CN112656395A - 基于微波雷达的患者生命体征变化趋势检测方法和系统 - Google Patents
基于微波雷达的患者生命体征变化趋势检测方法和系统 Download PDFInfo
- Publication number
- CN112656395A CN112656395A CN202011491824.5A CN202011491824A CN112656395A CN 112656395 A CN112656395 A CN 112656395A CN 202011491824 A CN202011491824 A CN 202011491824A CN 112656395 A CN112656395 A CN 112656395A
- Authority
- CN
- China
- Prior art keywords
- data
- trend
- heart rate
- trend analysis
- vital sign
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 230000008859 change Effects 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 claims abstract description 102
- 230000001174 ascending effect Effects 0.000 claims abstract description 13
- 230000036387 respiratory rate Effects 0.000 claims description 53
- 238000012360 testing method Methods 0.000 claims description 33
- 230000015654 memory Effects 0.000 claims description 20
- 230000000630 rising effect Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 230000036391 respiratory frequency Effects 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 2
- 230000002411 adverse Effects 0.000 abstract description 4
- 230000003111 delayed effect Effects 0.000 abstract description 3
- 230000003247 decreasing effect Effects 0.000 description 13
- 238000005259 measurement Methods 0.000 description 13
- 230000029058 respiratory gaseous exchange Effects 0.000 description 13
- 230000000241 respiratory effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000009528 vital sign measurement Methods 0.000 description 2
- 201000004624 Dermatitis Diseases 0.000 description 1
- 208000028990 Skin injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000011328 necessary treatment Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 208000017520 skin disease Diseases 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Landscapes
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明提供一种基于微波雷达的患者生命体征变化趋势检测方法和系统，方法包括：基于微波雷达获取患者生命体征数据；基于所述患者生命体征数据进行趋势分析，所述趋势分析包括升降趋势分析和变异性趋势分析；判断趋势分析的结果是否满足第一预定条件，若是，则发出警报。本发明让医护人员及时关注到患者生命体征的变化趋势，评估患者病情，尽早给予相应的干预措施，避免因延迟发现病情变化而导致的严重不良结局。
Description
技术领域
本发明涉及心跳和呼吸状况测量技术领域，具体地，涉及一种基于微波雷达的患者生命体征变化趋势检测方法和系统。
背景技术
生命体征是观察住院患者病情变化最简单且最重要的临床指标。如能及早发现患者生命体征的变化，采取必要的治疗措施，可以降低患者发生严重不良事件的风险。
为了能够准确地分析生命体征的趋势，需要实时连续地获取生命体征数据。目前常用方式是给患者使用多参数监护仪，连接监测生命体征。临床常用的监护仪等接触式设备，要在皮肤上粘贴电极片，有导线与设备联接，容易发生皮肤过敏且限制患者活动。而且对于有皮肤疾病、烧烫伤等皮损的患者，精神疾病及儿童等不能配合监护的患者，这种接触式监测生命体征的方式也难以使用。非接触式生命体征监测可以用于上述情况时获取患者生命体征数据。
经检索，公开号为CN201910270125.9的中国发明“一种基于雷达的非接触式生命体征测量系统及方法”提供了一种基于雷达的非接触式生命体征测量系统及方法，所述系统包括依此连接的射频收发模块、信号采集装置、信号处理装置及显示装置：射频收发模块用于向生命体发射雷达信号，并接收经生命体反射后的雷达回波信号，以形成原始回波数据；信号采集装置用于采集原始回波数据，并将原始回波数据传输至信号处理装置；信号处理装置用于对接收的原始回波数据进行处理，形成生命体的生命体征信息；显示装置用于显示生命体的生命体征信息。此发明以微波雷达信号作为感应媒介，在实现了非接触式测量，提升生命体的舒适感的同时，可有效提取生命体的呼吸率、心率和体动，做到实时监测和预警的目的。
但该发明仅实现了生命体征实时数据的报警，不能针对一段时间内的历史数据的变化趋势进行分析并报警。
公告号为CN104271036B的中国发明“基于佐证的交互监控设备和方法”提供了一种用于发出警报的方法，该方法包括以下步骤：-对两个或更多生理变量输入执行R分析；-对主要生理变量输入执行N分析；-如果R分析确定生理变量输入中的每一个的趋势并且N分析显示出主要生理变量输入的统计上显著的变化，则发出警报；其中，两个或更多生理变量输入包括收缩或平均血压和脉量，主要生理变量输入是收缩或平均血压；以便于警报是视觉的、听觉的、振动的、触觉的或它们中两个或更多个的组合，或者是配置为以这些形式中的一种输出警报的输出单元的警报信号。
该发明对于趋势分析的计算采用当前值与中位数的差值，统计显著性不是基于统计学上的假设检验计算的概率，无法精准的监测和分析生命体征的趋势。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种对患者生命体征数据进行升降趋势分析和变异性趋势分析并发出警报的。
根据本发明的一个方面，提供一种基于微波雷达的患者生命体征变化趋势检测方法，包括以下步骤：
基于微波雷达获取患者生命体征数据；
基于所述患者生命体征数据进行趋势分析，所述趋势分析包括升降趋势分析和变异性趋势分析；
判断趋势分析的结果是否满足第一预定条件，若是，则发出警报。
优选地，所述生命体征数据包括心率和呼吸频率数据。
优选地，所述心率和呼吸频率数据包括心率和呼吸频率的数值和时间数据。
优选地，所述基于患者生命体征数据进行趋势分析包括以下步骤：
基于最新获取的患者生命体征数据，截取历史数据中最新的一段指定时长Y的数据；
基于最新的一段指定时长Y的数据进行趋势分析；
每隔X时间，重复上述两个步骤。
优选地，还包括步骤：
判断截取的历史数据是否满足趋势分析的数据丰富度；
若是，则将截取的历史数据用于趋势分析。
优选地，所述升降趋势分析包括以下步骤：
建立回归模型或时间序列模型；
计算观测值斜率和斜率的假设检验概率。
优选地，所述变异性趋势分析包括以下步骤：
将观测值按照时间分割为若干个片段；
计算每个片段的方差；
建立回归模型；
计算方差斜率和斜率的假设检验概率。
根据本发明的一个方面，提供一种基于微波雷达的患者生命体征变化趋势检测系统，包括：
微波雷达，所述微波雷达用于获取患者生命体征数据；
趋势分析模块，所述趋势分析模块用于对所述患者生命体征数据进行升降趋势分析和变异性趋势分析；
判断模块，所述判断模块用于判断所述趋势分析模块分析的结果是否满足第一预定条件；
警报模块，所述警报模块用于基于所述判断模块的判断结果发出警报。
根据本发明的一个方面，提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述任一项所述方法的步骤。
根据本发明的一个方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比，本发明实施例具有如下至少一种有益效果：
1.本发明基于微波雷达收集患者生命体征数据，无需与患者接触，相较于接触式监护仪适应范围广，最大程度避免干扰患者；
2.本发明对患者生命体征数据进行趋势分析，与实时数据的报警相比，可以提早发现，及时给予相应的干预措施，避免因延迟发现病情变化而导致的严重不良结局；
3.本发明趋势分析包括升降趋势分析和变异性趋势分析，不仅对生命体征数据的观测值在一段时间呈现逐渐升高还是降低的变化进行分析，还对生命体征数据的观测值的波动程度是逐渐增大还是减小的进行分析，分析的内容更加全面；
4.本发明记录生命体征数据的数值和时间数据，系统可以实时自动回溯当前时间之前指定时长的历史生命体征数据用于趋势分析，并且可以指定多个不同的时长用于趋势分析，回溯时间范围的设定，可以便于临床决策时分析患者从短期至长期的生命体征变化，多个时间范围的实时趋势分析，为医护人员的临床决策提供更丰富的数据支持，节省医护人员的时间，提高数据使用效率和深度；
5.本发明通过拟合的斜率和假设检验的概率，实时检测指定时长范围内生命体征的变化趋势。变化趋势的测量指标可以直观地判断生命体征发生了升高还是降低的趋势，并且这种趋势是否具有统计学上的显著性；
6.本发明在生命体征的变化趋势测量指标超过阈值时，系统自动向医护人员发生报警。通过报警的方式及时地让医护人员获知患者病情发生了变化，缩短医护人员发现病情变化的时间延迟。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明一实施例中的检测方法流程示意图；
图2为本发明另一具体实施例中的检测方法流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1和图2所示为本发明一实施例的检测方法流程示意图。
参照图1所示，本实施例中的基于微波雷达的患者生命体征变化趋势检测方法，包括以下步骤：
S1,基于微波雷达获取患者生命体征数据；其中，患者生命体征数据包括且不限于心率、呼吸频率数据。实时获取的心率和呼吸频率数据按照统一、规范的格式存储。
本步骤中，微波雷达获取数据流程为：生命体征检测雷达，向患者发出微波信号，接收到包含生命体征信息的回波信号。回波信号经过软件滤波后提高信噪比，采用主成分分析得到去除直达波的信号。信号解调后，可以分别提取并重构心跳和呼吸的微动信号，并进一步计算出心率和呼吸频率。
S2,基于患者生命体征数据进行趋势分析，趋势分析包括升降趋势分析和变异性趋势分析；
其中，趋势分析为按照设定的时长分析一段时间的内数据是否出现明显的变化趋势。升降趋势分析对生命体征数据的观测值在一段时间呈现逐渐升高还是降低的变化进行分析；变异性趋势分析对生命体征数据的观测值的波动程度是逐渐增大还是减小的进行分析。
S3,判断趋势分析的结果是否满足第一预定条件，若是，则发出警报，若否，则重复上述步骤S1、S2。
其中，第一预定条件为用户自行设定的阈值,具体可以根据患者的实际情况进行设定。
其中，警报是视觉的、听觉的、振动的、触觉的或它们中两个或更多个的组合，或者是配置为以这些形式中的一种输出警报的输出单元的警报信号。警报可以以图像和声音的形式向医护人员发送心率或呼吸频率趋势变化的报警，告知其发生趋势变化的生命体征、时长范围和趋势变化类型。医护人员可以查看报警所覆盖时长内心率或呼吸频率的曲线图，描述趋势的斜率及假设检验概率。
本发明上述实施例基于微波雷达收集患者生命体征数据，无需与患者接触，相较于接触式监护仪适应范围广，最大程度避免干扰患者。对患者生命体征数据进行趋势分析，与实时数据的报警相比，可以提早发现，及时给予相应的干预措施，避免因延迟发现病情变化而导致的严重不良结局。趋势分析包括升降趋势分析和变异性趋势分析，不仅对生命体征数据的观测值在一段时间呈现逐渐升高还是降低的变化进行分析，还对生命体征数据的观测值的波动程度是逐渐增大还是减小的进行分析，分析的内容更加全面。
上述实施例中，心率和呼吸频率数据包括心率和呼吸频率的数值和时间数据。在一优选实施例，心率和呼吸频率数据包括心率和呼吸频率的数值和时间数据。心率和呼吸频率在存储时至少包括心率和呼吸频率的数值以及获得这个数据的时间。时间记录精确到秒。心率每3秒-10秒更新一次，呼吸频率每10秒-30秒更新一次。
基于微波雷达获取每3-10s更新一次的心率数据，每10-30s更新一次的呼吸频率数据，更新频率由用户设定。其中，心率和呼吸频率数据不仅包括数值数据，还包括记录的时间数据。为趋势分析提供了用于分析的数据，数据包括系统记录的历史数据和实时观测的数据。
作为另一优选实施例，基于患者生命体征数据进行趋势分析包括以下步骤：
S201,基于最新获取的患者生命体征数据，截取历史数据中最新的一段指定时长Y的数据；
S202,基于最新的一段指定时长Y的数据进行趋势分析；
S203,每隔X时间，重复上述两个步骤。
具体地，X为1-10分钟之间的整数分钟，Y为3-24小时之间的整数小时。
具体地，Y由用户指定，Y有多个。
作为上述实施例的优选方式，趋势分析所需的数据获取可以为：连续记录的心率或呼吸频率的最新一个数据，从更早时间的历史数据中截取指定时长范围内的全部数据。随实时监测数据的持续产生，不断截取历史数据中最新一段的数据，用于趋势分析的计算。更为具体地，每隔X分钟执行一次截取心率或呼吸频率历史数据的操作，获得用于趋势分析的最新数据集。X分钟取值定为1分钟-10分钟之间的整数。按照系统中设定的时长Y小时，从历史数据中最新一个心率或呼吸频率数据开始，截取Y小时内的全部数据。Y小时取值定为3小时-24小时之间的整数。时长Y的取值可以由用户指定，并且用户可以为系统指定多个时长Y。相应地系统则会截取不同时长的历史数据集。
本优选实施例记录生命体征数据的数值和时间数据，系统可以实时自动回溯当前时间之前指定时长的历史生命体征数据用于趋势分析，并且可以指定多个不同的时长用于趋势分析，回溯时间范围的设定，可以便于临床决策时分析患者从短期至长期的生命体征变化，多个时间范围的实时趋势分析，为医护人员的临床决策提供更丰富的数据支持，节省医护人员的时间，提高数据使用效率和深度。
在上述实施例的基础上，为了更好进行生命体征变化趋势的检测，在另一优选实施例，还包括步骤：
S24,判断截取的历史数据是否满足趋势分析的数据丰富度；
S25,若是，则将截取的历史数据用于趋势分析。
具体地，本实施例中，判断方法包括步骤：
S241,计算全时长数据有效率；
S242,计算起始前一段时间数据有效率；
S243,计算终止后一段时间数据有效率；
S244,判断上述三个数据有效率是否满足第二预定条件；
S245,若是，则截取的历史数据满足趋势分析的数据丰富度；
其中，数据有效率为每小时实际获取的数据个数与每小时应获取的数据个数的比值。更为具体地，第二预定条件为上述三个数据有效率均大于或等于30％。
其中，每小时应获取的数据个数由1小时除以心率和呼吸频率更新的时间间隔获取。心率每3秒-10秒更新一次，呼吸频率每10秒-30秒更新一次。
本优选实施例对获取的数据进行丰富度判断，将满足预定条件的数据用于趋势分析，提高了趋势分析结果的准确性。
在上述实施例的基础上，为了更好实现升降趋势分析，在另一优选实施例中，升降趋势分析可以包括以下步骤：
S211,建立回归模型或时间序列模型；
S212,计算观测值斜率和斜率的假设检验概率。
本发明实施例中，变异性趋势分析对生命体征数据的观测值的波动程度是逐渐增大还是减小的进行分析。在一优选实施例，变异性趋势分析具体包括以下步骤：
S221，将观测值按照时间分割为若干个片段；
S222，计算每个片段的方差；
S223，建立回归模型；
S224，计算方差斜率和斜率的假设检验概率。
具体地，上述两个优选实施例中，升降趋势分析、变异性趋势分析所涉及的生命体征数据包括心率和呼吸频率数据，观测值斜率包括心率和呼吸频率观测值斜率，方差斜率包括心率和呼吸频率方差斜率。
其中，采用数据挖掘的方法对心率或呼吸频率的历史数据集进行趋势分析。趋势分析包括两种类型的趋势第一种是升降趋势，第二种是变异性趋势。通过趋势分析得到描述变化趋势的测量值，包括升降趋势测量值和波动趋势测量值。
1、升降趋势测量值。升降趋势，即心率和呼吸频率观测值在一段时内呈现逐渐升高还是降低的变化。可采用的分析方法包括但不限于回归分析、时间序列分析。建立回归模型或时间序列模型，计算观测值斜率和斜率的假设检验概率。当观测值变化趋势为升高趋势时斜率为正值，降低趋势时为负值。
2、波动趋势测量值。变异性趋势，即心率和呼吸频率的在一段时间内波动程度是逐渐增大还是减小的变化。采用的分析方法是将一段时间的历史数据按照每3分钟分割为若干个片段，计算每个片段心率或呼吸频率的方差。用全部片段的方差建立回归模型，计算方差斜率和斜率的假设检验概率。当波动程度为增大趋势时斜率为正值，减小趋势时为负值。
上述优选实施例通过算法拟合的斜率和假设检验的概率，实时检测指定时长范围内生命体征的变化趋势。变化趋势的测量指标可以直观地判断生命体征发生了升高还是降低的趋势，并且这种趋势是否具有统计学上的显著性。
在本发明上述实施例中，其中的第一预定条件可以根据患者实际情况选择，比如可以：
设置假设检验概率的阈值Sig；
设置心率上升趋势阈值HR_A，心率观测值斜率≧HR_A，假设检验概率＜Sig；
和/或，设置心率下降趋势阈值HR_D，心率观测值斜率≦HR_D，假设检验概率＜Sig；
和/或，设置呼吸频率上升趋势阈值RR_A，呼吸频率观测值斜率≧RR_A，假设检验概率＜Sig；
和/或，设置呼吸频率下降趋势阈值RR_D，呼吸频率观测值斜率≦RR_D，假设检验概率＜Sig；
和/或，设置心率波动增加趋势阈值HR_VA，心率方差斜率≧HR_VA，假设检验概率＜Sig；
和/或，设置心率波动减小趋势阈值HR_VD，心率方差斜率≦HR_VD，假设检验概率＜Sig；
和/或，设置呼吸频率波动增加趋势阈值RR_VA，呼吸频率方差斜率≧RR_VA，假设检验概率＜Sig；
和/或，设置呼吸频率波动减小趋势阈值RR_VD，呼吸频率方差斜率≦RR_VD，假设检验概率＜Sig。
上述的各种参数设置以及选择并不局限于本发明上述实施例，在其他实施例中，还可以是其他的选择方式，只要能实现对应的目的即可。
在本发明上述实施例中，其中的报警评判的阈值可以由用户自行设定。比如可以包括假设检验概率的阈值(Sig)，心率观测值上升趋势的阈值(HR_A)，下降趋势阈值(HR_D)，呼吸频率观测值上升趋势的阈值(RR_A)，下降趋势阈值(HR_D)。心率波动程度增大趋势的阈值(HR_VA),减小趋势阈值(HR_VD)，呼吸频率波动程度增大趋势的阈值(RR_VA),减小趋势阈值(RR_VD)。具体设置时可以根据需要和实际患者情况选择其中一种或多种。
在本发明上述实施例中，其中的评判趋势分析测量达到何种类型报警标准,满足以下任意一类报警条件时触发报警：
心率观测值上升趋势：观测值斜率≥HR_A，概率<Sig；
心率观测值下降趋势：观测值斜率≤HR_D，概率<Sig；
呼吸观测值上升趋势：观测值斜率≥RR_A，概率<Sig；
呼吸观测值下降趋势：观测值斜率≤RR_D，概率<Sig；
心率波动增加趋势：方差斜率≥HR_VA，概率<Sig；
心率波动减小趋势：方差斜率≤HR_VD，概率<Sig；
呼吸观测值增加趋势：方差斜率≥RR_VA，概率<Sig；
呼吸观测值减小趋势：方差斜率≤RR_VD，概率<Sig。
本优选实施例用户可以自定义用于判断生命体征出现明显趋势变化的阈值。满足不同疾病、不同人群临床决策时，对生命体征变化趋势判断的灵活性和复杂性
基于上述的方法实施例，在另一实施例中，本发明还提供一种基于微波雷达的患者生命体征变化趋势检测系统，包括：
微波雷达，微波雷达用于获取患者生命体征数据；
趋势分析模块，趋势分析模块用于对患者生命体征数据进行升降趋势分析和变异性趋势分析；
判断模块，判断模块用于判断趋势分析模块分析的结果是否满足第一预定条件；
警报模块，警报模块用于基于判断模块的判断结果发出警报。
为了更好说明理解本发明上述各技术方案，以下结合具体应用实例来进行说明，但以下具体实例并不用于限定本发明。
在本实施例中，采用微波雷达非接触式的采集患者连续生命体征数据，将这些数据传输给计算机服务器保存。按照设定的时长分析一段时间的内数据是否出现明显的变化趋势。当变化趋势的测量指标超过设定阈值时，向医护人发出报警。
具体的，参照图2所示，本实施例可以包括如下步骤：
步骤1：生命体征检测雷达，向患者发出微波信号，接收到包含生命体征信息的回波信号。回波信号经过软件滤波后提高信噪比，采用主成分分析得到去除直达波的信号。信号解调后，可以分别提取并重构心跳和呼吸的微动信号，并进一步计算出心率和呼吸频率。
步骤2：实时获取的心率和呼吸频率数据按照统一、规范的格式存储。心率和呼吸频率在存储时至少包括心率和呼吸频率的数值以及获得这个数据的时间。时间记录精确的秒。心率每3秒～10秒更新一次，呼吸频率每10秒～30秒更新一次。
步骤3：从连续记录的心率或呼吸频率的最新一个数据，从更早时间的历史数据中截取指定时长范围内的全部数据。随实时监测数据的持续产生，不断截取历史数据中最新一段的数据，用于趋势分析的计算。
步骤3.1：每隔X分钟执行一次截取心率或呼吸频率历史数据的操作，获得用于趋势分析的最新数据集。X分钟取值定为1分钟～10分钟之间的整数。
步骤3.2：按照系统中设定的时长Y小时，从历史数据中最新一个心率或呼吸频率数据开始，截取Y小时内的全部数据。Y小时取值定为3小时～24小时之间的整数。时长Y的取值可以由用户指定，并且用户可以为系统指定多个时长Y。相应地系统则会截取不同时长的历史数据集。
步聚3.3：评估所截取的心率或呼吸频率历史数据集是否满足趋势分析的数据丰富度。分别计算全时长数据有效率、起始1小时数据有效率和终止1小时数据有效率。当这3个有效率的值均≥30％时，认定历史数据集满足要求，可以用于趋势分析。有效率的计算方法为每小时实际获取的心率或呼吸数据个数比每小时应获取的数据个数。每小时应获取的数据个数由1小时除以步骤2中心率和呼吸频率更新的时间间隔获取。
步骤4：采用数据挖掘的方法对心率或呼吸频率的历史数据集进行趋势分析。趋势分析包括两种类型的趋势第一种是升降趋势，第二种是变异性趋势。通过趋势分析得到描述变化趋势的测量值。
步骤4.1升降趋势测量值。升降趋势，即心率和呼吸频率观测值在一段时内呈现逐渐升高还是降低的变化。可采用的分析方法包括但不限于回归分析、时间序列分析。建立回归模型或时间序列模型，计算观测值斜率和斜率的假设检验概率。当观测值变化趋势为升高趋势时斜率为正值，降低趋势时为负值。
步骤4.2波动趋势测量值。变异性趋势，即心率和呼吸频率的在一段时间内波动程度是逐渐增大还是减小的变化。采用的分析方法是将一段时间的历史数据按照每3分钟分割为若干个片段，计算每个片段心率或呼吸频率的方差。用全部片段的方差建立回归模型，计算方差斜率和斜率的假设检验概率。当波动程度为增大趋势时斜率为正值，减小趋势时为负值。
步聚5：将趋势分析的测量值按照设定的报警阈值进行组合评判，确定是否应当发出报警。
步骤5.1：报警评判的阈值可以由用户自行设定。包括假设检验概率的阈值(Sig)，心率观测值上升趋势的阈值(HR_A)，下降趋势阈值(HR_D)，呼吸频率观测值上升趋势的阈值(RR_A)，下降趋势阈值(HR_D)。心率波动程度增大趋势的阈值(HR_VA),减小趋势阈值(HR_VD)，呼吸频率波动程度增大趋势的阈值(RR_VA),减小趋势阈值(RR_VD)。
步骤5.2：评判趋势分析测量达到何种类型报警标准,满足以下任意一类报警条件时触发报警。
心率观测值上升趋势：观测值斜率≥HR_A，概率<Sig
心率观测值下降趋势：观测值斜率≤HR_D，概率<Sig
呼吸观测值上升趋势：观测值斜率≥RR_A，概率<Sig
呼吸观测值下降趋势：观测值斜率≤RR_D，概率<Sig
心率波动增加趋势：方差斜率≥HR_VA，概率<Sig
心率波动减小趋势：方差斜率≤HR_VD，概率<Sig
呼吸观测值增加趋势：方差斜率≥HR_VA，概率<Sig
呼吸观测值减小趋势：方差斜率≤HR_VD，概率<Sig
步骤6：以图像和声音的形式向医护人员发送心率或呼吸频率趋势变化的报警，告知其发生趋势变化的生命体征、时长范围和趋势变化类型。医护人员可以查看报警所覆盖时长内心率或呼吸频率的曲线图，描述趋势的斜率及假设检验概率。
本实施例，用户可以自定义用于判断生命体征出现明显趋势变化的阈值。满足不同疾病、不同人群临床决策时，对生命体征变化趋势判断的灵活性和复杂性。通过拟合的斜率和假设检验的概率，实时检测指定时长范围内生命体征的变化趋势。本实施例让医护人员及时关注到患者生命体征的变化趋势，评估患者病情，尽早给予相应的干预措施，避免因延迟发现病情变化而导致的严重不良结局。
基于上述的方法实施例，在另一实施例中，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现上述任一项实施例中的基于微波雷达的患者生命体征变化趋势检测方法。
可选地，存储器，用于存储程序；存储器，可以包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)，如静态随机存取存储器(英文：static random-access memory，缩写：SRAM)，双倍数据率同步动态随机存取存储器(英文：Double Data Rate Synchronous Dynamic Random Access Memory，缩写：DDR SDRAM)等；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器，用于执行存储器存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构，也可以是集成在一起的集成结构。当处理器和存储器是独立结构时，存储器、处理器可以通过总线耦合连接。
基于上述的方法实施例，在另一实施例中，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可读指令，计算机可读指令被处理器执行时实现上述任一项实施例中的基于微波雷达的患者生命体征变化趋势检测方法。
上述的计算机可读存储介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
需要说明的是，本发明提供的所述方法中的步骤，可以利用所述系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。上述各优选特征在互不冲突的情况下，可以任意组合使用。
Claims (16)
1.一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，包括：
基于微波雷达获取患者生命体征数据；
基于所述患者生命体征数据进行趋势分析，所述趋势分析包括升降趋势分析和变异性趋势分析；
判断趋势分析的结果是否满足第一预定条件，若是，则发出警报。
2.根据权利要求1所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述生命体征数据包括心率和呼吸频率数据。
3.根据权利要求2所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述心率和呼吸频率数据包括心率和呼吸频率的数值和时间数据。
4.根据权利要求3所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，基于所述患者生命体征数据进行趋势分析，包括：
基于最新获取的患者生命体征数据，截取历史数据中最新的一段指定时长Y的数据；
基于最新的一段指定时长Y的数据进行趋势分析；
每隔X时间，重复上述操作。
5.根据权利要求4所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述X为1-10分钟之间的整数分钟，所述Y为3-24小时之间的整数小时。
6.根据权利要求4所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述Y由用户指定，所述Y有多个。
7.根据权利要求4所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，还包括：
判断截取的历史数据是否满足趋势分析的数据丰富度；
若是，则将截取的历史数据用于趋势分析。
8.根据权利要求7所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，判断方法包括：
计算全时长数据有效率；
计算起始一段时间数据有效率；
计算终止一段时间数据有效率；
判断上述三个数据有效率是否满足第二预定条件；
若是，则截取的历史数据满足趋势分析的数据丰富度；
其中，所述数据有效率为每小时实际获取的数据个数与每小时应获取的数据个数的比值。
9.根据权利要求8所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述第二预定条件为三个数据有效率均大于或等于30％。
10.根据权利要求1所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述升降趋势分析包括：
建立回归模型或时间序列模型；
计算观测值斜率和斜率的假设检验概率。
11.根据权利要求1所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述变异性趋势分析包括：
将观测值按照时间分割为若干个片段；
计算每个片段的方差；
建立回归模型；
计算方差斜率和斜率的假设检验概率。
12.根据权利要求10或11所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述生命体征数据包括心率和呼吸频率数据，所述观测值斜率包括心率和呼吸频率观测值斜率，所述方差斜率包括心率和呼吸频率方差斜率。
13.根据权利要求12所述的一种基于微波雷达的患者生命体征变化趋势检测方法，其特征在于，所述第一预定条件为：
设置假设检验概率的阈值Sig；
设置心率上升趋势阈值HR_A，心率观测值斜率≧HR_A，假设检验概率＜Sig；
和/或设置心率下降趋势阈值HR_D，心率观测值斜率≦HR_D，假设检验概率＜Sig；
和/或设置呼吸频率上升趋势阈值RR_A，呼吸频率观测值斜率≧RR_A，假设检验概率＜Sig；
和/或设置呼吸频率下降趋势阈值RR_D，呼吸频率观测值斜率≦RR_D，假设检验概率＜Sig；
和/或设置心率波动增加趋势阈值HR_VA，心率方差斜率≧HR_VA，假设检验概率＜Sig；
和/或设置心率波动减小趋势阈值HR_VD，心率方差斜率≦HR_VD，假设检验概率＜Sig；
和/或设置呼吸频率波动增加趋势阈值RR_VA，呼吸频率方差斜率≧RR_VA，假设检验概率＜Sig；
和/或设置呼吸频率波动减小趋势阈值RR_VD，呼吸频率方差斜率≦RR_VD，假设检验概率＜Sig。
14.一种基于微波雷达的患者生命体征变化趋势检测系统，其特征在于，包括：
微波雷达，所述微波雷达用于获取患者生命体征数据；
趋势分析模块，所述趋势分析模块用于对所述患者生命体征数据进行升降趋势分析和变异性趋势分析；
判断模块，所述判断模块用于判断所述趋势分析模块分析的结果是否满足第一预定条件；
警报模块，所述警报模块用于基于所述判断模块的判断结果发出警报。
15.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如权利要求1至13任一项所述方法。
16.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至13任一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011491824.5A CN112656395B (zh) | 2020-12-16 | 2020-12-16 | 基于微波雷达的患者生命体征变化趋势检测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011491824.5A CN112656395B (zh) | 2020-12-16 | 2020-12-16 | 基于微波雷达的患者生命体征变化趋势检测方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112656395A true CN112656395A (zh) | 2021-04-16 |
| CN112656395B CN112656395B (zh) | 2024-09-06 |
Family
ID=75404347
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011491824.5A Active CN112656395B (zh) | 2020-12-16 | 2020-12-16 | 基于微波雷达的患者生命体征变化趋势检测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112656395B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098679A (zh) * | 2021-12-30 | 2022-03-01 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
| CN114299453A (zh) * | 2021-12-31 | 2022-04-08 | 浙江瑞华康源科技有限公司 | 基于人工智能的生命体征信息集成处理方法、设备及系统 |
| CN117558449A (zh) * | 2023-11-24 | 2024-02-13 | 启康保(北京)健康科技有限公司 | 基于大数据的医疗健康数据管理系统 |
| CN117724094A (zh) * | 2024-02-07 | 2024-03-19 | 浙江大华技术股份有限公司 | 生命体征检测方法 |
| CN118335359A (zh) * | 2024-06-13 | 2024-07-12 | 长春中医药大学 | 一种用于多方共享的心病康复监测管理系统 |
| CN118383729A (zh) * | 2024-06-26 | 2024-07-26 | 无锡智臻医疗有限公司 | 一种基于物联网的患者体征预警方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150235000A1 (en) * | 2014-02-19 | 2015-08-20 | International Business Machines Corporation | Developing health information feature abstractions from intra-individual temporal variance heteroskedasticity |
| CN105997083A (zh) * | 2016-04-27 | 2016-10-12 | 深圳市前海万象智慧科技有限公司 | 一种人体呼吸的检测装置及其检测方法 |
| CN109784528A (zh) * | 2018-12-05 | 2019-05-21 | 鲁东大学 | 基于时间序列和支持向量回归的水质预测方法及装置 |
| CN109924962A (zh) * | 2019-04-03 | 2019-06-25 | 湖南省顺鸿智能科技有限公司 | 一种基于雷达的非接触式生命体征测量系统及方法 |
| CN110321518A (zh) * | 2019-06-14 | 2019-10-11 | 中国科学院地理科学与资源研究所 | 一种判定水文时间序列趋势类型的方法 |
| CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
| CN111657888A (zh) * | 2020-05-28 | 2020-09-15 | 首都医科大学附属北京天坛医院 | 重度急性呼吸窘迫综合症预警方法及系统 |
-
2020
- 2020-12-16 CN CN202011491824.5A patent/CN112656395B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150235000A1 (en) * | 2014-02-19 | 2015-08-20 | International Business Machines Corporation | Developing health information feature abstractions from intra-individual temporal variance heteroskedasticity |
| CN105997083A (zh) * | 2016-04-27 | 2016-10-12 | 深圳市前海万象智慧科技有限公司 | 一种人体呼吸的检测装置及其检测方法 |
| CN109784528A (zh) * | 2018-12-05 | 2019-05-21 | 鲁东大学 | 基于时间序列和支持向量回归的水质预测方法及装置 |
| CN109924962A (zh) * | 2019-04-03 | 2019-06-25 | 湖南省顺鸿智能科技有限公司 | 一种基于雷达的非接触式生命体征测量系统及方法 |
| CN110321518A (zh) * | 2019-06-14 | 2019-10-11 | 中国科学院地理科学与资源研究所 | 一种判定水文时间序列趋势类型的方法 |
| CN111046084A (zh) * | 2019-12-18 | 2020-04-21 | 重庆大学 | 一种多元时间序列监测数据的关联规则挖掘方法 |
| CN111657888A (zh) * | 2020-05-28 | 2020-09-15 | 首都医科大学附属北京天坛医院 | 重度急性呼吸窘迫综合症预警方法及系统 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114098679A (zh) * | 2021-12-30 | 2022-03-01 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
| CN114098679B (zh) * | 2021-12-30 | 2024-03-29 | 中新国际联合研究院 | 基于深度学习和射频感知的生命体征监测波形的恢复方法 |
| CN114299453A (zh) * | 2021-12-31 | 2022-04-08 | 浙江瑞华康源科技有限公司 | 基于人工智能的生命体征信息集成处理方法、设备及系统 |
| CN117558449A (zh) * | 2023-11-24 | 2024-02-13 | 启康保(北京)健康科技有限公司 | 基于大数据的医疗健康数据管理系统 |
| CN117724094A (zh) * | 2024-02-07 | 2024-03-19 | 浙江大华技术股份有限公司 | 生命体征检测方法 |
| CN117724094B (zh) * | 2024-02-07 | 2024-05-07 | 浙江大华技术股份有限公司 | 生命体征检测方法 |
| CN118335359A (zh) * | 2024-06-13 | 2024-07-12 | 长春中医药大学 | 一种用于多方共享的心病康复监测管理系统 |
| CN118383729A (zh) * | 2024-06-26 | 2024-07-26 | 无锡智臻医疗有限公司 | 一种基于物联网的患者体征预警方法及系统 |
| CN118383729B (zh) * | 2024-06-26 | 2024-10-22 | 无锡智臻医疗有限公司 | 一种基于物联网的患者体征预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112656395B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112656395B (zh) | 基于微波雷达的患者生命体征变化趋势检测方法和系统 | |
| US8568330B2 (en) | Composite human physiological stress index based on heart beat and sleep and/or activity history data including actigraphy | |
| EP2944251B1 (en) | Method, apparatus and computer-readable medium for confidence level determination of ambulatory hr algorithm based on a three-way rhythm classifier | |
| US8932219B2 (en) | Systems and methods for monitoring heart rate and blood pressure correlation | |
| US7038595B2 (en) | Method and apparatus for multiple patient parameter variability analysis and display | |
| US8781753B2 (en) | System and method for evaluating physiological parameter data | |
| JP5775868B2 (ja) | 不眠症のための行動療法を提供するシステム及びその制御方法 | |
| EP2018825A1 (en) | Methods and device to quantify human physical activity pattern | |
| CN106714682B (zh) | 用于评估加重和/或入院的风险的装置、系统、方法和计算机程序 | |
| CN111372506B (zh) | 使用可穿戴设备预测甲状腺毒症的系统和计算机程序 | |
| CN114732384B (zh) | 基于微波雷达的心脏健康数据监测方法、装置、存储介质 | |
| EP2389857A1 (en) | Alarm generation for patient monitoring | |
| US20200178903A1 (en) | Patient monitoring system and method having severity prediction and visualization for a medical condition | |
| KR20160105440A (ko) | 알람 이벤트의 임상적 관련성을 결정하는 방법 및 시스템 | |
| CN117379021B (zh) | 基于智能穿戴设备的老年人健康指标监测系统 | |
| JP6813837B2 (ja) | 活動リズム判定方法および活動リズム判定装置 | |
| CN112469329A (zh) | 评估健康情况或状况的方法和系统 | |
| CN111684540B (zh) | 监护设备中生理参数的统计显示方法及监护设备 | |
| CN116724361A (zh) | 基于睡眠活动的对患者健康状况变化的检测 | |
| CN114366060A (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
| CN109937456B (zh) | 被配置成抑制警报的患者监测系统和方法 | |
| JPWO2020166239A1 (ja) | 睡眠時無呼吸症候群判定装置、睡眠時無呼吸症候群判定方法、及び、睡眠時無呼吸症候群判定プログラム | |
| JP2019141311A (ja) | せん妄スクリーニング装置およびせん妄スクリーニング方法 | |
| EP4252641B1 (en) | Respiration rate monitoring system and method | |
| CN118592913B (zh) | 用于护理的患者血液数据监测方法及系统 |
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: 20221219 Address after: 2139, Building 1, No. 6, Nanjiang Second Road, Zhujiang Street, Nansha District, Guangzhou, Guangdong, 510000 (office only) Applicant after: Guangdong Mingri United Digital Technology Co.,Ltd. Address before: 200032 area a, 2nd floor, 420 Fenglin Road, Xuhui District, Shanghai Applicant before: Wenjing Technology (Shanghai) Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |