CN113384241B - 一种可穿戴设备辅助的慢性病患者临床监测平台与方法 - Google Patents

一种可穿戴设备辅助的慢性病患者临床监测平台与方法 Download PDF

Info

Publication number
CN113384241B
CN113384241B CN202110772184.3A CN202110772184A CN113384241B CN 113384241 B CN113384241 B CN 113384241B CN 202110772184 A CN202110772184 A CN 202110772184A CN 113384241 B CN113384241 B CN 113384241B
Authority
CN
China
Prior art keywords
data
clinical
trend
monitoring
prediction result
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
Application number
CN202110772184.3A
Other languages
English (en)
Other versions
CN113384241A (zh
Inventor
翟清华
田丽丽
王永瑞
郭梦雅
王雅静
卞玲玲
马莉
张晶晶
汪丹丹
孔培培
葛爽
李鑫静
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.)
Second Affiliated Hospital of Zhengzhou Unviersity
Original Assignee
Second Affiliated Hospital of Zhengzhou Unviersity
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 Second Affiliated Hospital of Zhengzhou Unviersity filed Critical Second Affiliated Hospital of Zhengzhou Unviersity
Priority to CN202110772184.3A priority Critical patent/CN113384241B/zh
Publication of CN113384241A publication Critical patent/CN113384241A/zh
Application granted granted Critical
Publication of CN113384241B publication Critical patent/CN113384241B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明提出可穿戴设备辅助的慢性病患者临床监测平台与方法。平台包括数据接收端、数据编码端、数据预测端、数据输出端以及数据反馈端；数据接收端接收多个慢性病患者的临床监测数据；数据编码端包括编码进程管道；数据预测端内置临床数据趋势分析模型；临床数据趋势分析模型以临床监测编码数据为输入，输出对应的临床趋势预测结果；数据输出端获取临床趋势预测结果后，对其进行筛选发送至数据反馈端；数据反馈端将筛选后的临床趋势预测结果作为反馈信号发送至所述数据预测端，用于更新临床数据趋势分析模型。本发明还公开基于所述平台实现的临床监测方法。本发明的技术方案能够有效的实现慢性病患者临床的全过程闭环动态监测。

Description

一种可穿戴设备辅助的慢性病患者临床监测平台与方法
技术领域
本发明属于慢性病与可穿戴技术领域，尤其涉及一种可穿戴设备辅助的慢性病患者临床监测平台与方法、实现该方法的计算机程序指令介质。
背景技术
慢性病全称是慢性非传染性疾病，不是特指某种疾病，而是对一类起病隐匿，病程长且病情迁延不愈，缺乏确切的传染性生物病因证据，病因复杂，且有些尚未完全被确认的疾病的概括性总称。常见的慢性病主要有心脑血管疾病、癌症、糖尿病、慢性呼吸系统疾病，其中心脑血管疾病包含高血压、脑卒中和冠心病。
随着科技的进步，健康管理和医疗服务有了更多便利的选择。近年来兴起的可穿戴设备即是如此。“可穿戴设备”或“可穿戴技术”是指可以舒适地佩戴在身体上或者结合到衣服和饰件中的电子计算设备，对医疗健康行业产生了巨大影响。智能戒指、手环、项链、衬衫……各种各样的可穿戴设备如雨后春笋般出现，性能不断提升。这些产品可实时监控用户的生命体征，并反馈信息到后台站点，由后台进行数据分析，为慢病管理等提供帮助。
在慢病管理方面，可穿戴健康监测设备能克服患者管理的时空限制，对患者进行实时跟踪管理。基于监测数据，可穿戴设备能够自动预警，提醒存在健康风险的患者及时就诊，避免严重并发症的发生，也能够有效地降低患者支付的费用以及就诊花费的时间，降低疾病负担。更为重要的是，可穿戴设备有利于帮助患者提高自觉性和按照健康科学方式生活的依从性。通过可穿戴设备长期监督慢病病患状况，能为慢病诊疗提供持续长期、细致准确的各项数据，提高慢性病管理和防治的效率，将在很大程度上降低慢性病的危害和治疗费用。
可穿戴设备的动态监测、量化标准，使得个人对于自身健康情况和运动能力有了便捷和准确的掌握，有利于进行自我健康管理。有些公司研制的可贴式心脏监护仪设备，贴附到佩戴者胸部便可检测出心率、体温、运动参数等多项指标。佩戴者根据这些数据能够科学地修正错误的运动姿势，调整运动量和运动强度。此外，过激过量的运动可能导致运动性猝死，随着可穿戴设备的普及，在大型马拉松运动中已经有越来越多的初级运动员、运动爱好者自觉佩戴心率监控的设备，避免心律失常、心肌缺血、心力衰竭等状况，预防猝死。
目前，可穿戴设备逐渐渗透到许多医疗领域，提高医疗服务质量。一方面，可穿戴设备克服了传统医疗检测抽样的片面性，能够实时、持续收集患者的监测信息；另一方面，还扩充了监测内容，包括步数、心率、运动、脑电波、血氧和睡眠等。这些客观的数据记录往往比患者向医生描述的自我感受或者记忆更为精准，为更好地开展患者的状态评估和支持临床决策提供了重要信息。尤其是针对一些重大手术的术后康复，例如心脏外科手术、膝关节置换手术等，可穿戴设备能提供更及时的数据反馈，从而辅助医生更快地进行计划和干预。新冠肺炎疫情期间，有公司开发了远程和实时跟踪疑似新冠患者的可穿戴设备，根据体温、血氧饱和度和呼吸模式的监测，判断患者是完成隔离期且无症状、症状恶化，还是症状改善，并自动通知医护人员。
然而，发明人发现，目前基于可穿戴设备的慢性病管理都是基于个体数据，并且相关的评估或者预测模型是静态的，使得监测数据本身孤立和不完整，同时也导致了预测和评估的不准确，并且累计了预测误差，导致随着时间的进行，监测数据和评估结果越来越偏离真实情况。
发明内容
为解决上述技术问题，本发明提出一种可穿戴设备辅助的慢性病患者临床监测平台与方法、实现该方法的计算机程序指令介质。
在本发明的第一个方面，提供一种可穿戴设备辅助的慢性病患者临床监测平台，所述临床监测平台包括数据接收端、数据编码端、数据预测端、数据输出端以及数据反馈端；
所述数据接收端包括第一数量的并行数据传输端口，所述并行数据传输端口接收多个慢性病患者的临床监测数据；所述临床监测数据基于所述可穿戴设备辅助得到；
所述数据编码端包括第二数量的编码进程管道，每个编码进程管道包括至少一个数据编码模式；
所述数据预测端内置第三数量的临床数据趋势分析模型；所述临床数据趋势分析模型以临床监测编码数据为输入，输出对应的临床趋势预测结果；
所述数据输出端获取所述临床趋势预测结果后，对其进行筛选后，发送至所述数据反馈端；
所述数据反馈端将筛选后的临床趋势预测结果作为反馈信号发送至所述数据预测端，用于更新所述临床数据趋势分析模型。
所述慢性病患者配置所述可穿戴设备；
所述可穿戴设备包括多个生理组合传感器，所述生理组合传感器用于测量所述慢性病患者的不同体感位置的生理参数；
将多个不同慢性病患者配置的所述可穿戴设备针对同一个体感位置测量的生理参数发送至所述数据接收端的同一个并行数据传输端口。
所述临床趋势预测结果包括目标慢性病患者的生理数据发展趋势；
所述目标患者基于输出所述临床趋势预测结果的临床数据趋势分析模型的输入数据的来源确定。
在本发明的第二个方面，提供一种可穿戴设备辅助的慢性病患者临床监测方法，所述方法应用于第一个方面所述的平台。
具体来说，所述方法包括如下步骤：
S701：开启N个并行数据传输端口，接收所述慢性病患者的临床监测数据；
S702：通过M个编码进程管道，对所述临床监测数据执行数据编码，得到临床监测编码数据；
S703：将所述临床监测编码数据作为M个临床数据趋势分析模型的输入，输出M个临床趋势预测结果；
S704：对所述M个临床趋势预测结果进行筛选后，生成反馈信号；
S705：基于所述反馈信号，更新所述M个临床数据趋势分析模型中的部分临床数据趋势分析模型的参数；
S706：更新步骤S702中所述编码进程管道与所述并行数据传输端口的对应关系，返回步骤S702。
更具体的，所述步骤S704对所述M个临床趋势预测结果进行筛选后，生成反馈信号，具体包括：
筛选出满足预设条件的目标临床趋势预测结果；
将输出所述目标临床趋势预测结果的临床数据趋势分析模型作为所述部分临床数据趋势分析模型。
第二个方面的所述方法可以通过包含处理器和存储器的终端设备，尤其是图像处理终端设备，包括移动终端、桌面终端、服务器以及服务器集群等，通过程序指令自动化的执行，因此，在本发明的第三个方面，还提供一种计算机可读存储介质，其上存储有计算机程序指令；通过包含处理器和存储器的图像终端处理设备，执行所述程序指令，用于实现所述方法的全部或者部分步骤。所述处理器和存储器通过总线连接，构成终端设备的内部通信。
本发明的技术方案，通过将多个可穿戴设备采集的同一体感部位的生理数据发送至同一个数据接收端口后执行数据编码后，避免了使用单一个体生理数据的孤立和不准确性；同时，通过将至少两个通道的临床编码数据作为一个预测模型的输入，避免了使用单一体感部分生理数据的预测不完整性；最后，基于预测结果还能及时更新预测模型，并且调整所述编码进程管道与所述并行数据传输端口的对应关系，能够避免预测模型的静态和延迟带来的累积误差。
可见，上述几个方面的配合和改进，实现了全流程闭环反馈的慢性病监测和动态预测反馈。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明一个实施例的一种可穿戴设备辅助的慢性病患者临床监测平台的主体结构示意图
图2是图1所述系统的第一组成部分的结构实施例
图3是图1所述系统的第二组成部分的结构实施例
图4是基于图1所述系统实现的一种可穿戴设备辅助的慢性病患者临床监测方法的主体流程图
图5是图3所述方法的部分步骤的具体实施原理图
图6是实现图4或者图5所述方法的计算机程序指令介质及其终端设备的示意图
具体实施方式
下面，结合附图以及具体实施方式，对发明做出进一步的描述。
参照图1，是本发明一个实施例的一种可穿戴设备辅助的慢性病患者临床监测平台，所述临床监测平台包括数据接收端、数据编码端、数据预测端、数据输出端以及数据反馈端。
所述数据接收端、数据编码端、数据预测端、数据接收端依次连接，前一个端口的输出数据作为后一个端口的输入数据；
同时，所述数据反馈端连接所述数据预测端与所述数据输出端。
在图1中，还用虚线表示了，所述数据反馈端连接所述数据输出端与所述数据接收端，表示了，在特定流程下，将所述数据输出端的输出信号发送至所述数据反馈端后，作为所述数据接收端的输入，具体将在后续实施例中描述。
在功能结构上，所述数据接收端包括第一数量的并行数据传输端口，所述并行数据传输端口接收多个慢性病患者的临床监测数据；所述临床监测数据基于所述可穿戴设备辅助得到；
所述数据编码端包括第二数量的编码进程管道，每个编码进程管道包括至少一个数据编码模式；
所述数据预测端内置第三数量的临床数据趋势分析模型；所述临床数据趋势分析模型以临床监测编码数据为输入，输出对应的临床趋势预测结果；
所述数据输出端获取所述临床趋势预测结果后，对其进行筛选后，发送至所述数据反馈端；
所述数据反馈端将筛选后的临床趋势预测结果作为反馈信号发送至所述数据预测端，用于更新所述临床数据趋势分析模型；
其中，所述编码进程管道连接所述并行数据传输端口，对所述并行数据传输端口接收的临床监测数据执行至少一种数据编码模式后，生成所述临床监测编码数据。
接下来，图2和图3分别介绍了所述数据接收端、数据编码端组成的第一部分和所述数据编码端、数据预测端以及输出端、反馈端组成的第二部分的具体结构。
在图2中，示出了3个慢性病患者。当然，在实际中，本发明所述的技术方案可以针对多个慢性病患者，至少3个以上。
每个所述慢性病患者配置所述可穿戴设备；
所述可穿戴设备包括多个生理组合传感器，所述生理组合传感器用于测量所述慢性病患者的不同体感位置的生理参数。
关于可穿戴设备应用于慢性病监测与预测，现有技术对此已有诸多报告，可参见：
[1]侯滢.可穿戴设备与中医健康管理平台的融合创新研究[J].现代中医药,2017,37(04):76-79.
[2]姚湘,胡蓉,杨熹,胡鸿雁.基于用户需求的老年人可穿戴设备功能层次研究[J].包装工程,2018,39(20):159-165.
[3]Siobhan M.Phillips,Lisa Cadmus-Bertram,Dori Rosenberg,MatthewP.Buman,Brigid M.Lynch,杨琴文.可穿戴设备与身体活动在慢性病管理中应用的机遇与挑战[J].健康教育与健康促进,2018,13(04):312-316.
在图2中，示意性的表征了，在三个慢性病患者的同一体感部分A配置了同一种生理组合传感器；
将多个不同慢性病患者配置的所述可穿戴设备针对同一个体感位置测量的生理参数发送至所述数据接收端的同一个并行数据传输端口。
如图2所示，将三个慢性病患者的同一体感部分A配置的同一种生理组合传感器测量的生理参数均发送至所述数据接收端的同一个并行数据传输端口。
具体的，在图2中的实施例中，所述数据接收端包括第一数量的并行数据传输端口，所述并行数据传输端口接收多个慢性病患者的临床监测数据；所述临床监测数据基于所述可穿戴设备辅助得到。
具体的，图2示意性的例子中，所述数据接收端包括4个并行数据传输端口1-2-3-4；其中，端口2用于接收来自不同慢性病患者的同一体感部分A配置的同一种生理组合传感器测量的生理参数；
所述数据编码端包括第二数量的编码进程管道，每个编码进程管道包括至少一个数据编码模式；每个所述编码进程管道接收至少两个并行数据传输端口发送的临床监测数据，并将其编码为临床监测编码数据。
具体的，在图2中示意性的例子中，所述数据编码端包括3个编码进程管道P1-P2-P3;
在图2中，以每个所述编码进程管道接收两个并行数据传输端口发送的临床监测数据为例：
编码进程管道P1接收并行数据传输端口1和2发送的临床监测数据；
编码进程管道P2接收并行数据传输端口2和4发送的临床监测数据；
编码进程管道P3接收并行数据传输端口3和4发送的临床监测数据；
可见，上述方式，通过将多个可穿戴设备采集的同一体感部位的生理数据发送至同一个数据接收端口后执行数据编码后，避免了使用单一个体生理数据的孤立和不准确性。
所述编码进程管道连接所述并行数据传输端口，对所述并行数据传输端口接收的临床监测数据执行至少一种数据编码模式后，生成所述临床监测编码数据。
数据编码模式可以采用现有技术已有的各种数据编码方法，也可以基于后续的临床数据趋势分析模型的编码输入要求来确定，包括二进制编码、实数编码等，本发明对此不作具体限制，任何可以用于编码预测模型的编码方法均可以使用，本领域技术人员可以根据实际情况选用。
接下来参见图3。
本实施例中，所述数据预测端内置第三数量的临床数据趋势分析模型；所述临床数据趋势分析模型以临床监测编码数据为输入，输出对应的临床趋势预测结果。
以图3为例，所述第一数量大于所述第二数量和所述第三数量，优选的，第二数量等于第三数量。
即在图3中，所述数据预测端内置3个临床数据趋势分析模型（与3个编码进程管道P1-P2-P3一一对应）。
这里的临床数据趋势分析模型包括各种时间序列预测模型、深度学习模型、神经网络模型等，其输入可以是各种编码格式处理的临床监测编码数据。临床数据趋势分析模型输出的所述临床趋势预测结果包括目标慢性病患者的生理数据发展趋势。
在慢性病预测方面，现有技术已经提出各种预测模型以及时间趋势分析模型，可以基于已有的监测数据预估慢性病发展结果、随时间发展的变化趋势等，从而生成各种预测趋势曲线。本发明对此不作具体展开，有关的预测模型和预测方法可参阅如下现有技术：
[1]魏戌,谢雁鸣,田峰,申浩,姜俊杰,孙帅玲,章轶立.病证结合构建慢病风险预测模型的思路与方法[J].中国中医基础医学杂志,2017,23(02):180-183.
[2]郑晓燕. 基于机器学习的心血管疾病预测系统研究[D].北京交通大学,2018.
[3]王慧. 胸外科患者术后慢性疼痛预测模型的建立[D].北京协和医学院,2014.
[4]刘勘,陈露.面向医疗分诊的深度神经网络学习[J].数据分析与知识发现,2019,3(06):99-108.
在图3中，所述数据输出端获取所述临床趋势预测结果后，对其进行筛选后，发送至所述数据反馈端；
所述数据反馈端将筛选后的临床趋势预测结果作为反馈信号发送至所述数据预测端，用于更新所述临床数据趋势分析模型。
具体的，所述临床趋势预测结果包括目标慢性病患者的生理数据发展趋势曲线图；
所述目标患者基于输出所述临床趋势预测结果的临床数据趋势分析模型的输入数据的来源确定。
所述数据输出端获取所述临床趋势预测结果后，对其进行筛选，主要包括：
筛选满足如下条件之一的临床趋势预测结果：
（1）临床趋势预测结果对应的生理数据发展趋势曲线与整体的偏离度大于预定阈值；
（2）在连续两个以上的监测周期中，同一个临床数据趋势分析模型输出的多个连续临床趋势预测结果的相似度低于预定值；
（3）第一临床数据趋势分析模型输出的第一临床趋势预测结果和第二临床数据趋势分析模型输出的第二临床趋势预测结果；所述第一临床数据趋势分析模型和所述第二临床数据趋势分析模型的输入数据中的部分临床监测编码数据对应相同的临床监测数据，并且所述第一临床趋势预测结果和所述第二临床趋势预测结果经过平移变换也不存在重合的部分。
作为进一步的优选，所述数据接收端包括至少一个反馈数据接收端口；
所述数据反馈端将筛选后的临床趋势预测结果作为反馈信号发送至所述数据预测端更新所述临床数据趋势分析模型之后，将下一次获得的反馈信号发送至所述反馈数据接收端口。
基于上述技术方案，通过将至少两个通道的临床编码数据作为一个预测模型的输入，避免了使用单一体感部分生理数据的预测不完整性；最后，基于预测结果还能及时更新预测模型，并且调整所述编码进程管道与所述并行数据传输端口的对应关系，能够避免预测模型的静态和延迟带来的累积误差。
图4示出了基于图1-图3所述平台实现的一种可穿戴设备辅助的慢性病患者临床监测方法，所述方法包括图4所述的步骤S701-S706，各个步骤具体实现如下：
S701：开启N个并行数据传输端口，接收所述慢性病患者的临床监测数据；S702：通过M个编码进程管道，对所述临床监测数据执行数据编码，得到临床监测编码数据；
S703：将所述临床监测编码数据作为M个临床数据趋势分析模型的输入，输出M个临床趋势预测结果；
S704：对所述M个临床趋势预测结果进行筛选后，生成反馈信号； S705：基于所述反馈信号，更新所述M个临床数据趋势分析模型中的部分临床数据趋势分析模型的参数；
S706：更新步骤S702中所述编码进程管道与所述并行数据传输端口的对应关系，返回步骤S702。
所述方法应用于图1-图3所述的平台，因此，在图4中，所述步骤S701中，所述慢性病患者配置可穿戴设备，所述可穿戴设备在所述慢性病患者的不同体感位置配置多个生理组合传感器；通过所述生理组合传感器获得所述慢性病患者临床监测数据。
进一步的，所述步骤S701进一步包括：将多个不同慢性病患者配置的所述可穿戴设备针对同一个体感位置测量的生理参数发送至同一个并行数据传输端口。
通过将多个可穿戴设备采集的同一体感部位的生理数据发送至同一个数据接收端口后执行数据编码后，避免了使用单一个体生理数据的孤立和不准确性。
同时，作为优选， 所述N>M>1，并且
Figure DEST_PATH_IMAGE002
，其中表示向下取整；
所述步骤S702进一步包括：
每个所述编码进程管道接收至少两个并行数据传输端口发送的临床监测数据，并将其编码为临床监测编码数据。
此时，将所述临床监测编码数据作为M个临床数据趋势分析模型的输入，输出M个临床趋势预测结果；
作为优选的技术方案，通过将至少两个通道的临床编码数据作为一个预测模型的输入，避免了使用单一体感部分生理数据的预测不完整性。
优选的，所述步骤S704对所述M个临床趋势预测结果进行筛选后，生成反馈信号，具体包括：
筛选出满足预设条件的目标临床趋势预测结果；
将输出所述目标临床趋势预测结果的临床数据趋势分析模型作为所述部分临床数据趋势分析模型。
更具体的，预设条件包括筛选满足如下条件之一的临床趋势预测结果：
（1）临床趋势预测结果对应的生理数据发展趋势曲线与整体的偏离度大于预定阈值；
（2）在连续两个以上的监测周期中，同一个临床数据趋势分析模型输出的多个连续临床趋势预测结果的相似度低于预定值；
（3）第一临床数据趋势分析模型输出的第一临床趋势预测结果和第二临床数据趋势分析模型输出的第二临床趋势预测结果；所述第一临床数据趋势分析模型和所述第二临床数据趋势分析模型的输入数据中的部分临床监测编码数据对应相同的临床监测数据，并且所述第一临床趋势预测结果和所述第二临床趋势预测结果经过平移变换也不存在重合的部分。
筛选出满足预设条件的目标临床趋势预测结果；
将输出所述目标临床趋势预测结果的临床数据趋势分析模型作为所述部分临床数据趋势分析模型。
以图3为例，假设临床数据趋势分析模型M1输出的临床趋势预测结果满足预设条件，则临床数据趋势分析模型M1为所述部分临床数据趋势分析模型，需要更新。
更新参数包括自学习、将输出结果作为验证集进一步优化模型参数等，本发明对此不做限制。
进一步的，在图4中，在所述步骤S706中，在返回步骤S702之前，更新步骤S702中所述编码进程管道与所述并行数据传输端口的对应关系。
参见图5，展示了这种对应关系的调整示意图。在图5中，完整的展示了四个并行数据传输端口（1-2-3-4）分别接受来自多个不同慢性病病人的多个不同体感部分（A-B-C-D）的生理监测数据，其中：
并行数据传输端口1用于接收来自不同慢性病患者的同一体感部分B配置的同一种生理组合传感器测量的生理参数；
并行数据传输端口2用于接收来自不同慢性病患者的同一体感部分A配置的同一种生理组合传感器测量的生理参数；
并行数据传输端口3用于接收来自不同慢性病患者的同一体感部分C配置的同一种生理组合传感器测量的生理参数；
并行数据传输端口4用于接收来自不同慢性病患者的同一体感部分D配置的同一种生理组合传感器测量的生理参数；
图5的调整是相对于图2的对应关系来说的。如前所述，在图2中，
编码进程管道P1接收并行数据传输端口1和2发送的临床监测数据；
编码进程管道P2接收并行数据传输端口2和4发送的临床监测数据；
编码进程管道P3接收并行数据传输端口3和4发送的临床监测数据；
而在图5中，这种对应关系将会被调整为：
编码进程管道P1接收并行数据传输端口1和2发送的临床监测数据；
编码进程管道P2接收并行数据传输端口1和3发送的临床监测数据；
编码进程管道P3接收并行数据传输端口1和4发送的临床监测数据。
图4或图5所述方法可以通过包含处理器和存储器的终端设备，尤其是图像处理终端设备，包括移动终端、桌面终端、服务器以及服务器集群等，通过程序指令自动化的执行。
因此，参见图6，还提供一种计算机可读存贮介质，其上存储有计算机程序指令；通过包含处理器和存储器的图像终端处理设备，执行所述程序指令，用于实现图4或图5所述方法的全部或者部分步骤。所述处理器和存储器通过总线连接，构成终端设备的内部通信。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种可穿戴设备辅助的慢性病患者临床监测平台，所述临床监测平台包括数据接收端、数据编码端、数据预测端、数据输出端以及数据反馈端；
所述数据接收端包括第一数量的并行数据传输端口，所述并行数据传输端口接收多个慢性病患者的临床监测数据；所述临床监测数据基于所述可穿戴设备辅助得到；
所述数据编码端包括第二数量的编码进程管道，每个编码进程管道包括至少一个数据编码模式；
所述数据预测端内置第三数量的临床数据趋势分析模型；所述临床数据趋势分析模型以临床监测编码数据为输入，输出对应的临床趋势预测结果；
所述数据输出端获取所述临床趋势预测结果后，对其进行筛选后，发送至所述数据反馈端；
所述数据反馈端将筛选后的临床趋势预测结果作为反馈信号发送至所述数据预测端，用于更新所述临床数据趋势分析模型；
其中，所述编码进程管道连接所述并行数据传输端口，对所述并行数据传输端口接收的临床监测数据执行至少一种数据编码模式后，生成所述临床监测编码数据；
所述慢性病患者配置所述可穿戴设备；
所述可穿戴设备包括多个生理组合传感器，所述生理组合传感器用于测量所述慢性病患者的不同体感位置的生理参数；
将多个不同慢性病患者配置的所述可穿戴设备针对同一个体感位置测量的生理参数发送至所述数据接收端的同一个并行数据传输端口；
所述第一数量大于所述第二数量和所述第三数量；
每个所述编码进程管道接收至少两个并行数据传输端口发送的临床监测数据，并将其编码为临床监测编码数据；
所述数据接收端包括至少一个反馈数据接收端口；
所述数据反馈端将筛选后的临床趋势预测结果作为反馈信号发送至所述数据预测端更新所述临床数据趋势分析模型之后，将下一次获得的反馈信号发送至所述反馈数据接收端口。
2.如权利要求1所述的一种可穿戴设备辅助的慢性病患者临床监测平台，其特征在于：
所述临床趋势预测结果包括目标慢性病患者的生理数据发展趋势；
所述目标患者基于输出所述临床趋势预测结果的临床数据趋势分析模型的输入数据的来源确定。
3.如权利要求2所述的一种可穿戴设备辅助的慢性病患者临床监测平台，其特征在于：
所述数据输出端获取所述临床趋势预测结果后，对其进行筛选，主要包括：
筛选满足如下条件之一的临床趋势预测结果：
(1)临床趋势预测结果对应的生理数据发展趋势曲线与整体的偏离度大于预定阈值；
(2)在连续两个以上的监测周期中，同一个临床数据趋势分析模型输出的多个连续临床趋势预测结果的相似度低于预定值；
(3)第一临床数据趋势分析模型输出的第一临床趋势预测结果和第二临床数据趋势分析模型输出的第二临床趋势预测结果；所述第一临床数据趋势分析模型和所述第二临床数据趋势分析模型的输入数据中的部分临床监测编码数据对应相同的临床监测数据，并且所述第一临床趋势预测结果和所述第二临床趋势预测结果经过平移变换也不存在重合的部分。
4.一种可穿戴设备辅助的慢性病患者临床监测方法，应用权利要求1-3任一项所述的可穿戴设备辅助的慢性病患者临床监测平台，所述方法包括如下步骤：
S701：开启N个并行数据传输端口，接收所述慢性病患者的临床监测数据；
S702：通过M个编码进程管道，对所述临床监测数据执行数据编码，得到临床监测编码数据；
S703：将所述临床监测编码数据作为M个临床数据趋势分析模型的输入，输出M个临床趋势预测结果；
S704：对所述M个临床趋势预测结果进行筛选后，生成反馈信号；
S705：基于所述反馈信号，更新所述M个临床数据趋势分析模型中的部分临床数据趋势分析模型的参数；
S706：返回步骤S702；
其特征在于：
所述步骤S701中，所述慢性病患者配置可穿戴设备，所述可穿戴设备在所述慢性病患者的不同体感位置配置多个生理组合传感器；
通过所述生理组合传感器获得所述慢性病患者临床监测数据；
在所述步骤S706中，在返回步骤S702之前，更新步骤S702中所述编码进程管道与所述并行数据传输端口的对应关系。
5.如权利要求4所述的一种可穿戴设备辅助的慢性病患者临床监测方法，其特征在于：
所述步骤S701进一步包括：
将多个不同慢性病患者配置的所述可穿戴设备针对同一个体感位置测量的生理参数发送至同一个并行数据传输端口。
6.如权利要求5所述的一种可穿戴设备辅助的慢性病患者临床监测方法，其特征在于：
所述N>M>1，并且
Figure FDA0003944473880000041
其中
Figure FDA0003944473880000042
表示向下取整；
所述步骤S702进一步包括：
每个所述编码进程管道接收至少两个并行数据传输端口发送的临床监测数据，并将其编码为临床监测编码数据。
7.如权利要求5所述的一种可穿戴设备辅助的慢性病患者临床监测方法，其特征在于：
所述步骤S704对所述M个临床趋势预测结果进行筛选后，生成反馈信号，具体包括：
筛选出满足预设条件的目标临床趋势预测结果；
将输出所述目标临床趋势预测结果的临床数据趋势分析模型作为所述部分临床数据趋势分析模型。
CN202110772184.3A 2021-07-08 2021-07-08 一种可穿戴设备辅助的慢性病患者临床监测平台与方法 Active CN113384241B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110772184.3A CN113384241B (zh) 2021-07-08 2021-07-08 一种可穿戴设备辅助的慢性病患者临床监测平台与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110772184.3A CN113384241B (zh) 2021-07-08 2021-07-08 一种可穿戴设备辅助的慢性病患者临床监测平台与方法

Publications (2)

Publication Number Publication Date
CN113384241A CN113384241A (zh) 2021-09-14
CN113384241B true CN113384241B (zh) 2023-01-31

Family

ID=77625556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110772184.3A Active CN113384241B (zh) 2021-07-08 2021-07-08 一种可穿戴设备辅助的慢性病患者临床监测平台与方法

Country Status (1)

Country Link
CN (1) CN113384241B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114557829B (zh) * 2022-03-25 2023-09-19 上海联影医疗科技股份有限公司 一种可移动病床及其控制方法
WO2024032809A1 (zh) * 2022-08-12 2024-02-15 深圳迈瑞生物医疗电子股份有限公司 生命信息处理系统和生命信息处理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107334466A (zh) * 2017-08-08 2017-11-10 西安交通大学 一种可穿戴的慢性病智能监控及预警的装置与方法
CN110544541A (zh) * 2019-08-20 2019-12-06 首都医科大学 一种老年生活及健康状态的监护及评价系统
CN111613335A (zh) * 2020-06-24 2020-09-01 广州文殊科技有限公司 一种健康预警系统及方法
CN112349411A (zh) * 2020-12-03 2021-02-09 郑州大学第一附属医院 基于大数据的icu病人抢救风险预测方法与系统
CN112768056A (zh) * 2021-01-14 2021-05-07 新智数字科技有限公司 基于联合学习框架的疾病预测模型建立方法和装置
CN112863682A (zh) * 2021-02-08 2021-05-28 北京百度网讯科技有限公司 信息分析方法、装置、系统、电子设备和存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200234829A1 (en) * 2014-09-17 2020-07-23 Koninklijke Philips N.V. Systems and methods for facilitating response prediction for a condition
WO2017015393A1 (en) * 2015-07-21 2017-01-26 The Arizona Board Of Regents On Behalf Of The University Of Arizona Health information (data) medical collection, processing and feedback continuum systems and methods
CA3040972A1 (en) * 2016-10-20 2018-04-26 Datapult, Inc. Sickness prediction application system
JP7030853B2 (ja) * 2017-07-28 2022-03-07 グーグル エルエルシー 電子健康記録から医療イベントを予測して要約するためのシステムおよび方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107334466A (zh) * 2017-08-08 2017-11-10 西安交通大学 一种可穿戴的慢性病智能监控及预警的装置与方法
CN110544541A (zh) * 2019-08-20 2019-12-06 首都医科大学 一种老年生活及健康状态的监护及评价系统
CN111613335A (zh) * 2020-06-24 2020-09-01 广州文殊科技有限公司 一种健康预警系统及方法
CN112349411A (zh) * 2020-12-03 2021-02-09 郑州大学第一附属医院 基于大数据的icu病人抢救风险预测方法与系统
CN112768056A (zh) * 2021-01-14 2021-05-07 新智数字科技有限公司 基于联合学习框架的疾病预测模型建立方法和装置
CN112863682A (zh) * 2021-02-08 2021-05-28 北京百度网讯科技有限公司 信息分析方法、装置、系统、电子设备和存储介质

Also Published As

Publication number Publication date
CN113384241A (zh) 2021-09-14

Similar Documents

Publication Publication Date Title
CN109805898B (zh) 基于注意力机制时序卷积网络算法的危重症死亡预测方法
CN113384241B (zh) 一种可穿戴设备辅助的慢性病患者临床监测平台与方法
Rubio et al. Home monitoring of breathing rate in people with chronic obstructive pulmonary disease: observational study of feasibility, acceptability, and change after exacerbation
WO2012063166A1 (en) Method of continuous prediction of patient severity of illness, mortality, and length of stay
KR20200136950A (ko) 개인화된 약물 치료 관리를 위한 시스템 및 방법
Chen et al. Machine learning method for continuous noninvasive blood pressure detection based on random forest
Massaro et al. Neural networks for automated smart health platforms oriented on heart predictive diagnostic big data systems
US20170147773A1 (en) System and method for facilitating health monitoring based on a personalized prediction model
CN104462761A (zh) 三维可视化数字监护方法和系统
CN111916213A (zh) 一种基于云计算的医疗服务方法和装置
CN109310321A (zh) 用于物联网处理的虚拟生理系统的简化实例
Zholdas et al. Health monitoring system using internet of things
WO2019084802A1 (zh) 一种生命体征信号噪声的检测方法与系统
CN113040738A (zh) 血压检测装置及血压检测方法
Chen et al. PREDICTIVE MODELING OF POSTOPERATIVE OUTCOMES
KR101872870B1 (ko) 진맥 진단 장치 및 상기 진맥 진단 장치에서의 진맥 방법
Rahman et al. A field study to capture events of interest (EoI) from living labs using wearables for spatiotemporal monitoring towards a framework of smart health (sHealth)
Valsalan et al. Remote healthcare monitoring using expert system
Wei et al. Establish a smart healthcare system with AIoT for Chinese Medicine
CN104305965A (zh) 一种健康管理系统
EP4250308A1 (en) Hydration managing system
CN116612892B (zh) 一种可穿戴装置的健康监测方法及系统
TWI845056B (zh) 以心電圖及血氧飽和濃度波形及時預測非侵入性替代動脈壓波形之方法及系統
Al Ahmad et al. A new algorithm for online diseases diagnosis
Sunil et al. IOT based Smart Health Analyzer

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