在本申请中将通过部署可视化程序来展现智能预警算法的结果，该可视化程序是基于Web开发，底层数据通过API接口从物联网数据平台获取。当患者在病房内进行监护时，实时生理参数通过物联网平台进行采集、预处理、整合等过程形成数据流，再通过Spark组件封装上述算法进行计算，计算结果通过API接口推送至可视化Web程序，最终在各类终端设备来展现智能预警评分系统。医护人员可通过各种终端设备利用该程序随时随地的集中监护各患者的实时健康情况，并且当通过算法计算产生警报时，会在终端设备产生报警提醒医护人员对患者及时干预。
除非另有定义，本申请中使用的所有技术和/或科学术语具有与由本发明所涉及的领域的普通技术人员通常理解的相同含义。本申请中提到的材料、方法和实施例仅为说明性的，而非限制性的。
虽然已结合具体实施方式对本发明进行了描述，在本申请的发明主旨下，本领域的技术人员可以进行适当的替换、修改和变化，这种替换、修改和变化仍属于本申请的保护范围。
Claims (10)
1.一种基于多元参数融合的智能监护报警方法，将患者的实时监护数据以多元参数输入到健康评分模型中，得到该患者的实时健康评分，该实时健康评分高于设定阈值时产生报警，其中该健康评分模型通过包括N个患者监护数据的样本集训练获得。
2.如权利要求1所述的基于多元参数融合的智能监护报警方法，其特征在于：
所述健康评分模型基于无参数核密度估计模型
其中，gi表示估计权重，K(x,xi|σi)表示以σi为窗宽参数的核函数；
所述健康评分
其中，pmax表示p(x)在样本集中的最大值。
3.如权利要求2所述的基于多元参数融合的智能监护报警方法，其特征在于：
核函数K(x,xi|σi)采用高斯核函数，
4.如权利要求1所述的基于多元参数融合的智能监护报警方法，其特征在于：
将样本集的N个患者监护数据进行聚类后得到N1个聚类中心点；
所述健康评分模型基于无参数核密度估计模型
其中，
gi为聚类权重，
其中，ki表示第i个聚类中心包含的样本个数。
5.如权利要求4所述的基于多元参数融合的智能监护报警方法，其特征在于：
所述聚类通过K-means方法进行。
6.如权利要求5所述的基于多元参数融合的智能监护报警方法，其特征在于：
其中Qi表示距离样本点xi最近的10个样本点组成的集合。
7.如权利要求6所述的基于多元参数融合的智能监护报警方法，其特征在于：
被监护的患者在5分钟内至少4分钟z(x)值大于阈值则产生警报；被监护患者在3分钟内至少2分钟z(x)值小于阈值则不产生警报。
8.如权利要求1所述的基于多元参数融合的智能监护报警方法，其特征在于：
所述多元参数包括：心率、血压值、呼吸率、血氧饱和度、体温。
9.一种基于多元参数融合的智能监护报警系统，其基于医疗设备物联网平台架构实现，用于实现权利要求1-8中任一项所述的智能监护报警方法，其包括：感知层、平台层、应用层；
感知层通过数据采集器从医疗设备实时获取患者的生理数据，并上传至平台层；平台层首先对数据进行预处理，然后进行数据的分布式存储，为健康评分模型提供样本集；健康评分模型在平台层完成评分计算，并将评分结果发送到应用层，使得医护人员在终端获得患者的健康评分与报警。
10.如权利要求9所述的基于多元参数融合的智能监护报警系统，其特征在于：
平台层包括：贴源数据池、数据仓库、数据计算模块；
贴源数据池保存感知层上传的原始数据；基于贴源数据池中的数据，数据仓库进行清洗、转换、整合，形成所述智能监护报警方法所需的标准数据结构；基于数据仓库存储的标准化数据，数据计算模块进行健康评分模型的封装、训练及实现健康评分模型对患者的实时健康评分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010841393.4A CN111938607A (zh) | 2020-08-20 | 2020-08-20 | 基于多元参数融合的智能监护报警方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010841393.4A CN111938607A (zh) | 2020-08-20 | 2020-08-20 | 基于多元参数融合的智能监护报警方法及其系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111938607A true CN111938607A (zh) | 2020-11-17 |
Family
ID=73358580
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010841393.4A Pending CN111938607A (zh) | 2020-08-20 | 2020-08-20 | 基于多元参数融合的智能监护报警方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111938607A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095302A (zh) * | 2021-05-21 | 2021-07-09 | 中国人民解放军总医院 | 用于心律失常分类的深度模型、利用该模型的方法及装置 |
| CN115399738A (zh) * | 2022-08-17 | 2022-11-29 | 中南大学湘雅医院 | 一种快速icu虚假警报识别方法 |
| CN118280606A (zh) * | 2024-05-23 | 2024-07-02 | 吉林大学 | 智能陪护设备控制方法及其系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102499651A (zh) * | 2011-10-24 | 2012-06-20 | 华南理工大学 | 用于监护系统的报警方法 |
| CN104487975A (zh) * | 2012-05-18 | 2015-04-01 | 皇家飞利浦有限公司 | 表现血液动力学不稳定性指数指标信息的方法 |
| CN104582563A (zh) * | 2012-08-24 | 2015-04-29 | 皇家飞利浦有限公司 | 临床支持系统及方法 |
| US20170071484A1 (en) * | 2014-05-13 | 2017-03-16 | Obs Medical Limited | Method and apparatus for monitoring patient status |
| CN107438399A (zh) * | 2015-04-08 | 2017-12-05 | 皇家飞利浦有限公司 | 心血管恶化预警评分 |
| CN109564586A (zh) * | 2016-08-02 | 2019-04-02 | 牛津大学科技创新有限公司 | 系统监测器及系统监测方法 |
| CN111317440A (zh) * | 2018-12-13 | 2020-06-23 | 通用电气公司 | 患者的预警方法、使用该方法的监护设备及可读存储介质 |
-
2020
- 2020-08-20 CN CN202010841393.4A patent/CN111938607A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102499651A (zh) * | 2011-10-24 | 2012-06-20 | 华南理工大学 | 用于监护系统的报警方法 |
| CN104487975A (zh) * | 2012-05-18 | 2015-04-01 | 皇家飞利浦有限公司 | 表现血液动力学不稳定性指数指标信息的方法 |
| CN104582563A (zh) * | 2012-08-24 | 2015-04-29 | 皇家飞利浦有限公司 | 临床支持系统及方法 |
| US20170071484A1 (en) * | 2014-05-13 | 2017-03-16 | Obs Medical Limited | Method and apparatus for monitoring patient status |
| CN107438399A (zh) * | 2015-04-08 | 2017-12-05 | 皇家飞利浦有限公司 | 心血管恶化预警评分 |
| CN109564586A (zh) * | 2016-08-02 | 2019-04-02 | 牛津大学科技创新有限公司 | 系统监测器及系统监测方法 |
| CN111317440A (zh) * | 2018-12-13 | 2020-06-23 | 通用电气公司 | 患者的预警方法、使用该方法的监护设备及可读存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095302A (zh) * | 2021-05-21 | 2021-07-09 | 中国人民解放军总医院 | 用于心律失常分类的深度模型、利用该模型的方法及装置 |
| CN115399738A (zh) * | 2022-08-17 | 2022-11-29 | 中南大学湘雅医院 | 一种快速icu虚假警报识别方法 |
| CN115399738B (zh) * | 2022-08-17 | 2023-05-16 | 中南大学湘雅医院 | 一种快速icu虚假警报识别方法 |
| CN118280606A (zh) * | 2024-05-23 | 2024-07-02 | 吉林大学 | 智能陪护设备控制方法及其系统 |
| CN118280606B (zh) * | 2024-05-23 | 2024-08-02 | 吉林大学 | 智能陪护设备控制方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111938607A (zh) | 基于多元参数融合的智能监护报警方法及其系统 | |
| CN107242858B (zh) | 一种个性化孕婴监护方法及系统 | |
| Gutte et al. | IoT based health monitoring system using Raspberry Pi | |
| CN108648827A (zh) | 心脑血管疾病风险预测方法及装置 | |
| WO1998017171A1 (en) | Apparatus and method for monitoring a system and displaying the status of the system | |
| CN110739076A (zh) | 一种医疗人工智能公共训练平台 | |
| CN108257648A (zh) | 一种基于大数据的医疗健康数据管理系统 | |
| CN116098595B (zh) | 一种心源性及脑源性猝死监测预防系统和方法 | |
| CN102499651A (zh) | 用于监护系统的报警方法 | |
| CN117787510B (zh) | 基于时序预测分析的农药残留监测过程的优化方法 | |
| CN115662631A (zh) | 基于ai智能判别的养老院管理系统 | |
| WO2022237162A1 (zh) | 一种血糖预测方法、系统及其应用 | |
| León et al. | Evaluation of maturation in preterm infants through an ensemble machine learning algorithm using physiological signals | |
| CN118203436A (zh) | 一种医院5g智能led腕带及其监测与定位系统 | |
| Kenneth et al. | Data fusion of multimodal cardiovascular signals | |
| CN117275699B (zh) | 一种智慧病房系统 | |
| Ardeti et al. | Development of real time ECG monitoring and unsupervised learning classification framework for cardiovascular diagnosis | |
| CN115005787A (zh) | 一种基于智能手表的卡路里管理系统 | |
| CN117594227B (zh) | 基于穿戴设备的健康状态监控方法、装置、介质及设备 | |
| CN113569140A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
| Dobre et al. | Parameters weighting in elderly monitoring based on multi-criteria methods | |
| Alhussein et al. | Energy-efficient adaptive sensing technique for smart healthcare in connected healthcare systems | |
| Rani Roopha Devi et al. | Cloud-based CVD identification for periodontal disease | |
| CN118315059B (zh) | 一种基于贝叶斯算法的人体健康数据分析模型及方法 | |
| Nugraha et al. | Advanced Data Instrumentation for Stunting Analysis in Physical-Cyber Architecture |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201117 |