CN114469022A - 报警事件的回顾方法、装置及可读存储介质 - Google Patents

报警事件的回顾方法、装置及可读存储介质 Download PDF

Info

Publication number
CN114469022A
CN114469022A CN202011167729.XA CN202011167729A CN114469022A CN 114469022 A CN114469022 A CN 114469022A CN 202011167729 A CN202011167729 A CN 202011167729A CN 114469022 A CN114469022 A CN 114469022A
Authority
CN
China
Prior art keywords
alarm
alarm event
events
dimension
event
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
CN202011167729.XA
Other languages
English (en)
Inventor
阚增辉
蒋浩宇
贾英杰
何先梁
叶文宇
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.)
Shenzhen Mindray Bio Medical Electronics Co Ltd
Original Assignee
Shenzhen Mindray Bio Medical Electronics 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 Shenzhen Mindray Bio Medical Electronics Co Ltd filed Critical Shenzhen Mindray Bio Medical Electronics Co Ltd
Priority to CN202011167729.XA priority Critical patent/CN114469022A/zh
Publication of CN114469022A publication Critical patent/CN114469022A/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
    • A61B5/02—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
    • A61B5/72—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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/145—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

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Cardiology (AREA)
  • Veterinary Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本申请公开了一种报警事件的回顾方法、装置及可读存储介质。回顾方法包括：获取同一对象在一段时间内的多个报警事件；从至少一个维度分析多个报警事件，以得到每个报警事件的权重参考值；以及根据每个报警事件的权重参考值对多个报警事件进行排序。通过对报警事件进行排序等处理，可以突出显示那些权重参考值较大的报警事件，便于医护人员及时掌握患者的病情变化情况。

Description

报警事件的回顾方法、装置及可读存储介质
技术领域
本申请属于医疗监护的技术领域，尤其涉及一种报警事件的回顾方法、装置及可读存储介质。
背景技术
监护仪可以通过获取患者的参数并配合相应的报警条件来监护患者，当患者的参数的数值满足报警条件时，监护仪会产生报警事件。该些报警事件是供医护人员进行应急处理、治疗等操作的重要依据；对此，医护人员还可以通过监护仪的报警回顾功能来掌握患者的病情变化情况。
在监护仪中，报警事件的回顾方式是以时间顺序呈现所有报警事件。日常监测中，一天内一台监护仪可能存储有大量的报警事件。若采用一般的报警事件回顾方法，医护人员难以从大量的报警事件中有效、快速地分析出患者关键的报警事件以掌握患者的病情。此外，当患者病情复杂、就医患者人数众多时，更增添了医护人员的工作强度和难度。
发明内容
本申请提供了一种报警事件的回顾方法、装置及可读存储介质，以解决现有监护仪对报警事件的回顾方式不合理的技术问题。
为了解决上述的技术问题，本申请提供了一种报警事件的回顾方法，用于对医疗设备的报警事件进行回顾。所述回顾方法包括：获取同一对象在一段时间内的多个报警事件；从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值；以及根据每个报警事件的权重参考值对所述多个报警事件进行排序。
一些实施例中，所述回顾方法还包括：比较所述多个报警事件的权重参考值，以将权重参考值较大的报警事件排在前面。
一些实施例中，所述获取同一对象在一段时间内的多个报警事件，具体包括：获取同一对象在一段时间内的多个初始的报警事件；获取精简策略；基于所述精简策略，对所述多个初始的报警事件进行精简处理，以得到多个精简的报警事件；其中，所述精简的报警事件的数量少于所述初始的报警事件的数量；输出所述多个精简的报警事件。
一些实施例中，所述精简策略包括以下至少之一：合并多个初始的报警事件中的同类型的报警事件；合并多个初始的报警事件中报警因素相同的报警事件；隐藏多个初始的报警事件中的至少部分的报警事件。
一些实施例中，所述隐藏多个初始的报警事件中的至少部分的报警事件，具体包括：隐藏多个初始的报警事件中的至少部分类型的报警事件；或者，隐藏多个初始的报警事件中的不可靠的报警事件；其中，所述不可靠的报警事件为在报警事件发生时刻，对应参数及其关联参数未超过可靠性阈值的报警事件。
一些实施例中，所述从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值，具体包括：获取对所述至少一个维度预先设置的排序的优先级参考值；其中，不同维度具有不同的优先级参考值，同个维度的不同属性具有不同的优先级权重；根据所述至少一个维度的优先级参考值及对应的优先级权重，计算得到对应每个报警事件的权重参考值。
一些实施例中，所述从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值，具体包括：将每个报警事件在所述至少一个维度的数据转换成对应的至少一个输入值；其中，对于每个维度，所述报警事件具有对应的一个输入值；将每个报警事件的至少一个输入值输入报警事件排序模型，以得到每个报警事件的对应的输出值；将所述输出值作为对应每个报警事件的权重参考值。
一些实施例中，所述报警事件排序模型为神经网络模型或者模糊推理系统模型。
一些实施例中，所述报警事件排序模型为神经网络模型，所述方法还包括：训练所述神经网络模型。
所述训练所述神经网络模型包括：基于所述至少一个维度，将报警事件样本转换成对应的参考输入值；使用所述参考输入值对预构建的神经网络进行训练，以得到参考输出值；基于所述参考输入值、所述参考输出值和标签，调整所述预构建的神经网络的加权参数；其中，所述标签包括所述报警事件样本基于对应维度的评分；再次执行使用所述参考输入值对所述预构建的神经网络进行训练，以得到参考输出值的步骤，直至所述参考输出值与所述标签之间满足预设的训练完成条件。
一些实施例中，所述报警事件排序模型为模糊推理系统模型；所述将所述每个报警事件的至少一个输入值输入模糊推理系统模型，以得到每个报警事件的对应的输出值，包括：基于对应所述至少一个维度而建立的模糊规则，通过所述至少一个输入值对每个报警事件进行模糊化和规则推理；对规则推理后的每个报警事件进行去模糊化处理，以得到每个报警事件的输出值；其中，将所述输出值作为对应的报警事件的权重参考值。
一些实施例中，所述从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值，包括：对所述至少一个维度赋予加权系数；其中，每个维度具有一个对应的加权系数；获取每个报警事件之对应所述至少一个维度的至少一个分值；基于所述至少一个分值和对应的所述加权系数，得到每个报警事件的加权平均分值；将所述加权平均分值作为每个报警事件的权重参考值。
本申请还提供了另一种报警事件的回顾方法，用于对医疗设备的报警事件进行回顾。所述回顾方法包括：获取同一对象在一段时间内的多个报警事件；从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值；根据每个报警事件的权重参考值对所述多个报警事件进行比较；突出显示至少一个权重参考值较大的报警事件。
一些实施例中，所述突出显示至少一个权重参考值较大的报警事件，包括以下至少一种：将权重参考值较大的报警事件放在显眼区域；扩大权重参考值较大的报警事件的显示区域；对权重参考值较大的报警事件的显示区域增加识别标记。
一些实施例中，所述至少一个维度包括：报警事件的报警级别、报警事件在所述一段时间内的报警频次、报警事件的报警持续时间、报警事件的信号质量、报警事件发生时刻任意参数的波形形态、报警事件发生时刻的其他参数、和/或报警事件的发生时间；其中，所述其他参数包括同个医疗设备的其他参数或者其他医疗设备的参数。
一些实施例中，所述回顾方法还包括：响应用户操作而对所述至少一个维度进行调整。
本申请还提供了一种可读存储介质，存储有计算机程序，所述计算机程序被硬件执行时以实现上述各实施例中的报警事件的回顾方法。
本申请还提供了一种报警事件回顾装置，包括有处理器。所述处理器用于获取同一对象在一段时间内的多个报警事件；从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值；根据每个报警事件的权重参考值对所述多个报警事件进行排序。
一些实施例中，所述处理器还用于比较所述多个报警事件的权重参考值，以将权重参考值较大的报警事件排在前面。
一些实施例中，所述处理器具体用于：获取同一对象在一段时间内的多个初始的报警事件；获取精简策略；基于所述精简策略，对所述多个初始的报警事件进行精简处理，以得到多个精简的报警事件；其中，所述精简的报警事件的数量少于所述初始的报警事件的数量；输出所述多个精简的报警事件。
一些实施例中，所述精简策略包括以下至少之一：合并多个初始的报警事件中的同类型的报警事件；合并多个初始的报警事件中报警因素相同的报警事件；隐藏多个初始的报警事件中的至少部分的报警事件。
一些实施例中，在隐藏多个初始的报警事件中的至少部分的报警事件的方面，所述处理器具体包括：隐藏多个初始的报警事件中的至少部分类型的报警事件；或者，隐藏多个初始的报警事件中的不可靠的报警事件；其中，所述不可靠的报警事件为在报警事件发生时刻，对应参数及其关联参数未超过可靠性阈值的报警事件。
一些实施例中，所述处理器具体用于：获取对所述至少一个维度预先设置的排序的优先级参考值；其中，不同维度具有不同的优先级参考值，同个维度的不同属性具有不同的优先级权重；根据所述至少一个维度的优先级参考值及对应的优先级权重，计算得到对应每个报警事件的权重参考值。
一些实施例中，所述处理器具体用于：将每个报警事件在所述至少一个维度的数据转换成对应的至少一个输入值；其中，对于每个维度，所述报警事件具有对应的一个输入值；将每个报警事件的至少一个输入值输入报警事件排序模型，以得到每个报警事件的对应的输出值；将所述输出值作为对应每个报警事件的权重参考值。
一些实施例中，所述报警事件排序模型为神经网络模型或者模糊推理系统模型。
一些实施例中，所述报警事件排序模型为神经网络模型。所述处理器还用于训练所述神经网络模型；所述训练所述神经网络模型包括：基于所述至少一个维度，将报警事件样本转换成对应的参考输入值；使用所述参考输入值对预构建的神经网络进行训练，以得到参考输出值；基于所述参考输入值、所述参考输出值和标签，调整所述预构建的神经网络的加权参数；其中，所述标签包括所述报警事件样本基于对应维度的评分；再次执行使用所述参考输入值对所述预构建的神经网络进行训练，以得到参考输出值的步骤，直至所述参考输出值与所述标签之间满足预设的训练完成条件。
一些实施例中，所述报警事件排序模型为模糊推理系统模型。所述处理器具体用于：基于对应所述至少一个维度而建立的模糊规则，通过所述至少一个输入值对每个报警事件进行模糊化和规则推理；对规则推理后的每个报警事件进行去模糊化处理，以得到每个报警事件的输出值；其中，将所述输出值作为对应的报警事件的权重参考值。
一些实施例中，所述处理器具体用于：对所述至少一个维度赋予加权系数；其中，每个维度具有一个对应的加权系数；获取每个报警事件之对应所述至少一个维度的至少一个分值；基于所述至少一个分值和对应的所述加权系数，得到每个报警事件的加权平均分值；将所述加权平均分值作为每个报警事件的权重参考值。
本申请还提供了另一种报警事件回顾装置，包括有处理器。所述处理器用于获取同一对象在一段时间内的多个报警事件；从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值；根据每个报警事件的权重参考值对所述多个报警事件进行比较；突出显示至少一个权重参考值较大的报警事件。
一些实施例中，所述处理器具体用于：将权重参考值较大的报警事件放在显眼区域；或者，扩大权重参考值较大的报警事件的显示区域；或者，对权重参考值较大的报警事件的显示区域增加识别标记。
一些实施例中，所述至少一个维度包括：报警事件的报警级别、报警事件在所述一段时间内的报警频次、报警事件的报警持续时间、报警事件的信号质量、报警事件发生时刻任意参数的波形形态、报警事件发生时刻的其他参数、和/或报警事件的发生时间；其中，所述其他参数包括同个医疗设备的其他参数或者其他医疗设备的参数。
一些实施例中，所述处理器还用于响应用户操作而对所述至少一个维度进行调整。
本申请通过对报警事件进行相关分析，可以突出显示那些重要程度相对较高的报警事件，便于医护人员及时掌握患者的病情变化情况。
通过对报警事件进行排序等处理，医护人员可以快速地看到权重参考值相对较大的报警事件，而不需要花费时间逐一查看报警事件，以降低医护人员的工作强度和难度。
附图说明
图1是本申请一实施例提供的报警事件的回顾方法流程图。
图2是本申请一实施例提供的基于优先级的报警事件的回顾方法流程图。
图3是本申请一实施例提供的基于优先级的报警事件的排序示意图。
图4是本申请一实施例提供的基于加权系数的报警事件的回顾方法流程图。
图5是本申请一实施例提供的基于报警事件排序模型的报警事件的回顾方法流程图。
图6是本申请一实施例提供的基于报警事件排序模型的报警事件的示意图。
图7是本申请一实施例提供的神经网络的训练方法流程图。
图8是本申请一实施例提供的基于模糊推理系统的报警事件的回顾方法流程图。
图9是本申请一实施例提供的报警事件回顾装置的示意图。
具体实施方式
为了对本申请的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本申请的具体实施方式。
监护仪可以通过传感器元件和对应的测量电路的配合来获取患者的相关参数；其中，相关参数可例如为血压、血氧饱和度、心率和心输出量等。基于该些参数，监护仪中设置有对应的报警条件；当参数满足对应的报警条件时，监护仪会产生报警事件而输出相应的报警信号。应当理解，若获取的参数满足报警条件，通常情况下是表明了患者的该参数出现异常波动；即，该患者的病情出现劣化，需要被关注。基于此，监护仪会产生报警事件，并产生报警信号来提醒医护人员。
比如：当患者的血压参数满足高血压的报警条件时，监护仪产生基于该血压参数的报警事件并相应报警。又比如：当患者的心率参数满足心动过速的报警条件时，监护仪产生基于该心率参数的报警事件并相应报警。其中，监护仪的报警信号的呈现形式可例如为声光报警，以便于被医护人员感知。
再之后，医护人员可以通过回顾患者在一段时间内的报警事件的方式，来分析该患者在该段时间内的病情变化情况，以确定是否需要对该患者进行相关的应急处理、治疗等操作。
但在实际的回顾报警事件的过程中，针对同一个患者，监护仪在一段时间内所产生的报警事件可能会有很多。比如：在一天的时间内，一台监护仪在对同一个患者进行监护的过程中，可能存储有上百条甚至更多的报警事件的信息。应当理解，基于监护仪所产生的大量的报警事件以及按照时间罗列的回顾方法，医护人员可能需要逐条查看该些报警事件，以筛选出其中相对重要的报警事件；由此，医护人员并不能快速、高效地看到相对重要的报警事件，此在一定程度上增加了医护人员的工作量和工作难度。
而当一个医护人员需要回顾多台监护仪在一段时间内的报警事件时，查看和分析较大量的报警事件对该医护人员来说也是相当大的负担。在此类情况下，医护人员也可能漏看了一些关键的报警事件，导致错误评估该患者的病情变化情况，从而可能耽搁患者的治疗和康复。
为了解决以上的问题，本申请的实施例提供了报警事件的回顾方法、装置以及可以执行相关回顾方法的可读存储介质。该回顾方法和装置均可以对监护仪在一段时间内的报警事件进行一定的量化处理，以根据量化处理后的结果确定和突出显示那些重要程度较高的报警事件；由此可以便于医护人员快速、高效地查看及分析。基于此，医护人员可以及时地掌握患者的病情变化情况，以进行可能的应急处理、治疗等操作。
应当理解，在各实施例的回顾方法中，在满足逻辑自恰的前提下，各步骤之间可以没有先后之分。例如：在下文与图2对应的回顾方法中，可以先执行步骤111，再执行步骤112；或者，可以先执行步骤112，再执行步骤111；或者，步骤111和步骤112同步执行，本申请对此不加限制。
请参考图1，本申请实施例提供的一种报警事件的回顾方法，包括但不限于以下步骤：
101：获取同一患者在一段时间内的多个报警事件。
其中，该一段时间可以是自定义的时间，比如：该一段时间可以是指最近一天或者直接截取某时间段(例如截取某天从6:00至18:00共计12h的时间段)，并提取出最近一天或者对应时间段内的基于同个患者的报警事件。
各实施例的回顾方法可以是直接在一监护仪中实现，对此，这些报警事件可以是在该监护仪在监护患者的过程中生成的报警事件。
或者，各实施例的回顾方法是在另一监护仪中实现的；即，该另一监护仪调用了某一监护仪在一段时间内的报警事件，并基于该些报警事件而执行各实施例的回顾方法。一些实施例中，在另一监护仪中实现回顾方法也可以理解为另一监护仪通过它床观察等功能而实现对报警事件的回顾。其中，它床观察的功能是指在同个网络内，各监护仪互相之间可以调用各自的数据的功能，其中，该数据可以包括监护仪的报警事件和提示信息等。例如：监护仪A可以调用监护仪B在一段时间内的报警事件；同理，监护仪B也可以调用监护仪A在一段时间内的报警事件。
应当理解，各实施例的回顾方法示例性地应用在各类型的监护仪上，比如便携式或者穿戴式监护仪。但应当理解，各实施例的回顾方法还可以应用在其他能够获取患者参数的医疗设备上，对此不加限制。
应当理解，本申请对实现各实施例的回顾方法的设备或者系统不加限制。各实施例的回顾方法还可以应用在中央站或者远程医疗监护系统之中，相应的，该中央站或者远程医疗监护系统可以调用监护仪在一段时间内的报警事件，以进行相关操作。
此外，各实施例的回顾方法还可以通过存储在可读存储介质中的计算机程序来实现。即，通过该计算机程序，相关的硬件(比如处理器)可以实现各实施例中的报警事件的回顾方法。应当理解，该可读存储介质可包括U盘、移动硬盘或者光盘等可以存储程序代码的介质。
一些实施例中，回顾方法或者装置中的报警事件可以是指初始的报警事件，或者，也可以是指精简的报警事件。其中，精简的报警事件是初始的报警事件经过精简策略精简后所得到的报警事件。应当理解，精简的报警事件的数量会少于初始的报警事件的数量，以便于医护人员快速、高效地进行回顾。
一些实施例中，精简策略可以包括以下至少之一：
合并多个初始的报警事件中的同类型的报警事件。
其中，该同类型的报警事件可以包括参数的类型相同，或者，报警条件相同等。例如：监护仪前后产生了三个心动过速的报警事件。基于精简策略，可以将该三个心动过速的报警事件合并成一个。当医护人员基于各实施例的回顾方法或者装置进行回顾时，在回顾界面上看到的是合并后的一个心动过速的报警事件。若医护人员需要查看合并前的三个报警事件的相关信息，则可以通过触屏点击或者鼠标点击等方式点击回顾界面中合并后的报警事件的区域，在响应点击操作后，可以控制回顾界面在合并后的报警事件的下方显示出初始的三个心动过速的报警事件，以供医护人员查看详细的信息。
合并多个初始的报警事件中报警因素相同的报警事件。
其中，该报警因素相同的报警事件可以包括基于同一因素所诱发的报警事件等。例如：在监护仪对患者进行监护的过程中，基于同一诱因，可能导致监护仪在短时间内(例如几分钟或者十几分钟等)先后产生呼吸窒息和血氧极低的报警事件。若是该两个报警事件不进行合并而进行回顾，医护人员可能需要花费较多的时间才能把这两个报警事件关联起来，以评估患者的病情变化情况。而基于精简策略，医护人员在回顾报警事件时，看到的是合并后的报警事件，以此可以方便医护人员将两个报警事件关联起来，以了解患者的病情变化情况。
应当理解，报警因素相同的报警事件可以包括相同参数源的报警事件，或者，不同参数源的报警事件。其中，相同参数源是指通过相同的测量电路所获取的至少两参数；例如：心电呼吸测量电路可以获取心电参数和呼吸参数。不同参数源则是指不同测量电路所获取到的不同参数；例如：心电测量电路、血氧测量电路、血压测量电路、呼吸测量电路等测量电路可以分别获取不同参数。
隐藏多个初始的报警事件中的至少部分的报警事件。
其中，在隐藏至少部分的报警事件后，可以将其余的报警事件作为步骤101中获取的报警事件，以进行排序等处理，从而可以便于医护人员查看。
一些实施例中，该至少部分的报警事件可以是指至少部分类型的报警事件。例如：隐藏基于心电参数的报警事件；或者，隐藏基于血氧参数的报警事件；或者，隐藏基于血压参数的报警事件等，对此不加限制。
一些实施例中，该至少部分的报警事件还可以是指不可靠的报警事件。其中，不可靠的报警事件为在报警事件发生时刻，该报警事件的对应参数及其关联参数未超过可靠性阈值的报警事件。其中，可靠性阈值可以是医护人员自定义设置，也可以是由厂商设置，对此不加限制。例如：在血压过高的报警事件的发生时刻，若血压参数及其关联参数未超过可靠性阈值，则确定当次的血压过高的报警事件为不可靠的报警事件。又例如：在室早的报警事件的发生时刻，若心电参数及其关联参数未超过可靠性阈值，则确定当次的室早的报警事件为不可靠的报警事件。
应当理解，如上所述的，监护仪可以通过传感器元件和对应的测量电路来获取对应的参数。在一些特殊情况下，监护仪获取的参数会出现异常，该异常的参数若是满足了报警条件，则对应产生的报警事件为不可靠的报警事件。该不可靠的报警事件并不能反映出患者实际的病情变化情况。例如：电极片(传感器元件的一种)与患者之间贴合不良，由电极片和心电测量电路获得的心电参数可能不能反映出患者的情况，但是该些参数若是满足基于心电参数的报警条件，监护仪仍会产生报警。
该关联参数可包括接入监护仪的外部设备或者参数模块的参数。例如在某一时刻触发报警事件时，监护仪或外部设备会同时关联记录该时刻的其它参数。该关联参数可例如麻醉深度参数，判断患者运动状态的运动传感器参数，电极片阻抗参数，信号波形质量等。
对此，本申请各实施例的回顾方法或者装置均可以根据测量电路获取到的参数及与报警事件关联记录的关联参数，通过将参数和关联参数来与对应的可靠性阈值进行对比，以判断各报警事件的可靠程度。基于此，各实施例的回顾方法或者装置均可以隐藏那些不可靠的报警事件，再对其余的报警事件进行排序等处理。
再以极度心动过速报警为例，若报警事件发生时，监护仪检测到患者剧烈运动，或者心电信号质量较差，或者电极片提示阻抗过大；即，通过测量电路获取到的参数和关联参数超过了内置的可靠性阈值，则确定该极度心动过速的报警事件为不可靠的报警事件。
102：从至少一个维度分析多个报警事件，以得到每个报警事件的权重参考值。
此处，每个报警事件的权重参考值可以理解为针对每个报警事件，运用设定的算法计算出来的反映每个报警事件重要或紧急程度的一个参考值，后续对多个报警事件进行排序也是基于权重参考值。
应当理解，每一个维度为反映出对应的报警事件在不同状态下或者不同情况下的一个方面。各实施例的回顾方法可以根据一个维度来对多个报警事件进行排序；此外，也可以根据两个或者两个以上的维度组合来对多个报警事件进行排序。
一些实施例中，该至少一个维度例如可以包括：报警事件的报警级别(以下简称为维度一)、报警事件在一段时间内的报警频次(以下简称为维度二)、报警事件的报警持续时间(以下简称为维度三)和报警事件的信号质量(以下简称为维度四)中至少之一。报警级别越高，对应的报警事件就越重要，需要医护人员重点关注。可类比的，报警事件的发生频次越高、报警事件的持续时间越长、报警事件的信号质量越好，则对应的报警事件的参考价值也就越大，以便于医护人员查看并评估患者的病情变化情况。
一些实施例中，该至少一个维度还可以包括报警事件发生时刻任意参数的波形形态(以下简称为维度五)。应当理解，在报警事件发生时刻，存在其他参数的波形形态异常；相应的，该报警事件也就相对重要。比如：在报警事件发生时刻可以结合心电波形的ST-T形态、QRS波形态和血氧波形形态等来对该报警事件进行评价。
例如：在两个心动过速报警的发生时刻，前一个报警事件的心电波形ST-T形态为直线型抬高，后一个报警事件的心电波形ST-T形态正常，则前一个报警事件的权重参考值要大于后一个报警事件的权重参考值。
一些实施例中，该至少一个维度还可以包括报警事件发生时刻的其他参数(以下简称为维度六)。应当理解，该其他参数可以包括同个医疗设备的其他参数；或者，该其他参数可以包括其他医疗设备的参数。示例的，在某一报警事件的发生时刻，可以结合监护仪的心率、体温、血压和/或血氧。或者，在某一报警事件的发生时刻，可以结合输注泵和/或呼吸麻醉设备的参数数值等。其中，当这些参数超过设定的正常范围时，例如心率过快、过慢，体温过高、较低，或者血氧偏高、偏低等，则会增加该报警事件的重要程度。
一些实施例中，该至少一个维度还包括报警事件的发生时间(以下简称为维度七)。应当理解，在对多个报警事件进行排序等处理时，还可以考虑不同报警事件的发生时间。比如：心率在白天一般比夜晚快，则比起白天的心动过速的报警，夜晚的心动过速的报警更为重要。或者，有的报警事件看重首次的发生时间，有的报警看重最近一次的发生时间，因此，在进行排序等处理时，针对不同报警事件，还可以考虑相应的发生时间所占的比重。
应当理解，以上的七个维度仅是作为例子示出，而不是对维度的限制。一些实施例中，医护人员还可以根据实际需求，而对回顾方法或者装置中的维度进行调整。基于此，针对每个报警事件，各实施例的回顾方法或者装置均可以选择至少一个维度，来对报警事件进行分析，以得到每个报警事件基于所选维度的权重参考值。
103：根据每个报警事件的权重参考值对多个报警事件进行处理，并突出显示权重参考值较大的报警事件。
应当理解，若某一报警事件的权重参考值越大，则可以将该报警事件排在越前面；即，基于对各报警事件的权重参考值的比较，将权重参考值高的报警事件排在权重参考值低的报警事件的前面。基于此，医护人员在回顾报警事件时，就可以通过报警事件的相对排序而知道报警事件的重要程度，以相对快速地分析患者的病情变化情况及提高工作效率。此外，还可以降低医护人员的工作强度和工作难度。
各实施例主要是将权重参考值相对较大的报警事件排在前面，以此方式来突出显示该些报警事件，并便于医护人员查看，但不以此为限。
在其他的一些实施例中，若某一报警事件的权重参考值较大，还可以通过突出显示的方式来呈现。比如：对于权重参考值较大的前十个报警事件，可以通过加粗字体或者加大字体的突出显示的方式呈现在回顾界面上；当医护人员回顾报警事件时，就可以相对直观地看到该些报警事件。
一些实施例中，突出显示的方式还可以包括以下至少之一：
将权重参考值较大的报警事件放在显眼区域。其中，该显眼区域可例如为回顾界面的中心区域，或者回顾界面的上半部分区域等。
扩大权重参考值较大的报警事件的显示区域。
对权重参考值较大的报警事件的显示区域增加识别标记。其中，该识别标记可例如为加粗字体、加大字体、高亮或者闪烁等。
应当理解，只要能够便于医护人员快速、高效地注意到那些重要程度较高的报警事件的方式，都可以适用到本申请各实施例的回顾方法、装置和存储介质中，而不是局限于上述的几种突出显示的方式。
以下将通过几种报警事件的回顾方法以进行示例性说明。
请参考图2，本申请实施例提供的一种基于优先级参考值的报警事件的回顾方法，包括但不限于以下步骤：
111：获取同一患者在一段时间内的多个报警事件。
112：获取对至少一个维度预先设置的排序的优先级参考值。
应当理解，医护人员对不同维度的重视程度可能不同。比如：报警级别最高的报警事件代表了该些报警事件对患者具有较大影响，基于此，医护人员可能更希望直接看到报警级别最高的报警事件。相对报警级别而言，医护人员对信号质量最好的那些报警事件可能就不会太过重视。因此，在该回顾方法中，不同维度具有不同的优先级参考值，比如将报警级别的优先级参考值设置成比报警频次的优先级参考值高；或者，将报警持续时间的优先级参考值设置成高于信号质量的优先级参考值等。
其中，同个维度的不同属性具有不同的优先级权重，相关人员可以通过用户交互界面自定义调节各个维度的优先级参考值、以及调节各个维度内的不同属性的优先级权重。
113：根据至少一个维度以及对应的优先级参考值及对应的优先级权重，计算得到对应每个报警事件的权重参考值。
其中，优先级参考值较大的维度会被优先使用，而配合该维度内不同属性的优先级权重，则可以对报警事件进行排序。例如：维度一的优先级参考值大于维度二的优先级参考值，则在进行排序等处理时，会先使用维度一，以通过维度一来对报警事件进行处理。再配合维度一内各个属性的权重参考值，对应可以得到报警事件的权重参考值。
114：根据每个报警事件的权重参考值对多个报警事件进行排序。
示例的，可以先按照维度一(即报警事件的报警级别)来对多个报警事件进行排序；对于权重参考值相同的报警事件，再按照维度四(即报警事件的信号质量)进行排序；若还存在权重参考值仍相同的报警事件，则可以再按照维度七(即报警事件的发生时间)进行排序；以此类推，直至确定多个报警事件之间的相对排序。基于此，医护人员可以相对快速地分析患者的病情变化情况，以降低医护人员的工作强度和工作难度。
以维度一和维度七来举例说明，假设维度一的优先级参考值高于维度七的优先级参考值，则先使用维度一对多个报警事件进行排序等处理。应当理解，当使用维度一进行排序等处理时。当存在权重参考值相同的报警事件时，再使用维度七来对权重参考值相同的报警事件进行再次排序。
请参考图3，继续以维度一和维度七为例，报警事件示例性地包括了呼吸窒息、血氧极低、极度心动过速、单个室早和不规则节律。针对该五类报警事件，对应维度一的优先级权重示例为：呼吸窒息>血氧极低>极度心动过速>单个室早>不规则节律。在排序时，呼吸窒息的报警事件会排在最前面，不规则节律则是排在最后面，而血氧极低、极度心动过速和单个室早则依次位于两者之间。
应当理解，从医护人员和患者的角度来看，对于报警级别内不同属性的优先级权重的高低，具体可以体现为报警级别的高低。例如：呼吸窒息的优先级权重大于血氧极低的优先级权重，则呼吸窒息的报警级别也对应高于血氧极低的报警级别。不规则节律的优先级权重小于单个室早的优先级权重，则不规则节律的报警级别也对应低于单个室早的报警级别。
如图3，极度心动过速的报警事件示例为三个，单个室早示例为两个，单通过维度一并无法对极度心动过速和单个室早的报警事件进行排序。基于此，需要使用另一个维度来进行再次排序。相应的，对于排序相同的报警事件，通过维度七进行再次排序，以完成对上述五类报警事件的排序。
由此，基于所选的维度七，三个极度心动过速的报警事件的发生时间各不相同，两个单个室早的发生时间也不同，各自的优先级权重也不同，由此可以完成对该些报警事件的排序。
应当理解，使用维度七进行排序，是在使用了维度一进行排序的前提下，以根据维度七内的不同属性的优先级权重对当前排序相同的报警事件进行再次排序。若是单单使用维度一就可以完成排序，则可以不用维度七；或者，使用维度七之后，并不会改变通过维度一进行排序的报警事件的顺序。
请参考图4，本申请实施例提供的一种基于加权系数的报警事件的回顾方法，包括但不限于以下步骤：
121：获取同一患者在一段时间内的多个报警事件。
122：对至少一个维度赋予加权系数。
应当理解，每个维度均具有一个对应的加权系数；加权系数的相对大小则是对应体现了该维度在评估报警事件的重要程度中的比重。其中，不同维度的加权系数可以不同或者相同，此可以根据排序的考量而有所调整。比如：报警级别的加权系数大于信号质量的加权系数；或者，报警事件发生时刻其他参数的加权系数等于报警事件的发生时间的加权系数，等等。
为便于理解该方案，以下将通过上述的维度一至维度七来举例说明。其中，七个维度对应的加权系数分别为w1、w2、w3、w4、w5、w6和w7，并且该七个加权系数的关系为w1＞w2＞w3＞w4＞w5＞w6＞w7。
123：获取每个报警事件之对应至少一个维度的至少一个分值。
承接以上的例子，对应维度一(即报警事件的报警级别，加权系数为w1)，示例性地分为停搏、室早、室速、房颤、其他报警五个报警级别，该五个报警级别对应的分值分别为5分、4分、3分、2分和1分。其中，室早可以包括多连发室早、成对室早、R-on-T、室早二联律、室早三联律、多形室早、单个室早等；其他报警可以包括心动过速、血压过高、血压过低、体温过高等。
对应维度二(即报警事件在一段时间内的报警频次，加权系数为w2)，可以将报警事件的频次进行归一化处理，对应实现归一化的转换函数示例为：
Figure BDA0002746033630000131
其中，x为某一报警事件在该维度下的分值，F为该报警事件的频次，Fmin为所有报警事件中报警频次的最小值，Fmax为所有报警事件中报警频次的最大值。一般，对于所选时间段内的多个报警事件，Fmin和Fmax为常数，F为自变量，x则为因变量。
对应维度三(即报警事件的报警持续时间，加权系数为w3)，则可以类比维度二，进行相关的归一化处理，在此不加赘述。
对应维度四(即报警事件的信号质量，加权系数为w4)，可以区分成质量好、质量一般和质量差三个等级，该三个等级的分值分别为1分、0.5分和0分。其中，可以通过第一信号阈值和第二信号阈值来进行区分报警事件的信号质量的等级；其中，第一信号阈值大于第二信号阈值。当报警事件的信号质量满足第一信号阈值时，确定该报警事件的信号质量为质量好；当报警事件的信号质量满足第二信号阈值但不能满足第一信号阈值时，确定该报警事件的信号质量为质量一般；当报警事件的信号质量不能满足第二信号阈值时，确定该报警事件的信号质量为质量差。
对应维度五(即报警事件发生时刻任意参数的波形形态，加权系数为w5)，则可以将任意参数的波形形态分为异常和正常两种；其中，波形形态异常的分值为1分，波形形态正常的分值为0分。
对应维度六(即报警事件发生时刻的其他参数，加权系数为w6)，类似上述的波形形态，若其他参数在异常范围内，相应的分数为1分；若其他参数在正常范围内，相应的分数为0分。
对应维度七(即报警事件的发生时间，加权系数为w7)，则可以根据关注的时间点而适应性调整该维度的分值计算方式。
比如：需要关注24h内最近一次产生报警事件的时间，相应的计算函数为：
Figure BDA0002746033630000141
或者，需要关注的是24h内较早产生报警事件的时间，那么相应的计算函数则为：
Figure BDA0002746033630000142
其中，t为报警事件距离当前时刻(或者医护人员回顾报警事件的时刻)的时间差，x为报警事件在该维度下的分值。
124：基于至少一个分值和对应的加权系数，得到每个报警事件的加权平均分值。
应当理解，由于某些报警事件并不能对应到所有的维度，尤其是在选择的维度较多的情况下；比如，温度的报警事件就不能对应到维度四。基于此，该回顾方法是将报警事件在各维度下的加权平均分值作为排序参考值；其他实施例的回顾方法也可做等同理解，对此不加赘述。
承接以上的例子，对应某一个报警事件，在上述七个维度的分值示例为x1，x2，x3，x4，x5，x6，x7；相应的，该报警事件的加权平均分值Score为：
Figure BDA0002746033630000143
其中，n为参与统计的维度个数；在该实施例中，n示例为七个。
基于此，可以将报警事件的加权平均分值作为权重参考值，以此来对该些报警事件进行排序等处理，以便于医护人员快速、高效地看到那些重要程度较高的报警事件。对应的，医护人员可以相对快速地分析患者的病情变化情况，以降低医护人员的工作强度和工作难度。
本申请实施例还提供了基于报警事件排序模型的回顾方法，与上述各实施例回顾方法不同，通过报警事件排序模型对多个报警事件进行排序等处理，该些报警事件排序模型可以自适应地调整各报警事件的相对排序位置。
应当理解，在其他的一些实施例中，该些排序模型也可以通过加粗字体等突出显示的方式来呈现权重参考值较大的报警事件，对此不加限制。
一些实施例中，报警事件排序模型示例为神经网络模型或者模糊推理系统模型，但不以此为限，报警事件排序模型也可以是其他类型的机器学习模型。
请同时参考图5和图6，本申请实施例提供的基于报警事件排序模型的报警事件的回顾方法，包括但不限于以下步骤：
131：获取同一患者在一段时间内的多个报警事件。
132：将每个报警事件在至少一个维度的数据转换成对应的至少一个输入值。
如图6中所示例的“输入值1”、“输入值2”和“输入值3”，对于每个维度，报警事件可以具有对应的数据。比如：心动过速的报警事件，在维度一的数据示例为低级报警，在维度三的数据则示例为6秒。应当理解，基于所选的维度，各报警事件可以根据一定的规则而转换成相应的输入值，此会在下文做更为具体的说明。
133：将每个报警事件的至少一个输入值输入报警事件排序模型，以得到每个报警事件的对应的输出值。
如上，将报警事件排序模型的输出值作为对应的报警事件的权重参考值，以便于对多个报警事件进行排序等处理。
应当理解，报警事件排序模型可以是神经网络模型或者模糊推理系统模型。当报警事件排序模型为神经网络模型时，可以通过各种方式迭代减小神经网络模型的输出值与标签之间的误差损失，使神经网络模型的输出值落到预期的范围内。其中，神经网络模型可例如为卷积神经网络(Convolutional NeuralNetworks，CNN)模型或者循环神经网络(RecurrentNeuralNetwork，RNN)模型等。
请参考图7，对应以上的神经网络模型，本申请实施例还提供了一种神经网络模型的训练方法，该训练方法包括但不限于以下步骤：
201：基于至少一个维度，将报警事件样本转换成对应的参考输入值。
应当理解，该报警事件样本为预先收集好的大量的报警事件。基于所选择的至少一个维度，报警事件样本可以转换成对应的参考输入值，以作为训练集。比如：所选择的维度为七个，则一般情况下，每个报警事件具有对应的七个参考输入值。但如前文所描述的，温度的报警并不具有维度四的相关数据，因此，一些特殊的报警事件可以不对应到所有的维度；即，该些特殊的报警事件具有较少的参考输入值。
202：使用参考输入值对预构建的神经网络模型进行训练，以得到参考输出值。
基于报警事件样本而得到的多个参考输入值，该些参考输入值可以用于对预构建的神经网络模型进行训练。
203：基于参考输入值、参考输出值和标签，调整预构建的神经网络模型的加权参数。
应当理解，标签包括报警事件样本基于对应维度的评分；该评分可以是相关人员根据报警事件样本进行评估后而得到的分数。
以维度一、维度三和维度四来举例说明。基于维度一，报警事件示例性地分为高级、中级和低级三个报警级别，相应的分值映射为3分，2分和1分。基于维度三，报警事件的持续时间示例性地分成少于30秒、在30秒和60秒之间、以及超过60秒三个等级，该三个等级相应的分值映射为0.5分、1分和1.5分。基于维度四，报警事件的信号质量则示例性地分为优、良、差，相应的分数映射为1.5分、1分、0.5分。
根据上述的映射规则，相关人员可以对报警事件样本进行评分，以将该评分作为标签。由此，可以根据参考输入值、参考输出值和标签来对预构建的神经网络模型进行训练，以调整神经网络模型中相关的加权参数。
204：再次执行使用参考输入值对预构建的神经网络模型进行训练，以得到参考输出值的步骤，直至参考输出值与标签之间满足预设的训练完成条件。
基于步骤201至步骤204，可以通过报警事件样本迭代来调整神经网络模型相关的加权参数。从而使得神经网络模型输出的参考输出值与标签之间的误差逐步减小，并直至参考输出值与标签之间满足预设的训练完成条件。其中，在满足训练完成条件后，训练好的神经网络模型可以用来对报警事件进行排序等处理。
应当理解，每个报警事件可以按照所选的维度映射成输入值，该些输入值输入训练好的神经网络模型，相应的输出值作为该报警事件的权重参考值。基于此，可以根据权重参考值来对报警事件进行排序等处理。而随着神经网络模型使用次数的增多，该神经网络模型的相关加权参数还会相应调整，由此可以智能化地对报警事件进行处理，从而突出显示那些权重参考值较大的报警事件。
一些实施例中，在使用报警回顾功能时，医护人员可以通过调节报警事件的输出值或者报警事件的顺序等方式反馈给神经网络模型，以对该神经网络模型进行调整。其中，在调整完成后，还可以控制监护仪显示相关的提示信息，以供医护人员进行查看、确认等。
应当理解，本实施例仅示例性地使用了维度一、维度三和维度四进行神经网络模型的训练，但不限于此，也可以通过其他类似的维度组合方式来实现对神经网络模型的训练。
请参考图8，本申请实施例提供的一种基于模糊推理系统模型的报警事件的回顾方法，包括但不限于以下步骤：
141：获取同一患者在一段时间内的多个报警事件。
142：将每个报警事件在至少一个维度的数据转换成对应的至少一个输入值。
143：基于对应至少一个维度而建立的模糊规则，通过至少一个输入值对每个报警事件进行模糊化和规则推理。
144：对规则推理后的每个报警事件进行去模糊化处理，以得到每个报警事件的输出值。
其中，将输出值作为对应的报警事件的权重参考值。类似神经网络模型，基于模糊推理系统模型同样可以实现对多个报警事件的处理，以评估不同报警事件的重要程度，从而突出显示那些权重参考值较大的报警事件。相应的，医护人员可以优先查看到那些突出显示的报警事件，以便于分析患者的病情变化情况。
以维度一和维度三来举例说明，建立的模糊规则可以示例为：
若报警事件的报警级别为“高级报警”，如室颤等，并且持续时间“较长”，则该“报警十分重要”。
若报警事件的报警级别为“低级报警”，如心动过速等，且持续时间“较长”，则该“报警一般重要”。
若报警事件的报警级别为“低级报警”，如心动过速等，且持续时间“较短”，则该“报警不重要”等等。
应当理解，在建立的模糊规则中会涉及到对模糊量的定义。示例的，针对输入的变量的模糊量，如报警事件的报警级别可以分为“高级报警”，“中级报警”，“低级报警”；报警事件的持续时间可以分为“较长”，“较短”；针对输出的变量的模糊描述则有“报警十分重要”，“报警一般重要”，“报警不重要”等等。基于此，通过对上述示例出的模糊量选择合适的隶属度函数，使相应的概率数值与之对应；比如：报警持续时间30秒，可以定义其属于时间“较长”的概率为0.7，属于时间“较短”的概率为0.3。
模糊推理的基本过程示例为：输入变量的精确量(即报警事件基于维度的输入值)，经过模糊化和规则推理，然后去模糊化，输出最终的精确值(即输出值)。比如：某一报警事件的相关维度信息为多连发室早，持续时间6秒；通过输入变量的隶属度函数计算，得出该报警事件为“中级报警”的概率为1，持续时间“较短”的概率为1，其属于“报警一般重要”的概率为1。再根据去模糊化输出的隶属度函数，得出“报警一般重要”概率为1，对应的输出值为60，该输出值即可作为权重参考值；由此根据多个报警事件所对应的输出值，来进行排序等处理。
应当理解，上述示例性地考虑了两个维度的模糊规则；但也可以通过其他任意维度或者维度的组合，而建立对应模糊规则，对此不加限制。
应当理解，在各实施例的回顾方法中，其分值示例性地采用了相对容易理解的整数或者是以0.5作为倍数单元的数值，比如：0.5、1、1.5、2、3、4、5等等。但是该些分值并不是绝对，考虑到报警事件的类型较多、以及各报警事件在各维度下的比重差异等因素，各实施例的回顾方法也可以是采用更为精密的分值，以准确地对各报警事件进行评估。
请参考图9，本申请实施例还提供了一种报警事件回顾装置10，包括了存储器11和处理器12。其中，存储器11存储有程序。该程序在被处理器12执行时，可以实现上述各实施例的报警事件的回顾方法。基于处理器12对该些报警事件进行排序等处理，可以便于医护人员分析患者的病情变化情况。
一些实施例中，报警事件回顾装置10还包括显示器13。该显示器13用于呈现回顾界面，该回顾界面可以显示出经处理器12进行排序等处理后的多个报警事件，以供医护人员查看及分析。
一些实施例中，报警事件回顾装置10为监护仪或者其他带有监护功能的医疗设备。其中，监护仪可以是便携式监护仪、遥感监护仪等。
以上公开的仅为本申请具体的实施例，但是本申请并非局限于此，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。显然这些改动和变型均应属于本申请要求的保护范围保护内。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本申请构成任何特殊限制。

Claims (17)

1.一种报警事件的回顾方法，其特征在于，用于对医疗设备的报警事件进行回顾，所述回顾方法包括：
获取同一对象在一段时间内的多个报警事件；
从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值；以及
根据每个报警事件的权重参考值对所述多个报警事件进行排序。
2.如权利要求1所述的回顾方法，其特征在于，所述回顾方法还包括：比较所述多个报警事件的权重参考值，将权重参考值较大的报警事件排在前面。
3.如权利要求1所述的回顾方法，其特征在于，所述获取同一对象在一段时间内的多个报警事件，具体包括：
获取同一对象在一段时间内的多个初始的报警事件；
获取精简策略；
基于所述精简策略，对所述多个初始的报警事件进行精简处理，以得到多个精简的报警事件；其中，所述精简的报警事件的数量少于所述初始的报警事件的数量；
输出所述多个精简的报警事件。
4.如权利要求3所述的回顾方法，其特征在于，所述精简策略包括以下至少之一：
合并多个初始的报警事件中的同类型的报警事件；
合并多个初始的报警事件中报警因素相同的报警事件；
隐藏多个初始的报警事件中的至少部分的报警事件。
5.如权利要求4所述的回顾方法，其特征在于，所述隐藏多个初始的报警事件中的至少部分的报警事件，具体包括：
隐藏多个初始的报警事件中的至少部分类型的报警事件；或者，
隐藏多个初始的报警事件中的不可靠的报警事件；其中，所述不可靠的报警事件为在报警事件发生时刻，对应参数及其关联参数未超过可靠性阈值的报警事件。
6.如权利要求1至5任一项所述的回顾方法，其特征在于，所述从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值，具体包括：
获取对所述至少一个维度预先设置的排序的优先级参考值；其中，不同维度具有不同的优先级参考值，同个维度的不同属性具有不同的优先级权重；
根据所述至少一个维度的优先级参考值及对应的优先级权重，计算得到对应每个报警事件的权重参考值。
7.如权利要求1至5任一项所述的回顾方法，其特征在于，所述从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值，具体包括：
将每个报警事件在所述至少一个维度的数据转换成对应的至少一个输入值；其中，对于每个维度，所述报警事件具有对应的一个输入值；
将每个报警事件的至少一个输入值输入报警事件排序模型，以得到每个报警事件的对应的输出值；将所述输出值作为对应每个报警事件的权重参考值。
8.如权利要求7所述的回顾方法，其特征在于，所述报警事件排序模型为神经网络模型或者模糊推理系统模型。
9.如权利要求8所述的回顾方法，其特征在于，所述报警事件排序模型为神经网络模型，所述方法还包括：训练所述神经网络模型；
所述训练所述神经网络模型包括：
基于所述至少一个维度，将报警事件样本转换成对应的参考输入值；
使用所述参考输入值对预构建的神经网络进行训练，以得到参考输出值；
基于所述参考输入值、所述参考输出值和标签，调整所述预构建的神经网络的加权参数；其中，所述标签包括所述报警事件样本基于对应维度的评分；
再次执行使用所述参考输入值对所述预构建的神经网络进行训练，以得到参考输出值的步骤，直至所述参考输出值与所述标签之间满足预设的训练完成条件。
10.如权利要求9所述的回顾方法，其特征在于，所述报警事件排序模型为模糊推理系统模型；所述将所述每个报警事件的至少一个输入值输入模糊推理系统模型，以得到每个报警事件的对应的输出值，包括：
基于对应所述至少一个维度而建立的模糊规则，通过所述至少一个输入值对每个报警事件进行模糊化和规则推理；
对规则推理后的每个报警事件进行去模糊化处理，以得到每个报警事件的输出值；其中，将所述输出值作为对应的报警事件的权重参考值。
11.如权利要求1至5任一项所述的回顾方法，其特征在于，所述从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值，包括：
对所述至少一个维度赋予加权系数；其中，每个维度具有一个对应的加权系数；
获取每个报警事件之对应所述至少一个维度的至少一个分值；
基于所述至少一个分值和对应的所述加权系数，得到每个报警事件的加权平均分值；将所述加权平均分值作为每个报警事件的权重参考值。
12.一种报警事件的回顾方法，其特征在于，用于对医疗设备的报警事件进行回顾，所述回顾方法包括：
获取同一对象在一段时间内的多个报警事件；
从至少一个维度分析所述多个报警事件，以得到每个报警事件的权重参考值；
根据每个报警事件的权重参考值对所述多个报警事件进行比较；
突出显示至少一个权重参考值较大的报警事件。
13.如权利要求12所述的回顾方法，其特征在于，所述突出显示至少一个权重参考值较大的报警事件，包括以下至少一种：
将权重参考值较大的报警事件放在显眼区域；
扩大权重参考值较大的报警事件的显示区域；
对权重参考值较大的报警事件的显示区域增加识别标记。
14.如权利要求1至13任一项所述的回顾方法，其特征在于，所述至少一个维度包括：
报警事件的报警级别、报警事件在所述一段时间内的报警频次、报警事件的报警持续时间、报警事件的信号质量、报警事件发生时刻任意参数的波形形态、报警事件发生时刻的其他参数、和/或报警事件的发生时间；其中，所述其他参数包括同个医疗设备的其他参数或者其他医疗设备的参数。
15.如权利要求1至14任一项所述的回顾方法，其特征在于，所述回顾方法还包括：响应用户操作而对所述至少一个维度进行调整。
16.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序被硬件执行时以实现如权利要求1至15任一项所述的报警事件的回顾方法。
17.一种报警事件回顾装置，包括有处理器和存储器，其特征在于，所述存储器用于存储程序，所述程序被所述处理器执行，以使所述处理器执行如权利要求1至15任一项所述的报警事件的回顾方法。
CN202011167729.XA 2020-10-27 2020-10-27 报警事件的回顾方法、装置及可读存储介质 Pending CN114469022A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011167729.XA CN114469022A (zh) 2020-10-27 2020-10-27 报警事件的回顾方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011167729.XA CN114469022A (zh) 2020-10-27 2020-10-27 报警事件的回顾方法、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN114469022A true CN114469022A (zh) 2022-05-13

Family

ID=81490870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011167729.XA Pending CN114469022A (zh) 2020-10-27 2020-10-27 报警事件的回顾方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN114469022A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115116218A (zh) * 2022-05-31 2022-09-27 济南瑞源智能城市开发有限公司 一种隧道云管控云平台中的信息展示系统及方法
CN115831334A (zh) * 2022-11-10 2023-03-21 江苏智先生信息科技有限公司 一种用于医疗机构的安全防护管理监测系统及管理平台
CN116884157A (zh) * 2023-07-11 2023-10-13 中国人民解放军军事科学院系统工程研究院 一种野外基地预警系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115116218A (zh) * 2022-05-31 2022-09-27 济南瑞源智能城市开发有限公司 一种隧道云管控云平台中的信息展示系统及方法
CN115116218B (zh) * 2022-05-31 2024-05-24 济南瑞源智能城市开发有限公司 一种隧道云管控云平台中的信息展示系统及方法
CN115831334A (zh) * 2022-11-10 2023-03-21 江苏智先生信息科技有限公司 一种用于医疗机构的安全防护管理监测系统及管理平台
CN115831334B (zh) * 2022-11-10 2023-10-03 江苏智先生信息科技有限公司 一种用于医疗机构的安全防护管理监测系统及管理平台
CN116884157A (zh) * 2023-07-11 2023-10-13 中国人民解放军军事科学院系统工程研究院 一种野外基地预警系统

Similar Documents

Publication Publication Date Title
Jiwani et al. Novel healthcare framework for cardiac arrest with the application of AI using ANN
US20210353166A1 (en) Analysis of cardiac data
JP2022523741A (ja) 描写および分類のための心電図処理システム
JP5841196B2 (ja) ヒトの健康に関する残差ベースの管理
CN114469022A (zh) 报警事件的回顾方法、装置及可读存储介质
US9936923B2 (en) System and methods for generating predictive combinations of hospital monitor alarms
CN107438399A (zh) 心血管恶化预警评分
US20200008696A1 (en) Analysis of cardiac data
CN116234497A (zh) 用于检测和/或预测心脏事件的心电图处理系统
US20030101076A1 (en) System for supporting clinical decision making through the modeling of acquired patient medical information
CN105943021A (zh) 一种可穿戴心脏节律监测装置和心律监测系统
US20190311809A1 (en) Patient status monitor and method of monitoring patient status
CN107408144A (zh) 医疗先兆事件估计
CN106104539B (zh) 使用警报再生的针对警报咨询的警报设置的优化
JP2021514768A (ja) 睡眠段階検出のための方法、コンピューティングデバイス、およびウェアラブルデバイス
US11621082B2 (en) Physiological parameter monitoring system
CN111951965B (zh) 基于时序知识图谱的全景式健康动态监测与预测系统
JP2023527001A (ja) 個別化されたリスクスコア分析のための方法及びシステム
CN116322479A (zh) 用于检测和/或预测心脏事件的心电图处理系统
JP7282161B2 (ja) 高度心臓波形分析
Abrar et al. A multi-agent approach for personalized hypertension risk prediction
Khan et al. Severe analysis of cardiac disease detection using the wearable device by artificial intelligence
Wong et al. Probabilistic detection of vital sign abnormality with Gaussian process regression
Diegel Intelligent automated health systems for compliance monitoring
CN110974215B (zh) 基于无线心电监护传感器组的预警系统及方法

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