CN116473526A - 基于人工智能和物联网的医疗信息采集方法及系统 - Google Patents
基于人工智能和物联网的医疗信息采集方法及系统 Download PDFInfo
- Publication number
- CN116473526A CN116473526A CN202310744388.5A CN202310744388A CN116473526A CN 116473526 A CN116473526 A CN 116473526A CN 202310744388 A CN202310744388 A CN 202310744388A CN 116473526 A CN116473526 A CN 116473526A
- Authority
- CN
- China
- Prior art keywords
- data
- parameters
- artificial intelligence
- acquisition
- hospital
- 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.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 230000009467 reduction Effects 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 3
- 210000004369 blood Anatomy 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 claims description 3
- 230000036760 body temperature Effects 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000036387 respiratory rate Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 230000036541 health Effects 0.000 claims 1
- 230000006855 networking Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/604—Tools and structures for managing or administering access control systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- G16H40/67—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 for remote operation
-
- 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
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/60—Healthcare; Welfare
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2141—Access rights, e.g. capability lists, access control lists, access tables, access matrices
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Bioethics (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Computer Security & Cryptography (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Automation & Control Theory (AREA)
Abstract
本发明公开了基于人工智能和物联网的医疗信息采集方法及系统,包括:S1:利用医院内的传感器和可穿戴设备,基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数;S2:基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪,得到去噪后的数据;S3:对去噪后的数据进行特征降维,并提取去噪后的数据和降维后的数据的统计参数;S4:基于人工智能学习网络对去噪后的数据和降维后的数据及其相应的统计参数进行学习与分析;S5:对去噪后的数据和人工智能学习网络预测出的信息进行加密。本发明具备提高数据质量、实现实时采集、提取关键信息、智能化分析与决策以及数据安全保护等方面的优势。
Description
技术领域
本发明属于医疗信息采集领域,尤其涉及一种基于人工智能和物联网的医疗信息采集方法及系统。
背景技术
近年来,人工智能和物联网技术的发展为医疗信息的采集和分析带来了新的机遇。人工智能技术,如机器学习、深度学习和自然语言处理,使得可以分析和理解各种医疗数据。物联网技术使得可以将各种医疗设备、传感器和可穿戴设备连接,实时采集各类参数。传统方法中,医院内部环境参数和病人生理参数的采集间隔通常是固定的,无法根据实际需求进行动态调整。这导致了数据采集的不精确性和实时性的不足。同时,医院内部环境参数和病人生理参数的数据往往受到各种噪声的干扰,如传感器噪声、运动伪影等。传统滤波方法难以准确去噪,导致数据质量下降。现有方法在数据分析过程中往往没有进行特征降维,导致数据特征过多,分析复杂度高,难以从中提取有用的信息。传统方法中,对采集到的数据和统计参数的分析主要依赖于人工经验,缺乏智能化的处理和决策能力。
发明内容
有鉴于此,本发明提供基于人工智能和物联网的医疗信息采集方法及系统,目的在于于通过提高数据质量、实现实时采集、提取关键信息、智能化分析与决策以及数据安全保护等方面的优势,为医疗信息采集和分析提供了更加可靠、高效和智能的解决方案。
实现上述目的,本发明提供的基于人工智能和物联网的医疗信息采集方法,包括以下步骤:
S1:利用医院内的传感器和可穿戴设备,基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数;
S2:基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪,得到去噪后的数据;
S3:对去噪后的数据进行特征降维,并提取去噪后的数据和降维后的数据的统计参数;
S4:基于人工智能学习网络对去噪后的数据和降维后的数据及其相应的统计参数进行学习与分析;
S5:对去噪后的数据和人工智能学习网络预测出的信息进行加密。
作为本发明的进一步改进方法:
可选的,所述S1步骤中利用医院内的传感器和可穿戴设备,基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数,包括:
利用医院内的传感器和可穿戴设备采集医院内部环境参数和病人的生理参数,所述医院内部环境参数包括病区的温度、湿度、氧气浓度、二氧化碳浓度、臭氧浓度和音量,所述病人的生理参数包括体温、血压、血氧、血氧饱和度、心率以及呼吸频率。基于动态调整采集间隔法控制采集频率,所述动态调整采集间隔法的流程为:
S11:构建采集基本模型并初始化:
;
其中,为第i次采集的时间点;/>是上一次采集的时间点;/>是根据实时需求和数据变化调整的采集间隔;
设定初始采集间隔为每5分钟并在设定的初始采集间隔内进行第一次采集;
S12:根据实时数据变化,对采集间隔进行调整:
采集间隔的调整方式为:
;
其中,define指示是否人为设置采集间隔,0为否,1为是;为自然常数;k为正常数,用于调整采集间隔的增长速率;/>为采集数据的变化率;
S13:更新采集间隔:
根据检测到的数据变化,更新下一次采集的间隔时间,基于更新后的采集间隔进行下一次采样;
可选的,所述S2步骤中基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪,得到去噪后的数据,包括:
基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪,所述自适应滤波的计算流程为:
S21:初始化自适应滤波参数并对数据进行预测:
初始自适应滤波参数为0,其中p,q分别表示自回归系数/>和移动平均系数/>的长度;
基于初始自适应滤波参数对数据进行预测,所述预测的计算方式为:
;
其中,x表示实际数据,即采集到的医院内部环境参数和病人的生理参数;表示预测数据;n表示数据点所在位置;/>为白噪声;
S22:计算实际数据与预测数据的误差并更新自适应滤波参数:
实际数据与预测数据的误差的计算方式为:
;
基于实际数据与预测数据的误差更新自适应滤波参数,所述更新通过求解以下两个公式完成:
;
其中,和/>分别为实际数据与预测数据的误差关于/>和/>的偏导;
S23:利用更新完成的自适应滤波参数获得去噪后的数据:
求解S22获得更新完成的自适应滤波参数,将其代入S21即可获得去噪后的数据;
可选的,所述S3步骤中对去噪后的数据进行特征降维,并提取去噪后的数据和降维后的数据的统计参数,包括:
对去噪后的数据进行特征降维,所述特征降维基于主成分分析,计算方式为:
S31:将数据零均值化并计算协方差矩阵:
零均值化的计算方式为:
;
其中,X为去噪后的数据构成的数据矩阵,计算数据矩阵的均值;/>为零均值化后的数据矩阵;
协方差矩阵的计算方式为:
;
其中,为数据的数量;/>表示矩阵的转置;S为协方差矩阵;
S32:求解协方差矩阵的特征值与特征向量,并使用前m个特征向量对数据矩阵进行降维:
协方差矩阵的特征值与特征向量的求解公式为:
;
其中,为特征值,/>为特征向量;
使用前m个特征向量对数据矩阵进行降维:
;
其中,为特征向量中的前m个向量,Y为降维后的数据矩阵;
提取去噪后的数据和降维后的数据的统计参数,所述统计参数包括极差、变异系数和偏度,计算方式为:
;
其中,;/>和/>分别代表Z的最大值和最小值;/>和分别代表Z的均值和标准差;
可选的,所述S4步骤中基于人工智能学习网络对去噪后的数据和降维后的数据及其相应的统计参数进行学习与分析,包括:
S41:定义人工智能学习网络需要学习的任务:
;
其中,;W为人工智能学习网络的参数;/>和/>分别代表人工智能学习网络对输入的医院内部环境数据或病人的生理参数数据进行分类和评分的结果信息;
S42:计算人工智能学习网络预测的结果与真实结果的误差:
;
其中,和/>分别代表人工提前定义的分类和评分标准,医院内部环境数据分为优、良、差三类,分别对应评分为80至100分、60至80分、0至60分,病人的生理参数数据质量分为优、良、差三类,分别对应评分为80至100分、60至80分、0至60分;/>表示如果真实的分类为第/>类,则其值为1,否则为0;/>为人工智能学习网络预测的类别的概率;
S43:基于S42计算得到的误差调整人工智能学习网络的参数:
网络参数的调整基于梯度下降法,计算方式为:
;
其中,代表当前迭代状态下/>的梯度;/>为人工智能学习网络的学习率,用于控制网络参数每次更新的幅度;/>表示赋值操作;
可选的,所述S5步骤中对去噪后的数据和人工智能学习网络预测出的信息进行加密,包括:
S51:密钥生成:
随机生成两个素数,/>,计算模数/>;
选择随机数,满足/>,其中gcd函数用于计算最大公约数,则公钥为/>;
基于公钥进一步计算私钥:
;
其中,计算最小公倍数;mod表示取模运算符;
S52:基于密钥加密:
随机生成数字,满足/>,计算加密后的信息:
;
其中,为加密后的信息;/>为加密前的信息;
S53:基于密钥解密:
将加密后的信息传输到目标设备后,对加密的信息进行解密的计算方式为:
;
其中,为解密后的信息。
本发明还提供了基于人工智能和物联网的医疗信息采集系统,包括:
参数采集模块:基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数;
数据去噪模块:基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪;
特征处理模块:对数据进行特征降维,并提取数据的统计参数;
数据智能分析模块:基于人工智能学习网络对数据及其相应的统计参数进行学习与分析;
数据加密模块:对去噪后的数据和人工智能学习网络预测出的信息进行加密。
有益效果
通过动态调整采集间隔和应用自适应滤波算法进行去噪处理,有效降低了传感器噪声对数据的影响,提高了医院内部环境参数和病人生理参数数据的质量。
通过动态调整采集间隔,可以根据实际需求对数据进行实时采集,保证了数据的及时性和准确性。这对于对病人的实时监测和医院内部环境的实时控制具有重要意义。
采用特征降维技术对数据进行处理,减少了数据的冗余特征,提取了关键信息。这有助于降低数据分析的复杂度,使得从大量数据中提取有用信息更加高效和准确。
通过人工智能学习网络对去噪后的数据和降维后的数据进行学习与分析,实现了智能化的数据处理和决策能力。这使得医疗信息的分析和预测更加准确、快速和智能化。
对去噪后的数据和人工智能学习网络预测出的信息进行加密处理,保护敏感信息的安全性和隐私性。这有助于防止未经授权的访问和信息泄露,确保医疗数据的安全。
附图说明
图1为本发明一实施例的基于人工智能和物联网的医疗信息采集方法的流程示意图;
具体实施方式
下面结合附图对本发明作进一步的说明,但不以任何方式对本发明加以限制,基于本发明教导所作的任何变换或替换,均属于本发明的保护范围。
实施例1:基于人工智能和物联网的医疗信息采集方法,如图1所示,包括以下步骤:
S1:利用医院内的传感器和可穿戴设备,基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数。
利用医院内的传感器和可穿戴设备采集医院内部环境参数和病人的生理参数,所述医院内部环境参数包括病区的温度、湿度、氧气浓度、二氧化碳浓度、臭氧浓度和音量,所述病人的生理参数包括体温、血压、血氧、血氧饱和度、心率以及呼吸频率。基于动态调整采集间隔法控制采集频率,所述动态调整采集间隔法的流程为:
S11:构建采集基本模型并初始化:
;
其中,为第i次采集的时间点;/>是上一次采集的时间点;/>是根据实时需求和数据变化调整的采集间隔;
设定初始采集间隔为每5分钟并在设定的初始采集间隔内进行第一次采集;
S12:根据实时数据变化,对采集间隔进行调整:
采集间隔的调整方式为:
;
其中,define指示是否人为设置采集间隔,0为否,1为是;为自然常数;k为正常数,用于调整采集间隔的增长速率,本实施例中为10;/>为采集数据的变化率;
S13:更新采集间隔:
根据检测到的数据变化,更新下一次采集的间隔时间,基于更新后的采集间隔进行下一次采样。
动态调整采集间隔法会检测到监测目标状态变化时动态提高采集频率进行高密度信息采集,通过高频采集获取更为详细和准确的监测信息。但是考虑到设备和通信资源限制,只在有限的随机时间内进行高频采集,然后恢复基础采集频率。该策略既满足了高频采集的需求,又控制在系统处理和存储能力范围内。
S2:基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪,得到去噪后的数据。
基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪,所述自适应滤波的计算流程为:
S21:初始化自适应滤波参数并对数据进行预测:
初始自适应滤波参数为0,其中p,q分别表示自回归系数/>和移动平均系数/>的长度;
基于初始自适应滤波参数对数据进行预测,所述预测的计算方式为:
;
其中,x表示实际数据,即采集到的医院内部环境参数和病人的生理参数;表示预测数据;n表示数据点所在位置;/>为白噪声;
S22:计算实际数据与预测数据的误差并更新自适应滤波参数:
实际数据与预测数据的误差的计算方式为:
;
基于实际数据与预测数据的误差更新自适应滤波参数,所述更新通过求解以下两个公式完成:
;
其中,和/>分别为实际数据与预测数据的误差关于/>和/>的偏导;
S23:利用更新完成的自适应滤波参数获得去噪后的数据:
求解S22获得更新完成的自适应滤波参数,将其代入S21即可获得去噪后的数据。
实时采集的数据中常常包含噪声,可能由传感器故障、电磁干扰或环境因素引起。自适应滤波可以根据实际数据的特征动态地调整滤波参数,从而更有效地去除噪声干扰,提高数据质量。自适应滤波能够根据数据的统计特性和变化情况,自动调整滤波器的参数,以最大程度地保留有用的信号信息。这意味着在去除噪声的同时,尽可能地保留了数据中的重要信息,使得后续的分析和处理更准确可靠。
S3:对去噪后的数据进行特征降维,并提取去噪后的数据和降维后的数据的统计参数。
对去噪后的数据进行特征降维,所述特征降维基于主成分分析,计算方式为:
S31:将数据零均值化并计算协方差矩阵:
零均值化的计算方式为:
;
其中,X为去噪后的数据构成的数据矩阵,计算数据矩阵的均值;/>为零均值化后的数据矩阵;
协方差矩阵的计算方式为:
;
其中,为数据的数量;/>表示矩阵的转置;S为协方差矩阵;
S32:求解协方差矩阵的特征值与特征向量,并使用前m个特征向量对数据矩阵进行降维:
协方差矩阵的特征值与特征向量的求解公式为:
;
其中,为特征值,/>为特征向量;
使用前m个特征向量对数据矩阵进行降维:
;
其中,为特征向量中的前m个向量,Y为降维后的数据矩阵;
提取去噪后的数据和降维后的数据的统计参数,所述统计参数包括极差、变异系数和偏度,计算方式为:
;
其中,;/>和/>分别代表Z的最大值和最小值;/>和分别代表Z的均值和标准差。
通过特征降维技术,可以将原始数据的维度减少到更低的维度。这有助于减少数据存储和处理的成本,尤其对于大规模的医疗信息数据来说,可以降低存储和计算的需求。在进行特征降维的过程中,可以去除数据中的冗余信息。冗余信息可能来自于重复的测量、传感器的误差或数据的高度相关性。通过降低冗余信息,可以更好地聚焦于数据的关键特征,提高数据分析和模型训练的效果。从去噪后的数据和降维后的数据中提取统计参数,可以帮助描述数据的分布和特征。这些统计参数可以提供对数据集的整体了解,并为后续的数据分析和决策提供重要的参考依据。
S4:基于人工智能学习网络对去噪后的数据和降维后的数据及其相应的统计参数进行学习与分析。
S41:定义人工智能学习网络需要学习的任务:
;
其中,;W为人工智能学习网络的参数;/>和/>分别代表人工智能学习网络对输入的医院内部环境数据或病人的生理参数数据进行分类和评分的结果信息;
S42:计算人工智能学习网络预测的结果与真实结果的误差:
;
其中,和/>分别代表人工提前定义的分类和评分标准,医院内部环境数据分为优、良、差三类,分别对应评分为80至100分、60至80分、0至60分,病人的生理参数数据质量分为优、良、差三类,分别对应评分为80至100分、60至80分、0至60分;/>表示如果真实的分类为第/>类,则其值为1,否则为0;/>为人工智能学习网络预测的类别的概率;
S43:基于S42计算得到的误差调整人工智能学习网络的参数:
网络参数的调整基于梯度下降法,计算方式为:
;
其中,代表当前迭代状态下/>的梯度;/>为人工智能学习网络的学习率,用于控制网络参数每次更新的幅度,本实施例中/>;/>表示赋值操作。
人工智能学习网络具有强大的学习能力,能够从数据中自动学习特征和模式。通过对去噪后的数据、降维后的数据及其统计参数进行学习,学习网络可以发现数据中的关联关系、隐含模式和重要特征,从而提高对数据的理解和分析能力。人工智能学习网络能够适应不同类型的数据和任务,并具有一定的鲁棒性。它可以处理各种类型的医疗信息数据,包括多维时间序列数据、结构化数据和非结构化数据。这种灵活性使得学习网络能够适应不同的数据特点和应用场景,提供更准确和可靠的分析结果。通过学习去噪后的数据、降维后的数据及其统计参数,学习网络可以建立模型并进行预测。学习网络可以利用数据中的潜在规律和特征,辅助医疗信息采集过程。这可以提高信息采集的准确性,并为医疗实践提供更可靠的数据基础。
S5:对去噪后的数据和人工智能学习网络预测出的信息进行加密。
S51:密钥生成:
随机生成两个素数,/>,计算模数/>;
选择随机数,满足/>,其中gcd函数用于计算最大公约数,则公钥为/>;
基于公钥进一步计算私钥:
;
其中,计算最小公倍数;mod表示取模运算符;
S52:基于密钥加密:
随机生成数字,满足/>,计算加密后的信息:
;
其中,为加密后的信息;/>为加密前的信息;
S53:基于密钥解密:
将加密后的信息传输到目标设备后,对加密的信息进行解密的计算方式为:
;
其中,为解密后的信息。
通过加密算法对数据进行加密,可以确保数据的安全性和隐私保护。加密后的数据只能由授权人员进行解密和访问,防止未经授权的访问和窃取敏感信息。加密能够提供数据完整性保护,防止数据在传输或存储过程中被篡改或损坏。只有经过授权的人员才能解密数据,保证数据的完整性和可信性。对于涉及敏感医疗信息的数据,加密是符合法规和合规要求的措施之一。加密可以帮助医疗机构和相关实体满足数据保护和隐私法规的要求,避免潜在的法律风险和违规行为。
实施例2:本发明还公开了基于人工智能和物联网的医疗信息采集系统,包括以下模块:
参数采集模块:基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数;
数据去噪模块:基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪;
特征处理模块:对数据进行特征降维,并提取数据的统计参数;
数据智能分析模块:基于人工智能学习网络对数据及其相应的统计参数进行学习与分析;
数据加密模块:对去噪后的数据和人工智能学习网络预测出的信息进行加密。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.基于人工智能和物联网的医疗信息采集方法,其特征在于,包括以下步骤:
S1:利用医院内的传感器和可穿戴设备,基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数;
S2:基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪,得到去噪后的数据;
S3:对去噪后的数据进行特征降维,并提取去噪后的数据和降维后的数据的统计参数;
S4:基于人工智能学习网络对去噪后的数据和降维后的数据及其相应的统计参数进行学习与分析;
S5:对去噪后的数据和人工智能学习网络预测出的信息进行加密。
2.根据权利要求1所述的基于人工智能和物联网的医疗信息采集方法,其特征在于,所述步骤S1中利用医院内的传感器和可穿戴设备,基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数,包括:
利用医院内的传感器和可穿戴设备采集医院内部环境参数和病人的生理参数,所述医院内部环境参数包括病区的温度、湿度、氧气浓度、二氧化碳浓度、臭氧浓度和音量,所述病人的生理参数包括体温、血压、血氧、血氧饱和度、心率以及呼吸频率;基于动态调整采集间隔法控制采集频率,所述动态调整采集间隔法的流程为:
S11:构建采集基本模型并初始化:
;
其中,为第i次采集的时间点;/>是上一次采集的时间点;/>是根据实时需求和数据变化调整的采集间隔;
设定初始采集间隔为每5分钟并在设定的初始采集间隔内进行第一次采集;
S12:根据实时数据变化,对采集间隔进行调整:
采集间隔的调整方式为:
;
其中,define指示是否人为设置采集间隔,0为否,1为是;为自然常数;k为正常数,用于调整采集间隔的增长速率;/>为采集数据的变化率;
S13:更新采集间隔:
根据检测到的数据变化,更新下一次采集的间隔时间,基于更新后的采集间隔进行下一次采样。
3.根据权利要求2所述的基于人工智能和物联网的医疗信息采集方法,其特征在于,所述步骤S2中自适应滤波的计算流程为:
S21:初始化自适应滤波参数并对数据进行预测:
初始自适应滤波参数为0,其中p,q分别表示自回归系数/>和移动平均系数/>的长度;
基于初始自适应滤波参数对数据进行预测,所述预测的计算方式为:
;
其中,x表示实际数据,即采集到的医院内部环境参数和病人的生理参数;表示预测数据;n表示数据点所在位置;/>为白噪声;
S22:计算实际数据与预测数据的误差并更新自适应滤波参数:
实际数据与预测数据的误差的计算方式为:
;
基于实际数据与预测数据的误差更新自适应滤波参数,所述更新通过求解以下两个公式完成:
;
其中,和/>分别为实际数据与预测数据的误差关于/>和/>的偏导;
S23:利用更新完成的自适应滤波参数获得去噪后的数据:
求解S22获得更新完成的自适应滤波参数,将其代入S21即可获得去噪后的数据。
4.根据权利要求3所述的基于人工智能和物联网的医疗信息采集方法,其特征在于,所述步骤S3中对去噪后的数据进行特征降维,所述特征降维基于主成分分析,计算方式为:
S31:将数据零均值化并计算协方差矩阵:
零均值化的计算方式为:
;
其中,X为去噪后的数据构成的数据矩阵,计算数据矩阵的均值;/>为零均值化后的数据矩阵;
协方差矩阵的计算方式为:
;
其中,为数据的数量;/>表示矩阵的转置;
S32:求解协方差矩阵的特征值与特征向量,并使用前m个特征向量对数据矩阵进行降维:
协方差矩阵的特征值与特征向量的求解公式为:
;
其中,为特征值,/>为特征向量;
使用前m个特征向量对数据矩阵进行降维:
;
其中,为特征向量中的前m个向量,Y为降维后的数据矩阵;
提取去噪后的数据和降维后的数据的统计参数,所述统计参数包括极差、变异系数和偏度,计算方式为:
;
其中,;/>和/>分别代表Z的最大值和最小值;/>和/>分别代表Z的均值和标准差。
5.根据权利要求4所述的基于人工智能和物联网的医疗信息采集方法,其特征在于,所述步骤S4中基于人工智能学习网络对去噪后的数据和降维后的数据及其相应的统计参数进行学习与分析,包括:
S41:定义人工智能学习网络需要学习的任务:
;
其中,;W为人工智能学习网络的参数;/>和/>分别代表人工智能学习网络对输入的医院内部环境数据或病人的生理参数数据进行分类和评分的结果信息;
S42:计算人工智能学习网络预测的结果与真实结果的误差:
;
其中,和/>分别代表人工提前定义的分类和评分标准,医院内部环境数据,分为优、良、差三类,评分为0至100分,病人的生理参数数据,分为健康、亚健康、异常三类,评分为0至100分;/>表示如果真实的分类为第/>类,则其值为1,否则为0;/>为人工智能学习网络预测的类别的概率;/>为类别序号;
S43:基于S42计算得到的误差调整人工智能学习网络的参数:
网络参数的调整基于梯度下降法,计算方式为:
;
其中,代表当前迭代状态下/>的梯度;/>为人工智能学习网络的学习率,用于控制网络参数每次更新的幅度;/>表示赋值操作。
6.根据权利要求5所述的基于人工智能和物联网的医疗信息采集方法,其特征在于,所述步骤S5包括以下步骤:
S51:密钥生成:
随机生成两个素数,/>,计算模数/>;
选择随机数,满足/>,其中gcd函数用于计算最大公约数,则公钥为;
基于公钥进一步计算私钥:
;
其中,计算最小公倍数;mod表示取模运算符;
S52:基于密钥加密:
随机生成数字,满足/>,计算加密后的信息:
;
其中,为加密后的信息;/>为加密前的信息;
S53:基于密钥解密:
将加密后的信息传输到目标设备后,对加密的信息进行解密的计算方式为:
;
其中,为解密后的信息。
7.基于人工智能和物联网的医疗信息采集系统,其特征在于,包括:
参数采集模块:基于动态调整采集间隔法采集医院内部环境参数和病人的生理参数;
数据去噪模块:基于自适应滤波对实时采集得到的医院内部环境参数和病人的生理参数数据去噪;
特征处理模块:对数据进行特征降维,并提取数据的统计参数;
数据智能分析模块:基于人工智能学习网络对数据及其相应的统计参数进行学习与分析;
数据加密模块:对去噪后的数据和人工智能学习网络预测出的信息进行加密;
以实现如权利要求1-6任意一项所述的基于人工智能和物联网的医疗信息采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744388.5A CN116473526B (zh) | 2023-06-25 | 2023-06-25 | 基于人工智能和物联网的医疗信息采集方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310744388.5A CN116473526B (zh) | 2023-06-25 | 2023-06-25 | 基于人工智能和物联网的医疗信息采集方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116473526A true CN116473526A (zh) | 2023-07-25 |
CN116473526B CN116473526B (zh) | 2023-09-29 |
Family
ID=87221787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310744388.5A Active CN116473526B (zh) | 2023-06-25 | 2023-06-25 | 基于人工智能和物联网的医疗信息采集方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116473526B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910166A (zh) * | 2023-09-12 | 2023-10-20 | 湖南尚医康医疗科技有限公司 | 物联网医院信息采集方法、系统、电子设备及存储介质 |
CN117040940A (zh) * | 2023-10-10 | 2023-11-10 | 成都运荔枝科技有限公司 | 一种基于物联网的设备数据加密方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009136372A1 (en) * | 2008-05-08 | 2009-11-12 | Universita' Degli Studi Padova | Method and device for processing glycemia level data by means of self-adaptive filtering, predicting the future glycemia level and generating alerts |
CN102038548A (zh) * | 2009-10-13 | 2011-05-04 | 北京大学 | 一种无线医疗监护方法和系统 |
CN106535253A (zh) * | 2016-11-23 | 2017-03-22 | 北京必创科技股份有限公司 | 一种无线数据动态采集和传输方法 |
US20210319894A1 (en) * | 2020-04-08 | 2021-10-14 | CareBand Inc. | Wearable electronic device and system using low-power cellular telecommunication protocols |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
CN113724853A (zh) * | 2021-10-08 | 2021-11-30 | 联想新视界(南昌)人工智能工研院有限公司 | 一种基于深度学习的智慧医疗系统 |
CN113886449A (zh) * | 2021-08-30 | 2022-01-04 | 帝杰曼科技股份有限公司 | 一种基于物联网的大数据信息分析系统 |
CN114638458A (zh) * | 2021-11-30 | 2022-06-17 | 安徽新识智能科技有限公司 | 一种基于物联网的室内空气数据分析方法及系统 |
CN114847872A (zh) * | 2021-02-04 | 2022-08-05 | 西安电子科技大学青岛计算技术研究院 | 一种基于物联网技术的医疗诊断系统及其实施方法 |
CN114979210A (zh) * | 2022-05-23 | 2022-08-30 | 南通大学 | 一种基于区块链的医疗数据共享方法 |
CN115632633A (zh) * | 2022-10-14 | 2023-01-20 | 电子科技大学 | 一种基于稳健m估计的最小误差熵自适应滤波方法 |
-
2023
- 2023-06-25 CN CN202310744388.5A patent/CN116473526B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009136372A1 (en) * | 2008-05-08 | 2009-11-12 | Universita' Degli Studi Padova | Method and device for processing glycemia level data by means of self-adaptive filtering, predicting the future glycemia level and generating alerts |
CN102038548A (zh) * | 2009-10-13 | 2011-05-04 | 北京大学 | 一种无线医疗监护方法和系统 |
CN106535253A (zh) * | 2016-11-23 | 2017-03-22 | 北京必创科技股份有限公司 | 一种无线数据动态采集和传输方法 |
US20210319894A1 (en) * | 2020-04-08 | 2021-10-14 | CareBand Inc. | Wearable electronic device and system using low-power cellular telecommunication protocols |
WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
CN114847872A (zh) * | 2021-02-04 | 2022-08-05 | 西安电子科技大学青岛计算技术研究院 | 一种基于物联网技术的医疗诊断系统及其实施方法 |
CN113886449A (zh) * | 2021-08-30 | 2022-01-04 | 帝杰曼科技股份有限公司 | 一种基于物联网的大数据信息分析系统 |
CN113724853A (zh) * | 2021-10-08 | 2021-11-30 | 联想新视界(南昌)人工智能工研院有限公司 | 一种基于深度学习的智慧医疗系统 |
CN114638458A (zh) * | 2021-11-30 | 2022-06-17 | 安徽新识智能科技有限公司 | 一种基于物联网的室内空气数据分析方法及系统 |
CN114979210A (zh) * | 2022-05-23 | 2022-08-30 | 南通大学 | 一种基于区块链的医疗数据共享方法 |
CN115632633A (zh) * | 2022-10-14 | 2023-01-20 | 电子科技大学 | 一种基于稳健m估计的最小误差熵自适应滤波方法 |
Non-Patent Citations (1)
Title |
---|
徐超: "基于ARIMA 与自适应过滤法的组合预测模型研究", 《计算机应用与软件》, vol. 35, no. 11, pages 296 - 300 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910166A (zh) * | 2023-09-12 | 2023-10-20 | 湖南尚医康医疗科技有限公司 | 物联网医院信息采集方法、系统、电子设备及存储介质 |
CN116910166B (zh) * | 2023-09-12 | 2023-11-24 | 湖南尚医康医疗科技有限公司 | 物联网医院信息采集方法、系统、电子设备及存储介质 |
CN117040940A (zh) * | 2023-10-10 | 2023-11-10 | 成都运荔枝科技有限公司 | 一种基于物联网的设备数据加密方法 |
CN117040940B (zh) * | 2023-10-10 | 2023-12-19 | 成都运荔枝科技有限公司 | 一种基于物联网的设备数据加密方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116473526B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116473526B (zh) | 基于人工智能和物联网的医疗信息采集方法及系统 | |
US10872131B2 (en) | Progression analytics system | |
CA2784268C (en) | System and methods for neurologic monitoring and improving classification and treatment of neurologic states | |
CN109714324B (zh) | 基于机器学习算法的用户网络异常行为发现方法及系统 | |
CN115497616B (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
CN116204927A (zh) | 一种心内科体征数据处理系统及方法 | |
CN117421563A (zh) | 基于多传感器数据融合分析噪声的方法、装置以及设备 | |
RU2007131662A (ru) | Способ формирования отпечатка для звукового сигнала | |
CN114297447A (zh) | 基于防疫大数据的电子证件标记方法、系统及可读存储介质 | |
CN116842410B (zh) | 一种基于动态感知的智能头盔防盗管理方法以及系统 | |
CN117409016A (zh) | 一种磁共振图像自动分割方法 | |
Buteneers et al. | Real-time epileptic seizure detection on intra-cranial rat data using reservoir computing | |
JP2002323371A (ja) | 音響診断装置及び音響診断方法 | |
Buza | Asterics: Projection-based classification of eeg with asymmetric loss linear regression and genetic algorithm | |
CN108494801B (zh) | 安全态势感知防护系统 | |
CN116707924A (zh) | 一种基于大数据分析的网络安全检测方法及系统 | |
Attik et al. | Neural network topology optimization | |
Kumar et al. | A Design of Disease Diagnosis based Smart Healthcare Model using Deep Learning Technique | |
CN116687418B (zh) | 心电检测的方法、装置、设备及存储介质 | |
US20210349992A1 (en) | Departure-based process-level detection of stealthy attacks on control systems | |
CN117041847B (zh) | 用于助听器中自适应传声器匹配方法及系统 | |
CN117240602B (zh) | 一种身份认证平台安全防护方法 | |
CN117437039B (zh) | 一种基于纵向联邦学习的商业银行贷款风控方法 | |
CN114913990B (zh) | 基于隐私保护的呼吸道传染病密接目标追踪方法 | |
CN117807590A (zh) | 基于人工智能的信息安全预测及监控系统及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |