CN116564509B - 一种用于高压氧舱内患者的体征数据处理方法 - Google Patents
一种用于高压氧舱内患者的体征数据处理方法 Download PDFInfo
- Publication number
- CN116564509B CN116564509B CN202310843492.XA CN202310843492A CN116564509B CN 116564509 B CN116564509 B CN 116564509B CN 202310843492 A CN202310843492 A CN 202310843492A CN 116564509 B CN116564509 B CN 116564509B
- Authority
- CN
- China
- Prior art keywords
- hyperbaric oxygen
- oxygen chamber
- sign data
- chamber equipment
- user
- 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
Links
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 title claims abstract description 127
- 229910052760 oxygen Inorganic materials 0.000 title claims abstract description 127
- 239000001301 oxygen Substances 0.000 title claims abstract description 127
- 238000003672 processing method Methods 0.000 title abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 40
- 210000004556 brain Anatomy 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 206010070511 Hypoxic-ischaemic encephalopathy Diseases 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000002381 Brain Hypoxia Diseases 0.000 description 1
- 201000006474 Brain Ischemia Diseases 0.000 description 1
- 208000030886 Traumatic Brain injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000002639 hyperbaric oxygen therapy Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
Classifications
-
- 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
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种用于高压氧舱内患者的体征数据处理方法,包括以下步骤:S1、获取体征数据集合、用户ID信息集合和高压氧舱设备编码集合;S2、对体征数据集合、用户ID信息集合和高压氧舱设备编码集合进行匹配,确定用户ID对应的高压氧舱设备编码和体征数据;S3、对用户的体征数据进行预处理,生成体征数据样本集;S4:对各个用户ID对应的体征数据样本集和高压氧舱设备编码进行加密储存,完成体征数据处理。该用于高压氧舱内患者的体征数据处理方法可以对体征数据进行处理,减少信号干扰的影响,避免数据冗余,确保用户的体征数据客观化,为医师诊断提供辅助决策。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种用于高压氧舱内患者的体征数据处理方法。
背景技术
高压氧舱是进行高压氧疗法的专用医疗设备,其适用范围很广,临床主要用于厌氧菌感染、CO中毒、气栓病、减压病、缺血缺氧性脑病、脑外伤和脑血管疾病等治疗。用户在使用高压氧舱时需对其体征情况进行及时且周密的监控,避免出现意外情况,因此存在对体征数据监控预警的需要。
发明内容
本发明为了解决上述问题,提出了一种用于高压氧舱内患者的体征数据处理方法。
本发明的技术方案是:一种用于高压氧舱内患者的体征数据处理方法包括以下步骤:
S1、获取体征数据集合、用户ID信息集合和高压氧舱设备编码集合;
S2、对体征数据集合、用户ID信息集合和高压氧舱设备编码集合进行匹配,确定用户ID对应的高压氧舱设备编码和体征数据;
S3、对用户的体征数据进行预处理,生成体征数据样本集;
S4:对各个用户ID对应的体征数据样本集和高压氧舱设备编码进行加密储存,完成体征数据处理。
本发明的有益效果是:
(1)该用于高压氧舱内患者的体征数据处理方法通过进行相似度匹配,确保用户ID获取的体征数据和高压氧舱设备准确,保证数据信息来源可靠,可有效避免误诊情况的出现;
(2)该用于高压氧舱内患者的体征数据处理方法可以对体征数据进行处理,减少信号干扰的影响,避免数据冗余,确保用户的体征数据客观化,为医师诊断提供辅助决策。
进一步地,S1中,体征数据集合包括脑电波信号和脉象信号;用户ID信息集合包括若干个用户二维码;高压氧舱设备编码集合包括若干个实际高压氧舱设备编码。
进一步地,S2包括以下子步骤:
S21、根据用户二维码,从高压氧舱设备编码集合中获取实际高压氧舱设备编码,从电子病历中获取标准高压氧舱设备编码;
S22、将实际高压氧舱设备编码与标准高压氧舱设备编码进行匹配,确定用户ID对应的高压氧舱设备编码;
S23、根据用户ID对应的高压氧舱设备编码,确定体征数据集合。
进一步地,S22中,确定用户ID对应的高压氧舱设备编码的具体方法为:计算实际高压氧舱设备编码与标准高压氧舱设备编码之间的匹配相似度,若匹配相似度小于0.5,则将标准高压氧舱设备编码作为用户ID对应的高压氧舱设备编码,否则将实际高压氧舱设备编码作为用户ID对应的高压氧舱设备编码。
进一步地,实际高压氧舱设备编码与标准高压氧舱设备编码之间的匹配相似度S的计算公式为:
式中,L 1表示实际高压氧舱设备编码的长度,L 2表示标准高压氧舱设备编码的长度,μ m 表示实际高压氧舱设备编码中第m个字符串的权重,M表示实际高压氧舱设备编码的字符串个数,ρ n 表示标准高压氧舱设备编码中第n个字符串的权重,N表示标准高压氧舱设备编码的字符串个数,μ 0表示实际高压氧舱设备编码中所有字符串的权重均值,ρ 0表示标准高压氧舱设备编码中所有字符串的权重均值。
进一步地,S3包括以下子步骤:
S31、对各个时刻的脑电波信号进行傅里叶变换,得到不同频段的脑电波信号;
S32、根据不同频段的脑电波信号,构建频段能量处理模型;
S33、利用交替方向乘子法求解频段能量处理模型,得到各个频段的能量特征值;
S34、将脑电波信号各个频段的能量值与对应的能量特征值相乘,生成第一体征数据样本子集;
S35、根据不同时刻的脉象信号,建立脉象信号的脉象波形图,并根据脉象波形图确定正常时刻和异常时刻的脉象信号;
S36、剔除异常时刻的脉象信号,并其余时刻的脉象信号作为第二体征数据样本子集;
S37、将第一体征数据样本子集和第二体征数据样本子集作为体征数据样本集。
进一步地,S32中,频段能量处理模型F的表达式为:
式中,m表示脑电波信号的长度,σ 1表示α波频段的能量密度,σ 2表示β波频段的能量密度,σ 3表示θ波频段的能量密度,f 1表示α波频段的频率,f 2表示β波频段的能量密度,f 3表示θ波频段的能量密度,E 1表示α波频段的能量值,E 2表示β波频段的能量值,E 3表示θ波频段的能量值,exp(·)表示指数函数,j表示虚数。
进一步地,S35中,建立脉象波形图的具体方法为:以脉象信号的采集时刻作为横坐标,以脉象信号幅值作为纵坐标,建立二维坐标系,生成脉象波形图。
进一步地,S35中,确定异常时刻的脉象信号的具体方法为:将脉象波形图的横坐标均分为四份,得到第一时段脉象波形图、第二时段脉象波形图、第三时段脉象波形图和第四时段脉象波形图;
计算第一时段脉象波形图中峰值与谷值之间的平均值,作为第一信号幅值均值;计算第二时段脉象波形图中峰值与谷值之间的平均值,作为第二信号幅值均值;计算第一信号幅值均值与第二信号幅值均值之间的方差,作为第一信号特征值,将第一时段脉象波形图和第二时段脉象波形图中小于第一信号特征值的脉象信号幅值对应的时刻作为异常时刻;
计算第三时段脉象波形图中峰值与谷值之间的平均值,作为第三信号幅值均值;计算第四时段脉象波形图中峰值与谷值之间的平均值,作为第四信号幅值均值;计算第三信号幅值均值与第四信号幅值均值之间的方差,作为第二信号特征值,将第三时段脉象波形图和第四时段脉象波形图中小于第二信号特征值的脉象信号幅值对应的时刻作为异常时刻。
附图说明
图1为用于高压氧舱内患者的体征数据处理方法的流程图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种用于高压氧舱内患者的体征数据处理方法,包括以下步骤:
S1、获取体征数据集合、用户ID信息集合和高压氧舱设备编码集合;
S2、对体征数据集合、用户ID信息集合和高压氧舱设备编码集合进行匹配,确定用户ID对应的高压氧舱设备编码和体征数据;
S3、对用户的体征数据进行预处理,生成体征数据样本集;
S4:对各个用户ID对应的体征数据样本集和高压氧舱设备编码进行加密储存,完成体征数据处理。
在本发明实施例中,S1中,体征数据集合包括脑电波信号和脉象信号;用户ID信息集合包括若干个用户二维码;高压氧舱设备编码集合包括若干个实际高压氧舱设备编码。
在本发明实施例中,S2包括以下子步骤:
S21、根据用户二维码,从高压氧舱设备编码集合中获取实际高压氧舱设备编码,从电子病历中获取标准高压氧舱设备编码;
S22、将实际高压氧舱设备编码与标准高压氧舱设备编码进行匹配,确定用户ID对应的高压氧舱设备编码;
S23、根据用户ID对应的高压氧舱设备编码,确定体征数据集合。
在实际应用场景中,由于高压氧舱数量限制,一个高压氧舱通常需要供多个患者使用,所以需要准确地确定每个用户使用的高压氧舱。在明确每个用户使用的高压氧舱设备编码后,即可确定该高压氧舱设备对应的体征采集仪采集的该用户的体征数据集合。
在本发明实施例中,S22中,确定用户ID对应的高压氧舱设备编码的具体方法为:计算实际高压氧舱设备编码与标准高压氧舱设备编码之间的匹配相似度,若匹配相似度小于0.5,则将标准高压氧舱设备编码作为用户ID对应的高压氧舱设备编码,否则将实际高压氧舱设备编码作为用户ID对应的高压氧舱设备编码。
一般会根据高压氧舱空闲数量以及空闲时间,为用户提前安排对应的高压氧舱(即电子病历中的标准高压氧舱设备)。但在实际使用中,可能根据现场高压氧舱使用情况临时调整,为用户安排等待时间最短的高压氧舱(即实际高压氧舱设备编码,实际高压氧舱设备编码存储在用户二维码的信息中,扫描用户二维码即可获得,方便查询)。因此,在确定用户ID对应的高压氧舱设备编码时,应确定标准高压氧舱设备与实际高压氧舱设备是否一致,在不一致时应将实际高压氧舱设备编码作为用户ID对应的高压氧舱设备编码,并更新电子病历。经过上述过程,可以保证用户ID对应的高压氧舱设备编码准确,便于获取用户信息。
在本发明实施例中,实际高压氧舱设备编码与标准高压氧舱设备编码之间的匹配相似度S的计算公式为:
式中,L 1表示实际高压氧舱设备编码的长度,L 2表示标准高压氧舱设备编码的长度,μ m 表示实际高压氧舱设备编码中第m个字符串的权重,M表示实际高压氧舱设备编码的字符串个数,ρ n 表示标准高压氧舱设备编码中第n个字符串的权重,N表示标准高压氧舱设备编码的字符串个数,μ 0表示实际高压氧舱设备编码中所有字符串的权重均值,ρ 0表示标准高压氧舱设备编码中所有字符串的权重均值。
通过对设备编码中字符串的权重值和长度进行运算,可得到实际高压氧舱设备编码与标准高压氧舱设备编码之间的匹配相似度,相似度可以客观且直接地反映用户是否使用电子病历中的标准高压氧舱设备编码,便于对电子病历进行实时更新,保证获取的体征数据准确,避免出现误诊情况。
在本发明实施例中,S3包括以下子步骤:
S31、对各个时刻的脑电波信号进行傅里叶变换,得到不同频段的脑电波信号;
S32、根据不同频段的脑电波信号,构建频段能量处理模型;
S33、利用交替方向乘子法求解频段能量处理模型,得到各个频段的能量特征值;
S34、将脑电波信号各个频段的能量值与对应的能量特征值相乘,生成第一体征数据样本子集;
S35、根据不同时刻的脉象信号,建立脉象信号的脉象波形图,并根据脉象波形图确定正常时刻和异常时刻的脉象信号;
S36、剔除异常时刻的脉象信号,并其余时刻的脉象信号作为第二体征数据样本子集;
S37、将第一体征数据样本子集和第二体征数据样本子集作为体征数据样本集。
交替方向乘子法是一种求解具有可分离的凸优化问题的计算框架, 由于其处理速度快,收敛性能好,ADMM适用于求解分布式凸优化问题,特别是统计学习问题。
由体征采集仪采集的体征数据可能存在干扰,所以需对脑电波信号进行预处理,剔除噪声干扰,保证获取的脑电波信号准确。通过频段能量处理模型对脑电波不同频段的能量进行处理。对于脉象信号,通过构建脉象波形图剔除异常时刻的脉象信号,减少错误信号对体征数据集合的影响。这里需注意的是,异常时刻的脉象信号并非指脉象信号不正常,而是指由于体征采集仪工作失误等原因导致的异常信号,不应剔除脉象信号峰谷值相差较大的信号,因为这些信号恰恰可能表示用户体征数据不稳定,需要引起重视。
在本发明实施例中,S32中,频段能量处理模型F的表达式为:
式中,m表示脑电波信号的长度,σ 1表示α波频段的能量密度,σ 2表示β波频段的能量密度,σ 3表示θ波频段的能量密度,f 1表示α波频段的频率,f 2表示β波频段的能量密度,f 3表示θ波频段的能量密度,E 1表示α波频段的能量值,E 2表示β波频段的能量值,E 3表示θ波频段的能量值,exp(·)表示指数函数,j表示虚数。
对脑电波数据进行傅里叶变换,可以得到不同频段的频段能量,频段能量包括:α波频段能量、β波频段能量和θ波频段能量。再根据α波频段能量、β波频段能量和θ波频段能量的脑电波信号以及参数,构建脑电波预处理模型,可以更好地反映信号特征情况。
在本发明实施例中,S35中,建立脉象波形图的具体方法为:以脉象信号的采集时刻作为横坐标,以脉象信号幅值作为纵坐标,建立二维坐标系,生成脉象波形图。
在本发明实施例中,S35中,确定异常时刻的脉象信号的具体方法为:将脉象波形图的横坐标均分为四份,得到第一时段脉象波形图、第二时段脉象波形图、第三时段脉象波形图和第四时段脉象波形图;
计算第一时段脉象波形图中峰值与谷值之间的平均值,作为第一信号幅值均值;计算第二时段脉象波形图中峰值与谷值之间的平均值,作为第二信号幅值均值;计算第一信号幅值均值与第二信号幅值均值之间的方差,作为第一信号特征值,将第一时段脉象波形图和第二时段脉象波形图中小于第一信号特征值的脉象信号幅值对应的时刻作为异常时刻;
计算第三时段脉象波形图中峰值与谷值之间的平均值,作为第三信号幅值均值;计算第四时段脉象波形图中峰值与谷值之间的平均值,作为第四信号幅值均值;计算第三信号幅值均值与第四信号幅值均值之间的方差,作为第二信号特征值,将第三时段脉象波形图和第四时段脉象波形图中小于第二信号特征值的脉象信号幅值对应的时刻作为异常时刻。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种用于高压氧舱内患者的体征数据处理方法,其特征在于,包括以下步骤:
S1、获取体征数据集合、用户ID信息集合和高压氧舱设备编码集合;
S2、对体征数据集合、用户ID信息集合和高压氧舱设备编码集合进行匹配,确定用户ID对应的高压氧舱设备编码和体征数据;
S3、对用户的体征数据进行预处理,生成体征数据样本集;
S4:对各个用户ID对应的体征数据样本集和高压氧舱设备编码进行加密储存,完成体征数据处理;
所述S1中,所述体征数据集合包括脑电波信号和脉象信号;所述用户ID信息集合包括若干个用户二维码;所述高压氧舱设备编码集合包括若干个实际高压氧舱设备编码;
所述S3包括以下子步骤:
S31、对各个时刻的脑电波信号进行傅里叶变换,得到不同频段的脑电波信号;
S32、根据不同频段的脑电波信号,构建频段能量处理模型;
S33、利用交替方向乘子法求解频段能量处理模型,得到各个频段的能量特征值;
S34、将脑电波信号各个频段的能量值与对应的能量特征值相乘,生成第一体征数据样本子集;
S35、根据不同时刻的脉象信号,建立脉象信号的脉象波形图,并根据脉象波形图确定正常时刻和异常时刻的脉象信号;
S36、剔除异常时刻的脉象信号,并其余时刻的脉象信号作为第二体征数据样本子集;
S37、将第一体征数据样本子集和第二体征数据样本子集作为体征数据样本集;
所述S32中,频段能量处理模型F的表达式为:
;
式中,m表示脑电波信号的长度,σ 1表示α波频段的能量密度,σ 2表示β波频段的能量密度,σ 3表示θ波频段的能量密度,f 1表示α波频段的频率,f 2表示β波频段的能量密度,f 3表示θ波频段的能量密度,E 1表示α波频段的能量值,E 2表示β波频段的能量值,E 3表示θ波频段的能量值,exp(·)表示指数函数,j表示虚数。
2.根据权利要求1所述的用于高压氧舱内患者的体征数据处理方法,其特征在于,所述S2包括以下子步骤:
S21、根据用户二维码,从高压氧舱设备编码集合中获取实际高压氧舱设备编码,从电子病历中获取标准高压氧舱设备编码;
S22、将实际高压氧舱设备编码与标准高压氧舱设备编码进行匹配,确定用户ID对应的高压氧舱设备编码;
S23、根据用户ID对应的高压氧舱设备编码,确定体征数据集合。
3.根据权利要求2所述的用于高压氧舱内患者的体征数据处理方法,其特征在于,所述S22中,确定用户ID对应的高压氧舱设备编码的具体方法为:计算实际高压氧舱设备编码与标准高压氧舱设备编码之间的匹配相似度,若匹配相似度小于0.5,则将标准高压氧舱设备编码作为用户ID对应的高压氧舱设备编码,否则将实际高压氧舱设备编码作为用户ID对应的高压氧舱设备编码。
4.根据权利要求3所述的用于高压氧舱内患者的体征数据处理方法,其特征在于,所述实际高压氧舱设备编码与标准高压氧舱设备编码之间的匹配相似度S的计算公式为:
;
式中,L 1表示实际高压氧舱设备编码的长度,L 2表示标准高压氧舱设备编码的长度,μ m 表示实际高压氧舱设备编码中第m个字符串的权重,M表示实际高压氧舱设备编码的字符串个数,ρ n 表示标准高压氧舱设备编码中第n个字符串的权重,N表示标准高压氧舱设备编码的字符串个数,μ 0表示实际高压氧舱设备编码中所有字符串的权重均值,ρ 0表示标准高压氧舱设备编码中所有字符串的权重均值。
5.根据权利要求1所述的用于高压氧舱内患者的体征数据处理方法,其特征在于,所述S35中,建立脉象波形图的具体方法为:以脉象信号的采集时刻作为横坐标,以脉象信号幅值作为纵坐标,建立二维坐标系,生成脉象波形图。
6.根据权利要求1所述的用于高压氧舱内患者的体征数据处理方法,其特征在于,所述S35中,确定异常时刻的脉象信号的具体方法为:将脉象波形图的横坐标均分为四份,得到第一时段脉象波形图、第二时段脉象波形图、第三时段脉象波形图和第四时段脉象波形图;
计算第一时段脉象波形图中峰值与谷值之间的平均值,作为第一信号幅值均值;计算第二时段脉象波形图中峰值与谷值之间的平均值,作为第二信号幅值均值;计算第一信号幅值均值与第二信号幅值均值之间的方差,作为第一信号特征值,将第一时段脉象波形图和第二时段脉象波形图中小于第一信号特征值的脉象信号幅值对应的时刻作为异常时刻;
计算第三时段脉象波形图中峰值与谷值之间的平均值,作为第三信号幅值均值;计算第四时段脉象波形图中峰值与谷值之间的平均值,作为第四信号幅值均值;计算第三信号幅值均值与第四信号幅值均值之间的方差,作为第二信号特征值,将第三时段脉象波形图和第四时段脉象波形图中小于第二信号特征值的脉象信号幅值对应的时刻作为异常时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843492.XA CN116564509B (zh) | 2023-07-11 | 2023-07-11 | 一种用于高压氧舱内患者的体征数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310843492.XA CN116564509B (zh) | 2023-07-11 | 2023-07-11 | 一种用于高压氧舱内患者的体征数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116564509A CN116564509A (zh) | 2023-08-08 |
CN116564509B true CN116564509B (zh) | 2023-09-01 |
Family
ID=87495163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310843492.XA Active CN116564509B (zh) | 2023-07-11 | 2023-07-11 | 一种用于高压氧舱内患者的体征数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116564509B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010029434A (ja) * | 2008-07-29 | 2010-02-12 | Tom-Medic Co Ltd | 血管狭窄度合い判定プログラム、記録媒体、情報端末装置、血管狭窄度合い判定システムおよび血管狭窄度合い判定方法 |
CN106175752A (zh) * | 2015-04-30 | 2016-12-07 | 深圳市前海览岳科技有限公司 | 脑电波信号获取设备及方法、状态评估系统及方法 |
CN106175799A (zh) * | 2015-04-30 | 2016-12-07 | 深圳市前海览岳科技有限公司 | 基于脑电波评估人体情绪和疲劳状态的方法及系统 |
CN108536754A (zh) * | 2018-03-14 | 2018-09-14 | 四川大学 | 基于blstm和注意力机制的电子病历实体关系抽取方法 |
CN108903937A (zh) * | 2018-05-25 | 2018-11-30 | 上海果效智能科技有限公司 | 脑力参数获取方法、装置和系统 |
CN110013246A (zh) * | 2019-05-05 | 2019-07-16 | 烟台宏远氧业股份有限公司 | 一种高压氧舱生命体征监测方法及系统 |
CN110063859A (zh) * | 2019-05-05 | 2019-07-30 | 烟台宏远氧业股份有限公司 | 一种高压氧舱设备运行监测方法及系统 |
CN110448300A (zh) * | 2019-09-11 | 2019-11-15 | 秦军 | 医用氧舱呼吸监护系统及其实现方法 |
CN111540468A (zh) * | 2020-04-21 | 2020-08-14 | 重庆大学 | 一种诊断原因可视化的icd自动编码方法与系统 |
JP2020146140A (ja) * | 2019-03-12 | 2020-09-17 | 群馬県 | 心臓異常検出方法及び検出装置 |
CN111914655A (zh) * | 2020-07-06 | 2020-11-10 | 电子科技大学 | 一种基于显著信号子段提取的脉象分类方法 |
CN112069774A (zh) * | 2020-09-03 | 2020-12-11 | 微医云(杭州)控股有限公司 | 一种数据映射方法、装置、电子终端及存储介质 |
CN114099316A (zh) * | 2021-11-26 | 2022-03-01 | 杭州叁伟医疗科技有限公司 | 一种基于高压氧眼部治疗仪的眼部放松方法及设备 |
-
2023
- 2023-07-11 CN CN202310843492.XA patent/CN116564509B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010029434A (ja) * | 2008-07-29 | 2010-02-12 | Tom-Medic Co Ltd | 血管狭窄度合い判定プログラム、記録媒体、情報端末装置、血管狭窄度合い判定システムおよび血管狭窄度合い判定方法 |
CN106175752A (zh) * | 2015-04-30 | 2016-12-07 | 深圳市前海览岳科技有限公司 | 脑电波信号获取设备及方法、状态评估系统及方法 |
CN106175799A (zh) * | 2015-04-30 | 2016-12-07 | 深圳市前海览岳科技有限公司 | 基于脑电波评估人体情绪和疲劳状态的方法及系统 |
CN108536754A (zh) * | 2018-03-14 | 2018-09-14 | 四川大学 | 基于blstm和注意力机制的电子病历实体关系抽取方法 |
CN108903937A (zh) * | 2018-05-25 | 2018-11-30 | 上海果效智能科技有限公司 | 脑力参数获取方法、装置和系统 |
JP2020146140A (ja) * | 2019-03-12 | 2020-09-17 | 群馬県 | 心臓異常検出方法及び検出装置 |
CN110063859A (zh) * | 2019-05-05 | 2019-07-30 | 烟台宏远氧业股份有限公司 | 一种高压氧舱设备运行监测方法及系统 |
CN110013246A (zh) * | 2019-05-05 | 2019-07-16 | 烟台宏远氧业股份有限公司 | 一种高压氧舱生命体征监测方法及系统 |
CN110448300A (zh) * | 2019-09-11 | 2019-11-15 | 秦军 | 医用氧舱呼吸监护系统及其实现方法 |
CN111540468A (zh) * | 2020-04-21 | 2020-08-14 | 重庆大学 | 一种诊断原因可视化的icd自动编码方法与系统 |
CN111914655A (zh) * | 2020-07-06 | 2020-11-10 | 电子科技大学 | 一种基于显著信号子段提取的脉象分类方法 |
CN112069774A (zh) * | 2020-09-03 | 2020-12-11 | 微医云(杭州)控股有限公司 | 一种数据映射方法、装置、电子终端及存储介质 |
CN114099316A (zh) * | 2021-11-26 | 2022-03-01 | 杭州叁伟医疗科技有限公司 | 一种基于高压氧眼部治疗仪的眼部放松方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116564509A (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kui et al. | Heart sound classification based on log Mel-frequency spectral coefficients features and convolutional neural networks | |
Upadhyay et al. | A comparative study of feature ranking techniques for epileptic seizure detection using wavelet transform | |
Raj et al. | A personalized point-of-care platform for real-time ECG monitoring | |
CN111202517B (zh) | 一种睡眠自动分期方法、系统、介质及电子设备 | |
US20210338171A1 (en) | Tensor amplification-based data processing | |
CN112472101A (zh) | 基于转换技术的深度学习心电图数据分类方法及装置 | |
CN116564509B (zh) | 一种用于高压氧舱内患者的体征数据处理方法 | |
CN112336379A (zh) | 一种骨质疏松症数据收集与分析平台 | |
Singhal et al. | Gsmd-srst: Group sparse mode decomposition and superlet transform based technique for multi-level classification of cardiac arrhythmia | |
CN109166626A (zh) | 一种消化性溃疡病人的医疗指标缺失数据补全方法 | |
WO2021231044A1 (en) | System and method for testing for sars-cov-2/covid-19 based on wearable medical sensors and neural networks | |
Xiao et al. | AHE detection with a hybrid intelligence model in smart healthcare | |
CN112735547A (zh) | 一种基于大数据的医院后台管理系统 | |
CN112587091A (zh) | 基于心率变异性角场图像的睡眠呼吸暂停检测方法及装置 | |
Hakkak et al. | Analysis of lossless compression techniques time-frequency-based in ECG signal compression | |
Rakshit et al. | Wavelet sub-bands features-based ECG signal quality assessment scheme for computer-aided monitoring system | |
Fathi et al. | An efficient compression technique for Foetal phonocardiogram signals in remote healthcare monitoring systems | |
Vimalajeewa et al. | A Method for Detecting Murmurous Heart Sounds based on Self-similar Properties | |
CN114947801A (zh) | 一种基于Transformer网络的生命体征状态识别方法及系统 | |
CN113951886A (zh) | 一种脑磁纹生成系统及测谎决策系统 | |
Huang et al. | ECG signal compression for low-power sensor nodes using sparse frequency spectrum features | |
Hua et al. | ECG signals deep compressive sensing framework based on multiscale feature fusion and SE block | |
CN115804581A (zh) | 心率特征的测量方法、症状检测方法及相关设备 | |
LU et al. | Federated Learning Based on Extremely Sparse Series Clinic Monitoring Data | |
Hakim et al. | An innovative and robust technique for human identification and authentication based on a secure clinical signals transmission |
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 |