CN116098595B - 一种心源性及脑源性猝死监测预防系统和方法 - Google Patents

一种心源性及脑源性猝死监测预防系统和方法 Download PDF

Info

Publication number
CN116098595B
CN116098595B CN202310056729.XA CN202310056729A CN116098595B CN 116098595 B CN116098595 B CN 116098595B CN 202310056729 A CN202310056729 A CN 202310056729A CN 116098595 B CN116098595 B CN 116098595B
Authority
CN
China
Prior art keywords
data
patient
monitoring
sign
sign data
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
CN202310056729.XA
Other languages
English (en)
Other versions
CN116098595A (zh
Inventor
余彩霞
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.)
Guangdong Haina Medical Technology Co ltd
Original Assignee
Guangdong Haina Medical Technology 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 Guangdong Haina Medical Technology Co ltd filed Critical Guangdong Haina Medical Technology Co ltd
Priority to CN202310056729.XA priority Critical patent/CN116098595B/zh
Publication of CN116098595A publication Critical patent/CN116098595A/zh
Application granted granted Critical
Publication of CN116098595B publication Critical patent/CN116098595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • 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
    • A61B5/1455—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 using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—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 using optical sensors, e.g. spectral photometrical oximeters 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
    • 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
    • A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
    • 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
    • G16H40/20—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 management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种心源性及脑源性猝死监测预防系统和方法，包括：通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。通过监测终端实时显示患者生命体征信息，避免医护人员无畏的奔波，节省大量时间；还方便医护人员观察了解患者当前的动态情况，有效预防心源性及脑源性猝死。

Description

一种心源性及脑源性猝死监测预防系统和方法
技术领域
本发明涉及监测预防技术领域，一种心源性及脑源性猝死监测预防系统和方法。
背景技术
根据世界卫生组织调查，80％的意外来源于心源性及脑源性猝死，患者休息过程中，如果出现“心梗、心衰、休克”等急、重症的时候，人体血压、心率、血氧、体温的指标会先出现较大波动，因此，对人体血压、心率、血氧饱和度和体温这几项重要参数进行连续测量，实时监测患者的生命体征状态，对心源性及脑源性猝死的预防起到了至关重要的作用。
传统的医疗监测方式大多采用固定的医疗监护设备对人体生命体征进行监测，并通过有线的传输方式，让医护人员每日定时定点到病房监测去获得病患的生理参数信息情况，若突发紧急情况，医护人员无法及时了解患者的情况，易导致错失救治患者的最佳时间，造成严重后果。所以，现在急需一种通过医疗设备与物联网的结合，医护人员通过终端实时了解患者的生命体征状态，实现医护人员远程监控患者的生命体征状态，从而提高了医护人员的工作效率，也会让病人在无紧张感的情况下，测出比较准确的生理参数值。
发明内容
本发明提供了一种心源性及脑源性猝死监测预防系统和方法，以解决现有技术中存在的根据世界卫生组织调查，80％的意外来源于心源性及脑源性猝死，患者休息过程中，如果出现“心梗、心衰、休克”等急、重症的时候，人体血压、心率、血氧、体温的指标会先出现较大波动，因此，对人体血压、心率、血氧饱和度和体温这几项重要参数进行连续测量，实时监测患者的生命体征状态，对心源性及脑源性猝死的预防起到了至关重要的作用。传统的医疗监测方式大多采用固定的医疗监护设备对人体生命体征进行监测，并通过有线的传输方式，让医护人员每日定时定点到病房监测去获得病患的生理参数信息情况，若突发紧急情况，医护人员无法及时了解患者的情况，易导致错失救治患者的最佳时间，造成严重后果的上述问题。
为了达到上述目的，本发明提供如下技术方案：
一种心源性及脑源性猝死监测预防方法，包括：
S101：通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；
S102：通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；
S103：监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。
其中，所述S101步骤包括：
S1011：监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；
S1012：血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；
S1013：对应体征数据通过5G医疗局域网传输至监测管理端。
其中，所述S102步骤包括：
S1021：通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；
S1022：在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；
S1023：通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告。
其中，所述S103步骤包括：
S1031：通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；
S1032：体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；
S1033：若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。
其中，所述S1023步骤包括：
通过神经网络预测模型对体征数据进行信息的预读与预处理之前，构建神经网络预测模型；
构建神经网络预测模型过程中，先调取监测管理端的数据库中原始体征数据，将原始体征数据分为网络训练集和用于网络测试的验证集，对原始体征数据进行数据分割，对输入层输入数据进行预处理和数据标准化，然后将与时间序列无关联或无效的数据筛除；隐含层包括15个前后相连接的神经网络单元，神经网络单元间通过状态输出建立相应的关系；输出层通过对应函数对数据进行相对于概率转化，所有的输出概率和为1，数据整合输出的三个数值分别代表的体征状态为正常、低危和高危的概率，输出结果被传至网络训练模块进行预测训练，获取对应的神经网络预测模型。
一种心源性及脑源性猝死监测预防系统，包括：
监测采集单元用于通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；
预测分析单元用于通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；
监测终端单元用于监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。
其中，所述监测采集单元包括：
监测采集第一子单元用于监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；
监测采集第二子单元用于血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；
监测采集第三子单元对应体征数据通过5G医疗局域网传输至监测管理端。
其中，所述预测分析单元包括：
预测分析第一子单元用于通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；
预测分析第二子单元用于在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；
预测分析第三子单元通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告。
其中，所述监测终端单元包括：
监测终端第一子单元用于通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；
监测终端第二子单元体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；
监测终端第三子单元若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。
其中，所述预测分析第三子单元包括：
通过神经网络预测模型对体征数据进行信息的预读与预处理之前，构建神经网络预测模型；
构建神经网络预测模型过程中，先调取监测管理端的数据库中原始体征数据，将原始体征数据分为网络训练集和用于网络测试的验证集，对原始体征数据进行数据分割，对输入层输入数据进行预处理和数据标准化，然后将与时间序列无关联或无效的数据筛除；隐含层包括15个前后相连接的神经网络单元，神经网络单元间通过状态输出建立相应的关系；输出层通过对应函数对数据进行相对于概率转化，所有的输出概率和为1，数据整合输出的三个数值分别代表的体征状态为正常、低危和高危的概率，输出结果被传至网络训练模块进行预测训练，获取对应的神经网络预测模型。
与现有技术相比，本发明具有以下优点：
一种心源性及脑源性猝死监测预防方法，包括：通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。通过监测终端实时显示患者生命体征信息，避免医护人员无畏的奔波，节省大量时间；减少医院陪床陪护人员，实现患者无人监护管理，安心修养；还方便医护人员观察了解患者当前的动态情况，有效预防心源性及脑源性猝死。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种心源性及脑源性猝死监测预防方法的流程图；
图2为本发明实施例中监测采集端采集患者各项体征数据的流程图；
图3为本发明实施例中对采集的各项体征数据进行预测分析的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种心源性及脑源性猝死监测预防方法，请参见图1至图3，包括：
S101：通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；
S102：通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；
S103：监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。
上述技术方案的工作原理为：心源性及脑源性猝死，是因为各种原因导致心跳骤停而引起的，为避免心跳骤停的情况发生，医院需实时对患者的生命体征信息进行监测；
心源性及脑源性猝死监测预防方法包括通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端，其中，患者在佩戴监测采集端的时候可以在一定范围内自由行动，且不会影响对病人生理参数的测定情况，通过无线的传输方式发送数据；通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。当患者的体征状态出现异常的情况下，会发出报警信号，提醒医护人员有患者需要被检查是否出现严重的病症或感染情况，从而提高医护人员的工作效率，改善他们的工作流程；
其中，5G医疗局域网是医院专用网络，支持医院网络系统实现相关数据信息的全面共享，保障网络平台内安全传输各种数据信息，支持医疗服务合理应用，提升医院和用户之间交流互动，提升各项诊疗信息的稳定性和数据完善性，支持智慧医院内部信息系统的稳定、安全运行。
上述技术方案的有益效果为：通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。通过监测终端实时显示患者生命体征信息，避免医护人员无畏的奔波，节省大量时间；减少医院陪床陪护人员，实现患者无人监护管理，安心修养；还方便医护人员观察了解患者当前的动态情况，有效预防心源性及脑源性猝死。
在另一实施例中，所述S101步骤包括：
S1011：监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；
S1012：血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；
S1013：对应体征数据通过5G医疗局域网传输至监测管理端。
上述技术方案的工作原理为：监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；对应体征数据通过5G医疗局域网传输至监测管理端。
其中，血压监测模块用于检测人体血压，集成多种传感器包括红外测温传感器、脉搏波传感器，通过红外测温传感器采集人体红外信号，通过监测采集端内部控制器，对人体红外信号转化为温度数据后再进行温度数值换算，获取人体当前体温值；通过脉搏波传感器采集的参数获取反射光脉搏波的光电转换值，通过监测采集端内部控制器对光电转换值进行处理和计算，获取心率和血氧。
使用脉搏波传感器在指尖处进行脉搏波采集，通过提取红光和红外光脉搏波的峰值和峰谷信息来计算血氧饱和度，同时根据脉搏信号峰值点坐标计算获取心率值；通过提取桡动脉和指尖处的相同光源照射下的脉搏波峰位置的特征点来计算脉搏波传导时间，从而计算血压参数；红外测温传感器通过读取随机存取存储器地址，利用公式计算出体温值；采集获取的原始脉搏信号经过预处理，提取特征值获取心率、血氧和血压的计算公式；通过血氧估算模型对计算公式进行标定；对于血压，依据血压与脉搏波传导时间(PTT)的数学关系表达式，在通过提出的个体化参数标定方法来确定参数a和b，即可实现连续血压值的监测。
上述技术方案的有益效果为：监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；对应体征数据通过5G医疗局域网传输至监测管理端。患者随身佩戴监测采集端，通过监测采集端对患者的身体进行检查，在这种情况下，患者有自主活动的空间，对病人没有约束的检测有利于采集数据更加准确。
在另一实施例中，所述S102步骤包括：
S1021：通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；
S1022：在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；
S1023：通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告。
上述技术方案的工作原理为：通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告。
其中，将采集的对应体征数据作为多组连续时刻的多元体征参数输入至神经网络预测模型中，通过模式分类算法对当前组的体征数据进行状态识别，并通过分析一段时间内生理数据的变化趋势，对体征状态趋势进行初步的预测。
上述技术方案的有益效果为：通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告。当患者的体征状态出现异常的情况下，会发出报警信号，提醒医护人员有患者需要被检查是否出现严重的病症或感染情况，从而提高医护人员的工作效率，改善他们的工作流程。
在另一实施例中，所述S103步骤包括：
S1031：通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；
S1032：体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；
S1033：若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。
上述技术方案的工作原理为：通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。
将患者体征数据的趋势图以及患者身体状态评估的走势预测进行本地数据存储，使用SQLite的帮助类SQLiteOpenHelper创建与操作SQLite数据库，在SQLite中建立对应的用户信息表与生理数据记录表；用户信息表中的数据取自个人信息模块，其中用户ID字段为PK键，通过唯一的用户ID主键查询到该用户的所有信息；生理数据记录表包括体温数据表、心率数据表、血氧数据表和呼吸数据表，每一组数据都自行分配自增ID作为主键以记录数据编号，包括：TemperatureId、HeartRateId、SaO2Id和BreatherId；四个表内的UserId作为与用户信息表中主键UserId的关联外键，实现每个用户信息的独立分离存储；NodeId为传感器Id，记录传感器节点的MAC地址；其余为生理数据与监测时间。
上述技术方案的有益效果为：通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。从而提醒医护人员尽快对存在异常情况的患者作出处理措施；避免医护人员无畏的奔波，节省大量时间；减少陪床陪护人员，实现患者无人监护管理，安心修养；监测终端包括医生电脑端和护士站大屏幕端，护士站大屏幕端实时显示患者的体征状态，随时方便医护人员观察了解动态，通过心率曲线图可以做到早期心率失常筛查以及心源性及脑源性异常筛查。
在另一实施例中，所述S1023步骤包括：
通过神经网络预测模型对体征数据进行信息的预读与预处理之前，构建神经网络预测模型；
构建神经网络预测模型过程中，先调取监测管理端的数据库中原始体征数据，将原始体征数据分为网络训练集和用于网络测试的验证集，对原始体征数据进行数据分割，对输入层输入数据进行预处理和数据标准化，然后将与时间序列无关联或无效的数据筛除；隐含层包括15个前后相连接的神经网络单元，神经网络单元间通过状态输出建立相应的关系；输出层通过对应函数对数据进行相对于概率转化，所有的输出概率和为1，数据整合输出的三个数值分别代表的体征状态为正常、低危和高危的概率，输出结果被传至网络训练模块进行预测训练，获取对应的神经网络预测模型。
上述技术方案的工作原理为：人体的体征状态处于连续变化的过程中，在对一段时间内人体的体征状态进行判断和预测时需要将数据与时间序列相关联，将某时刻的体征数据与前后时刻的数据结合分析，构建神经网络预测模型。其中，神经网络预测模型包括输入层、输出层、隐含层和网络训练模块。
体征数据导入输入层之前，先将原始的体征样本数据分为网络训练集和用于网络测试的验证集，将数据分割为：
D＝{HR,T,SPO2,R,PAIN,State}
其中，HR表示人体的心率，T表示人体的体温，,SPO2表示人体的血氧饱和度，R表示人体的呼吸频率，PAIN表示人体的口述痛感，State表示人体当前体征状态；
通过输入层对输入数据进行标准化预处理，标准化预处理公式为：
标准化处理公式将输入数据的范围集中在[0,1]之间，以适配网络，缩短网络训练周期；在对待输入数据进行预处理和数据标准化后，与时间序列无关联或无效的数据会被筛除。其中，X表示标准化预处理数值，x表示某个指标对应的数值，表示某个指标所有数值的均值，σ2表示该指标所有数值的方差；
通过时间序列的体征分析判断人体体征状态的模型，将任意t时刻输入网络的生理数据向量分割为：
Dt＝{HRt,Tt,SPO2t,Rt,PAINt}
输入层设置5个输入节点，x＝{x1,x2,x3,x4,x5}，每个节点的输入包括5组生理数据向量，分别传入隐含层；
隐含层包括15个前后相连接的神经网络单元，单元间通过状态输出建立相应的关系，t时刻时，神经网络单元接收上一时刻神经网络单元的输出ht-1后，当前时刻的输入xt进入遗忘门、输入门和输出门，通过更新状态控制信息的流动，将ht-1和xt两个时刻的信息输入至输入门和遗忘门，获取输入门系数Gf、遗忘门系数Gi以及待更新隐藏状态G’t；
Gf＝sigmoid(Wf*[ht-1,xt]+bf)
Gi＝sigmoid(Wi*[ht-1,xt]+bi)
G’t＝tanh(Wc*[ht-1,xt]+bc)
其中，ht-1表示上一时刻的历史信息，xt表示为当前信息，sigmoid和tanh表示为激活函数，b为神经网络单元偏置值；tanh层将创建一个新的隐藏状G't，信息通过遗忘门和输入门得到系数Gf和Gi，将当前神经网络状态Ct-1更新为当前神经网络状态Ct；将ht-1与xt信息输入至输出门，得到输出门系数G0，获取当前信息的输出结果ht；
最后通过神经网络单元的输出数据随后进入全连接层，将局部时刻的所有数据重新组合传入网络输出层；
输出层通过softmax函数对数据进行相对概率转化，所有的输出概率和为1，
将数据整合为输出y＝{y1,y2,y3}，分别代表的体征状态为正常、低危和高危的概率，然后输出结果被传至网络训练模块和预测模型模块；
在网络训练模块中对网络的输出结果与实际样本结果进行损失值计算，计算使用交叉熵损失函数：
其中，y为网络输出结果，表示为实际样本结果，损失函数L的值越小，证明网络的输出结果里实际结果相差越小，判断越准确，训练模块根据损失值对网络进行参数优化，参数包括学习率、权值、迭代次数、偏置等；
对系统模型进行多种优化比较后，通过优化算法对网络的超参数进行优化；
预测模型记录人体一段时间里各个体征指标的变化趋势，结合生理参数的时序性与趋势变化预测未来某段时间的人体体征状态；在对t+1时刻的体征状态进行预测时，以t时刻之前的多个连续时刻的体征数据集作为输入数据集合，预测模块需要更多的数据，在人体处于相对稳定的环境下，输入数据的数据量与其所处的时间段越长，模块预测指定的时间段内的体征状态效果会越好。
上述技术方案的有益效果为：通过神经网络预测模型对体征数据进行信息的预读与预处理之前，构建神经网络预测模型；
构建神经网络预测模型过程中，先调取监测管理端的数据库中原始体征数据，将原始体征数据分为网络训练集和用于网络测试的验证集，对原始体征数据进行数据分割，对输入层输入数据进行预处理和数据标准化，然后将与时间序列无关联或无效的数据筛除；隐含层包括15个前后相连接的神经网络单元，神经网络单元间通过状态输出建立相应的关系；输出层通过对应函数对数据进行相对于概率转化，所有的输出概率和为1，数据整合输出的三个数值分别代表的体征状态为正常、低危和高危的概率，输出结果被传至网络训练模块进行预测训练，获取对应的神经网络预测模型。在人体处于相对稳定的环境下，输入数据的数据量与其所处的时间段越长，模块预测指定的时间段内的体征状态效果会越好。
在另一实施例中，一种心源性及脑源性猝死监测预防系统，包括：
监测采集单元用于通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；
预测分析单元用于通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；
监测终端单元用于监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。
上述技术方案的工作原理为：心源性及脑源性猝死，是因为各种原因导致心跳骤停而引起的，为避免心跳骤停的情况发生，医院需实时对患者的生命体征信息进行监测；
心源性及脑源性猝死监测预防方法包括通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端，其中，患者在佩戴监测采集端的时候可以在一定范围内自由行动，且不会影响对病人生理参数的测定情况，通过无线的传输方式发送数据；通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。当患者的体征状态出现异常的情况下，会发出报警信号，提醒医护人员有患者需要被检查是否出现严重的病症或感染情况，从而提高医护人员的工作效率，改善他们的工作流程。
上述技术方案的有益效果为：监测采集单元用于通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；预测分析单元用于通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；监测终端单元用于监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死。通过监测终端实时显示患者生命体征信息，避免医护人员无畏的奔波，节省大量时间；减少医院陪床陪护人员，实现患者无人监护管理，安心修养；还方便医护人员观察了解患者当前的动态情况，有效预防心源性及脑源性猝死。
在另一实施例中，所述监测采集单元包括：
监测采集第一子单元用于监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；
监测采集第二子单元用于血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；
监测采集第三子单元对应体征数据通过5G医疗局域网传输至监测管理端。
上述技术方案的工作原理为：监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；对应体征数据通过5G医疗局域网传输至监测管理端。
其中，血压监测模块用于检测人体血压，集成多种传感器包括红外测温传感器、脉搏波传感器，通过红外测温传感器采集人体红外信号，通过监测采集端内部控制器，对人体红外信号转化为温度数据后再进行温度数值换算，获取人体当前体温值；通过脉搏波传感器采集的参数获取反射光脉搏波的光电转换值，通过监测采集端内部控制器对光电转换值进行处理和计算，获取心率和血氧。
使用脉搏波传感器在指尖处进行脉搏波采集，通过提取红光和红外光脉搏波的峰值和峰谷信息来计算血氧饱和度，同时根据脉搏信号峰值点坐标计算获取心率值；通过提取桡动脉和指尖处的相同光源照射下的脉搏波峰位置的特征点来计算脉搏波传导时间，从而计算血压参数；红外测温传感器通过读取随机存取存储器地址，利用公式计算出体温值；采集获取的原始脉搏信号经过预处理，提取特征值获取心率、血氧和血压的计算公式；通过血氧估算模型对计算公式进行标定；对于血压，依据血压与脉搏波传导时间(PTT)的数学关系表达式，在通过提出的个体化参数标定方法来确定参数a和b，即可实现连续血压值的监测。
上述技术方案的有益效果为：监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；对应体征数据通过5G医疗局域网传输至监测管理端。患者随身佩戴监测采集端，通过监测采集端对患者的身体进行检查，在这种情况下，患者有自主活动的空间，对病人没有约束的检测有利于采集数据更加准确。
在另一实施例中，所述预测分析单元包括：
预测分析第一子单元用于通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；
预测分析第二子单元用于在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；
预测分析第三子单元通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告。
上述技术方案的工作原理为：通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告。
其中，将采集的对应体征数据作为多组连续时刻的多元体征参数输入至神经网络预测模型中，通过模式分类算法对当前组的体征数据进行状态识别，并通过分析一段时间内生理数据的变化趋势，对体征状态趋势进行初步的预测。
上述技术方案的有益效果为：通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告。当患者的体征状态出现异常的情况下，会发出报警信号，提醒医护人员有患者需要被检查是否出现严重的病症或感染情况，从而提高医护人员的工作效率，改善他们的工作流程。
在另一实施例中，所述监测终端单元包括：
监测终端第一子单元用于通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；
监测终端第二子单元体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；
监测终端第三子单元若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。
上述技术方案的工作原理为：通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。
将患者体征数据的趋势图以及患者身体状态评估的走势预测进行本地数据存储，使用SQLite的帮助类SQLiteOpenHelper创建与操作SQLite数据库，在SQLite中建立对应的用户信息表与生理数据记录表；用户信息表中的数据取自个人信息模块，其中用户ID字段为PK键，通过唯一的用户ID主键查询到该用户的所有信息；生理数据记录表包括体温数据表、心率数据表、血氧数据表和呼吸数据表，每一组数据都自行分配自增ID作为主键以记录数据编号，包括：TemperatureId、HeartRateId、SaO2Id和BreatherId；四个表内的UserId作为与用户信息表中主键UserId的关联外键，实现每个用户信息的独立分离存储；NodeId为传感器Id，记录传感器节点的MAC地址；其余为生理数据与监测时间。
上述技术方案的有益效果为：通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。从而提醒医护人员尽快对存在异常情况的患者作出处理措施；避免医护人员无畏的奔波，节省大量时间；减少陪床陪护人员，实现患者无人监护管理，安心修养；监测终端包括医生电脑端和护士站大屏幕端，护士站大屏幕端实时显示患者的体征状态，随时方便医护人员观察了解动态，通过心率曲线图可以做到早期心率失常筛查以及心源性及脑源性异常筛查。
在另一实施例中，所述预测分析第三子单元包括：
通过神经网络预测模型对体征数据进行信息的预读与预处理之前，构建神经网络预测模型；
构建神经网络预测模型过程中，先调取监测管理端的数据库中原始体征数据，将原始体征数据分为网络训练集和用于网络测试的验证集，对原始体征数据进行数据分割，对输入层输入数据进行预处理和数据标准化，然后将与时间序列无关联或无效的数据筛除；隐含层包括15个前后相连接的神经网络单元，神经网络单元间通过状态输出建立相应的关系；输出层通过对应函数对数据进行相对于概率转化，所有的输出概率和为1，数据整合输出的三个数值分别代表的体征状态为正常、低危和高危的概率，输出结果被传至网络训练模块进行预测训练，获取对应的神经网络预测模型。
上述技术方案的工作原理为：人体的体征状态处于连续变化的过程中，在对一段时间内人体的体征状态进行判断和预测时需要将数据与时间序列相关联，将某时刻的体征数据与前后时刻的数据结合分析，构建神经网络预测模型。其中，神经网络预测模型包括输入层、输出层、隐含层和网络训练模块。
体征数据导入输入层之前，先将原始的体征样本数据分为网络训练集和用于网络测试的验证集，将数据分割为：
D＝{HR,T,SPO2,R,PAIN,State}
其中，HR表示人体的心率，T表示人体的体温，,SPO2表示人体的血氧饱和度，R表示人体的呼吸频率，PAIN表示人体的口述痛感，State表示人体当前体征状态；
通过输入层对输入数据进行标准化预处理，标准化预处理公式为：
标准化处理公式将输入数据的范围集中在[0,1]之间，以适配网络，缩短网络训练周期；在对待输入数据进行预处理和数据标准化后，与时间序列无关联或无效的数据会被筛除。其中，X表示标准化预处理数值，x表示某个指标对应的数值，表示某个指标所有数值的均值，σ2表示该指标所有数值的方差；
通过时间序列的体征分析判断人体体征状态的模型，将任意t时刻输入网络的生理数据向量分割为：
Dt＝{HRt,Tt,SPO2t,Rt,PAINt}
输入层设置5个输入节点，x＝{x1,x2,x3,x4,x5}，每个节点的输入包括5组生理数据向量，分别传入隐含层；
隐含层包括15个前后相连接的神经网络单元，单元间通过状态输出建立相应的关系，t时刻时，神经网络单元接收上一时刻神经网络单元的输出ht-1后，当前时刻的输入xt进入遗忘门、输入门和输出门，通过更新状态控制信息的流动，将ht-1和xt两个时刻的信息输入至输入门和遗忘门，获取输入门系数Gf、遗忘门系数Gi以及待更新隐藏状态G’t；
Gf＝sigmoid(Wf*[ht-1,xt]+bf)
Gi＝sigmoid(Wi*[ht-1,xt]+bi)
G’t＝tanh(Wc*[ht-1,xt]+bc)
其中，ht-1表示上一时刻的历史信息，xt表示为当前信息，sigmoid和tanh表示为激活函数，b为神经网络单元偏置值；tanh层将创建一个新的隐藏状G’t，信息通过遗忘门和输入门得到系数Gf和Gi，将当前神经网络状态Ct-1更新为当前神经网络状态Ct；将ht-1与xt信息输入至输出门，得到输出门系数G0，获取当前信息的输出结果ht；
最后通过神经网络单元的输出数据随后进入全连接层，将局部时刻的所有数据重新组合传入网络输出层；
输出层通过softmax函数对数据进行相对概率转化，所有的输出概率和为1，
将数据整合为输出y＝{y1,y2,y3}，分别代表的体征状态为正常、低危和高危的概率，然后输出结果被传至网络训练模块和预测模型模块；
在网络训练模块中对网络的输出结果与实际样本结果进行损失值计算，计算使用交叉熵损失函数：
其中，y为网络输出结果，表示为实际样本结果，损失函数L的值越小，证明网络的输出结果里实际结果相差越小，判断越准确，训练模块根据损失值对网络进行参数优化，参数包括学习率、权值、迭代次数、偏置等；
对系统模型进行多种优化比较后，通过优化算法对网络的超参数进行优化；
预测模型记录人体一段时间里各个体征指标的变化趋势，结合生理参数的时序性与趋势变化预测未来某段时间的人体体征状态；在对t+1时刻的体征状态进行预测时，以t时刻之前的多个连续时刻的体征数据集作为输入数据集合，预测模块需要更多的数据，在人体处于相对稳定的环境下，输入数据的数据量与其所处的时间段越长，模块预测指定的时间段内的体征状态效果会越好。
上述技术方案的有益效果为：通过神经网络预测模型对体征数据进行信息的预读与预处理之前，构建神经网络预测模型；
构建神经网络预测模型过程中，先调取监测管理端的数据库中原始体征数据，将原始体征数据分为网络训练集和用于网络测试的验证集，对原始体征数据进行数据分割，对输入层输入数据进行预处理和数据标准化，然后将与时间序列无关联或无效的数据筛除；隐含层包括15个前后相连接的神经网络单元，神经网络单元间通过状态输出建立相应的关系；输出层通过对应函数对数据进行相对于概率转化，所有的输出概率和为1，数据整合输出的三个数值分别代表的体征状态为正常、低危和高危的概率，输出结果被传至网络训练模块进行预测训练，获取对应的神经网络预测模型。在人体处于相对稳定的环境下，输入数据的数据量与其所处的时间段越长，模块预测指定的时间段内的体征状态效果会越好。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种心源性及脑源性猝死监测预防系统，其特征在于，包括：
监测采集单元用于通过患者佩戴的监测采集端采集患者各项体征数据，将各项体征数据通过5G医疗局域网传输至监测管理端；
预测分析单元用于通过监测管理端对采集的各项体征数据进行预测分析，生成患者体征状态预测分析报告；
监测终端单元用于监测终端实时显示患者的患者体征状态预测分析报告，若分析报告中各项体征数据出现异常值，则启动语音报警，提醒医护人员作出对应处理措施，避免因体征数据出现异常值导致患者心源性及脑源性猝死；
所述预测分析单元包括：
预测分析第一子单元用于通过监测管理端将采集的对应体征数据进行分析处理，并将对应体征数据进行分类及加密存储处理；
预测分析第二子单元用于在分析处理过程中，监测管理端的分析中心将实时采集的对应体征数据输入至神经网络预测模型；
预测分析第三子单元通过神经网络预测模型对体征数据进行信息的预读与预处理，结合患者的历史致病因素进行判断与决策，获取患者身体状态评估的走势预测，根据患者身体状态评估的走势预测生成患者体征状态预测分析报告；
所述预测分析第三子单元包括：
通过神经网络预测模型对体征数据进行信息的预读与预处理之前，构建神经网络预测模型；
构建神经网络预测模型过程中，先调取监测管理端的数据库中原始体征数据，将原始体征数据分为网络训练集和用于网络测试的验证集，对原始体征数据进行数据分割，对输入层输入数据进行预处理和数据标准化，然后将与时间序列无关联或无效的数据筛除；隐含层包括15个前后相连接的神经网络单元，神经网络单元间通过状态输出建立相应的关系；输出层通过对应函数对数据进行相对于概率转化，所有的输出概率和为1，数据整合输出的三个数值分别代表的体征状态为正常、低危和高危的概率，输出结果被传至网络训练模块进行预测训练，获取对应的神经网络预测模型；
体征数据导入输入层之前，先将原始的体征样本数据分为网络训练集和用于网络测试的验证集，将数据分割为：
D＝{HR,T,SPO2,R,PAIN,State}
其中，HR表示人体的心率，T表示人体的体温，SPO2表示人体的血氧饱和度，R表示人体的呼吸频率，PAIN表示人体的口述痛感，State表示人体当前体征状态；
通过输入层对输入数据进行标准化预处理，标准化预处理公式为：
标准化处理公式将输入数据的范围集中在[0,1]之间，以适配网络，缩短网络训练周期；在对待输入数据进行预处理和数据标准化后，与时间序列无关联或无效的数据被筛除；其中，X表示标准化预处理数值，x表示某个指标对应的数值，表示某个指标所有数值的均值，σ2表示该指标所有数值的方差；
通过时间序列的体征分析判断人体体征状态的模型，将任意t时刻输入网络的生理数据向量分割为：
Dt＝{HRt,Tt,SPO2t,Rt,PAINt}
输入层设置5个输入节点，x＝{x1,x2,x3,x4,x5}，每个节点的输入包括5组生理数据向量，分别传入隐含层；
隐含层包括15个前后相连接的神经网络单元，单元间通过状态输出建立相应的关系，t时刻时，神经网络单元接收上一时刻神经网络单元的输出ht-1后，当前时刻的输入xt进入遗忘门、输入门和输出门，通过更新状态控制信息的流动，将ht-1和xt两个时刻的信息输入至输入门和遗忘门，获取输入门系数Gf、遗忘门系数Gi以及待更新隐藏状态G’t；
Gf＝sigmoid(Wf*[ht-1,xt]+bf)
Gi＝sigmoid(Wi*[ht-1,xt]+bi)
G’t＝tanh(Wc*[ht-1,xt]+bc)
其中，ht-1表示上一时刻的历史信息，xt表示为当前信息，sigmoid和tanh表示为激活函数，b为神经网络单元偏置值；tanh层将创建一个新的隐藏状G’t，信息通过遗忘门和输入门得到系数Gf和Gi，将当前神经网络状态Ct-1更新为当前神经网络状态Ct；将ht-1与xt信息输入至输出门，得到输出门系数G0，获取当前信息的输出结果ht；
最后通过神经网络单元的输出数据随后进入全连接层，将局部时刻的所有数据重新组合传入网络输出层；
输出层通过softmax函数对数据进行相对概率转化，所有的输出概率和为1，将数据整合为输出y＝{y1,y2,y3}，分别代表的体征状态为正常、低危和高危的概率，然后输出结果被传至网络训练模块和预测模型模块；
在网络训练模块中对网络的输出结果与实际样本结果进行损失值计算，计算使用交叉熵损失函数：
其中，y为网络输出结果，表示为实际样本结果，训练模块根据损失值对网络进行参数优化，参数包括学习率、权值、迭代次数、偏置；
对系统模型进行若干种优化比较后，通过优化算法对网络的超参数进行优化；
预测模型记录人体一段时间里各个体征指标的变化趋势，结合生理参数的时序性与趋势变化预测未来某段时间的人体体征状态；在对t+1时刻的体征状态进行预测时，以t时刻之前的若干个连续时刻的体征数据集作为输入数据集合。
2.根据权利要求1所述的一种心源性及脑源性猝死监测预防系统，其特征在于，所述监测采集单元包括：
监测采集第一子单元用于监测采集端包括血压监测模块和集成多种传感器，将血压监测模块和集成多种传感器佩戴至患者对应采集部位；
监测采集第二子单元用于血压监测模块和集成多种传感器采集患者对应体征数据，对应体征数据包括血压、血氧、心率、体温；
监测采集第三子单元对应体征数据通过5G医疗局域网传输至监测管理端。
3.根据权利要求1所述的一种心源性及脑源性猝死监测预防系统，其特征在于，所述监测终端单元包括：
监测终端第一子单元用于通过监测终端向医护人员展示患者体征数据的趋势图以及患者身体状态评估的走势预测；
监测终端第二子单元体征数据通过监测终端的消息操作类界面进行异步传输，供监测终端展示界面滚动显示，滚动显示的体征数据包括数据时间、生理数据类型、生理数据值；
监测终端第三子单元若患者体征数据的趋势图以及患者身体状态评估的走势预测出现异常情况时，则启动语音报警，提醒医护人员作出对应处理措施，避免因患者身体状态出现异常情况导致患者心源性及脑源性猝死。
CN202310056729.XA 2023-01-16 2023-01-16 一种心源性及脑源性猝死监测预防系统和方法 Active CN116098595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310056729.XA CN116098595B (zh) 2023-01-16 2023-01-16 一种心源性及脑源性猝死监测预防系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310056729.XA CN116098595B (zh) 2023-01-16 2023-01-16 一种心源性及脑源性猝死监测预防系统和方法

Publications (2)

Publication Number Publication Date
CN116098595A CN116098595A (zh) 2023-05-12
CN116098595B true CN116098595B (zh) 2023-09-05

Family

ID=86266928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310056729.XA Active CN116098595B (zh) 2023-01-16 2023-01-16 一种心源性及脑源性猝死监测预防系统和方法

Country Status (1)

Country Link
CN (1) CN116098595B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117598674B (zh) * 2024-01-24 2024-04-12 吉林大学 多参数心脏功能监测系统及方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2536279C1 (ru) * 2013-11-25 2014-12-20 Анна Сергеевна Семенова Способ прогнозирования осложнений после операций шунтирования коронарных артерий в условиях искусственного кровообращения
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
CN107958044A (zh) * 2017-11-24 2018-04-24 清华大学 基于深度时空记忆网络的高维序列数据预测方法和系统
CN110490251A (zh) * 2019-03-08 2019-11-22 腾讯科技（深圳）有限公司 基于人工智能的预测分类模型获取方法及装置、存储介质
CN110522413A (zh) * 2019-07-26 2019-12-03 安徽泛米科技有限公司 一种生命体征监测系统
CN111261277A (zh) * 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于深度学习模型的心脏疾病的检测方法
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统
CN113812933A (zh) * 2021-09-18 2021-12-21 重庆大学 基于可穿戴式设备的急性心肌梗死实时预警系统
CN113995417A (zh) * 2021-10-20 2022-02-01 南京邮电大学 基于lstm自编码器的心电信号异常预测方法及系统
CN114145761A (zh) * 2021-12-10 2022-03-08 段庆红 一种氟骨症医学影像学检测系统及其使用方法
CN114582488A (zh) * 2022-02-18 2022-06-03 赵蕾 一种高危人群的肾内科疾病预防的系统及方法
CN114678126A (zh) * 2022-03-17 2022-06-28 江苏智慧工场技术研究院有限公司 一种疾病追踪预测系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2536279C1 (ru) * 2013-11-25 2014-12-20 Анна Сергеевна Семенова Способ прогнозирования осложнений после операций шунтирования коронарных артерий в условиях искусственного кровообращения
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
CN107958044A (zh) * 2017-11-24 2018-04-24 清华大学 基于深度时空记忆网络的高维序列数据预测方法和系统
CN111261277A (zh) * 2018-11-30 2020-06-09 上海图灵医疗科技有限公司 一种基于深度学习模型的心脏疾病的检测方法
CN110490251A (zh) * 2019-03-08 2019-11-22 腾讯科技（深圳）有限公司 基于人工智能的预测分类模型获取方法及装置、存储介质
CN110522413A (zh) * 2019-07-26 2019-12-03 安徽泛米科技有限公司 一种生命体征监测系统
CN111297349A (zh) * 2020-02-12 2020-06-19 北京蓝卫通科技有限公司 一种基于机器学习的心律分类系统
CN113812933A (zh) * 2021-09-18 2021-12-21 重庆大学 基于可穿戴式设备的急性心肌梗死实时预警系统
CN113995417A (zh) * 2021-10-20 2022-02-01 南京邮电大学 基于lstm自编码器的心电信号异常预测方法及系统
CN114145761A (zh) * 2021-12-10 2022-03-08 段庆红 一种氟骨症医学影像学检测系统及其使用方法
CN114582488A (zh) * 2022-02-18 2022-06-03 赵蕾 一种高危人群的肾内科疾病预防的系统及方法
CN114678126A (zh) * 2022-03-17 2022-06-28 江苏智慧工场技术研究院有限公司 一种疾病追踪预测系统

Also Published As

Publication number Publication date
CN116098595A (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
Alazzam et al. A novel smart healthcare monitoring system using machine learning and the Internet of Things
Hussain et al. Big-ECG: Cardiographic predictive cyber-physical system for stroke management
JP5841196B2 (ja) ヒトの健康に関する残差ベースの管理
Ru et al. A detailed research on human health monitoring system based on internet of things
Mdhaffar et al. CEP4HFP: Complex event processing for heart failure prediction
Yadav et al. Machine learning algorithms for disease prediction using iot environment
US20190287661A1 (en) Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time
KR20070097725A (ko) 생체신호분석을 위한 일중주기 모니터링 시스템
KR102526577B1 (ko) 환자 관리를 위한 인공지능 기반의 위험 예측 시스템 및 방법
CN115769302A (zh) 流行病监控系统
EP3547320A2 (en) Related systems and method for correlating medical data and diagnostic and health treatment follow-up conditions of patients monitored in real-time
Tylman et al. Real-time prediction of acute cardiovascular events using hardware-implemented Bayesian networks
CN116098595B (zh) 一种心源性及脑源性猝死监测预防系统和方法
Götzinger et al. Confidence-enhanced early warning score based on fuzzy logic
CN114758786A (zh) 基于无创参数的创伤后失血性休克动态早期预警系统
Kannathal et al. Cardiac health diagnosis using data fusion of cardiovascular and haemodynamic signals
Panagiotou et al. A multi: modal decision making system for an ambient assisted living environment
Karimi Moridani An automated method for sleep apnoea detection using HRV
Aghalya et al. Real-time Monitoring and Prediction of Respiratory Diseases Using IoT and Machine Learning
Irshad et al. Convolutional neural network enable optoelectronic system for predicting cardiac response by analyzing auction-based optimization algorithms
Sujin et al. Public e-health network system using arduino controller
Bhattacharya et al. Remote cardiovascular health monitoring system with auto-diagnosis
KR20040034164A (ko) 간병용로봇장치 및 간병로봇 모니터링시스템
Dobre et al. Parameters weighting in elderly monitoring based on multi-criteria methods
Patil et al. Detection of Cardiac Abnormalities and Heart Disease Using Machine Learning Techniques

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
CB02 Change of applicant information

Address after: 312, No. 681, Yushan Road, Shatou Street, Panyu District, Guangzhou, Guangdong 510000

Applicant after: Guangdong Haina Medical Technology Co.,Ltd.

Address before: Unit 405, No. 99 Baisha Water Road, Changban, Tianhe District, Guangzhou City, Guangdong Province, 510000 (office only)

Applicant before: Guangdong Haina Medical Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant