CN115798739A - 多模融合智能感知预警方法和系统 - Google Patents
多模融合智能感知预警方法和系统 Download PDFInfo
- Publication number
- CN115798739A CN115798739A CN202211549875.8A CN202211549875A CN115798739A CN 115798739 A CN115798739 A CN 115798739A CN 202211549875 A CN202211549875 A CN 202211549875A CN 115798739 A CN115798739 A CN 115798739A
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- bedsore
- target user
- activity
- 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
Links
Images
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提供了一种多模融合智能感知预警方法和系统,包括:获取目标用户的生活行为状态数据,其中,生活行为状态数据包括:持续生命体征数据、生活活动状态数据和护理人员活动数据;基于预设褥疮形成特征集对生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据;采用预警模型对预处理后的用户活动行为及状态特征数据进行分类,得到褥疮发病危重度分类结果,并根据褥疮发病危重度分类结果生成褥疮预警信息;发送褥疮预警信息至目标用户或目标用户的护理人员的指定设备。该方法通过多模融合感知技术获取生活行为状态数据,进而利用预警模型根据生活行为状态数据进行褥疮预警后,发送预警信息至指定设备进行提醒和监督。
Description
技术领域
本发明涉及医疗监测的技术领域,尤其是涉及一种多模融合智能感知预警方法和系统。
背景技术
对于长期卧病在床的人群来说,褥疮是易发作、危险系数高的疾病;其患病原因,多是由于患者瘫痪、昏迷、糖尿病及其他病情危重而不能行走,需长期卧床,从而长时间固定姿势,造成局部皮肤受压后血液流通不畅、皮肤组织营养供应不良而造成的皮肤组织红、肿、热、痛、溃烂和坏死,其属于压力性损伤,也是长期卧床患者中常见的并发症之一。
预防褥疮有“五勤”要诀:勤翻身、勤擦洗、勤整理、勤检查、勤换洗,该“五勤”均需护理人员手动来完成。因此,按时进行护理操作,是预防褥疮形成的重要关键因素。目前针对长期卧床患者的护理提醒,多采智能床垫、床边贴片等,此类产品均是利用智能传感器的振动频率来感知患者的身体移动状态,对于规定时间内未进行翻身护理动作的情况,进行报警,从而做到提醒翻身或护理的目的。但是,智能传感器无法识别振动来源,只要有外力着力于床上,传感器都会捕捉到,却无法确认是患者自己在翻身,还是护理人员的帮助,又或者仅是床位被动振动,故仅用于在护理状态下或患者具备部分翻身能力情况下的定时提醒,而无法直接对褥疮本身发生的可能性进行评估;此外,如果患者从床上转移到轮椅上,但受压部位没有得到缓解的情况下,压力传感器仍无法识别患者患褥疮的真实可能性。对于长期受压后,所出现的患者体征变化,即使采用专业的心电监护设备,也只能被动监护部分时段体征数据,无法从全程体征数据变化、生活习惯变化等多角度综合分析褥疮的发病可能。
综上,现有的智能感知方法存在无法全方位、主动进行体征监测和护理监督,进而实现褥疮发病预警的技术问题。
发明内容
本发明的目的在于提供一种多模融合智能感知预警方法和系统,以解决现有的智能感知方法存在无法全方位、主动进行体征监测和护理监督,进而实现褥疮发病预警的技术问题。
第一方面,本发明提供了一种多模融合智能感知预警方法,包括:
获取目标用户的生活行为状态数据,其中,所述生活行为状态数据包括:持续生命体征数据、生活活动状态数据和护理人员活动数据;
基于预设褥疮形成特征集对所述生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据;
采用预警模型对所述预处理后的用户活动行为及状态特征数据进行分类,得到褥疮发病危重度分类结果,并根据所述褥疮发病危重度分类结果生成褥疮预警信息,其中,所述预警模型为预先训练得到的;
发送所述褥疮预警信息至所述目标用户或所述目标用户的护理人员的指定设备。
进一步的,获取目标用户的生活行为状态数据,包括:
利用定位设备、智能手环和毫米波雷达,获取所述目标用户的所述生活活动状态数据,其中,所述生活活动状态数据包括:第一位置信息、入厕次数、就餐时间、睡眠时长和卧床时长;所述护理人员活动数据包括:第二位置信息;
利用所述智能手环、所述毫米波雷达、血糖仪、血压计和体脂仪,获取所述目标用户的所述持续生命体征数据,其中,所述持续生命体征数据用于指示所述目标用户的生理活动状态,包括:体温、体动、心率、呼吸率、血氧饱和度、血糖、体脂、血压和睡眠。
进一步的,基于预设褥疮形成特征集对所述生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据,包括:
对所述生活行为状态数据分别进行标定处理,并利用处理后得到的数据与所述预设褥疮形成特征集进行匹配,最终得到与褥疮形成特征相关的匹配程度结论集。其中,所述匹配程度结论集以离散多标签等级方式进行表示,包括:用户活动行为及状态特征数据。
进一步的,所述预警模型包括:多分类梯度提升决策模型和随机森林模型;
所述多分类梯度提升决策模型和所述随机森林模型,用于根据所述用户活动行为及状态特征数据,得到所述褥疮发病危重度分类结果。
进一步的,所述方法还包括:
获取预设训练集,并对所述预设训练集进行决策树训练得到初始决策树后,采用负梯度方向训练所述初始决策树,生成所述多分类梯度提升决策模型。
进一步的,所述方法还包括:
获取多个预设训练集,并分别对每个所述预设训练集进行决策树训练,得到每个所述预设训练集对应的初始决策树模型;
选取每个所述初始决策树模型的最优特征进行分支处理,得到每个所述初始决策树模型对应的分支处理后的决策树模型;
根据多个所述决策树模型生成所述随机森林模型。
进一步的,所述方法还包括:
选取每个所述初始决策树模型中满足预定条件的特征集;
通过比对基尼指数,选出每个所述初始决策树模型对应的特征集中的最优特征。
第二方面,本发明还提供了一种多模融合智能感知预警系统,包括:定位设备、毫米波雷达、智能手环、血糖仪、血压计、体脂仪和主控制器;
所述主控制器分别与所述定位设备、所述毫米波雷达、所述智能手环、所述血糖仪、所述血压计和所述体脂仪的一端连接;
所述定位设备,用于配合所述智能手环和所述毫米波雷达获取目标用户在室内居住空间内的生活活动状态数据和护理人员活动数据;
所述毫米波雷达,用于监测所述目标用户的体温、体动、心率、呼吸率、睡眠和卧床时长;
所述智能手环,用于监测所述目标用户的所述体温、所述心率、所述呼吸率、血氧饱和度和睡眠;
所述血糖仪,用于监测所述目标用户的血糖;
所述血压计,用于监测所述目标用户的血压;
所述体脂仪,用于监测所述目标用户的体脂;
所述主控制器,用于接收所述生活活动状态数据、所述护理人员活动数据和持续生命体征数据,并对接收到的数据进行预处理。进而,通过所述预警模型根据预处理后的数据进行褥疮预警,其中,所述持续生命体征数据包括:所述体温、所述体动、所述心率、所述呼吸率、所述血氧饱和度、所述睡眠、所述血糖、所述体脂和所述血压。
进一步的,所述智能手环的数量为每个所述目标用户佩戴一个,且所述多模融合智能感知预警系统内可支持多个。
第三方面,本发明实施例还提供了一种电子设备,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,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
在本发明实施例中,提供了一种多模融合智能感知预警方法,包括:获取目标用户的生活行为状态数据,其中,生活行为状态数据包括:持续生命体征数据、生活活动状态数据和护理人员活动数据;基于预设褥疮形成特征集对生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据;采用预警模型对预处理后的用户活动行为及状态特征数据进行分类,得到褥疮发病危重度分类结果,并根据褥疮发病危重度分类结果生成褥疮预警信息,其中,预警模型为预先训练得到的;发送褥疮预警信息至目标用户或目标用户的护理人员的指定设备。通过上述描述可知,该方法通过多模融合智能感知预警系统主动获取目标用户的生活行为状态数据,并通过预先搭建的预警模型对生活行为状态数据的预处理结果进行分类后生成褥疮预警。最后,发送褥疮预警信息至目标用户或目标用户的护理人员的指定设备,实现对目标用户或目标用户的护理人员主动提醒和按时护理监督。该方法有效缓解了现有智能感知方法存在的无法全方位、主动进行体征监测和护理监督,进而实现褥疮发病预警的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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为本发明实施例提供的一种多模融合智能感知预警方法的流程图;
图2为本发明实施例提供的一种生活行为状态数据获取方法的流程图;
图3为本发明实施例提供的一种随机森林模型搭建方法的流程图;
图4为本发明实施例提供的一种初始决策树模型最优特征提取的方法的流程图;
图5为本发明实施例提供的一种多模融合智能感知预警系统的结构示意图;
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本发明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做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。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种多模融合智能感知预警方法进行详细介绍。
实施例一:
根据本发明实施例,提供了一种多模融合智能感知预警方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是本发明实施例的一种多模融合智能感知预警方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101,获取目标用户的生活行为状态数据,其中,生活行为状态数据包括:持续生命体征数据、生活活动状态数据和护理人员活动数据;
目前,针对长期卧床患者的护理提醒,多采用智能传感器的振动进行监测,例如:智能床垫、床边贴片、智能监护背心等可穿戴设备以及专业心电监护设备。此类产品均通过智能传感器的振动频率来感知患者的身体移动和心率变化,可以实现被动监测用户的部分体征数据。但是,此类产品无法全方位、主动进行体征监测和护理监督,因此,如何对用户主动进行体征监测和早期预警,按时进行护理提醒和监督的问题亟待解决。
基于此,本实施例提供了一种多模融合智能感知预警方法,该方法应用于多模融合智能感知预警系统。具体实现时,多模融合智能感知预警系统的多个硬件设备实现对目标用户(例如:居家老人、养老院老人等)的日常生活活动的感知,即主动获取目标用户的生活行为状态数据,其中,生活行为状态数据包括:持续生命体征数据、生活活动状态数据和护理人员活动数据,实现对目标用户的全方位、主动的体征监测。其中,对于多模融合智能感知预警系统内具体的硬件设备描述及生活行为状态数据的获取方案将在后续进行详细介绍,此处不进行过多描述。
步骤S102,基于预设褥疮形成特征集对生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据;
具体的,对于目标用户的早期褥疮预警的风险因素大多包括:营养不良、卧床习惯、入厕次数、睡眠时长、心率、呼吸率、体脂和体位变化等活动或体征指数,通过对上述活动或体征指数的趋势分析,判断目标用户的褥疮相关的生活质量的变化趋势,进而判断其褥疮发病形成的危重度程度。
在实际应用中,根据上述风险因素可以预先设定不同类别行动能力目标用户的预设褥疮形成特征集,具体包括:翻身次数、卧床时间延长、预设时间段内无体位变化、营养不良、神经传导速度降低、踝肱指数(ABI)小于0.9、体脂率下降、体重下降、活动水平下降和糖尿病神经病变。进而根据预设褥疮形成特征集对多模融合智能感知预警系统采集的不同类别行动能力目标用户的生活行为状态数据进行预处理,其中,预处理包括:对预设褥疮形成特征的识别(加窗处理数据、多传感器联动和地图语义序列构建)。进而,将预处理得到的用户活动行为及状态特征数据作为后续多模融合智能感知预警系统控制器内预先搭建的预警模型的输入数据,实现后续预警模型对数据的处理和分析。
步骤S103,采用预警模型对预处理后的用户活动行为及状态特征数据进行分类,得到褥疮发病危重度分类结果,并根据褥疮发病危重度分类结果生成褥疮预警信息,其中,预警模型为预先训练得到的;
具体的,将前述预处理后的用户活动行为及状态特征数据输入至多模融合智能感知预警系统控制器内预先搭建的预警模型,通过预警模型得到褥疮发病危重度分类结果,具体包括:正常、关注、I级预防和II级预防四种分类结果。进一步的,根据褥疮发病危重度分类结果生成褥疮预警信息,具体包括:1、正常体征:不做提醒;2、关注:提醒适当运动,不宜久坐/久卧,增加营养,保持体重;3、I级预防:提醒增加营养,保持皮肤干澡、卫生、通风,定时翻身;4、II级预防:监督护理人员准时给患者护理、翻身、清理、用药,其中,I级预防和II级预防的目标用户大多为卧床老人。例如:如果老人活动量减少、营养不良、卧床时间增加,此时多模融合智能感知预警系统将根据预处理后的用户活动行为及状态特征数据利用预警模型分析出老人的褥疮发病危重度分类结果为关注,多模融合智能感知预警系统将生成对应的褥疮预警信息提醒老人注意运动、增加营养和亲情陪伴,防止老人形成长时间卧床习惯。
步骤S104,发送褥疮预警信息至目标用户或目标用户的护理人员的指定设备。
具体的,预警模型生成褥疮预警信息后,会发送褥疮预警信息至目标用户或目标用户的护理人员的指定设备。例如:预警模型根据预处理后的用户活动行为及状态特征数据判断出老人在设定预警时间内没有体态变化,并且分析出老人为非卧床老人时,得到褥疮发病危重度分类结果为关注,并生成褥疮预警信息后发送至目标用户的指定设备,进而利用指定设备的声音或振动提醒老人提醒适当运动,不宜久坐/久卧;或者,在分析老人为卧床老人时,得到褥疮发病危重度分类结果为I级预防,并生成褥疮预警信息后发送至目标用户的护理人员(家人或护工)的指定设备,通知护理人员进行主动干预,防止老人长时间固定睡姿,减少褥疮生成。
在本发明实施例中,提供了一种多模融合智能感知预警方法,包括:获取目标用户的生活行为状态数据,其中,生活行为状态数据包括:持续生命体征数据、生活活动状态数据和护理人员活动数据;基于预设褥疮形成特征集对生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据;采用预警模型对预处理后的用户活动行为及状态特征数据进行分类,得到褥疮发病危重度分类结果,并根据褥疮发病危重度分类结果生成褥疮预警信息,其中,预警模型为预先训练得到的;发送褥疮预警信息至目标用户或目标用户的护理人员的指定设备。通过上述描述可知,该方法通过多模融合智能感知预警系统主动获取目标用户的生活行为状态数据,并通过预先搭建的预警模型对生活行为状态数据的预处理结果进行分类后生成褥疮预警。最后,发送褥疮预警信息至目标用户或目标用户的护理人员的指定设备,实现对目标用户或目标用户的护理人员主动提醒和按时护理监督。该方法有效缓解了现有智能感知方法存在的无法全方位、主动进行体征监测和护理监督,进而实现褥疮发病预警的技术问题。
上述内容对本发明的多模融合智能感知预警方法进行了简要介绍,下面对其中涉及到的具体内容进行详细描述。
在本发明的一个可选实施例中,参考图2,获取目标用户的生活行为状态数据,包括如下步骤:
步骤S201,利用定位设备、智能手环和毫米波雷达,获取目标用户的生活活动状态数据,其中,生活活动状态数据包括:第一位置信息、入厕次数、就餐时间、睡眠时长和卧床时长;护理人员活动数据包括:第二位置信息;
具体的,多模融合智能感知预警系统的多个硬件设备包括:定位设备、智能手环、毫米波雷达、血糖仪、血压计和体脂仪。其中,定位设备为高精度定位系统,在实际应用中,需要预先建立精确的定位设备应用场景(例如:房间或整个房屋的户型图),并安装定位设备在可以实现应用场景全景覆盖的位置(例如:房间的屋顶)。进一步的,定位设备结合智能手环,实时对目标用户的生命活动状态数进行获取,其中,生活活动状态数据包括:第一位置信息、入厕次数、就餐时间、睡眠时长和卧床时长。
具体实现时,对于目标客户,定位设备、智能手环结合毫米波雷达(床头安装),实时对目标用户的睡眠时长、卧床时长进行获取并统计。其中,毫米波雷达的实时点云图,可以识别目标用户心率、呼吸节奏、身体姿态特征,并结合相同时间段内获取到的目标用户定位数据,实现对用户卧床时长、睡眠时长的获取。值得注意的是,通过第一位置信息能够判断目标用户是否行动以及行动的范围,结合定位设备的应用场景(即户型图),可以判断出目标用户位于餐厅或卧室等实际位置,从而确定当前目标用户的行为(例如:进餐、洗漱、如厕等)。其次,对于护理人员,定位设备、智能手环结合毫米波雷达可以实现对护理人员的第二位置信息的获取,从而通过分析护理人员的位置信息实现护理人员的行为监控,从而监督和检查护理人员是否按时进行护理操作。
步骤S202,利用智能手环、毫米波雷达、血糖仪、血压计和体脂仪,获取目标用户的持续生命体征数据,其中,持续生命体征数据用于指示目标用户的生理活动状态,包括:体温、体动、心率、呼吸率、血氧饱和度、血糖、体脂、血压和睡眠。
具体的,利用智能手环、毫米波雷达、血糖仪、血压计和体脂仪,实现对目标用户的持续生命体征数据的获取,其中,持续生命体征数据用于指示目标用户的生理活动状态,包括:体温、体动、心率、呼吸率、血氧饱和度、血糖、体脂、血压和睡眠。实际应用时,毫米波雷达安装在目标用户的床头,通过毫米波雷达的点云图实现对目标用户的睡眠、心率、呼吸率和体动的精准监控;血糖仪、血压计和体脂仪分别实现对血糖仪、血压计和体脂仪的血糖、体脂、血压的监测;智能手环实现对目标用户的体温、心率、呼吸率、血氧饱和度、睡眠、血压的监测和计算分析。其中,睡眠包括:睡眠时长以及睡眠状态(即清醒状态、浅度睡眠状态和深度睡眠状态)。
在本发明的一个可选实施例中,基于预设褥疮形成特征集对生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据,包括:对生活行为状态数据分别进行标定处理,并利用处理后得到的数据与预设褥疮形成特征集进行匹配,最终得到与褥疮形成特征相关的匹配程度结论集。其中,匹配程度结论集以离散多标签等级方式进行表示,包括:用户活动行为及状态特征数据。
具体的,目标用户生活行为的改变,预示着生成疾病的可能,因此,根据容易形成早期褥疮的风险因素,对生活行为状态数据进行标定,能够得到生活行为状态数据对应的褥疮形成特征。具体实现时,首先预设褥疮形成特征集,用于后续与生活行为状态数据标定处理后得到的结果进行匹配,从而得到目标用户的生活行为状态数据与褥疮形成特征间接对应的匹配程度结论集。
其中,根据预设褥疮形成特征集对生活行为状态数据进行标定具体包括:根据翻身次数、卧床时间延长、预设时间段内无体位变化、营养不良、神经传导速度降低、踝肱指数(ABI)小于0.9、体脂率下降、体重下降、活动水平下降和糖尿病神经病变等事件在一定条件下的发生次数、发生幅度以及与专家指标体系对比后的数值,设定匹配程度级别。
比如:利用生物感知雷达或AI技术识别目标用户体位的微小变化(0.1mm),并根据预设时间内体位变化,采集目标用户在一定时间内的翻身次数,进而结合目标用户的类别情况(是否为长期卧床),根据翻身次数的预设等级值,将翻身次数划分为重度较少翻身次数、轻度较少翻身次数与正常翻身次数三类,可以用数值符号2/1/0分别表示;根据自身采集数据的对比分析,通过卧床时间逐步增多对目标用户的卧床习惯进行判定;根据入厕次数的变换,实现对目标用户活动指数可能的预测;通过目标用户心率、呼吸率下降实现对目标用户长时间卧床的判定;在卧床习惯判断的基础上,根据长期采样数据,自动选择当前用户最多次数出现的几组指标来综合表征判断用户的卧床行为,进一步根据睡眠时长、活动指数判断目标用户的卧床时间,并依据卧床时间的长短、发生的密集程度,将卧床时间划分为重度卧床时长、轻度卧床时长与健康卧床时长三类,可以用数值符号2/1/0分别表示;根据就餐次数少、入厨时间减少、体重下降,体脂下降实现对目标用户营养不良的判定,进而划分为重度营养不良、轻度营养不良与正常营养三类,可以用数值符号2/1/0分别表示;通过体脂下降速度与趋势,分析目标用户身体状况问题,进而根据皮下脂肪下降判定易造成受压部位形成褥疮的可能性,进而划分为重度体脂下降、轻度体脂下降与正常体脂水平三类,可以用数值符号2/1/0分别表示。
上述与褥疮形成特征匹配后的程度结论集,即为用户活动行为及状态特征数据,以离散多标签等级方式进行表示。
在本发明的一个可选实施例中,预警模型包括:多分类梯度提升决策模型和随机森林模型;
多分类梯度提升决策模型和随机森林模型,用于根据用户活动行为及状态特征数据,得到褥疮发病危重度分类结果。
具体的,本实施例多模融合智能感知预警方法中预先搭建的预警模型包括:多分类梯度提升决策模型和随机森林模型。具体实现时,预处理得到的用户活动行为及状态特征数据将作为多分类梯度提升决策模型和随机森林模型的输入数据,并经过多分类梯度提升决策模型和随机森林模型内部算法计算后,得到褥疮发病危重度分类结果。
在本发明的一个可选实施例中,该方法还包括:获取预设训练集,并对预设训练集进行决策树训练得到初始决策树后,采用负梯度方向训练初始决策树,生成多分类梯度提升决策模型。
具体的,获取预设训练集(其中,该预设训练集为预先标定的多分类预设训练集),并将此多分类预设训练集转变成与类别数量相同的二分类问题矩阵。进而采用各类别在总样本分类中占比的方式初始化先验概率,并基于该先验概率数值分布,采用多项逻辑回归方式,对各特征在不同类别上的概率进行转换,计算该先验概率分布的负梯度值。最后,采用最小均方误差的方式,获取最佳划分特征所在的节点,构建出各分类对应的初始决策树,进而采用计算各叶子节点残差,对先验概率分布进行更新。
进一步的,基于前述构建的各分类对应的初始决策树,针对更新后的先验概率分布进行相同方式的迭代,形成后续多棵决策树时,直至达到指定的训练迭代次数后停止。
最后,根据对前述得到的多个决策树模型累加运算后,形成多分类梯度提升决策模型。
在本发明的一个可选实施例中,参考图3,该方法还包括如下步骤:
步骤S301,获取多个预设训练集,并分别对每个预设训练集进行决策树训练,得到每个预设训练集对应的初始决策树模型;
具体的,预警模型内随机森林模型为预先训练得到的,在开始训练前,需预先获取多个训练所用的预设训练集。进而,通过对每个预设训练集进行决策树训练,得到每个预设训练集对应的初始决策树模型。
步骤S302,选取每个初始决策树模型的最优特征进行分支处理,得到每个初始决策树模型对应的分支处理后的决策树模型;
具体的,对每个初始决策树模型的特征进行分析,得到信息熵增益、信息增益或基尼系数。进一步的,根据信息熵增益、信息增益或基尼系数提取多个特征中的最优特征,并对每个初始决策树模型的最优特征进行分支处理,得到每个初始决策树模型对应的分支处理后的决策树模型。
步骤S303,根据多个决策树模型生成随机森林模型。
具体的,根据随机森林算法将前述得到的多个决策树模型生成随机森林模型。
在本发明的一个可选实施例中,参考图4,在选取每个初始决策树模型的最优特征进行分支处理之前,该方法还包括:
步骤S401,选取每个初始决策树模型中满足预定条件的特征集;
具体的,选取每个初始决策树模型中满足预定条件的特征集,即对特征集进行预处理,并将预处理后的特征集用于后续最优特征的提取。
步骤S402,通过比对基尼指数,选出每个初始决策树模型对应的特征集中的最优特征。
实施例二:
本发明实施例还提供了一种多模融合智能感知预警系统,该多模融合智能感知预警系统主要用于执行本发明实施例一中所提供的多模融合智能感知预警方法,以下对本发明实施例提供的一种多模融合智能感知预警系统做具体介绍。
图5是根据本发明实施例的一种多模融合智能感知预警系统的示意图,如图5所示,该系统包括:定位设备、毫米波雷达、智能手环、血糖仪、血压计、体脂仪和主控制器;
主控制器分别与定位设备、毫米波雷达、智能手环、血糖仪、血压计和体脂仪的一端连接;
定位设备,用于配合智能手环和毫米波雷达获取目标用户在室内居住空间内的生活活动状态数据和护理人员活动数据;
毫米波雷达,用于监测目标用户的体温、体动、心率、呼吸率和睡眠和卧床时长;
智能手环,用于监测目标用户的体温、心率、呼吸率、血氧饱和度和睡眠;
血糖仪,用于监测目标用户的血糖;
血压计,用于监测目标用户的血压;
体脂仪,用于监测目标用户的体脂;
主控制器,用于接收生活活动状态数据、护理人员活动数据和持续生命体征数据,并对接收到的数据进行预处理。进而,通过预警模型根据预处理后的数据进行褥疮特征预警,其中,持续生命体征数据包括:体温、体动、心率、呼吸率、血氧饱和度、睡眠、血糖、体脂和血压。
另外,智能手环的数量为每个目标用户佩戴一个,且多模融合智能感知预警系统内可支持多个。
具体的,本实施例提供了一种多模融合智能感知预警系统,包括:定位设备、毫米波雷达、智能手环、血糖仪、血压计、体脂仪和主控制器,用于实现上述实施例一中任一项的多模融合智能感知预警方法。具体实现时,定位设备配合智能手环和毫米波雷达获取目标用户的生活活动状态数据和护理人员活动数据,毫米波雷达、智能手环、血糖仪、血压计和体脂仪用于实时获取目标用户的持续生命体征数据,并发送生活活动状态数据、护理人员活动数据和持续生命体征数据至主控制器。进而,主控制器对接收到的生活活动状态数据、护理人员活动数据和持续生命体征数据预处理得到用户活动行为及状态特征数据,并利用预先搭建的预警模型基于用户活动行为及状态特征数据进行褥疮预警。其中,智能手环的数量为多个,分别佩戴于目标用户与目标用户的护理人员的手腕处。
在实际应用中,上述多模融合智能感知预警系统可以主动、全面的对目标用户的生活活动状态数据和持续生命体征数据以及目标用户对应的护理人员的活动数据进行获取和预处理,并通过预警模型进行数据分析,从而根据分析得到的褥疮发病危重度分类结果生成褥疮预警信息,并发送预警信息至指定设备(智能手环、智能手机),实现对目标用户的提醒,并在多次提醒但主控制分析的褥疮发病危重度分类结果仍未发生改变的情况下,发送预警信息至目标用户的护理人员的指定设备(智能手环、智能手机),通知护理人员进行主动干预。其次,由于智能手环可以配合定位设备、毫米波雷达获取目标用户对应的护理人员的活动数据。该系统可以通过监测到的护理人员的活动数据判断护理人员是否进入护理区域(即定位设备应用场景),并判断护理人员是否进行护理操作,实现对护理人员的护理监督。该系统通过多模融合感知技术以及大数据的深度学习算法,实现对目标用户及其护理人员的实时提醒和预警,并对机构和护理人员进行实时监督,有效防止目标用户因长期卧床发生褥疮,提升护理质量,增加目标用户家属的信任度。
如图6所示,本申请实施例提供的一种电子设备700,包括:处理器701、存储器702和总线,所述存储器702存储有所述处理器701可执行的机器可读指令,当电子设备运行时,所述处理器701与所述存储器702之间通过总线通信,所述处理器701执行所述机器可读指令,以执行如上述多模融合智能感知预警方法的步骤。
具体地,上述存储器702和处理器701能够为通用的存储器和处理器,这里不做具体限定,当处理器701运行存储器702存储的计算机程序时,能够执行上述多模融合智能感知预警方法。
处理器701可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器702,处理器701读取存储器702中的信息,结合其硬件完成上述方法的步骤。
本发明实施例所提供的多模融合智能感知预警系统的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
再例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
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单元来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,本申请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电子设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述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(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种多模融合智能感知预警方法,其特征在于,包括:
获取目标用户的生活行为状态数据,其中,所述生活行为状态数据包括:持续生命体征数据、生活活动状态数据和护理人员活动数据;
基于预设褥疮形成特征集对所述生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据;
采用预警模型对所述预处理后的用户活动行为及状态特征数据进行分类,得到褥疮发病危重度分类结果,并根据所述褥疮发病危重度分类结果生成褥疮预警信息,其中,所述预警模型为预先训练得到的;
发送所述褥疮预警信息至所述目标用户或所述目标用户的护理人员的指定设备。
2.根据权利要求1所述的多模融合智能感知预警方法,其特征在于,获取目标用户的生活行为状态数据,包括:
利用定位设备、智能手环和毫米波雷达,获取所述目标用户的所述生活活动状态数据和护理人员活动数据,其中,所述生活活动状态数据包括:第一位置信息、入厕次数、就餐时间、睡眠时长和卧床时长;
利用所述智能手环、所述毫米波雷达、血糖仪、血压计和体脂仪,获取所述目标用户的所述持续生命体征数据,其中,所述持续生命体征数据用于指示所述目标用户的生理活动状态,包括:体温、体动、心率、呼吸率、血氧饱和度、血糖、体脂、血压和睡眠。
3.根据权利要求1所述的多模融合智能感知预警方法,其特征在于,基于预设褥疮形成特征集对所述生活行为状态数据进行预处理,得到预处理后的用户活动行为及状态特征数据,包括:
对所述生活行为状态数据分别进行标定处理,并利用处理后得到的数据与所述预设褥疮形成特征集进行匹配,最终得到与褥疮形成特征相关的匹配程度结论集。其中,所述匹配程度结论集以离散多标签等级方式进行表示,包括:用户活动行为及状态特征数据。
4.根据权利要求2所述的多模融合智能感知预警方法,其特征在于,所述预警模型包括:多分类梯度提升决策模型和随机森林模型;
所述多分类梯度提升决策模型和所述随机森林模型,用于根据所述用户活动行为及状态特征数据,得到所述褥疮发病危重度分类结果。
5.根据权利要求4所述的多模融合智能感知预警方法,其特征在于,所述方法还包括:
获取预设训练集,并对所述预设训练集进行决策树训练得到初始决策树后,采用负梯度方向训练所述初始决策树,生成所述多分类梯度提升决策模型。
6.根据权利要求4所述的多模融合智能感知预警方法,其特征在于,所述方法还包括:
获取多个预设训练集,并分别对每个所述预设训练集进行决策树训练,得到每个所述预设训练集对应的初始决策树模型;
选取每个所述初始决策树模型的最优特征进行分支处理,得到每个所述初始决策树模型对应的分支处理后的决策树模型;
根据多个所述决策树模型生成所述随机森林模型。
7.根据权利要求6所述的多模融合智能感知预警方法,其特征在于,在选取每个所述初始决策树模型的最优特征进行分支处理之前,所述方法还包括:
选取每个所述初始决策树模型中满足预定条件的特征集;
通过比对基尼指数,选出每个所述初始决策树模型对应的特征集中的最优特征。
8.一种多模融合智能感知预警系统,其特征在于,包括:定位设备、毫米波雷达、智能手环、血糖仪、血压计、体脂仪和主控制器;
所述主控制器分别与所述定位设备、所述毫米波雷达、所述智能手环、所述血糖仪、所述血压计和所述体脂仪的一端连接;
所述定位设备,用于配合所述智能手环和所述毫米波雷达获取目标用户在室内居住空间内的生活活动状态数据和护理人员活动数据;
所述毫米波雷达,用于监测所述目标用户的体温、体动、心率、呼吸率和睡眠和卧床时长;
所述智能手环,用于监测所述目标用户的所述体温、所述心率、所述呼吸率、血氧饱和度和睡眠;
所述血糖仪,用于监测所述目标用户的血糖;
所述血压计,用于监测所述目标用户的血压;
所述体脂仪,用于监测所述目标用户的体脂;
所述主控制器,用于接收所述生活活动状态数据、所述护理人员活动数据和持续生命体征数据,并对接收到的数据进行预处理。进而,通过所述预警模型根据预处理后的数据进行褥疮预警,其中,所述持续生命体征数据包括:所述体温、所述体动、所述心率、所述呼吸率、所述血氧饱和度、所述睡眠、所述血糖、所述体脂和所述血压。
9.根据权利要求8所述的多模融合智能感知预警系统,其特征在于,所述智能手环的数量为每个所述目标用户佩戴一个,且所述多模融合智能感知预警系统内可支持多个。
10.一种电子设备,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计算机程序时实现上述权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549875.8A CN115798739A (zh) | 2022-12-05 | 2022-12-05 | 多模融合智能感知预警方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211549875.8A CN115798739A (zh) | 2022-12-05 | 2022-12-05 | 多模融合智能感知预警方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115798739A true CN115798739A (zh) | 2023-03-14 |
Family
ID=85445710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211549875.8A Pending CN115798739A (zh) | 2022-12-05 | 2022-12-05 | 多模融合智能感知预警方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115798739A (zh) |
-
2022
- 2022-12-05 CN CN202211549875.8A patent/CN115798739A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20240108286A1 (en) | Wearable Appliance | |
US11877821B2 (en) | Personal monitoring apparatus | |
Anzanpour et al. | Self-awareness in remote health monitoring systems using wearable electronics | |
US20180247713A1 (en) | Intelligent Wearable Sensors for Adaptive Health Score Analytics | |
US8388530B2 (en) | Personalized monitoring and healthcare information management using physiological basis functions | |
US7539532B2 (en) | Cuffless blood pressure monitoring appliance | |
US7558622B2 (en) | Mesh network stroke monitoring appliance | |
US20140324459A1 (en) | Automatic health monitoring alerts | |
CN109846466B (zh) | 异常判定装置、电子设备及计算机可读存储介质 | |
US20200058209A1 (en) | System and method for automated health monitoring | |
CN111820879A (zh) | 一种适用于慢性疾病患者的健康评价管理方法 | |
Panagiotou et al. | A multi: modal decision making system for an ambient assisted living environment | |
US10888224B2 (en) | Estimation model for motion intensity | |
Li et al. | Health activities monitoring and warning system for geriatric daily living in extra care homes | |
Bellos et al. | Categorization of patients' health status in COPD disease using a wearable platform and random forests methodology | |
CN115798739A (zh) | 多模融合智能感知预警方法和系统 | |
Tariq et al. | A smart heart beat analytics system using wearable device | |
JP3994773B2 (ja) | 在宅者健康状態遠隔診断装置 | |
Sujin et al. | Public e-health network system using arduino controller | |
CN110974216B (zh) | 一种无线心电监护传感器的遥控系统 | |
Srovnal et al. | Health maintenance embedded systems in home care applications | |
Nandi et al. | Use of the k-nearest neighbour and its analysis for fall detection on Systems on a Chip for multiple datasets | |
CN110974215B (zh) | 基于无线心电监护传感器组的预警系统及方法 | |
US20240115202A1 (en) | Smart watch | |
US20240130617A1 (en) | Personal Monitoring Apparatus |
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 |