CN112582068B - 一种用于妊娠期子痫症状的安全装置 - Google Patents
一种用于妊娠期子痫症状的安全装置 Download PDFInfo
- Publication number
- CN112582068B CN112582068B CN202011637351.5A CN202011637351A CN112582068B CN 112582068 B CN112582068 B CN 112582068B CN 202011637351 A CN202011637351 A CN 202011637351A CN 112582068 B CN112582068 B CN 112582068B
- Authority
- CN
- China
- Prior art keywords
- module
- data information
- neural network
- eclampsia
- database
- 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.)
- Active
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
- G16H50/30—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明公开了一种用于妊娠期子痫症状的安全装置,包括数据库、信息收集模块、分类模块、诊断模块和安全模块,数据库记录有各种妊娠期子痫症状患者的数据信息,信息收集模块收集当前患者的数据信息,当前患者的数据信息包括年龄、其他病史、血压、尿蛋白比例以及脉搏率,信息收集模块将患者的年龄和其他病史发送至分类模块,分类模块采用聚类算法从数据库中提取与患者数据信息属于同一类别的数据信息,并将同一类别的数据信息中血压、尿蛋白比例以及脉搏率数据发送至诊断模块。本发明可有效处理子痫的识别和发作周期,从而根据子痫的具体情况进行安全保护,同时识别过程采用智能识别方式,可极大的提高识别效率。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种用于妊娠期子痫症状的安全装置。
背景技术
先兆子痫又称为子痫前期,属于妊娠并发症中的一种,一旦发生抽搐、昏迷即诊断为“子痫”,子痫可以发生在产前、产时或产后1周内,多数发生在产前。妊娠晚期的妇女如果除具有水肿、血压高和蛋白尿的妊高征症状以外,还出现了剧烈头痛、头晕、恶心呕吐、右上腹痛、胸闷,视力模糊、眼冒金花、忧虑、易激动等症状,则可能患有子痫。
子痫抽搐前多数有先兆子痫症状,也有个别患者前驱症状不明显,突然发作抽搐或进入昏迷。子痫发作时开始于面部,眼球固定,斜视一方,瞳孔放大,从嘴角开始出现面部肌肉痉挛,数秒钟后全身肌肉收缩,面向一侧歪曲,双手臂曲屈握拳,腿部旋转,约持续10余秒。下颌及眼皮一开一合,全身上下肢迅速强烈阵挛,口吐白沫,舌被咬破时口吐血沫。
在怀孕期间孕妇患上先兆子痫的越来越多,发生率大概在5%到10%,在怀第一胎或与新伴侣的第一个宝宝时,准妈妈患先兆子痫的风险就会高一些,此外,有家族病史、年龄在20岁以下或35岁以上、黑人、怀有多胞胎的准妈妈发病的可能性也比较高,怀孕前患有高血压、糖尿病和肾脏疾病的准妈妈同样也有比较高的患病风险。
子痫患者通常眼结膜充血,面部发紫发红,1~2min进入昏迷。昏迷后常有鼾声,少数患者抽搐后立即清醒,亦可停止片刻再发生抽搐。抽后血压常上升,少尿或无尿,尿蛋白增加。进入昏迷后体温上升,呼吸加深。抽搐中可能发生坠地摔伤,骨折。昏迷中如发生呕吐可造成窒息或吸入性肺炎,亦可有发生胎盘早剥、肝破裂、颅内出血及发动分娩。
子痫患者首先会出现眼球固定,瞳孔放大,瞬即头向一侧扭转,牙关咬紧,继而口角与面部肌肉颤动,全身及四肢肌肉强直性收缩(背侧强于腹侧),双手紧握,双臂伸直,迅速发生强烈抽动。抽搐时呼吸暂停,面色青紫,持续约1分钟左右抽搐强度渐减,全身肌肉松弛,随即深长吸气,发出鼾声而恢复呼吸。
子痫患者在抽搐临发作前及抽搐期间会神智丧失,轻者抽搐后渐苏醒,抽搐间隔期长,发作少;重者则抽搐发作频繁且持续时间长,患者可陷入深昏迷状态。患者可出现各种严重并发症:如胎盘早剥、吸入性肺炎、肺水肿、心肺功能停止、急性肾衰、脑出血、失明或视力下降,甚至孕产妇死亡;在抽搐过程中还容易发生各种创伤:如唇舌咬伤,摔伤,呕吐误吸等。
由于子痫容易造成生命危险,因此,需要进行用药和治疗,来保障怀孕期间孕妇的生命安全,然而目前的安全装置无法及时准确的检测出子痫症状,无法根据子痫的发病周期进行安全保护,因此,存在一定的不足。
发明内容
为了至少解决或部分解决上述问题,提供一种用于妊娠期子痫症状的安全装置。
为了达到上述目的,本发明提供了如下的技术方案:
本发明一种用于妊娠期子痫症状的安全装置,包括数据库、信息收集模块、分类模块、诊断模块和安全模块,所述数据库记录有各种妊娠期子痫症状患者的数据信息,所述信息收集模块收集当前患者的数据信息,所述当前患者的数据信息包括年龄、其他病史、血压、尿蛋白比例以及脉搏率,所述信息收集模块将患者的年龄和其他病史发送至分类模块,所述分类模块采用聚类算法从数据库中提取与患者数据信息属于同一类别的数据信息,并将同一类别的数据信息中血压、尿蛋白比例以及脉搏率数据发送至诊断模块,所述诊断模块包括模型建立模块、神经网络诊断模块、周期预测模块,所述模型建立模块根据分类模块发送的数据信息建立神经网络模型,并将该模型发送至神经网络诊断模块,所述神经网络诊断模块根据该神经网络模型与当前患者的数据信息进行分析得出患病情况,将每个时段的患病情况发送至周期预测模块,所述周期预测模块根据每个时段的不同患病情况采用神经网络预测未来一周的患病周期,并将数据发送至安全模块,所述安全模块根据患病周期进行针对性的用药。
作为本发明的一种优选技术方案,所述周期预测模块采用LSTM神经网络,所述模型建立模块采用bp神经网络模型,所述分类模块采用kmeans聚类算法。
作为本发明的一种优选技术方案,所述kmeans聚类算法将当前患者的年龄、其他病史特征数据为x(m),将当前患者的年龄、其他病史特征数据放入数据库中得到训练样本集{x(1)、x(2)……x(m)},再设定好k个类和每个类的质心为μ1,μ2,...,μk,重复下面过程直到收敛{
对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心
}
x(i)属于训练样本集{x(1)、x(2)……x(m)},c(i)代表样例i与k个类中距离最近的那个类,c(i)的值是1到k中的一个。质心μj代表我们对属于同一个类的样本中心点的期望值。
由上述计算可以得到C(m),即样例m与k个类中距离最近的那个类。
作为本发明的一种优选技术方案,所述bp神经网络模型的训练过程:
A1:初始化神经网络,对每个神经元的w和b赋予随机值;
A2:输入分类模块发送的数据信息作为训练数据,对于每个训练数据,将输入给到神经网络的输入层,进行一次正向传播得到输出层各个神经元的输出值;
A3:求出输出层的误差,再通过反向传播算法,向后求出每一层的每个神经元的误差;
式中,yk表示神经元输出层第k个节点的输出值,Tk为预期输出值,M为输出层的节点个数;
所述Δw和Δb的计算公式为:
作为本发明的一种优选技术方案,还包括通信模块,所述数据库、信息收集模块、分类模块、诊断模块和安全模块均通过通信模块进行数据信息的传输。
与现有技术相比,本发明的有益效果如下:
本发明可有效处理子痫的识别和发作周期,从而根据子痫的具体情况进行安全保护,同时识别过程采用智能识别方式,可极大的提高识别效率,减少人工的干预,减少不必要的麻烦,从而适应不同的诊疗环境。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明的整体结构示意图;
图中:1、数据库;2、信息收集模块;3、分类模块;4、诊断模块;5、安全模块;6、模型建立模块;7、神经网络诊断模块;8、周期预测模块;9、通信模块。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。其中附图中相同的标号全部指的是相同的部件。
此外,如果已知技术的详细描述对于示出本发明的特征是不必要的,则将其省略。
实施例1
如图1所示,本发明提供一种用于妊娠期子痫症状的安全装置,包括数据库1、信息收集模块2、分类模块3、诊断模块4和安全模块5,数据库1记录有各种妊娠期子痫症状患者的数据信息,信息收集模块2收集当前患者的数据信息,当前患者的数据信息包括年龄、其他病史、血压、尿蛋白比例以及脉搏率,信息收集模块2将患者的年龄和其他病史发送至分类模块3,分类模块3采用聚类算法从数据库1中提取与患者数据信息属于同一类别的数据信息,并将同一类别的数据信息中血压、尿蛋白比例以及脉搏率数据发送至诊断模块4,诊断模块4包括模型建立模块6、神经网络诊断模块7、周期预测模块8,模型建立模块6根据分类模块3发送的数据信息建立神经网络模型,并将该模型发送至神经网络诊断模块7,神经网络诊断模块7根据该神经网络模型与当前患者的数据信息进行分析得出患病情况,将每个时段的患病情况发送至周期预测模块8,周期预测模块8根据每个时段的不同患病情况采用神经网络预测未来一周的患病周期,并将数据发送至安全模块5,安全模块5根据患病周期进行针对性的用药。
周期预测模块8采用LSTM神经网络,模型建立模块6采用bp神经网络模型,分类模块3采用kmeans聚类算法。
kmeans聚类算法将当前患者的年龄、其他病史特征数据为x(m),将当前患者的年龄、其他病史特征数据放入数据库1中得到训练样本集{x(1)、x(2)……x(m)},再设定好k个类和每个类的质心为μ1,μ2,...,μk,重复下面过程直到收敛{
对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心
}
x(i)属于训练样本集{x(1)、x(2)……x(m)},c(i)代表样例i与k个类中距离最近的那个类,c(i)的值是1到k中的一个。质心μj代表我们对属于同一个类的样本中心点的期望值。
由上述计算可以得到C(m),即样例m与k个类中距离最近的那个类。
bp神经网络模型的训练过程:
A1:初始化神经网络,对每个神经元的w和b赋予随机值;
A2:输入分类模块3发送的数据信息作为训练数据,对于每个训练数据,将输入给到神经网络的输入层,进行一次正向传播得到输出层各个神经元的输出值;
A3:求出输出层的误差,再通过反向传播算法,向后求出每一层的每个神经元的误差;
式中,yk表示神经元输出层第k个节点的输出值,Tk为预期输出值,M为输出层的节点个数;
Δw和Δb的计算公式为:
还包括通信模块9,数据库1、信息收集模块2、分类模块3、诊断模块4和安全模块5均通过通信模块9进行数据信息的传输。
本发明可有效处理子痫的识别和发作周期,从而根据子痫的具体情况进行安全保护,同时识别过程采用智能识别方式,可极大的提高识别效率,减少人工的干预,减少不必要的麻烦,从而适应不同的诊疗环境。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种用于妊娠期子痫症状的安全装置,其特征在于,包括数据库(1)、信息收集模块(2)、分类模块(3)、诊断模块(4)和安全模块(5),所述数据库(1)记录有各种妊娠期子痫症状患者的数据信息,所述信息收集模块(2)收集当前患者的数据信息,所述当前患者的数据信息包括年龄、其他病史、血压、尿蛋白比例以及脉搏率,所述信息收集模块(2)将患者的年龄和其他病史发送至分类模块(3),所述分类模块(3)采用聚类算法从数据库(1)中提取与患者数据信息属于同一类别的数据信息,并将同一类别的数据信息中血压、尿蛋白比例以及脉搏率数据发送至诊断模块(4),所述诊断模块(4)包括模型建立模块(6)、神经网络诊断模块(7)、周期预测模块(8),所述模型建立模块(6)根据分类模块(3)发送的数据信息建立神经网络模型,并将该模型发送至神经网络诊断模块(7),所述神经网络诊断模块(7)根据该神经网络模型与当前患者的数据信息进行分析得出患病情况,将每个时段的患病情况发送至周期预测模块(8),所述周期预测模块(8)根据每个时段的不同患病情况采用神经网络预测未来一周的患病周期,并将数据发送至安全模块(5),所述安全模块(5)根据患病周期进行针对性的用药,所述周期预测模块(8)采用LSTM神经网络,所述模型建立模块(6)采用bp神经网络模型,所述分类模块(3)采用kmeans聚类算法。
2.根据权利要求1所述的一种用于妊娠期子痫症状的安全装置,其特征在于,所述kmeans聚类算法将当前患者的年龄、其他病史特征数据为x(m),将当前患者的年龄、其他病史特征数据放入数据库(1)中得到训练样本集{x(1)、x(2)……x(m)},再设定好k个类和每个类的质心为μ1,μ2,...,μk,重复下面过程直到收敛{
对于每一个样例i,计算其应该属于的类
对于每一个类j,重新计算该类的质心
x(i)属于训练样本集{x(1)、x(2)……x(m)},c(i)代表样例i与k个类中距离最近的那个类,c(i)的值是1到k中的一个;质心μj代表我们对属于同一个类的样本中心点的期望值;
由上述计算可以得到C(m),即样例m与k个类中距离最近的那个类。
3.根据权利要求1所述的一种用于妊娠期子痫症状的安全装置,其特征在于,所述bp神经网络模型的训练过程:
A1:初始化神经网络,对每个神经元的w和b赋予随机值;
A2:输入分类模块(3)发送的数据信息作为训练数据,对于每个训练数据,将输入给到神经网络的输入层,进行一次正向传播得到输出层各个神经元的输出值;
A3:求出输出层的误差,再通过反向传播算法,向后求出每一层的每个神经元的误差;
式中,yk表示神经元输出层第k个节点的输出值,Tk为预期输出值,M为输出层的节点个数;
Δw和Δb的计算公式为:
4.根据权利要求1所述的一种用于妊娠期子痫症状的安全装置,其特征在于,还包括通信模块(9),所述数据库(1)、信息收集模块(2)、分类模块(3)、诊断模块(4)和安全模块(5)均通过通信模块(9)进行数据信息的传输。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637351.5A CN112582068B (zh) | 2020-12-31 | 2020-12-31 | 一种用于妊娠期子痫症状的安全装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011637351.5A CN112582068B (zh) | 2020-12-31 | 2020-12-31 | 一种用于妊娠期子痫症状的安全装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112582068A CN112582068A (zh) | 2021-03-30 |
CN112582068B true CN112582068B (zh) | 2022-09-20 |
Family
ID=75144584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011637351.5A Active CN112582068B (zh) | 2020-12-31 | 2020-12-31 | 一种用于妊娠期子痫症状的安全装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112582068B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421641B (zh) * | 2021-06-30 | 2023-01-10 | 重庆医科大学 | 子痫患者保护装置及预测系统 |
CN117238485B (zh) * | 2023-11-14 | 2024-01-30 | 天津市环湖医院(天津市神经外科研究所、天津市脑系科中心医院) | 基于数据处理的智能管控系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777308A (zh) * | 2008-10-31 | 2015-07-15 | 耶鲁大学 | 先兆子痫检测和治疗的方法和组合物 |
CN109886347A (zh) * | 2019-02-28 | 2019-06-14 | 泉州师范学院 | 基于rbf和lstm模型的多因素网络的血压预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984957A (zh) * | 2014-05-04 | 2014-08-13 | 中国科学院深圳先进技术研究院 | 胶囊内窥镜图像可疑病变区域自动预警系统 |
CN106446595B (zh) * | 2016-12-16 | 2019-09-03 | 上海尚戴科技发展有限公司 | 一种机器学习妊娠期糖尿病发病风险及病情程度预测系统 |
CN111367773B (zh) * | 2020-02-29 | 2023-01-10 | 苏州浪潮智能科技有限公司 | 一种检测服务器网卡的方法、系统、设备及介质 |
-
2020
- 2020-12-31 CN CN202011637351.5A patent/CN112582068B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104777308A (zh) * | 2008-10-31 | 2015-07-15 | 耶鲁大学 | 先兆子痫检测和治疗的方法和组合物 |
CN109886347A (zh) * | 2019-02-28 | 2019-06-14 | 泉州师范学院 | 基于rbf和lstm模型的多因素网络的血压预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112582068A (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112582068B (zh) | 一种用于妊娠期子痫症状的安全装置 | |
Oates et al. | Cardiopulmonary resuscitation in late pregnancy. | |
Serfontein et al. | Posterior fossa subdural hemorrhage in the newborn | |
CN117831794B (zh) | 一种用于糖尿病康复的运动过程机能监测方法 | |
Krzyżak et al. | Medical assessment of fitness to dive. Part I | |
Vernon et al. | Handicapping conditions associated with the congenital rubella syndrome | |
Fraser et al. | Problems of obesity in obstetric care | |
Shah | Birth asphyxia: a crucial issue in the prevention of developmental disabilities | |
RU2749637C1 (ru) | Способ выбора вида родоразрешения | |
BECK et al. | Multiple Myeloma with Bone Marrow Plasma Cells in the Blood: Report of Case | |
Karaca | Prenatal Development | |
Hobel | ABCs of perinatal medicine | |
Vincent et al. | P342: Broadening the phenotype of ABL1-associated disorder | |
Wadman et al. | P343: Distinctive facial features, cleft palate, talipes equinovarus, genital anomalies and 2, 3 toe syndactyly in individuals with prenatal opiate exposure | |
Cash et al. | Subconjunctival Haemorrhage | |
Physiologic | Uncomplicated Antepartum, Intrapartum, and Postpartum Care | |
Gerrish et al. | Adult epiglottitis. | |
Tappero | Perinatal History | |
Gray et al. | Illustrated Dictionary of Midwifery-Australian/New Zealand Version, 3e ePub | |
Robson | Assessment And mAnAgement | |
Kersley | Leaking cerebral aneurysm | |
Sullivan | A case of multiple pregnancy, ruptured tubal and uterine | |
Rankin | Cervical arteriovenous anastomosis in one of identical twins | |
Renard-Fontaine | Effect of the Masgutova Neurosensorimotor Reflex Integration (MNRI) Method Used in Physical Therapy-A Case Report of the Use of MNRI Techniques with an Infant Diagnosed with the rare Congenital Condition of Amniotic Band Syndrome | |
Bennett | Clinical Lectures on Diseases of the Nervous System |
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 |