CN112806961A - 体征数据评估方法及装置 - Google Patents

体征数据评估方法及装置 Download PDF

Info

Publication number
CN112806961A
CN112806961A CN202110034537.XA CN202110034537A CN112806961A CN 112806961 A CN112806961 A CN 112806961A CN 202110034537 A CN202110034537 A CN 202110034537A CN 112806961 A CN112806961 A CN 112806961A
Authority
CN
China
Prior art keywords
sign data
target
evaluated
data
time period
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
Application number
CN202110034537.XA
Other languages
English (en)
Inventor
刘鹏
吕伯轩
韩令强
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.)
Beijing Putian Health Technology Development Co ltd
Original Assignee
Beijing Putian Health Technology Development Co ltd
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 Beijing Putian Health Technology Development Co ltd filed Critical Beijing Putian Health Technology Development Co ltd
Priority to CN202110034537.XA priority Critical patent/CN112806961A/zh
Publication of CN112806961A publication Critical patent/CN112806961A/zh
Pending legal-status Critical Current

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • 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
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • 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
    • 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
    • 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
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pulmonology (AREA)
  • Optics & Photonics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供一种体征数据评估方法及装置，根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标所述当前时段的体征数据，并将待评估目标当前时段的前多个连续的预设数量的历史时段的评估体征数据输入体征数据预测模型，获取待评估目标所述当前时段的预测体征数据；根据待评估目标当前时段的评估体征数据和预测体征数据，获取待评估目标当前时段的体征数据评估结果。本发明提供的体征数据评估方法及装置，能基于不同待评估目标之间的个体差异，针对不同待评估目标获取不同的体征评估标准，获取的体征评估标准更适合待评估目标，从而能提高对任一待评估目标体征数据评估的准确率。

Description

体征数据评估方法及装置
技术领域
本发明涉及数据处理技术领域，尤其涉及一种体征数据评估方法及装置。
背景技术
人体可以产生多种体征数据，如心率值、脑电信号、脉搏次数、血氧饱和度和呼吸频率等。连续的体征数据可以用于分析人体的状态等。
现有技术中，通过体征采集终端获取连续的体征数据后，体征采集终端将获取到的体征数据发送至服务器。服务器根据预设的体征数据阈值区域，评估当前时段的体征数据是否出现异常。若评估获知当前时刻体征数据出现异常，则可以触发告警提示。但是，现有技术中体征数据阈值范围是根据医学常识和经验积累设置的，难以适合每一测试对象。若为了使得体征数据阈值区域可以适合更多的测试对象，而将体征数据阈值区域设置的偏大或偏小，则可能会对当前时段的测试对象的体征数据做出错误的评估，导致对测试对象的体征数据评估的准确率较低。
发明内容
本发明提供一种体征数据评估方法及装置用以解决现有技术中对测试对象体征数据评估的准确率较低的缺陷，实现对测试对象体征数据更准确的评估。
本发明提供一种体征数据评估方法，包括：根据待评估目标当前时段各采样时刻的体征数据，获取所述待评估目标所述当前时段的评估体征数据，并将所述待评估目标所述当前时段的前多个历史时段的评估体征数据输入体征数据预测模型，获取所述待评估目标所述当前时段的预测体征数据；
根据所述待评估目标所述当前时段的评估体征数据和预测体征数据，获取所述待评估目标所述当前时段的体征数据评估结果；
其中，相邻两个所述采样时刻之间的时间间隔为预设时间间隔；所述体征数据预测模型，是根据所述待评估目标的各历史时段的评估体征数据进行训练后获得的。
根据本发明提供的一种体征数据评估方法，所述体征数据预测模型，为差分整合移动平均自回归模型。
根据本发明提供的一种体征数据评估方法，所述根据所述待评估目标所述当前时段的评估体征数据和预测体征数据，获取所述待评估目标所述当前时段的体征数据评估结果，具体包括：
若判断获知所述当前时段的评估体征数据偏离所述当前时段预测体征数据的幅度超过预设的阈值，则确定所述待评估目标所述当前时段的体征数据评估结果为异常。
根据本发明提供的一种体征数据评估方法，所述根据待评估目标当前时段各采样时刻的体征数据，获取所述待评估目标所述当前时段的评估体征数据之前，还包括：
对所述待评估目标所述当前时段各采样时刻的原始体征数据进行缺省数据判断和处理，获取所述待评估目标所述当前时段各采样时刻的补全体征数据；
对所述待评估目标所述当前时段各采样时刻的补全体征数据进行离群数据判断和处理，获取所述待评估目标当前时段各采样时刻的体征数据。
根据本发明提供的一种体征数据评估方法，所述对所述待评估目标所述当前时段的原始体征数据进行缺省数据判断和处理，获取所述待评估目标所述当前时段的补全体征数据的具体步骤包括：
若判断获知所述当前时段任一采样时刻的原始体征数据不为缺省数据，则将所述任一采样时刻的原始体征数据作为所述任一采样时刻的补全体征数据；
若判断获知所述当前时段任一采样时刻的原始体征数据为缺省数据，则根据所述任一采样时刻之前不为缺省数据的若干个采样时刻的原始体征数据和所述任一采样时刻之后不为缺省数据的若干个采样时刻的原始体征数据，获取所述任一采样时刻的补全体征数据。
根据本发明提供的一种体征数据评估方法，所述对所述待评估目标所述前时段的补全体征数据进行离群数据判断和处理，获取所述待评估目标当前时段各采样时刻的体征数据的具体步骤包括：
若判断获知所述当前时段任一采样时刻的补全体征数据不为离群数据，则将所述任一采样时刻的补全体征数据作为所述任一采样时刻的体征数据；
若判断获知所述当前时段任一采样时刻的补全体征数据为离群数据，则根据所述任一采样时刻之前不为离群数据的若干个采样时刻的补全体征数据和所述任一采样时刻之后不为离群数据的若干个采样时刻的补全体征数据，获取所述任一采样时刻的体征数据。
根据本发明提供的一种体征数据评估方法，其特征在于，所述根据待评估目标当前时段各采样时刻的体征数据，获取所述待评估目标所述当前时段的评估体征数据之后，还包括：
根据所述待评估目标所述当前时段的评估体征数据和所述各历史时段的评估体征数据，更新所述体征数据预测模型。
本发明还提供一种体征数据评估装置，包括：
数据处理模块，用于根据待评估目标当前时段各采样时刻的体征数据，获取所述待评估目标所述当前时段的评估体征数据，并将所述待评估目标连续的预设数量的历史时段的评估体征数据输入体征数据预测模型，获取所述待评估目标所述当前时段的预测体征数据；
结果评估模块，用于根据所述待评估目标所述当前时段的评估体征数据和预测体征数据，获取所述待评估目标所述当前时段的体征数据评估结果；
其中，相邻两个所述采样时刻之间的时间间隔为预设时间间隔；所述体征数据预测模型，是根据所述待评估目标的各历史时段的评估体征数据进行训练后获得的。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述体征数据评估方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述体征数据评估方法的步骤。
本发明提供的体征数据评估方法及装置，通过待评估目标当前时段的评估体征数据，与基于训练好的体征数据预测模型获取的待评估目标当前时段的预测体征数据进行对比，获取待评估目标当前时段的体征数据评估结果，能基于不同待评估目标之间的个体差异，针对不同待评估目标获取不同的体征评估标准，获取的体征评估标准更适合待评估目标，从而能提高对任一待评估目标体征数据评估的准确率。进一步地，对待评估目标体征数据的评估在终端完成，能更少地占用服务器端的计算资源，能提高对待评估目标体征数据的评估效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的体征数据评估方法的流程示意图；
图2是本发明提供的体征数据评估装置的结构示意图；
图3是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明提供的体征数据评估方法的流程示意图。下面结合图1描述本发明的体征数据评估方法。如图1所示，该方法包括：步骤101、根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据，并将待评估目标当前时段的前多个历史时段的评估体征数据输入体征数据预测模型，获取待评估目标当前时段的预测体征数据。
其中，相邻两个采样时刻之间的时间间隔为预设时间间隔；体征数据预测模型，是根据待评估目标的各历史时段的评估体征数据进行训练后获得的。
具体地，待评估目标，指需要进行体征状态评估的人体。
体征数据，指反映人体体征状态的相关信息或反映人体活动状态的跟踪信息，例如：人体的呼吸数据、心跳数据、脉搏数据、血氧饱和度数据或身体活动数据等。
通过体征采集终端可以获取待评估目标当前时段每一采样时刻的原始体征数据。
具体地，体征采集终端可以通过对待评估目标的人体体征状态实时监控，获取当前时段中每一采样时刻的原始体征数据。
对于每一采样时刻，该采样时刻的原始体征数据可以根据该采样时刻某一体征指标的实时值获取的，也可以是根据该采样时刻的上一采样时刻至该采样时刻某一体征指标的统计值获取的。
体征采集终端可以是指夹式血氧饱和度检测仪、无拘束体征监控床垫或贴片式心率检测仪等。
需要说明的是，当前时段中相邻两个采样时刻之间的预设时间间隔可以根据实际情况进行设置。预设时间间隔的具体取值，在本发明实施例中不作限定。
需要说明的是，可以将通过体征采集终端获取到的待评估目标当前时段各采样时刻的原始体征数据，直接作为待评估目标当前时段各采样时刻的体征数据；还可以对通过体征采集终端获取到的当前时段各采样时刻的原始体征数据进行数据处理，获取待评估目标当前时段各采样时刻的体征数据。
需要说明的是，历史时段，指当前时段之前的时段。获取待评估目标每一历史时段每一采样时刻的原始体征数据的方法，与获取待评估目标当前时段每一采集时刻的原始体征数据的方法相同。
当前时段内各采样时刻的体征数据可以组成连续的体征数据。根据当前时段内连续的体征数据，可以对待评估目标进行评估。
评估体征数据，指可以描述人体一段时间内的体征状态的数据或描述人体一段时间内活动状态的跟踪数据，例如：人体的呼吸频率、心率值、平均血氧饱和度或身体活动次数等。
待评估目标当前时段的评估体征数据，可以描述待评估目标当前时段内的体征状态。
根据待评估目标当前时段各采样时刻的体征数据，可以通过数理统计(例如求取平均值)等数据处理方法，获取待评估目标当前时段的评估体征数据。
需要说明的是，对于不同类型的体征数据，可以采用相应的方法，根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据。
例如：若体征数据为血氧饱和度数据，则可以计算得到待评估目标当前时段血氧饱和度的平均值，作为待评估目标当前时段的评估体征数据；若体征数据为呼吸数据，则可以计算得到待评估目标当前时段的呼吸频率，作为待评估目标当前时段的评估体征数据。本发明实施例中，对根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据的具体方法不作限定。
可以理解的是，每次获得待评估目标当前时段的评估体征数据后，均将待评估目标当前时段的评估体征数据作为待评估目标新的历史时段的原始评估体征数据，并进行存储。
需要说明的是，待评估目标各历史时段的时长与当前时段的时长相同。对待评估目标每一历史时段的评估体征数据的数据处理方法，与对待评估目标当前时段的评估体征数据的数据处理方法相同。
待评估目标各历史时段的评估体征数据，可以描述待评估目标体征状态的历史变化趋势。根据待评估目标各历史时段的评估体征数据，可以对体征数据预测模型进行训练，获得训练好的体征数据预测模型。
训练好的体征数据预测模型可以描述由各历史时段构成的一段时间内，待评估目标体征状态的变化趋势。
预设数量可以根据实际情况确定。预设数量的具体取值在本发明实施例中不作限定。
将待评估目标当前时段的前多个连续的的历史时段的评估体征数据输入训练好的体征数据预测模型，体征数据预测模型可以计算出待评估目标当前时段的预测体征数据。
需要说明的是，体征数据预测模型可以是任一种时间序列预测分析模型。
步骤102、根据待评估目标当前时段的评估体征数据和预测体征数据，获取待评估目标当前时段的体征数据评估结果。
具体地，通过对比待评估目标当前时段的评估体征数据和预测体征数据，可以计算获得待评估目标当前时段的评估体征数据与预测体征数据之间的偏差。根据上述待评估目标当前时段的评估体征数据与预测体征数据之间的偏差，可以判断待评估目标当前时段的体征数据结果为异常或正常。
若待评估目标当前时段的评估体征数据与预测体征数据之间的偏差未超过预设的偏差范围，则可以判断获知待评估目标当前时段的体征数据结果为正常。
若待评估目标当前时段的评估体征数据与预测体征数据之间的偏差超过预设的偏差范围，则可以判断获知待评估目标当前时段的体征数据结果为异常。
需要说明的是，获取待评估目标当前时段的体征数据评估结果后，若上述评估结果为异常，则体征采集终端还可以发出异常告警提示。
需要说明的是，获得待评估目标当前时段的评估体征数据与预测体征数据之间的偏差可以是：绝对偏差、相对偏差、标准偏差和相对平均偏差等。
传统的体征数据评估，是体征采集终端获取待评估目标当前时段各采集时刻的原始体征数据后，将上述数据发送至服务器端。服务器端接收上述各采集时刻的体征数据后，在服务器端完成对待评估目标当前时段体征数据的评估。随着接入服务器中的终端数量的增多，服务器将承受更大的运算压力，从而导致运算速度降低，难以及时的对每一体征采集终端获取的待评估目标当前时段体征数据进行评估。
需要说明的是，本发明实施例中体征数据评估方法的执行主体可以为体征采集终端。体征采集终端获取待评估目标当前时段各采集时刻的原始体征数据后，无需将上述数据发送至服务器端，而是在体征采集终端就可以完成对待评估目标体征数据的评估。相较于现有技术，可以更充分的利用体征采集终端的计算资源，更少地占用服务器端的计算资源，提高评估效率，并可以及时对每一体征采集终端获取的待评估目标当前时段体征数据进行评估。
需要说明的是，本发明实施例中体征数据评估方法的执行主体还可以为服务器端。
本发明实施例通过待评估目标当前时段的评估体征数据，与基于训练好的体征数据预测模型获取的待评估目标当前时段的预测体征数据进行对比，获取待评估目标当前时段的体征数据评估结果，能基于不同待评估目标之间的个体差异，针对不同待评估目标获取不同的体征评估标准，获取的体征评估标准更适合待评估目标，从而能提高对任一待评估目标体征数据评估的准确率。进一步地，对待评估目标体征数据的评估在终端完成，能更少地占用服务器端的计算资源，能提高对待评估目标体征数据的评估效率。
基于上述各实施例的内容，体征数据预测模型，为差分整合移动平均自回归模型。
具体地，差分整合移动平均自回归模型(Autoregressive Integrated MovingAverage model，ARIMA模型)，是时间序列预测分析模型之一。
ARIMA模型可以表示为：
Figure BDA0002893633130000101
其中，p为模型的自回归阶数；d为差分的步长；q为移动平均阶数；
Figure BDA0002893633130000102
和θ为不为零的待定系数；εt为独立的误差项；Xt为平稳、正态且零均值的待评估目标各历史时段的评估体征数据的时间序列；i为计数值；L为滞后算子。
将待评估目标当前时段的前多个历史时段的评估体征数据输入ARIMA模型，获取待评估目标当前时段的预测体征数据时，首先检查数据的平稳性，其次求取数据的差分，确定自相关系数项系数P与移动平均项数q。本发明实施例中通过截尾计算确定p＝1，q＝1。
ARIMA模型较为简单，只需要内生变量而不需要借助其他外生变量。相较于传统的深度学习算法，ARIMA模型算法较为精简，需要占用的内存更少，对于一些低成本的体征采集终端内置芯片更为友好。
本发明实施例通过采用差分整合移动平均自回归模型，能在终端内置的较低成本的芯片上完成对待评估目标体征数据的评估，能确保对待评估目标体征数据的进行评估的准确率较高，且设备投入的成本较低。
基于上述各实施例的内容，根据待评估目标当前时段的评估体征数据和预测体征数据，获取待评估目标当前时段的体征数据评估结果，具体包括：若判断获知当前时段的评估体征数据偏离当前时段预测体征数据的幅度超过预设的阈值，则确定待评估目标当前时段的体征数据评估结果为异常。
具体地，待评估目标当前时段的预测体征数据可以反映待评估目标的评估体征数据的变化趋势。
通过计算可以获得当前时段的评估体征数据偏离当前时刻预测体征数据的幅度。
若当前时段的评估体征数据偏离当前时刻预测体征数据的幅度没有超过预设的阈值，则待评估目标当前时段的体征数据符合基于当前时段前多个历史时段的评估体征数据的变化趋势，可以确定待评估目标当前时段的体征数据评估结果为正常。
若当前时段的评估体征数据偏离当前时刻预测体征数据的幅度超过预设的阈值，则说明待评估目标当前时段的体征数据不符合基于当前时段前多个历史时段的评估体征数据的变化趋势，可以确定待评估目标当前时段的体征数据评估结果为异常。
需要说明的是，预设的阈值可以反映预测体征数据与评估体征数据之间的正常的误差范围。预设的阈值的具体取值在本发明实施例中不作具体限定。
本发明实施例通过判断当前时段的评估体征数据偏离当前时段预测体征数据的幅度是否超过预设的阈值，确定待评估目标当前时段的体征数据评价结果为异常或正常，能通过更适合待评估目标的体征评估标准，获取待评估目标当前时段体征数据的评价结果，能提高对任一待评估目标体征数据评估的准确率。
基于上述各实施例的内容，根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据之前，还包括：对待评估目标当前时段各采样时刻的原始体征数据进行缺省数据的判断和处理，获取待评估目标当前时段各采样时刻的补全体征数据。
具体地，体征采集终端获取待评估目标当前时段各采样时刻的原始体征数据时，可能在某一个采样时刻或者连续多个采样时刻丢失待评估目标的原始体征数据。例如，待评估目标暂离体征采集终端或体征采集终端在某一采样时刻未成功获取到待评估目标的原始体征数据等原因，会造成在某一个采样时刻或者连续多个采样时刻丢失待评估目标的原始体征数据。
本发明实施例中，将体征采集终端丢失的当前时段任一采样时刻的原始体征数据称为缺省数据。
若体征采集终端丢失当前时段任一采样时刻的原始体征数据，则待评估目标当前时段各采样时刻的原始体征数据中存在缺省数据，将会影响获得的待评估目标当前时段的评估体征数据的准确性，从而降低对待评估目标当前时段体征数据评估结果的准确性。
通过对待评估目标当前时段各采样时刻的原始体征数据进行缺省数据的判断和处理，补全原先的缺省数据，可以获取待评估目标当前时段各采样时刻的补全体征数据。
本发明实施例中，将经过缺省数据判断和处理的待评估目标当前时段各采样时刻的原始体征数据称为补全体征数据。
对待评估目标当前时段各采样时刻的补全体征数据进行离群数据判断和处理，获取待评估目标当前时段各采样时刻的体征数据。
具体地，待评估目标的正常体动或其他因素，可能造成待评估目标的体征数据突然出现大幅度的波动，例如：待评估目标的连续翻身，将导致待评估目标的呼吸数据或心率数据突然出现大幅度的波动。一般情况下，由于待评估目标的正常体动或其他因素，造成的待评估目标体征数据偶发的大幅度波动，不应被评估为异常。但是，传统的体征数据评估，根据预设的体征数据阈值评估待评估目标当前时段的体征数据，会将所有超出预设阈值范围的体征数据波动评估为异常，从而导致出现虚报的情况，降低对待评估目标当前时段的体征数据评估的准确性。
本发明实施例中，对待评估目标当前时段各采样时刻的原始体征数据进行缺省数据判断和处理之后，进一步地对待评估目标当前时段各采样时刻的补全体征数据进行离群数据判断和处理，以避免偶发的波动造成的虚报。
本发明实施例中，将待评估目标当前时段各采样时刻的补全体征数据中，突然出现大幅度波动的任一采样时刻的补全体征数据称为离群数据。
通过对待评估目标当前时段各采样时刻的补全体征数据进行离群数据判断和处理，可以获取待评估目标当前时段各采样时刻的体征数据。
本发明实施例通过对待评估目标当前时段各采样时刻的原始体征数据进行缺省数据的判断和处理后，进一步地进行离散数据的判断和处理，能通过缺省数据的判断和处理保证待评估目标当前时段各采样时刻的体征数据的完整性，能提高待评估目标当前时段的评估体征数据的准确性，能剔除待评估目标的正常体动或其他因素对待评估目标体征数据的影响，能提高对待评估目标体征数据评估的准确性。
基于上述各实施例的内容，对待评估目标当前时段的原始体征数据进行缺省数据判断和处理，获取待评估目标当前时段的补全体征数据的具体步骤包括：若判断获知当前时段任一采样时刻的原始体征数据不为缺省数据，则将任一采样时刻的原始体征数据作为任一采样时刻的补全体征数据。
若判断获知当前时段任一采样时刻的原始体征数据为缺省数据，则根据任一采样时刻之前不为缺省数据的若干个采样时刻的原始体征数据和任一采样时刻之后不为缺省数据的若干个采样时刻的原始体征数据，获取任一采样时刻的补全体征数据。
具体地，可以通过遍历待评估目标当前时段各采样时刻的原始体征数据，逐一判断待评估目标当前时段各采样时刻的原始体征数据是否为缺省数据。
对于当前时段任一采样时刻，若该采样时刻的原始体征数据不为缺省数据，则将该采样时刻的原始体征数据作为该采样时刻的补全体征数据。
若该采样时刻的原始体征数据为缺省数据，则可以通过数理统计(例如求取平均值)等数据处理方法，对该采样时刻之前不为缺省数据的若干个采样时刻的原始体征数据和该采样时刻之后不为缺省数据的若干个采样时刻的原始体征数据进行处理，获取该采样时刻的补全体征数据。
例如：可以获取当前时段中任一缺省数据的采样时刻的前一个不为缺省数据的采样时刻的原始体征数据，和任一缺省数据的采样时刻的后一个不为缺省数据的采样时刻的原始体征数据的平均值，作为上述任一缺省数据的采样时刻的补全体征数据。
本发明实施例通过判断当前时段任一采样时刻的原始体征数据是否为缺省数据之后，根据缺省数据之前和之后不为缺省数据的若干个采样时刻的原始体征数据，对缺省数据进行补充，能获取待评估目标不包含缺省数据的当前时段的各采样时刻的体征数据，能为后续离散数据的判断和处理以及获取待评估目标当前时段的评估体征数据提供更准确的数据基础，能提高对待评估目标体征数据评估的准确性。
基于上述各实施例的内容，对待评估目标前时段的补全体征数据进行离群数据判断和处理，获取待评估目标当前时段各采样时刻的体征数据的具体步骤包括：若判断获知当前时段任一采样时刻的补全体征数据不为离群数据，则将任一采样时刻的补全体征数据作为任一采样时刻的体征数据。
若判断获知当前时段任一采样时刻的补全体征数据为离群数据，则根据任一采样时刻之前不为离群数据的若干个采样时刻的补全体征数据和任一采样时刻之后不为离群数据的若干个采样时刻的补全体征数据，获取任一采样时刻的体征数据。
本发明实施例中，可以通过基于整体分布的一元离群点检测算法，判断当前时段每一采样时刻的补全体征数据是否为离群数据。
具体地，首先计算待测试目标当前时段各采样时刻的体征数据的平均值和方差。
计算平均值的公式如下：
Figure BDA0002893633130000151
计算方差的公式如下：
Figure BDA0002893633130000152
其中，μ为待测试目标当前时段各采样时刻的补全体征数据的平均值；σ2为待测试目标当前时段各采样时刻的补全体征数据的方差；i为正整数；xi为待测试目标当前时段第i个采样时刻的补全体征数据；n为当前时段内采样时刻的数量。
根据以下公式判断待评估目标当前时段任一采样时刻的体征数据是否为离群数据：
xi∈μ±mσ
其中，xi为待测试目标当前时段第i个采样时刻的补全体征数据；μ为待测试目标当前时段各采样时刻的体征数据的平均值；σ为待测试目标当前时段各采样时刻的体征数据的标准差；m为不为0的数，优选地，m可以为大于1的整数，例如：m为3。
对于当前时段任一采样时刻，若该采样时刻的补全体征数据在μ±mσ范围内，则可以确定该采样时刻的补全体征数据不为离群数据，将该采样时刻的补全体征数据作为该采样时刻的体征数据。
若该采样时刻的补全体征数据不在μ±mσ范围内，则可以确定该采样时刻的补全体征数据为离群数据。可以通过数理统计(例如求取平均值)等数据处理方法，对该采样时刻之前不为离散数据的若干个采样时刻的补全体征数据，和任一离群数据的采样时刻之后不为离群数据的若干个采样时刻的补全体征数据进行处理，获取该采样时刻的体征数据。
例如：可以获取当前时段中任一离群数据的采样时刻的前一个不为离群数据的采样时刻的补全体征数据，和任一离群数据的采样时刻的后一个不为离群数据的采样时刻的补全体征数据的平均值，作为上述任一离群数据的采样时刻的体征数据。
本发明实施例通过判断当前时段任一采样时刻的补全体征数据是否为离散数据之后，根据离散数据之前和之后不为离散数据的若干个采样时刻的补全体征数据，对离散数据进行修改，能剔除待评估目标的正常体动或其他因素对待评估目标体征数据的影响，能提高对待评估目标体征数据评估的准确性。
基于上述各实施例的内容，其特征在于，根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据之后，还包括：根据待评估目标当前时段的评估体征数据和各历史时段的评估体征数据，更新体征数据预测模型。
具体地，获取待评估目标当前时段的评估体征数据后，将上述待评估目标当前时段的评估体征数据作为待评估目标新的历史时段的评估体征数据存储于体征采集设备，更新待评估目标各历史时段的评估体征数据。根据更新后的待评估目标各历史时段的评估体征数据重新训练体征数据预测模型，更新体征数据预测模型。更新后的体征数据预测模型，可以用于获取待评估目标下一个时段的预测体征数据。
下面通过一个实例说明本发明实施例中的体征数据评估方法。实例中对待评估目标当前时段的呼吸数据进行评估。
采用一种内置若干个压感传感器的医用床垫作为体征采集终端，上述医用床垫在使用时，敷设于待评估目标的身下，待评估目标无需穿戴且对待评估目标无拘束。医用床垫中内置的若干个压感传感器可以实时监测待评估目标发出的呼吸振动，进而获取待评估目标各采样时刻的原始呼吸数据。
上述医用床垫的主芯片内置STM32L151系列芯片，该系列芯片具有128KFLASH和16KRAM，不具备较强的运算能力，但成本较低。
可以将当前时段和历史时段的时长设定为15分钟，将两个采样时刻预设时间间隔设定为3秒钟。
上述医用床垫在当前时段内每隔3秒钟的每一采样时刻，记录一个原始呼吸数据。当前时段结束时，在医用床垫内置的芯片中，对待评估目标当前时段各采样时刻的原始呼吸数据进行缺省数据的判断和处理，获取待评估目标当前时段各采样时刻的补全呼吸数据。并进一步对根据待评估目标当前时段各采样时刻的补全呼吸数据进行离群数据的判断和处理，获取待评估目标当前时段各采样时刻的呼吸数据。将获取到的上述待评估目标各采样时刻的呼吸数据，作为待评估目标新的历史时刻的原始呼吸数据，存储至医用床垫的内置芯片中。
根据获取待评估目标当前时段各采样时刻的呼吸数据，可以计算得到待评估目标当前时段的呼吸频率，并将上述待评估目标当前时段的呼吸频率作为待评估目标当前时段的评估呼吸数据。将获取到的上述待评估目标当前时段的评估呼吸数据，作为待评估目标新的历史时段的原始呼吸数据存储至医用床垫的内置芯片中。
对待评估目标各历史时刻的原始呼吸数据及各历史时段的原始评估呼吸数据进行缺省数据判断和处理，获得待评估目标各历史时刻的补全呼吸数据及各历史时段的补全评估呼吸数据。进一步地，对待评估目标各历史时刻的补全呼吸数据及各历史时段的补全评估呼吸数据进行离群数据判断和处理，获得待评估目标各历史时刻的呼吸数据及各历史时段的评估呼吸数据。
可以根据30天内待测试目标各历史时段的评估呼吸数据训练ARIMA模型。将7天内待测试目标连续的各历史时段的评估呼吸数据输入训练好的ARIMA模型，可以获得待评估目标当前时段的预测呼吸数据。
可以将当前时段的评估体征数据偏离当前时段预测体征数据的幅度超过预设的阈值设定为20％。
若待评估目标当前时段的评估体征数据与当前时段的预测体征数据之间的偏差不超过±20％，则确定待评估目标当前时段的体征数据评估结果为正常。
若待评估目标当前时段的评估体征数据与当前时段的预测体征数据之间的偏差超过±20％待评估，则确定待评估目标当前时段的体征数据评估结果为异常。
具体地，Xmodel为待评估目标当前时段的预测体征数据，Xtnow为待评估目标当前时段的评估体征数据，预设的阈值为20％。若Xtnow满足0.8*Xmodel<Xtnow<1.2*Xmodel，则可以判断获知待评估目标当前时段的体征数据评估结果为正常。若Xtnow＜0.8*Xmodel或Xtnow＞1.2*Xmodel，则可以判断获知待评估目标当前时段的体征数据评估结果为异常。
本发明实施例通过根据待评估目标当前时段的评估体征数据和各历史时段的评估体征数据，更新体征数据预测模型，能通过更新后的体征数据预测模型获取待评估目标当前时段更准确的预测体征数据，能提高对待评估目标体征数据评估的准确性。
图2是本发明提供的体征数据评估装置的结构示意图。下面结合图2描述本发明的体征数据评估装置进行描述，下文描述的体征数据评估装置与上文描述的体征数据评估方法可相互对应参照。如图2所示，该装置包括：数据处理模块201和结果评估模块202，其中：
数据处理模块201，用于根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据，并将待评估目标当前时段的前多个历史时段的评估体征数据输入体征数据预测模型，获取待评估目标当前时段的预测体征数据。
其中，相邻两个采样时刻之间的时间间隔为预设时间间隔；体征数据预测模型，是根据待评估目标的各历史时段的评估体征数据进行训练后获得的。
结果评估模块202，用于根据待评估目标当前时段的评估体征数据和预测体征数据，获取待评估目标当前时段的体征数据评估结果。具体地，数据处理模块201和结果评估模块202电连接。
待评估目标，指需要进行体征状态评估的人体。
体征数据，指反映人体体征状态的相关信息或反映人体活动状态的跟踪信息，例如：人体的呼吸数据、心跳数据、脉搏数据、血氧饱和度数据或身体活动数据等。
数据处理模块201，可以将待评估目标当前时段各采样时刻的原始体征数据，直接作为待评估目标当前时段各采样时刻的体征数据；还可以对当前时段各采样时刻的原始体征数据进行数据处理，获取待评估目标当前时段各采样时刻的体征数据。
当前时段内各采样时刻的体征数据可以组成连续的体征数据。根据当前时段内连续的体征数据，可以对待评估目标进行评估。
评估体征数据，指可以描述人体一段时间内的体征状态的数据或描述人体一段时间内活动状态的跟踪数据，例如：人体的呼吸频率、心率值、平均血氧饱和度或身体活动次数等。
待评估目标当前时段的评估体征数据，可以描述待评估目标当前时段内的体征状态。
数据处理模块201根据待评估目标当前时段各采样时刻的体征数据，可以通过数理统计(例如求取平均值)等数据处理方法，获取待评估目标当前时段的评估体征数据。
需要说明的是，对于不同类型的体征数据，可以采用相应的方法，根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据。
例如：若体征数据为血氧饱和度数据，则可以计算得到待评估目标当前时段血氧饱和度的平均值，作为待评估目标当前时段的评估体征数据；若体征数据为呼吸数据，则可以计算得到待评估目标当前时段的呼吸频率，作为待评估目标当前时段的评估体征数据。本发明实施例中，对根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据的具体方法不作限定。
待评估目标各历史时段的评估体征数据，可以描述待评估目标体征状态的历史变化趋势。根据待评估目标各历史时段的评估体征数据，可以对体征数据预测模型进行训练，获得训练好的体征数据预测模型。
训练好的体征数据预测模型可以描述由各历史时段构成的一段时间内，待评估目标体征状态的变化趋势。
预设数量可以根据实际情况确定。预设数量的具体取值在本发明实施例中不作限定。
将待评估目标当前时段的前多个连续的历史时段的评估体征数据输入训练好的体征数据预测模型，体征数据预测模型可以计算出待评估目标当前时段的预测体征数据。
需要说明的是，体征数据预测模型可以是任一种时间序列预测分析模型。
结果评估模块202，通过对比待评估目标当前时段的评估体征数据和预测体征数据，可以获得待评估目标当前时段的评估体征数据与预测体征数据之间的偏差。根据上述偏差，可以判断待评估目标当前时段的体征数据结果为异常或正常。
若待评估目标当前时段的评估体征数据与预测体征数据之间的偏差未超过预设的偏差范围，则可以判断获知待评估目标当前时段的体征数据结果为正常。
若待评估目标当前时段的评估体征数据与预测体征数据之间的偏差超过预设的偏差范围，则可以判断获知待评估目标当前时段的体征数据结果为异常。
需要说明的是，获得待评估目标当前时段的评估体征数据与预测体征数据之间的偏差可以是：绝对偏差、相对偏差、标准偏差和相对平均偏差等。
需要说明的是，本发明实施例中的体征数据评价装置还可以包括数据存储模块和异常报警模块。
数据存储模块、异常报警模块分别与数据处理模块201电连接。
每次获得待评估目标当前时段的评估体征数据，均将待评估目标当前时段的评估体征数据作为待评估目标新的历史时段的原始评估体征数据，数据存储模块可以用于存储待评估目标各历史时段的原始评估体征数据。
若获取待评估目标当前时段的体征数据评估结果为异常，则异常报警模块可以发出异常告警提示。
本发明实施例通过待评估目标当前时段的评估体征数据，与基于训练好的体征数据预测模型获取的待评估目标当前时段的预测体征数据进行对比，获取待评估目标当前时段的体征数据评估结果，能基于不同待评估目标之间的个体差异，针对不同待评估目标获取不同的体征评估标准，获取的体征评估标准更适合待评估目标，从而能提高对任一待评估目标体征数据评估的准确率。进一步地，对待评估目标体征数据的评估在终端完成，能更少地占用服务器端的计算资源，能提高对待评估目标体征数据的评估效率。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行体征数据评估方法，该方法包括：根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据，并将待评估目标当前时段的前多个历史时段的评估体征数据输入体征数据预测模型，获取待评估目标当前时段的预测体征数据；根据待评估目标当前时段的评估体征数据和预测体征数据，获取待评估目标当前时段的体征数据评估结果；其中，相邻两个采样时刻之间的时间间隔为预设时间间隔；体征数据预测模型，是根据待评估目标的各历史时段的评估体征数据进行训练后获得的。
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法所提供的体征数据评估方法，该方法包括：根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据，并将待评估目标当前时段的前多个历史时段的评估体征数据输入体征数据预测模型，获取待评估目标当前时段的预测体征数据；根据待评估目标当前时段的评估体征数据和预测体征数据，获取待评估目标当前时段的体征数据评估结果；其中，相邻两个采样时刻之间的时间间隔为预设时间间隔；体征数据预测模型，是根据待评估目标的各历史时段的评估体征数据进行训练后获得的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的体征数据评估方法，该方法包括：根据待评估目标当前时段各采样时刻的体征数据，获取待评估目标当前时段的评估体征数据，并将待评估目标当前时段的前多个历史时段的评估体征数据输入体征数据预测模型，获取待评估目标当前时段的预测体征数据；根据待评估目标当前时段的评估体征数据和预测体征数据，获取待评估目标当前时段的体征数据评估结果；其中，相邻两个采样时刻之间的时间间隔为预设时间间隔；体征数据预测模型，是根据待评估目标的各历史时段的评估体征数据进行训练后获得的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种体征数据评估方法，其特征在于，包括：
根据待评估目标当前时段各采样时刻的体征数据，获取所述待评估目标所述当前时段的评估体征数据，并将所述待评估目标所述当前时段的前多个历史时段的评估体征数据输入体征数据预测模型，获取所述待评估目标所述当前时段的预测体征数据；
根据所述待评估目标所述当前时段的评估体征数据和预测体征数据，获取所述待评估目标所述当前时段的体征数据评估结果；
其中，相邻两个所述采样时刻之间的时间间隔为预设时间间隔；所述体征数据预测模型，是根据所述待评估目标的各历史时段的评估体征数据进行训练后获得的。
2.根据权利要求1所述的体征数据评估方法，其特征在于，所述体征数据预测模型，为差分整合移动平均自回归模型。
3.根据权利要求1所述的体征数据评估方法，其特征在于，所述根据所述待评估目标所述当前时段的评估体征数据和预测体征数据，获取所述待评估目标所述当前时段的体征数据评估结果，具体包括：
若判断获知所述当前时段的评估体征数据偏离所述当前时段预测体征数据的幅度超过预设的阈值，则确定所述待评估目标所述当前时段的体征数据评估结果为异常。
4.根据权利要求1所述的体征数据评估方法，其特征在于，所述根据待评估目标当前时段各采样时刻的体征数据，获取所述待评估目标所述当前时段的评估体征数据之前，还包括：
对所述待评估目标所述当前时段各采样时刻的原始体征数据进行缺省数据判断和处理，获取所述待评估目标所述当前时段各采样时刻的补全体征数据；
对所述待评估目标所述当前时段各采样时刻的补全体征数据进行离群数据判断和处理，获取所述待评估目标当前时段各采样时刻的体征数据。
5.根据权利要求4所述的体征数据评估方法，其特征在于，所述对所述待评估目标所述当前时段的原始体征数据进行缺省数据判断和处理，获取所述待评估目标所述当前时段的补全体征数据的具体步骤包括：
若判断获知所述当前时段任一采样时刻的原始体征数据不为缺省数据，则将所述任一采样时刻的原始体征数据作为所述任一采样时刻的补全体征数据；
若判断获知所述当前时段任一采样时刻的原始体征数据为缺省数据，则根据所述任一采样时刻之前不为缺省数据的若干个采样时刻的原始体征数据和所述任一采样时刻之后不为缺省数据的若干个采样时刻的原始体征数据，获取所述任一采样时刻的补全体征数据。
6.根据权利要求4所述的体征数据评估方法，其特征在于，所述对所述待评估目标所述前时段的补全体征数据进行离群数据判断和处理，获取所述待评估目标当前时段各采样时刻的体征数据的具体步骤包括：
若判断获知所述当前时段任一采样时刻的补全体征数据不为离群数据，则将所述任一采样时刻的补全体征数据作为所述任一采样时刻的体征数据；
若判断获知所述当前时段任一采样时刻的补全体征数据为离群数据，则根据所述任一采样时刻之前不为离群数据的若干个采样时刻的补全体征数据和所述任一采样时刻之后不为离群数据的若干个采样时刻的补全体征数据，获取所述任一采样时刻的体征数据。
7.根据权利要求1至6任一所述的体征数据评估方法，其特征在于，所述根据待评估目标当前时段各采样时刻的体征数据，获取所述待评估目标所述当前时段的评估体征数据之后，还包括：
根据所述待评估目标所述当前时段的评估体征数据和所述各历史时段的评估体征数据，更新所述体征数据预测模型。
8.一种体征评估装置，其特征在于，包括：
数据处理模块，用于根据待评估目标当前时段各采样时刻的体征数据，获取所述待评估目标所述当前时段的评估体征数据，并将所述待评估目标连续的预设数量的历史时段的评估体征数据输入体征数据预测模型，获取所述待评估目标所述当前时段的预测体征数据；
结果评估模块，用于根据所述待评估目标所述当前时段的评估体征数据和预测体征数据，获取所述待评估目标所述当前时段的体征数据评估结果；
其中，相邻两个所述采样时刻之间的时间间隔为预设时间间隔；所述体征数据预测模型，是根据所述待评估目标的各历史时段的评估体征数据进行训练后获得的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述体征数据评估方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述体征数据评估方法的步骤。
CN202110034537.XA 2021-01-12 2021-01-12 体征数据评估方法及装置 Pending CN112806961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110034537.XA CN112806961A (zh) 2021-01-12 2021-01-12 体征数据评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110034537.XA CN112806961A (zh) 2021-01-12 2021-01-12 体征数据评估方法及装置

Publications (1)

Publication Number Publication Date
CN112806961A true CN112806961A (zh) 2021-05-18

Family

ID=75868755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110034537.XA Pending CN112806961A (zh) 2021-01-12 2021-01-12 体征数据评估方法及装置

Country Status (1)

Country Link
CN (1) CN112806961A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744881A (zh) * 2021-09-10 2021-12-03 浙江核新同花顺网络信息股份有限公司 一种生成人体体征类型的方法和系统
WO2023097486A1 (zh) * 2021-11-30 2023-06-08 深圳迈瑞生物医疗电子股份有限公司 监护方法及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778312A (zh) * 2012-10-24 2014-05-07 中兴通讯股份有限公司 远程家庭保健系统
CN207936974U (zh) * 2016-12-15 2018-10-02 歌尔股份有限公司 一种可穿戴设备
CN109712708A (zh) * 2017-10-26 2019-05-03 普天信息技术有限公司 一种基于数据挖掘的健康状况预测方法及装置
CN111222710A (zh) * 2020-01-15 2020-06-02 平安银行股份有限公司 数据异常告警方法、装置、设备及存储介质
CN111554406A (zh) * 2020-04-10 2020-08-18 安徽华米智能科技有限公司 生理数据的处理方法、装置、电子设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103778312A (zh) * 2012-10-24 2014-05-07 中兴通讯股份有限公司 远程家庭保健系统
CN207936974U (zh) * 2016-12-15 2018-10-02 歌尔股份有限公司 一种可穿戴设备
CN109712708A (zh) * 2017-10-26 2019-05-03 普天信息技术有限公司 一种基于数据挖掘的健康状况预测方法及装置
CN111222710A (zh) * 2020-01-15 2020-06-02 平安银行股份有限公司 数据异常告警方法、装置、设备及存储介质
CN111554406A (zh) * 2020-04-10 2020-08-18 安徽华米智能科技有限公司 生理数据的处理方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113744881A (zh) * 2021-09-10 2021-12-03 浙江核新同花顺网络信息股份有限公司 一种生成人体体征类型的方法和系统
WO2023097486A1 (zh) * 2021-11-30 2023-06-08 深圳迈瑞生物医疗电子股份有限公司 监护方法及设备

Similar Documents

Publication Publication Date Title
EP1658578B1 (en) A system and method for detecting signal artifacts
EP3876191B1 (en) Estimator generation device, monitoring device, estimator generation method, estimator generation program
JP3923035B2 (ja) 生体状態分析装置及び生体状態分析方法
Rana et al. Seizure detection using the phase-slope index and multichannel ECoG
US20100016682A1 (en) Patient monitoring system and method
CN112806961A (zh) 体征数据评估方法及装置
US20110291837A1 (en) Alarm Generation Method for Patient Monitoring, Physiological Monitoring Apparatus and Computer Program Product for a Physiological Monitoring Apparatus
JPS587291B2 (ja) 脳波自動判定装置
CN108324271B (zh) 心电信号识别方法、系统和心电监测设备
CN111657888A (zh) 重度急性呼吸窘迫综合症预警方法及系统
CN111680913B (zh) 一种舰员的超负荷工作检测方法及系统
CN107276779B (zh) 一种监控方法、系统及设备
US8805484B2 (en) System, apparatus and method for diagnosing seizures
CN115153552A (zh) 情绪状态评估方法、装置、电子设备及存储介质
US20110265026A1 (en) Novelty detection with missing parameters
EP3954289A1 (en) Monitoring device and physiological parameter processing method therefor
CN111743535A (zh) 一种基于图模型的脑电异常监测方法及系统
Mumtaz et al. EEG classification of physiological conditions in 2D/3D environments using neural network
CN112237433B (zh) 一种脑电信号异常监测系统及方法
CN112006663B (zh) 一种生理信号异常检测及补偿的方法及装置
CN113223713A (zh) 基于风险评估的动态监护方法、系统以及存储介质
CN114533080A (zh) 一种对心电信号数据进行颤动波识别的方法和装置
DE112017007254T5 (de) Blutdrucküberwachungsgerät, Beurteilungssystem und Verfahren zum Steuern eines Blutdrucküberwachungsgeräts
CN114010174B (zh) 一种心率监测方法、装置及系统
US20230293072A1 (en) Method and system for detecting drowsiness of an individual

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