CN116548939A - 一种急危重症患者智能监测方法及装置 - Google Patents
一种急危重症患者智能监测方法及装置 Download PDFInfo
- Publication number
- CN116548939A CN116548939A CN202310806572.8A CN202310806572A CN116548939A CN 116548939 A CN116548939 A CN 116548939A CN 202310806572 A CN202310806572 A CN 202310806572A CN 116548939 A CN116548939 A CN 116548939A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- monitoring
- heartbeat
- respiratory
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 254
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000036391 respiratory frequency Effects 0.000 claims abstract description 139
- 238000011156 evaluation Methods 0.000 claims abstract description 132
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 230000001121 heart beat frequency Effects 0.000 claims description 170
- 230000036387 respiratory rate Effects 0.000 claims description 98
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 66
- 238000005070 sampling Methods 0.000 claims description 50
- 238000005457 optimization Methods 0.000 claims description 18
- 230000000241 respiratory effect Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 238000012806 monitoring device Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 2
- 230000000747 cardiac effect Effects 0.000 abstract 5
- 238000004458 analytical method Methods 0.000 description 12
- 238000001914 filtration Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000035565 breathing frequency Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 208000028399 Critical Illness Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 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
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physiology (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Pulmonology (AREA)
- Mathematical Physics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明涉及生命体征监测技术领域，提供了一种急危重症患者智能监测方法及装置，包括：接收回波信号，基于降噪信号构建优化信号，利用信号划分时间划分优化信号，得到多段优化信号，基于每段优化信号获取目标呼吸频率集及目标心跳频率集，获取心跳频率评估值及呼吸频率评估值，基于心跳频率评估阈值、呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测。本发明可解决对患者生命体征状态监测不准确的问题。
Description
技术领域
本发明涉及生命体征监测技术领域，尤其涉及一种急危重症患者智能监测方法及装置。
背景技术
伴随社会老龄化的加剧，越来越多因疾病困扰的老年人住进了医院，医院中医护人员的数量有限并且患病老人的行动能力又因疾病被限制，可见，患者的生命体征难以及时地被监测或患者难以及时地反应自己的生命体征，因此，及时且准确监测患者的生命体征尤为重要。
目前关于患者的生命体征的监测方法包括：获取雷达回波信号，根据回波信号提取患者的生命体征信号，基于患者的生命体征信号获取患者的心跳频率及呼吸频率，根据心跳频率及呼吸频率判断患者的生命体征状态。
上述方法虽然可实现对患者生命体征状态的监测， 但由于未考虑回波信号中包含噪声信号及仅使用频率值作为评判标准，导致了对患者生命体征状态监测不准确的问题。
发明内容
本发明提供一种急危重症患者智能监测方法及装置，其主要目的在于解决对患者生命体征状态监测不准确的问题。
为实现上述目的，本发明提供的一种急危重症患者智能监测方法，包括：
接收监测指令，根据监测指令启动监测器，其中，监测器可发出监测信号及接收回波信号，回波信号为基于监测信号监测患者生命体征时反射的信号，回波信号包括：由心跳信号及呼吸信号构成的体征信号及噪声信号；
利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，所述监测信号如下所示：
，
其中，表示监测信号，为监测信号的起始频率，为监测信号的带宽，为监测信号的持续时间，表示时间，表示相位矢量的虚数单位；
利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，其中，目标回波信号为监测信号在监测环境中监测患者生命体征时反射的信号，参考回波信号为监测信号在监测环境不含患者时进行监测所反射的信号；
获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，对多段优化信号中的每一段优化信号均执行如下操作，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，其中，离散信号是基于慢时间采样频率对优化信号进行采样操作的子优化信号；
所述基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，包括：
获取参考呼吸频率范围及心跳频率范围中呼吸频率最小值及心跳频率最小值；
基于呼吸频率最小值及心跳频率最小值计算呼吸参考周期及心跳参考周期，计算公式如下所示：
，
其中，表示呼吸参考周期，为参考呼吸频率范围中呼吸频率最小值，表示心跳参考周期，为参考心跳频率范围中心跳频率最小值；
根据所述呼吸参考周期及心跳参考周期计算信号划分时间，其中，信号划分时间为呼吸参考周期及心跳参考周期的最小公倍数，若所述呼吸参考周期或心跳参考周期不为整数，则对呼吸参考周期或心跳参考周期执行向上取整；
基于离散频域信号获取目标呼吸频率集及目标心跳频率集，利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测；
所述基于目标回波信号及参考回波信号构建初始信号，包括：
所述初始信号为： ，
其中，表示初始信号，表示目标回波信号，为参考回波信号。
基于目标回波信号及参考回波信号构建初始降噪信号，包括：
所述初始降噪信号为：
，
其中，表示初始降噪信号，表示目标回波信号，为参考回波信号。
基于降噪信号构建优化信号，包括：
所述降噪信号为：
，
其中，为降噪信号，表示由监测信号完成监测工作，得到回波信号，回波信号返回至监测器处所用的延迟时间；
延迟时间计算公式如下所示：
，
其中，为监测器与监测处之间的距离，为监测处移动的距离，为监测信号的传播速度；
所述优化信号为：
，
其中，表示优化信号，表示优化信号的波长。
离散频域信号为：
，
其中，为离散频域信号，N表示采样点数共有N个，NFFT为进行快速傅里叶变换时所使用的点数，NFFT在计算时取最大采样点数进行计算，。
基于离散频域信号获取目标呼吸频率集及目标心跳频率集，包括：
基于离散频域信号利用预构建的呼吸及心跳提取公式提取目标呼吸频率及目标心跳频率，所述呼吸及心跳提取公式为：
，
其中，为呼吸峰值幅度，为优化信号脉冲重复周期，为参考呼吸频率范围中呼吸频率最大值，为心跳峰值幅度，为参考心跳频率范围中心跳频率最大值，表示目标呼吸频率，表示目标心跳频率；
利用预构建的频率优化方法优化所述目标呼吸频率及目标心跳频率，得到优化呼吸频率及优化心跳频率，汇总所述优化呼吸频率及优化心跳频率，得到目标呼吸频率集及目标心跳频率集。
体征信号为：
，
其中，为体征信号，为呼吸信号的峰值幅度，为呼吸频率，为心跳信号的峰值幅度，为心跳频率。
利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，包括：
利用均值公式计算目标呼吸频率均值，基于目标呼吸频率均值计算呼吸频率评估值，其中，目标呼吸频率均值及目标呼吸评估值分别为目标呼吸频率集中目标呼吸频率的均值及方差。
基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，包括：
比较呼吸频率评估阈值及呼吸频率评估值的大小；
若呼吸频率评估阈值小于呼吸频率评估值，则提示患者在监测时段内呼吸频率异常；
若呼吸频率评估阈值大于等于所述呼吸频率评估值，则确认患者在监测时段内呼吸频率正常，并返回所述利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号的步骤。
为了解决上述问题，本发明还提供一种急危重症患者智能监测装置，所述装置包括：
监测指令接收模块，用于接收监测指令，根据监测指令启动监测器，其中，监测器可发出监测信号及接收回波信号，回波信号为基于监测信号监测患者生命体征时反射的信号，回波信号包括：由心跳信号及呼吸信号构成的体征信号及噪声信号；
监测信号发射及处理模块，用于利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，所述监测信号如下所示：
，
其中，表示监测信号，为监测信号的起始频率，为监测信号的带宽，为监测信号的持续时间，表示时间，表示相位矢量的虚数单位；
利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，其中，目标回波信号为监测信号在监测环境中监测患者生命体征时反射的信号，参考回波信号为监测信号在监测环境不含患者时进行监测所反射的信号；
目标信号获取及处理模块，用于获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，对多段优化信号中的每一段优化信号均执行如下操作，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，其中，离散信号是基于慢时间采样频率对优化信号进行采样操作的子优化信号；
所述基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，包括：
获取参考呼吸频率范围及心跳频率范围中呼吸频率最小值及心跳频率最小值；
基于呼吸频率最小值及心跳频率最小值计算呼吸参考周期及心跳参考周期，计算公式如下所示：
，
其中，表示呼吸参考周期，为参考呼吸频率范围中呼吸频率最小值，表示心跳参考周期，为参考心跳频率范围中心跳频率最小值；
根据所述呼吸参考周期及心跳参考周期计算信号划分时间，其中，信号划分时间为呼吸参考周期及心跳参考周期的最小公倍数，若所述呼吸参考周期或心跳参考周期不为整数，则对呼吸参考周期或心跳参考周期执行向上取整；
生命体征评估模块，用于基于离散频域信号获取目标呼吸频率集及目标心跳频率集，利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测；
所述基于目标回波信号及参考回波信号构建初始信号，包括：
所述初始信号为： ，其中，表示初始信号，表示目标回波信号，为参考回波信号。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现上述所述的急危重症患者智能监测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的急危重症患者智能监测方法。
为解决背景技术所述问题，本发明实施例接收监测指令，根据监测指令启动监测器，利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，可见本发明实施例在接收回波信号时，就考虑到了回波信号中除了目标回波信号还包括噪声信号，因此对回波信号进行了降噪处理，获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，可见本发明实施例，并未整体将优化信号当成一个整体并基于整体去计算心跳频率及呼吸频率，而是将优化信号划分为多段信号，对每段信号进行分析，进一步地，对每段信号进行分析提高了对生命体征分析的准确性，能够及时的反应患者的生命体征信息，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，基于离散频域信号获取目标呼吸频率集及目标心跳频率集，可见本发明实施例对优化信号进行了离散处理，在保证信号分析准确性的前提下，通过离散所述优化信号加快了对信号分析的速度，利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测，可见本发明实施例在考虑生命体征参考的心跳频率及呼吸频率时，不单单考虑了频率点值，还考虑了频率的变化情况。
此外，本发明还引入了频率评估值，进一步提高了对患者生命体征信号分析的准确性。因此本发明提出的急危重症患者智能监测方法、装置、电子设备及计算机可读存储介质，可以解决对患者生命体征状态监测不准确的问题。
附图说明
图1为本发明一实施例提供的急危重症患者智能监测方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为本发明一实施例提供的急危重症患者智能监测装置的功能模块图；
图5为本发明一实施例提供的实现所述急危重症患者智能监测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种急危重症患者智能监测方法。所述急危重症患者智能监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述急危重症患者智能监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示，为本发明一实施例提供的急危重症患者智能监测方法的流程示意图。在本实施例中，所述急危重症患者智能监测方法包括：
S1、接收监测指令，根据监测指令启动监测器，其中，监测器可发出监测信号及接收回波信号，回波信号为基于监测信号监测患者生命体征时反射的信号，回波信号包括：由心跳信号及呼吸信号构成的体征信号及噪声信号。
可理解的是，监控指令一般由急危重症患者的监控人员发出。监控指令是用于启动监测器及设置监测信号的指令。体征信号为急危重症患者在监测时用于表征急危重症患者生命特征的信号。一般由监测器发出监测信号，用体征信号表征急危重症患者的心跳频率及呼吸频率，由心跳频率及呼吸频率表征急危重症患者生命体征。可选的，监测信号为线性调频脉冲信号，监测器为FMCW雷达。 基于监测指令可以设置监测信号及监测时段。从而使得监测过程变得更加灵活，能够根据不同患者的情况，设置符合患者情况的监测方案。
需解释的是，患者的生命体征信号使用患者的呼吸频率及心跳频率进行表示。主要监测方式是监测患者在呼吸及心跳时胸口产生的起伏。另外的，患者的胸口起伏是随着时间变化的。因此，体征信号是一个可以近似于周期信号的信号。
进一步地，在监测患者生命体征时，体征信号不仅包含了用于判断患者呼吸频率及心跳频率的胸口起伏，还包含了因环境、设备等外在因素产生的非周期性的信号。因此，基于监测信号及体征信号构建初始信号，可以基于初始信号的周期性对目标优化信号进行降噪，从而提高对患者监测结果的可靠性。
详细地，所述体征信号为：
其中，为体征信号，为呼吸信号的峰值幅度，为呼吸频率，为心跳信号的峰值幅度，为心跳频率。
示例性的，某急危重症患者的监控人员A，利用FMCW雷达发出线性调频脉冲信号，线性调频脉冲信号经由空气传播至急危重症患者B处之后，反射至雷达并由雷达接收得到体征信号。
S2、利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，其中，目标回波信号为监测信号在监测环境中监测患者生命体征时反射的信号，参考回波信号为监测信号在监测环境不含患者时进行监测所反射的信号。
详细地，所述监测信号如下所示：
其中，表示监测信号，为监测信号的起始频率，为监测信号的带宽，为监测信号的持续时间，表示时间，表示相位矢量的虚数单位。
可理解的是，所述所述初始信号为：
其中，表示初始信号，表示目标回波信号，为参考回波信号。
需解释的是，一般情况下，在对回波信号进行处理时，还应该设置滤波器及距离阈值。心跳频率通常在0.8hz至3.3hz，呼吸频率通常在0.1hz至0.6hz。所述信号降噪方法为：基于参考心跳频率段及参考呼吸频率段确认滤波器的滤波范围时，分别取参考呼吸频率的下限及参考心跳频率段的上限作为滤波器的滤波范围，利用滤波器过滤掉在滤波范围之外的信号。但是当噪声信号在所述滤波范围时，则无法进行过滤，因此需要对所述征信号进一步提取，才能保证计算结果的准确性。距离阈值划定监测器监测信号的距离范围。因此，可以利用距离阈值进一步地对第一体征信号进行过滤。另外的，分别获取参考回波信号及目标回波信号，可以基于目标回波信号及参考回波信号的差值得到患者在监测环境下的信号，有利于对患者信号的分析，减少了环境噪声信号对分析结果的影响。
示例性的，当参考心跳频率段为0.8hz至3.3hz及参考呼吸频率段为0.1hz至0.6hz时，所述滤波器的滤波范围为0.1hz至3.3hz。划定距离阈值为10cm，则监测器所接收的信号只能来自所划定的距离阈值圆之内。划定患者A某胸口B出为监测点，确认距离阈值为10cm，则监测器所能接收的信号范围为：以B为圆心，10cm为半径的圆域。
进一步地，所述基于降噪信号构建优化信号，包括：
所述降噪信号为：
其中，为降噪信号，表示由监测信号完成监测工作，得到回波信号，回波信号返回至监测器处所用的延迟时间；
延迟时间计算公式如下所示：
其中，为监测器与监测处之间的距离，为监测处移动的距离，为监测信号的传播速度；
所述优化信号为：
其中，表示优化信号，表示优化信号的波长。
需解释的是，分析信号是由监测信号及其回波信号中的体征信号经过混频得到的。分析信号的频率相比于监测信号，其频率更低，在进行数据分析时更加准确，减少了因信号失真，而造成的误差。
可理解的是，监测信号的传播速度一般为光速，监测处一般为患者的胸口处，是一个范围。但是由于监测信号的传播速度极快，因此可以近似的将患者胸口处的小范围处理为一个点。同理，监测器的发射口与接受口之间也存在一小段距离，由于监测信号的传播速度极快，因此近似将监测器处理为一个点。故在此考虑的是监测器与监测处之间的距离，仅考虑监测处的移动而忽略其他动作。
S3、获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，对多段优化信号中的每一段优化信号均执行如下操作，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，其中，离散信号是基于慢时间采样频率对优化信号进行采样操作的子优化信号。
详细地，参考呼吸频率范围为可参考的患者的呼吸频率范围，参考心跳频率范围为可参考的患者的心跳频率范围，其中，心跳频率通常在0.8hz至3.3hz，呼吸频率通常在0.1hz至0.6hz。
可理解的是，分析信号在此时还是随时间变化的信号数据，不利于对患者生命体征的分析，因此需要将信号数据转化为数值数据。另外的，在转化为数值数据时，可利用获取快时间采样频率，基于快时间采样频率采样所述有优化信号。但是快时间采样法的采样频率极大，采样数据计算过程冗余。采用慢时间采样法在能够满足对患者的生命体征分析的前提下，减少了采样的样本数量，优化了计算量。将优化信号均分得到多段优化信号，对每段优化信号进行分析，不仅减少了基于优化信号产生的计算量，还提高了基于优化信号计算结果的准确性。子优化信号为优化信号的子集。信号分离方法是利用现有设备，根据心跳频率及呼吸频率对所述离散信号进行分离的方法。可选择的，使用带通滤波分离所述离散信号，得到呼吸信号及心跳信号。
示例性的，优化信号的时间段为5分钟，设置均分系数为5，利用优化信号的时间段5分钟除以均分系数5，得到每段优化信号的时间段为1分钟。设定慢时间采样频率为10秒每次，则对时间段为1分钟的优化信号进行采样可以获取6个子优化信号。
详细地，参阅图2所示，所述基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，包括：
S31、获取参考呼吸频率范围及心跳频率范围中呼吸频率最小值及心跳频率最小值；
S32、基于呼吸频率最小值及心跳频率最小值计算呼吸参考周期及心跳参考周期，计算公式如下所示：
，其中，表示呼吸参考周期，为参考呼吸频率范围中呼吸频率最小值，表示心跳参考周期，为参考心跳频率范围中心跳频率最小值；
S33、根据所述呼吸参考周期及心跳参考周期计算信号划分时间，其中，信号划分时间为呼吸参考周期及心跳参考周期的最小公倍数，若所述呼吸参考周期或心跳参考周期不为整数，则对呼吸参考周期或心跳参考周期执行向上取整。
需解释的是，所述离散频域信号为：
，其中，为离散频域信号，N表示采样点数共有N个，NFFT为进行快速傅里叶变换时所使用的点数，NFFT在计算时取最大采样点数进行计算，。
详细地，已经对信号进行降噪、过滤等处理，但是由于信号的偏移、失真等原因，还是会造成在目标心跳曲线中存在多个幅值的情况，相比较目标频率对应的幅值即心跳频率或呼吸频率对应的幅值，其他因素产生的幅值应当小于所述目标频率对应的幅值，因此可取最大心跳幅值对应的心跳频率为目标心跳频率、最大呼吸幅值对应的呼吸频率为目标呼吸频率。
进一步地，所述基于离散频域信号获取目标呼吸频率集及目标心跳频率集，包括：
基于离散频域信号利用预构建的呼吸及心跳提取公式提取目标呼吸频率及目标心跳频率，所述呼吸及心跳提取公式为：
其中，为呼吸峰值幅度，为优化信号脉冲重复周期，为参考呼吸频率范围中呼吸频率最大值，为心跳峰值幅度，为参考心跳频率范围中心跳频率最大值，表示目标呼吸频率，表示目标心跳频率；
利用预构建的频率优化方法优化所述目标呼吸频率及目标心跳频率，得到优化呼吸频率及优化心跳频率，汇总所述优化呼吸频率及优化心跳频率，得到目标呼吸频率集及目标心跳频率集。
需解释的是，所述频率优化方法为通过频谱上某峰值坐标在N次迭代中出现的概率来优化目标呼吸频率，首先在呼吸频率段寻找峰值，此峰值频率作为目标呼吸频率，迭代寻找当前段优化信号中所有峰值对应的频率值，统计频率值出现概率最多时的频率值，得到优化呼吸频率。所述频率优化方法为现有技术在此，不再赘述。
可理解的是，基于利用信号划分时间划分优化信号，得到多段优化信号，其中每段信号里所包含的呼吸频率峰值与所划分的信号长度有关，并且每段信号中的呼吸频率峰值大于等于一个，因此可以利用频率优化方法优化所述呼吸频率，且在优化呼吸频率的同时，加强呼吸信号的分析结果。
S4、基于离散频域信号获取目标呼吸频率集及目标心跳频率集，利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测。
详细地，所述利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，包括：
利用均值公式计算目标呼吸频率均值，基于目标呼吸频率均值计算呼吸频率评估值，其中，目标呼吸频率均值及目标呼吸评估值分别为目标呼吸频率集中目标呼吸频率的均值及方差。
可理解的是，利用预构建的频率评估方法分析目标呼吸频率集，得到呼吸频率评估值，与上述获取心跳频率评估值一致，并能达到相同的处理效果，在此不再赘述。
需解释的是，获取心跳频率的方差及呼吸频率的方差能够分析患者的心跳频率及呼吸频率的变化情况，所述变化情况可以为医生提供判断参考，从而能够及时针对患者的情况，进行救治。
进一步地，参阅图3所示，所述基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，包括：
S41、比较呼吸频率评估阈值及呼吸频率评估值的大小；
S42、若呼吸频率评估阈值小于呼吸频率评估值，则提示患者在监测时段内呼吸频率异常；
S43、若呼吸频率评估阈值大于等于所述呼吸频率评估值，则确认患者在监测时段内呼吸频率正常，并返回所述利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号的步骤。
可理解的是，基于预设的心跳频率评估阈值及心跳频率评估值，确认患者在监测时段内心跳频率正常的方法与确认患者在监测时段内呼吸频率正常的方法一致，并能够产生同样的效果，在此不再赘述。
为解决背景技术所述问题，本发明实施例接收监测指令，根据监测指令启动监测器，利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号。可见本发明实施例在接收回波信号时，就考虑到了回波信号中除了目标回波信号还包括噪声信号，因此对回波信号进行了降噪处理。获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，可见本发明实施例，并未整体将优化信号当成一个整体并基于整体去计算心跳频率及呼吸频率，而是将优化信号划分为多段信号，对每段信号进行分析。进一步地，对每段信号进行分析提高了对生命体征分析的准确性，能够及时的反应患者的生命体征信息。获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，基于离散频域信号获取目标呼吸频率集及目标心跳频率集，可见本发明实施例对优化信号进行了离散处理，在保证信号分析准确性的前提下，通过离散所述优化信号加快了对信号分析的速度。利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测。可见本发明实施例在考虑生命体征参考的心跳频率及呼吸频率时，不单单考虑了频率点值，还考虑了频率的变化情况。此外，还引入了频率评估值，进一步提高了对患者生命体征信号分析的准确性。因此本发明提出的急危重症患者智能监测方法、装置、电子设备及计算机可读存储介质，可以解决对患者生命体征状态监测不准确的问题。
如图4所示，是本发明一实施例提供的急危重症患者智能监测装置的功能模块图。
本发明所述急危重症患者智能监测装置100可以安装于电子设备中。根据实现的功能，所述急危重症患者智能监测装置100可以包括监测指令接收模块101、监测信号发射及处理模块102、目标信号获取及处理模块103及生命体征评估模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述监测指令接收模块101，用于接收监测指令，根据监测指令启动监测器，其中，监测器可发出监测信号及接收回波信号，回波信号为基于监测信号监测患者生命体征时反射的信号，回波信号包括：由心跳信号及呼吸信号构成的体征信号及噪声信号；
所述监测信号发射及处理模块102，用于利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，所述监测信号如下所示：
其中，表示监测信号，为监测信号的起始频率，为监测信号的带宽，为监测信号的持续时间，表示时间，表示相位矢量的虚数单位；
利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，其中，目标回波信号为监测信号在监测环境中监测患者生命体征时反射的信号，参考回波信号为监测信号在监测环境不含患者时进行监测所反射的信号；
所述目标信号获取及处理模块103，用于获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，对多段优化信号中的每一段优化信号均执行如下操作，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，其中，离散信号是基于慢时间采样频率对优化信号进行采样操作的子优化信号；
所述基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，包括：
获取参考呼吸频率范围及心跳频率范围中呼吸频率最小值及心跳频率最小值；
基于呼吸频率最小值及心跳频率最小值计算呼吸参考周期及心跳参考周期，计算公式如下所示：
，其中，表示呼吸参考周期，为参考呼吸频率范围中呼吸频率最小值，表示心跳参考周期，为参考心跳频率范围中心跳频率最小值；
根据所述呼吸参考周期及心跳参考周期计算信号划分时间，其中，信号划分时间为呼吸参考周期及心跳参考周期的最小公倍数，若所述呼吸参考周期或心跳参考周期不为整数，则对呼吸参考周期或心跳参考周期执行向上取整；
所述生命体征评估模块104，用于基于离散频域信号获取目标呼吸频率集及目标心跳频率集，利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测；
所述基于目标回波信号及参考回波信号构建初始信号，包括：
所述初始信号为：
，其中，表示初始信号，表示目标回波信号，为参考回波信号。
如图5所示，是本发明一实施例提供的实现急危重症患者智能监测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如急危重症患者智能监测方法程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如急危重症患者智能监测方法程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如急危重症患者智能监测方法程序等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的急危重症患者智能监测方法程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
接收监测指令，根据监测指令启动监测器，其中，监测器可发出监测信号及接收回波信号，回波信号为基于监测信号监测患者生命体征时反射的信号，回波信号包括：由心跳信号及呼吸信号构成的体征信号及噪声信号；
利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，所述监测信号如下所示：
其中，表示监测信号，为监测信号的起始频率，为监测信号的带宽，为监测信号的持续时间，表示时间，表示相位矢量的虚数单位；
利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，其中，目标回波信号为监测信号在监测环境中监测患者生命体征时反射的信号，参考回波信号为监测信号在监测环境不含患者时进行监测所反射的信号；
获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，对多段优化信号中的每一段优化信号均执行如下操作，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，其中，离散信号是基于慢时间采样频率对优化信号进行采样操作的子优化信号；
所述基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，包括：
获取参考呼吸频率范围及心跳频率范围中呼吸频率最小值及心跳频率最小值；
基于呼吸频率最小值及心跳频率最小值计算呼吸参考周期及心跳参考周期，计算公式如下所示：
，其中，表示呼吸参考周期，为参考呼吸频率范围中呼吸频率最小值，表示心跳参考周期，为参考心跳频率范围中心跳频率最小值；
根据所述呼吸参考周期及心跳参考周期计算信号划分时间，其中，信号划分时间为呼吸参考周期及心跳参考周期的最小公倍数，若所述呼吸参考周期或心跳参考周期不为整数，则对呼吸参考周期或心跳参考周期执行向上取整；
基于离散频域信号获取目标呼吸频率集及目标心跳频率集，利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测；
所述基于目标回波信号及参考回波信号构建初始信号，包括：
所述初始信号为：
，其中，表示初始信号，表示目标回波信号，为参考回波信号。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收监测指令，根据监测指令启动监测器，其中，监测器可发出监测信号及接收回波信号，回波信号为基于监测信号监测患者生命体征时反射的信号，回波信号包括：由心跳信号及呼吸信号构成的体征信号及噪声信号；
利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，所述监测信号如下所示：
其中，表示监测信号，为监测信号的起始频率，为监测信号的带宽，为监测信号的持续时间，表示时间，表示相位矢量的虚数单位；
利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，其中，目标回波信号为监测信号在监测环境中监测患者生命体征时反射的信号，参考回波信号为监测信号在监测环境不含患者时进行监测所反射的信号；
获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，对多段优化信号中的每一段优化信号均执行如下操作，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，其中，离散信号是基于慢时间采样频率对优化信号进行采样操作的子优化信号；
所述基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，包括：
获取参考呼吸频率范围及心跳频率范围中呼吸频率最小值及心跳频率最小值；
基于呼吸频率最小值及心跳频率最小值计算呼吸参考周期及心跳参考周期，计算公式如下所示：
，其中，表示呼吸参考周期，为参考呼吸频率范围中呼吸频率最小值，表示心跳参考周期，为参考心跳频率范围中心跳频率最小值；
根据所述呼吸参考周期及心跳参考周期计算信号划分时间，其中，信号划分时间为呼吸参考周期及心跳参考周期的最小公倍数，若所述呼吸参考周期或心跳参考周期不为整数，则对呼吸参考周期或心跳参考周期执行向上取整；
基于离散频域信号获取目标呼吸频率集及目标心跳频率集，
利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测；
所述基于目标回波信号及参考回波信号构建初始信号，包括：
所述初始信号为：
，其中，表示初始信号，表示目标回波信号，为参考回波信号。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种急危重症患者智能监测方法，其特征在于，所述方法包括：
接收监测指令，根据监测指令启动监测器，其中，监测器可发出监测信号及接收回波信号，回波信号为基于监测信号监测患者生命体征时反射的信号，回波信号包括：由心跳信号及呼吸信号构成的体征信号及噪声信号；
利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，所述监测信号如下所示：
其中，表示监测信号，为监测信号的起始频率，为监测信号的带宽，为监测信号的持续时间，表示时间，表示相位矢量的虚数单位；
利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，其中，目标回波信号为监测信号在监测环境中监测患者生命体征时反射的信号，参考回波信号为监测信号在监测环境不含患者时进行监测所反射的信号；
获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，对多段优化信号中的每一段优化信号均执行如下操作，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，其中，离散信号是基于慢时间采样频率对优化信号进行采样操作的子优化信号；
所述基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，包括：
获取参考呼吸频率范围及心跳频率范围中呼吸频率最小值及心跳频率最小值；
基于呼吸频率最小值及心跳频率最小值计算呼吸参考周期及心跳参考周期，计算公式如下所示：
其中，表示呼吸参考周期，为参考呼吸频率范围中呼吸频率最小值，表示心跳参考周期，为参考心跳频率范围中心跳频率最小值；
根据所述呼吸参考周期及心跳参考周期计算信号划分时间，其中，信号划分时间为呼吸参考周期及心跳参考周期的最小公倍数，若所述呼吸参考周期或心跳参考周期不为整数，则对呼吸参考周期或心跳参考周期执行向上取整；
基于离散频域信号获取目标呼吸频率集及目标心跳频率集，利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测；
所述基于目标回波信号及参考回波信号构建初始信号，包括：
所述初始信号为：
其中，表示初始信号，表示目标回波信号，为参考回波信号。
2.如权利要求1所述的急危重症患者智能监测方法，其特征在于，所述基于降噪信号构建优化信号，包括：
所述降噪信号为：
其中，为降噪信号，表示由监测信号完成监测工作，得到回波信号，回波信号返回至监测器处所用的延迟时间；
延迟时间计算公式如下所示：
其中，为监测器与监测处之间的距离，为监测处移动的距离，为监测信号的传播速度；
所述优化信号为：
其中，表示优化信号，表示优化信号的波长。
3.如权利要求1所述的急危重症患者智能监测方法，其特征在于，所述离散频域信号为：
其中，为离散频域信号，N表示采样点数共有N个，NFFT为进行快速傅里叶变换时所使用的点数，NFFT在计算时取最大采样点数进行计算，。
4.如权利要求1所述的急危重症患者智能监测方法，其特征在于，所述基于离散频域信号获取目标呼吸频率集及目标心跳频率集，包括：
基于离散频域信号利用预构建的呼吸及心跳提取公式提取目标呼吸频率及目标心跳频率，所述呼吸及心跳提取公式为：
其中，为呼吸峰值幅度，为优化信号脉冲重复周期，为参考呼吸频率范围中呼吸频率最大值，为心跳峰值幅度，为参考心跳频率范围中心跳频率最大值，表示目标呼吸频率，表示目标心跳频率；
利用预构建的频率优化方法优化所述目标呼吸频率及目标心跳频率，得到优化呼吸频率及优化心跳频率，汇总所述优化呼吸频率及优化心跳频率，得到目标呼吸频率集及目标心跳频率集。
5.如权利要求1所述的急危重症患者智能监测方法，其特征在于，所述体征信号为：
其中，为体征信号，为呼吸信号的峰值幅度，为呼吸频率，为心跳信号的峰值幅度，为心跳频率。
6.如权利要求1所述的急危重症患者智能监测方法，其特征在于，所述利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，包括：
利用均值公式计算目标呼吸频率均值，基于目标呼吸频率均值计算呼吸频率评估值，其中，目标呼吸频率均值及目标呼吸评估值分别为目标呼吸频率集中目标呼吸频率的均值及方差。
7.如权利要求1所述的急危重症患者智能监测方法，其特征在于，所述基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，包括：
比较呼吸频率评估阈值及呼吸频率评估值的大小；
若呼吸频率评估阈值小于呼吸频率评估值，则提示患者在监测时段内呼吸频率异常；
若呼吸频率评估阈值大于等于所述呼吸频率评估值，则确认患者在监测时段内呼吸频率正常，并返回所述利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号的步骤。
8.一种基于权利要求1-7任一项所述的智能监测方法的急危重症患者智能监测装置，其特征在于，所述装置包括：
监测指令接收模块，用于接收监测指令，根据监测指令启动监测器，其中，监测器可发出监测信号及接收回波信号，回波信号为基于监测信号监测患者生命体征时反射的信号，回波信号包括：由心跳信号及呼吸信号构成的体征信号及噪声信号；
监测信号发射及处理模块，用于利用监测信号发生器在预设的监测时段内连续发出预构建的监测信号，所述监测信号如下所示：
其中，表示监测信号，为监测信号的起始频率，为监测信号的带宽，为监测信号的持续时间，表示时间，表示相位矢量的虚数单位；
利用监测器分别接收目标回波信号及参考回波信号，基于目标回波信号及参考回波信号构建初始信号，基于预构建的信号降噪方法降噪所述初始信号，得到降噪信号，基于降噪信号构建优化信号，其中，目标回波信号为监测信号在监测环境中监测患者生命体征时反射的信号，参考回波信号为监测信号在监测环境不含患者时进行监测所反射的信号；
目标信号获取及处理模块，用于获取参考呼吸频率范围及参考心跳频率范围，基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，利用信号划分时间划分优化信号，得到多段优化信号，对多段优化信号中的每一段优化信号均执行如下操作，获取慢时间采样频率，基于慢时间采样频率获取优化信号中的离散信号，基于离散信号构建离散频域信号，其中，离散信号是基于慢时间采样频率对优化信号进行采样操作的子优化信号；
所述基于参考呼吸频率范围及参考心跳频率范围计算信号划分时间，包括：
获取参考呼吸频率范围及心跳频率范围中呼吸频率最小值及心跳频率最小值；
基于呼吸频率最小值及心跳频率最小值计算呼吸参考周期及心跳参考周期，计算公式如下所示：
其中，表示呼吸参考周期，为参考呼吸频率范围中呼吸频率最小值，表示心跳参考周期，为参考心跳频率范围中心跳频率最小值；
根据所述呼吸参考周期及心跳参考周期计算信号划分时间，其中，信号划分时间为呼吸参考周期及心跳参考周期的最小公倍数，若所述呼吸参考周期或心跳参考周期不为整数，则对呼吸参考周期或心跳参考周期执行向上取整；
生命体征评估模块，用于基于离散频域信号获取目标呼吸频率集及目标心跳频率集，利用预构建的频率评估方法分别分析目标心跳频率集及目标呼吸频率集，得到心跳频率评估值及呼吸频率评估值，基于预设的心跳频率评估阈值、预设的呼吸频率评估阈值、心跳频率评估值及呼吸频率评估值，确认患者在监测时段内心跳频率正常及呼吸频率正常，实现对急危重症患者的监测；所述基于目标回波信号及参考回波信号构建初始信号，包括：
所述初始信号为：
其中，表示初始信号，表示目标回波信号，为参考回波信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310806572.8A CN116548939A (zh) | 2023-07-04 | 2023-07-04 | 一种急危重症患者智能监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310806572.8A CN116548939A (zh) | 2023-07-04 | 2023-07-04 | 一种急危重症患者智能监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116548939A true CN116548939A (zh) | 2023-08-08 |
Family
ID=87486449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310806572.8A Pending CN116548939A (zh) | 2023-07-04 | 2023-07-04 | 一种急危重症患者智能监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116548939A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100152600A1 (en) * | 2008-04-03 | 2010-06-17 | Kai Sensors, Inc. | Non-contact physiologic motion sensors and methods for use |
| US20200323448A1 (en) * | 2019-04-12 | 2020-10-15 | Faceheart Inc. | System of Determining Physiological State |
| KR102188515B1 (ko) * | 2019-07-04 | 2020-12-08 | 유메인주식회사 | 레이더를 활용한 환자 낙상 예방 시스템 |
| CN112587099A (zh) * | 2019-09-13 | 2021-04-02 | 希尔-罗姆服务公司 | 个性化生命体征监测器 |
| KR20210096384A (ko) * | 2020-01-28 | 2021-08-05 | 유메인주식회사 | 레이더를 활용한 환자 상태 모니터링 시스템 |
| CN113768483A (zh) * | 2021-09-14 | 2021-12-10 | 北京清雷科技有限公司 | 一种基于毫米波雷达的hrv信号提取方法及设备 |
| CN115067916A (zh) * | 2022-06-15 | 2022-09-20 | 南京邮电大学 | 一种基于毫米波雷达的生命体征监测方法 |
| CN115147769A (zh) * | 2022-07-29 | 2022-10-04 | 中南大学 | 一种基于红外视频的生理参数鲁棒性检测方法 |
| CN115398267A (zh) * | 2020-02-18 | 2022-11-25 | 沃伊亚影像有限公司 | 用毫米波雷达远程追踪生命体征的系统和方法 |
| CN116077044A (zh) * | 2022-12-05 | 2023-05-09 | 四川启睿克科技有限公司 | 基于毫米波雷达的生命体征检测方法 |
| CN116172539A (zh) * | 2022-12-29 | 2023-05-30 | 交叉信息核心技术研究院(西安)有限公司 | 基于机器学习的生命体征检测方法、系统、设备及介质 |
-
2023
- 2023-07-04 CN CN202310806572.8A patent/CN116548939A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100152600A1 (en) * | 2008-04-03 | 2010-06-17 | Kai Sensors, Inc. | Non-contact physiologic motion sensors and methods for use |
| US20200323448A1 (en) * | 2019-04-12 | 2020-10-15 | Faceheart Inc. | System of Determining Physiological State |
| KR102188515B1 (ko) * | 2019-07-04 | 2020-12-08 | 유메인주식회사 | 레이더를 활용한 환자 낙상 예방 시스템 |
| CN112587099A (zh) * | 2019-09-13 | 2021-04-02 | 希尔-罗姆服务公司 | 个性化生命体征监测器 |
| KR20210096384A (ko) * | 2020-01-28 | 2021-08-05 | 유메인주식회사 | 레이더를 활용한 환자 상태 모니터링 시스템 |
| CN115398267A (zh) * | 2020-02-18 | 2022-11-25 | 沃伊亚影像有限公司 | 用毫米波雷达远程追踪生命体征的系统和方法 |
| CN113768483A (zh) * | 2021-09-14 | 2021-12-10 | 北京清雷科技有限公司 | 一种基于毫米波雷达的hrv信号提取方法及设备 |
| CN115067916A (zh) * | 2022-06-15 | 2022-09-20 | 南京邮电大学 | 一种基于毫米波雷达的生命体征监测方法 |
| CN115147769A (zh) * | 2022-07-29 | 2022-10-04 | 中南大学 | 一种基于红外视频的生理参数鲁棒性检测方法 |
| CN116077044A (zh) * | 2022-12-05 | 2023-05-09 | 四川启睿克科技有限公司 | 基于毫米波雷达的生命体征检测方法 |
| CN116172539A (zh) * | 2022-12-29 | 2023-05-30 | 交叉信息核心技术研究院(西安)有限公司 | 基于机器学习的生命体征检测方法、系统、设备及介质 |
Non-Patent Citations (3)
| Title |
|---|
| 周佳丰: "胸壁微动毫米波雷达信号特征提取与分离技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑 医药卫生科技辑 信息科技辑》, no. 02, pages 10 - 27 * |
| 杨国成 余慧敏: "基于N次峰值捕捉的超宽带雷达生命体征检测", 《电子测量与仪器学报》, vol. 34, no. 11, pages 204 - 209 * |
| 樊代明 戴旭光: "《精良设备谈》", vol. 1, 第四军医大学出版社, pages: 64 - 66 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111133526B (zh) | 发掘可用于机器学习技术中的新颖特征，例如用于诊断医疗状况的机器学习技术 | |
| US10504036B2 (en) | Optimizing performance of event detection by sensor data analytics | |
| EP2992820B1 (en) | Measuring blood pressure | |
| US20160364536A1 (en) | Diagnostic support systems using machine learning techniques | |
| CN105260974A (zh) | 一种生成具有告签功能的电子病历方法及系统 | |
| US9633168B2 (en) | Biometric identity validation for use with unattended tests for medical conditions | |
| US20180210925A1 (en) | Reliability measurement in data analysis of altered data sets | |
| JP2020021292A (ja) | 情報処理装置、情報処理システム、及びプログラム | |
| CN114366060A (zh) | 一种基于心率变异性的健康预警方法、装置及电子设备 | |
| CN110689959A (zh) | 一种医疗健康管理的方法及其装置 | |
| Khan et al. | Novel statistical time series data augmentation and machine learning based classification of unobtrusive respiration data for respiration Digital Twin model | |
| CN112420211B (zh) | 未知传染病的预警方法、装置、电子设备及计算机介质 | |
| CN116548939A (zh) | 一种急危重症患者智能监测方法及装置 | |
| CN101596125A (zh) | 一种具备直观显示的健康信息显示系统、方法及其接口 | |
| CN112635046A (zh) | 用于感染病通告的系统和方法 | |
| US20150235000A1 (en) | Developing health information feature abstractions from intra-individual temporal variance heteroskedasticity | |
| CN112598033B (zh) | 生理信号处理方法、装置、设备及存储介质 | |
| CN113780457A (zh) | 中医资源消耗的异常检测方法、装置、设备及介质 | |
| CN114864032B (zh) | 基于his系统的临床数据采集方法及装置 | |
| CN116687357B (zh) | 基于毫米波雷达的睡眠监测方法、装置、设备及存储介质 | |
| EP3871228A1 (en) | Detecting an ictal of a subject | |
| CN117414115A (zh) | 一种基于内科急症下的用户体征状态实时监测方法及装置 | |
| CN116195998B (zh) | 一种血氧检测方法、装置、计算机设备及存储介质 | |
| WO2014029986A1 (en) | Foetal monitoring | |
| CN111128377A (zh) | 健康管理预警方法、装置、电子设备、存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230808 |
|
| RJ01 | Rejection of invention patent application after publication |