CN116570246A - 一种癫痫监测及远程报警系统 - Google Patents
一种癫痫监测及远程报警系统 Download PDFInfo
- Publication number
- CN116570246A CN116570246A CN202310730021.8A CN202310730021A CN116570246A CN 116570246 A CN116570246 A CN 116570246A CN 202310730021 A CN202310730021 A CN 202310730021A CN 116570246 A CN116570246 A CN 116570246A
- Authority
- CN
- China
- Prior art keywords
- patient
- epileptic
- signals
- mode
- physiological signals
- 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
- 230000001037 epileptic effect Effects 0.000 title claims abstract description 114
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 206010010904 Convulsion Diseases 0.000 claims abstract description 101
- 206010015037 epilepsy Diseases 0.000 claims abstract description 75
- 208000028329 epileptic seizure Diseases 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000012549 training Methods 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 23
- 230000033001 locomotion Effects 0.000 claims description 23
- 239000003814 drug Substances 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000009429 distress Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 2
- 230000003183 myoelectrical effect Effects 0.000 description 9
- 230000003993 interaction Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 206010044565 Tremor Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000009133 cooperative interaction Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 208000002740 Muscle Rigidity Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006931 brain damage Effects 0.000 description 1
- 231100000874 brain damage Toxicity 0.000 description 1
- 230000005978 brain dysfunction Effects 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002483 medication Methods 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 210000000106 sweat gland Anatomy 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/053—Measuring electrical impedance or conductance of a portion of the body
- A61B5/0531—Measuring skin impedance
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1101—Detecting tremor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/6804—Garments; Clothes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
-
- 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
-
- 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
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Epidemiology (AREA)
- Cardiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Neurosurgery (AREA)
- Primary Health Care (AREA)
- Dentistry (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Dermatology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Bioethics (AREA)
Abstract
本发明提供了一种癫痫监测及远程报警系统,所述系统包括医生端;所述医生端被配置为:由所述医生端获取患者癫痫发作对应的报警信息和患者的多模态生理信号,所述报警信息是由患者端根据所述患者的多模态生理信号监测到患者癫痫发作而发出的,并且报警信息包括患者的基本信息和癫痫发作信息;由所述医生端获取第一救护指导并发送给患者端和/或家属端,所述第一救护指导基于所述报警信息和患者的多模态生理信号进行初步分析确定;由所述医生端获取第二救护指导并发送给患者端和/或家属端,所述第二救护指导根据从所述患者的多模态生理信号识别出的患者的癫痫发作状态、置信度和危险等级确定。
Description
技术领域
本发明涉及人机交互领域,具体来说,涉及人机交互领域中的多终端癫痫监测领域,更具体地说,涉及针对多终端癫痫监测的传感器技术和可穿戴技术,即一种癫痫监测及远程报警系统。
背景技术
癫痫是大脑神经元异常放电导致大脑功能障碍的一种慢性疾病,并且癫痫的发病率较高,仅次于脑血管疾病,儿童和老年人是癫痫的高发群体,儿童青少年癫痫发病率高达3‰。在我国约有1000万癫痫患者,其中60%是活动性癫痫患者,而且每年新增患者数量高达40万。癫痫的发作后果极为严重,一旦长时间发作且得不到控制,缺氧、有毒代谢产物积聚等可能会导致不可逆的脑损伤。
近年来,传感器技术和可穿戴技术广泛应用于生物医学、疾病康复等领域。可穿戴传感器具有体积小重量轻、佩戴舒适、便携性好等特点,为癫痫发作的长期监测提供了解决方案。Beniczky等人利用肌电采集器对癫痫患者的肱二头肌进行信号采集,通过肌电变化情况对患者的健康进行监护,但这张单一的信号采集方式易与日常活动中的运动信号发生混淆,导致其对患者的癫痫情况的监测不具备可行性。美国Empatica公司基于多模态传感器进行癫痫监测的方法利用可穿戴皮肤电传感器和运动传感器融合的方式对癫痫患者进行生理信号采集,成功研制Empatica-watch2手表,并获得美国FDA认证,但是这种监测方式易受到外界刺激、情绪波动等方面的原因导致汗腺分泌,进而导致监测到的数据的准确度不高。刘俊飙等人申请的《基于多数据采集的癫痫发作检测设备及预警系统》(申请号:CN201811504356.3)通过采集多组生理信号,如:多通道脑电信号、多通道皮肤电信号以及加速度信号等,并对其进行数据预处理,通过随机森林模型进行预测,最终获得预测结果。虽然该方法采集了多种生理信号,并基于患者的多种生理信号对患者的癫痫发作具有一定的预警效果,但是该方法的预警提示仅限于根据预测结果提醒家属或医生该患者癫痫发作。
发明内容
因此,本发明的目的在于克服上述现有技术的缺陷,提供一种癫痫监测及远程报警系统。
本发明的目的是通过以下技术方案实现的:
根据本发明提供的一种癫痫监测及远程报警系统,所述系统包括医生端;所述医生端被配置为:由所述医生端获取患者癫痫发作对应的报警信息和患者的多模态生理信号,所述报警信息是由患者端根据所述患者的多模态生理信号监测到患者癫痫发作而发出的,并且报警信息包括患者的基本信息和癫痫发作信息;由所述医生端获取第一救护指导并发送给患者端和/或家属端,所述第一救护指导基于所述报警信息和患者的多模态生理信号进行初步分析确定;由所述医生端获取第二救护指导并发送给患者端和/或家属端,所述第二救护指导根据从所述患者的多模态生理信号识别出的患者的癫痫发作状态、置信度和危险等级确定。
在本发明的一些实施例中,所述患者的基本信息包括:患者的姓名、年龄、病史和用药情况;所述癫痫发作信息包括:地理位置、发作时间、持续时间和发作强度;所述患者的多模态生理信号包括:运动信号、肌电信号、心率信号和皮肤电阻信号。
在本发明的一些实施例中,所述医生端部署有癫痫医学分析模型,其中,所述癫痫医学分析模型包括基于深度神经网络的经训练的第一分析模型,所述经训练的第一分析模型包括:用于根据报警信息和多模态生理信号提取第一特征向量的特征提取层,用于根据第一特征向量确定各个模态的信号对癫痫发作识别的重要程度的注意力机制层,用于根据所述多模态生理信号和各个模态的信号的重要程度识别患者的癫痫发作状态、置信度和危险等级的预测层;其中,所述第二救护指导根据各个模态的信号的重要程度、所述患者的癫痫发作状态、置信度和危险等级确定。
在本发明的一些实施例中,所述经训练的第一分析模型是按照以下方式训练得到:获取第一训练集,其包括多个第一训练样本和每个第一训练样本对应第一标签,所述第一训练样本为预先采集的被试者的多模态生理信号,所述第一标签指示对应第一训练样本被采集时相关被试者的癫痫发作状态和危险等级;利用所述第一训练集对第一分析模型进行一次或者多次训练,得到经训练的第一分析模型。
在本发明的一些实施例中,所述癫痫医学分析模型还包括第二分析模型,所述第二分析模型被配置为:根据所述患者的多模态生理信号,确定运动信号、肌电信号、心率信号和皮肤电阻信号中各个信号的平均值、极大值、极小值、方差和均方根;其中,所述第二救护指导根据各个模态的信号的重要程度、所述患者的癫痫发作状态、置信度、危险等级以及各个信号的平均值、极大值、极小值、方差和均方根确定。
在本发明的一些实施例中,所述系统还包括患者端,所述患者端被配置实时采集患者的多模态生理信号,并对采集的多模态生理信号进行预处理和特征提取来确定患者是否发生癫痫;若患者发生癫痫,患者端被配置为将报警信息和患者的多模态生理信号发送给医生端,并向家属端发出报警信号和/或向患者端的周围环境发出求救信号。
在本发明的一些实施例中,所述患者端部署有经训练的癫痫监测模型,所述经训练的癫痫监测模型被配置为:获取多模态生理信号的融合特征,并基于多模态生理信号的融合特征确定患者是否发生癫痫;所述多模态生理信号的融合特征是采用与多模态生理信号相对应的特征提取方法进行提取融合得到。
在本发明的一些实施例中,所述多模态生理信号的融合特征是采用与多模态生理信号相对应的特征提取方法进行提取融合得到,包括:采用平均值、方差、极大值、极小值和/或均方根特征提取方法对多模态生理信号中的运动信号进行特征提取;采用本征模函数对多模态生理信号中的肌电信号、心率信号和皮肤电阻信号进行特征提取;将对提取到的各个信号的特征进行融合处理,得到多模态生理信号的融合特征。
在本发明的一些实施例中,所述经训练的癫痫监测模型按照如下方式得到训练:获取第二训练集,其包括多个第二训练样本和每个第二训练样本对应的第二标签,所述二训练样本为多模态生理信号的融合特征,所述第二标签为与多模态生理信号对应的癫痫发作状态;利用所述第二训练集对癫痫监测模型进行一次或者多次训练,得到经训练的癫痫监测模型。
在本发明的一些实施例中,所述系统还包括家属端,所述家属端被配置为获取报警信号、第一救护指导和第二救护指导及时对患者进行救护。与现有技术相比,本发明的优点在于:
本发明采用“患者-医生-家属”的多终端架构,使用可穿戴传感器对患者的多模态生理信号进行持续监测,利用内嵌在可穿戴设备的癫痫监测模型进行发作判别,提升了癫痫发作监测的实时性。并且通过“患者-家属”端的交互,将发作位置、发作时间等发作信息发送至家属端,以使得家属在第一时间对患者进行救治;通过“患者-医生”端的交互,将详细的多模态生理信号发送至医生端进行医学特征提取及分析,辅助医生进行快速的病情发作情况判断;通过“医生-家属”端的交互,将医生根据患者实时信息给出的针对性救治建议发送至家属端,以在最短时间内对发病患者采取积极且具有针对性和专业性的救护措施,及时地保障了患者的人身安全。
附图说明
以下参照附图对本发明实施例作进一步说明,其中:
图1为根据本发明实施例的一种癫痫监测及远程报警系统架构示意图。
图2为根据本发明实施例的一种癫痫监测及远程报警系统工作流程示意图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下通过具体实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如背景技术中所述的,现有技术中,对患者进行癫痫监测及预警,虽然采集了患者的多通道生理信号,并基于采集到的多通道生理信号对患者的癫痫状态进行了预测,同时基于预测结果向与患者绑定的家属或医生进行了预警提示,以及时提醒家属或医生知晓患者当前的病理状态,但是其存在以下问题:1、由于目前癫痫患者中,儿童和老年人居多,与成年人相比,他们的自理能力较弱,当监护人不在身边且患者发生癫痫时,家属或医生收到了预警提示,但是预警提示中涉及的信息较少,以致于家属和医生并不能根据预警提示进行及时、适宜的救护。2、当患者端监测到患者癫痫发作后,可能仅向周围环境和/或家属端报警。当周围环境没有专业的医护人员或者没有癫痫急救知识的人员,周围的人员可能只能协助拨打急救电话或者帮助其到附近的医疗机构,这样很可能会延误病情;而家属端获得报警信息后,可以赶到患者癫痫发作的地点依据往常的救护经验进行救护;但是,由于患者的病情是变化的,往常的救护经验可能并不适应患者当前的发病情况。3、由于目前癫痫患者的治疗方案与用药主要依赖医生的医学判断,在现有技术中,医生仅根据接收到的预警提示并不能根据患者癫痫发作的实际情况指导如何进行专业的救护。另外,患者癫痫发作后,救护的时间是紧迫的。因此,如何避免救护的不及时导致延误病情和保障救护指导的针对性和专业性是急需解决的问题。
经过研究发现,可以通过重新构建一整套多终端协同交互的癫痫监测及远程报警系统来解决上述存在的问题,因此,本发明提供了一种癫痫监测及远程报警系统,该系统利用医生端的癫痫医学分析模型根据获取的患者端的报警信息和多模态生理信号,为了解决救护指导不及时和不专业的问题,本发明实施例的医生端会先获取第一救护指导并发送给患者端和/或家属端,所述第一救护指导基于所述报警信息和患者的多模态生理信号进行初步分析确定,第一救护指导可以快速、及时地发出以对患者的癫痫情况加以控制;另外,为了更加详细地分析并作出更准确的救护指导,医生端还可以获取第二救护指导并发送给患者端和/或家属端,所述第二救护指导根据从所述患者的多模态生理信号识别出的患者的癫痫发作状态、置信度和危险等级确定。第二救护指导是参考了更详细的信息所做出的,相对于第一救护指导更具有针对性和专业性,能够针对患者的癫痫情况给出具体且专业的救护指导,尽可能让患者能够得到更加及时、专业、有效地救护。下面结合附图和实施例详细说明本发明的方案。
在对本发明的实施例进行具体介绍之前,先对其中使用的部分术语作如下解释:
本征模函数(Intrinsic Mode Function,IMF):IMF的概念最早由中国科学家黄有光在20世纪90年代提出,其核心思想是将信号分解为若干个本征模态函数和一个残差项。IMF分解方法在信号处理中有广泛的应用,尤其是在时频分析、非线性动力学分析和故障诊断等领域。可以参考文献:HUANG N E,Shen Zheng,LONG S R,et al.The empirical modedecomposition and the Hilbert spectrum for non-linear and non-station timeseries analysis[J].Proc R SocLond,1998,45(4):903-995.
为了更好的了解本发明,首先介绍一下本发明实施例中一种癫痫监测及远程报警系统架构,如图1所示,所述系统包括患者端、医生端和家属端,该系统通过患者端实时采集患者的多模态生理信号对患者是否发生癫痫进行预测,当患者发生癫痫时,向医生端和家属端发送报警信息并同时将采集到的患者的多模态生理信号发送给医生端;医生端根据报警信息和多模态生理信号对患者的癫痫发作情况进行分析判断,并向家属端和/或患者端发送救护指导;根据实际的情况,可由相应人员根据家属端获取的报警信息和救护指导及时对患者实施具有针对性的救护措施,也可能由其他人员根据患者的救护指导及时对患者实施具有针对性的救护措施。如上所述,该系统通过多终端间的协同交互,完成了从患者癫痫发作到多终端远程报警和专业病情分析,最终实现了远程协同报警并给出了具有针对性和专业性的救护措施。下面结合具体实施例对患者端、医生端和家属端进行详细说明。
一、患者端
所述患者端实时采集患者的多模态生理信号,对采集的多模态生理信号进行预处理和特征提取来确定患者是否发生癫痫;若患者发生癫痫,患者端将报警信息和患者的多模态生理信号发送给医生端,并向家属端发出报警信号和/或向患者端的周围环境发出求救信号。
根据本发明的一个实施例,所述患者端由可穿戴设备实现,所述可穿戴设备部署有数据采集模块、数据预处理模块、特征提取模块和经训练的癫痫监测模型;
其中,所述数据采集模块用于实时采集患者(被测试者)的多模态生理信号。根据本发明的一个实施例,数据采集模块中包括采集运动信号的运动传感器、采集肌电信号的肌电传感器、采集心率信号的心率传感器和采集皮肤电阻信号的皮肤电传感器;其中,运动传感器可以采用以下一种或多种传感器:加速度计、陀螺仪和磁力计;且加速度计、陀螺仪和磁力计均为三轴传感器(一般为x-y-z三轴传感器),肌电传感器、心率传感器和皮肤电传感器为单通道传感器,上述传感器所采集到的生理信号均包含有时间信息。
所述数据预处理模块用于对实时采集的多模态生理信号进行预处理,以使经过预处理的数据满足癫痫监测模型的输入形式要求。根据本发明的一个实施例,对数据进行预处理包括以下步骤:
步骤1、采用剔除异常值和/或补全缺失值等方式对采集的多模态生理信号进行数据清洗。例如:通过设定离群点的阈值,对异常值进行剔除;通过整体数据的平均值对缺失值进行补全。
步骤2、利用高通-低通滤波器或卡尔曼滤波器任一一种方式来对经过数据清洗的多模态生理信号进行噪声处理,得到降噪后的多模态生理信号。根据本发明的一些实施例,还可以采用多种滤波器组合降噪的方式对生理信号进行降噪处理。
步骤3、根据传感器的采样频率,将降噪后的多模态生理信号进行分窗处理,得到经预处理的多模态生理信号。根据本发明的一些实施例,对降噪后的多模态生理信号按照窗口大小为1s,滑动距离为0.5s进行分窗处理,得到若干个窗口大小为1s的多模态生理信号。其中,运动传感器的采样频率为100Hz,肌电传感器500Hz,心率传感器60Hz,皮肤电传感器100Hz。应当理解,以上分窗处理仅为示例,实施者可以根据需要调整,例如窗口大小也可改为2s,滑动距离改为1s,本发明实施例对此不作限制。
所述特征提取模块用于对经预处理的多模态生理信号进行特征提取,并对提取到的特征进行融合,得到多模态生理信号的融合特征。根据本发明的一些实施例,由于生理信号的模态不同,需要采用不同的特征提取方法对多模态生理信号进行特征提取。针对加速度计、陀螺仪、磁力计等三轴运动传感器采集的运动信号,可以采用平均值、方差、极大值、极小值、均方根等特征提取方法进行特征提取;针对肌电传感器、心率传感器、皮肤电传感器等传感器采集的生理信号,可以使用本征模函数(IMF)对生理信号进行特征提取。其中,采用平均值、方差、极大值、极小值、均方根等特征提取方法对多模态生理信号进行特征提取时,可以采用如下公式:
1)提取平均值特征时:
2)提取方差特征时:
3)提取极大值特征时:MAXk=max(xi);
4)提取极小值特征时:MINk=min(xi);
5)提取均方根特征时:
其中,xi表示第i时刻运动信号的值,表示全部时刻运动信号的平均值,N表示运动信号的总数量。
基于上述提取到的各个生理信号的特征,通过特征融合方式将提取到的各个生理信号的特征进行融合,得到多模态生理信号的融合特征。例如:将运动信号的平均值、方差、极大值、极小值、均方根的特征进行融合,得到了运动信号的融合特征。
所述经训练的癫痫监测模型用于获取多模态生理信号的融合特征,并基于多模态生理信号的融合特征对患者进行癫痫预测,即确定患者是否发生癫痫。根据本发明的一个实施例,所述经训练的癫痫监测模型为一个通用癫痫监测模型通过预先获取的多模态生理信号的融合特征以及标签训练得到的,其训练过程如下:获取多个包括多模态生理信号的融合特征为训练样本以及与多模态生理信号对应的癫痫发作状态为标签的训练集;所述癫痫发作状态为发病状态和未发病状态;利用所述训练集对通用癫痫监测模型进行一次或多次的训练,得到经训练的癫痫监测模型。该实施例的技术方案至少能够实现以下有益技术效果:融合特征是对多模态生理信号从不同的角度所提取的上述各个特征进行融合得到,根据融合特征对癫痫监测模型进行训练,提高了癫痫监测模型的性能,使得在对患者的癫痫发作进行监测时得到的监测结果更加准确。
根据本发明的一个实施例,由于癫痫监测模型是通过大量的不同体貌体征、年龄状态的人群的数据进行构建的,这导致了癫痫监测模型的泛化性较强,在落实到每个人的个性特征时,其泛化性可能导致癫痫监测模型的监测结果不准确且针对性不强,因此,在个人使用时,可以通过若干手势(可参考:Rawat S,Vats S,Kumar P.Evaluating andexploring the MYO ARMBAND[C]//2016International Conference System Modeling&Advancement in Research Trends(SMART).IEEE,2016:115-120.)对癫痫监测模型进行跨领域个性化校准,也即首先采集使用者的一些信息,利用这些信息对癫痫监测模型进行校准和个性化迁移,以使得癫痫监测模型能够个性化监测使用者的癫痫发作情况。其个性化迁移函数如下所示:
其中,z为所提取的特征,是定义在/>的源域数据分布,f(x)为真实标签值,E是特征到标签的映射函数。
基于上述进行个性化校准的癫痫监测模型可以对个人进行个性化的癫痫监测,保证了其监测结果的准确性以及可信性。
根据本发明的一些实施例,癫痫监测模型所使用的算法包括但不限于:逻辑回归(LR)、支持向量机(SVM)、神经网络(NN)和极限学习机(ELM)。
根据本发明的一个实施例,当经训练的癫痫监测模型根据多模态生理信号的融合特征判断出患者发生癫痫时,患者端将报警信息和患者的多模态生理信号发送给医生端,并向家属端发出报警信号以及向患者端的周围发出求救信号。根据本发明的一个示例,患者客户端接收到可穿戴设备的报警提示后,向周围环境发出求救信号,并将患者客户端的信息整合为报警信息,其包括基本信息和癫痫发作信息,将报警信息发送给与患者端绑定的医生端和家属端。其中,基本信息包括:患者姓名、年龄、病史、用药情况等,癫痫发作信息包括:地理位置、发作时间、持续时长、发作强度等。
根据本发明的一个实施例,将患者客户端的信息整合为报警信息,可以采用数据库中的表的形式将患者端的全部信息写入针对不同患者建立的各自所对应的表中以此整合患者的信息。其医生端和家属端可以通过读取表中的数据来获得信息。
根据本发明的一个实施例,在患者端与家属端开通通话权限的情况下,自动向家属端进行拨号报警(报警信号)。
根据本发明的一个实施例,在患者发生癫痫时,患者端向医生端发生的患者的多模态生理信号为患者癫痫发作前一分钟以及癫痫发作期间采集的多模态生理信号。因此,在向医生端发送报警信息的同时,患者端向可穿戴设备发送数据传输请求,获得连续数据读取权限,从可穿戴设备中获取暂存的患者癫痫发作前一分钟以及癫痫发作期间采集的多模态生理信号,将获取到的患者癫痫发作前一分钟以及癫痫发作期间采集的多模态生理信号通过加密方式发送至医生端,以便医生端基于获取到的多模态生理信号进行后续分析判断。
根据本发明的一个实施例,本发明所使用的可穿戴设备与数据来源可以为多模态可穿戴的智能手环、智能手表和智能服中的至少一个,其内置的传感器类别包括但不限于:加速度计、陀螺仪、磁力计、肌电传感器、心率传感器、皮肤电传感器。
二、医生端
所述医生端获取患者癫痫发作对应的报警信息和患者的多模态生理信号,医生根据患者癫痫发作对应的报警信息和患者的多模态生理信号进行分析,向医生端给出第一救护指导和第二救护指导,医生端获取第一救护指导和第二救护指导并发送给患者端和/或家属端。
根据本发明的一个实施例,由所述医生端获取第一救护指导并发送给患者端和/或家属端,所述第一救护指导基于所述报警信息和患者的多模态生理信号进行初步分析确定。例如,医生首先根据患者癫痫发作对应的报警信息和患者的多模态生理信号(例如以波形图的形式展示给医生)对患者的癫痫情况进行初步分析,向医生端给出第一救护指导,医生端基于获取的第一救护指导发送给患者端和/或家属端,以使得家属端根据第一救护指导对患者进行初步的救护。根据一个示例:医生端接收到患者端的报警信息和,医生根据报警信息中的患者的基本信息和发作信息进行初步分析,可以根据患者的基本信息中的年龄和用药情况初步分析出应该使用什么药物给出一个用药指导,也可以结合发作信息中的地理位置、发作强度给出一个第一救护指导(病情控制方案),第一救护指导是癫痫急救指导步骤。当然,第一救护指导也可包括一些其他内容,例如:可以使用何种药物和大概的用药量进行初步的控制,根据发作强度和地理位置提供一个就近的医疗救助点等。
为了更详细地分析患者的病情,给出更专业的救护指导。根据本发明的一个实施例,所述医生端部署有癫痫医学分析模型,将获取到的患者癫痫发作对应的报警信息和患者的多模态生理信号利用癫痫医学分析模型进行二次分析,医生基于二次分析的结果给出第二救护指导,并由医生端将第二救护指导发送给患者端和/或家属端。
根据本发明的一个实施例,所述癫痫医学分析模型包括基于深度神经网络的经训练的第一分析模型和第二分析模型。所述经训练的第一分析模型包括:用于根据报警信息和多模态生理信号提取第一特征向量的特征提取层;用于根据第一特征向量确定各个模态的信号对癫痫发作识别的重要程度的注意力机制层;用于根据所述多模态生理信号和各个模态的信号的重要程度识别患者的癫痫发作状态、置信度和危险等级的预测层。所述第二分析模型用于根据患者的多模态生理信号,确定运动信号、肌电信号、心率信号和皮肤电阻信号中各个信号的平均值、极大值、极小值、方差和均方根。
根据本发明的一个实施例,所述经训练的第一分析模型是按照以下方式训练得到的:获取包括多个预先采集的被试者的多模态生理信号作为训练样本以及与每个第一训练样本对应的被采集时相关被试者的癫痫发作状态和危险等级作为标签;利用所述训练样本和标签对第一分析模型进行一次或者多次训练,得到经训练的第一分析模型。
根据本发明的一个实施例,利用特征提取层提取的第一特征向量为报警信息和多模态生理信号的特征构成的向量。
根据本发明的一个实施例,第一分析模型中对癫痫发作识别的重要程度的注意力机制层是利用注意力机制来提取关键发作位置以此得到对癫痫发作识别的重要程度,其注意力机制如下所示:
其中,Wq、Wk、Wv是注意力机制中的三个参数矩阵,且Wq、Wk、Wv均通过xn变换而来,因此,Wq、Wk、Wv是xn的三种不同的线性变化;矩阵Q、K、V代表一组query值、key值和value值;dq是查询(query值)的维度,其等于key值和value值的维度;xn为某一个单一窗口的特征集合;为深度神经网络中注意力机制的一个变量矩阵,该矩阵可以通过反向传播算法计算出来。根据本发明的一些实施例,Wq、Wk、Wv的具体数值可以通过网络训练获得,可以使用的网络包括:softmax、归一化、多头聚合等,以上仅为示例,本发明不仅限于此。
基于注意力机制提取到的关键位置,利用预测层对患者癫痫情况作出预测,其预测结果包括患者是否发生癫痫的发作判断、发作判断的置信度和患者健康状态的危险等级。其中,发作判断包括癫痫发作或癫痫未发作;发作判断的置信度为癫痫发作的百分比或癫痫未发作的百分比;患者健康状态的危险等级包括:极度危险、较危险、危险和一般。其预测结果示例为:癫痫发作,80%,较危险。
根据本发明的一个实施例,所述第二分析模型利用手动提取特征方法对患者的多模态生理信号进行特征提取,提取到的特征为运动信号、肌电信号、心率信号和皮肤电阻信号中各个信号的平均值、极大值、极小值、方差和均方根,根据手动提取到的特征为医生给出第二救护指导提供数据参考和决策支撑。
基于上述,所述第二救护指导是根据各个模态的信号的重要程度、所述患者的癫痫发作状态、置信度和危险等级以及各个信号的平均值、极大值、极小值、方差和均方根进行确定得到的。
根据本发明的另一个实施例,医生端还获取家属端对患者近况的介绍信息,医生基于患者的近况、各个模态的信号的重要程度、所述患者的癫痫发作状态、置信度和危险等级以及各个信号的平均值、极大值、极小值、方差和均方根来给出更加具有针对性的第二救护指导。
根据本发明的一个实施例,由于运动信号可反应患者的异常运动、震颤等状态;肌电信号可反应患者肌肉僵直程度、震颤等状态;心率信号可反应患者在发病过程中的心率加速变化情况等;皮肤电信号可反应患者在发病时的肌体排出的汗液情况。因此可以根据多模态生理信号的特征得到当前患者的癫痫情况,再结合得到的癫痫发作状态、置信度和危险等级给出的第二救护指导可以是:根据患者的年龄或癫痫发作的部位进行针对性药物治疗、用药量和/或是否立即送医。例如:当监测到年龄为5岁的癫痫患者的癫痫情况为“发生癫痫,60%,较危险”并且得到心率信号、运动信号和肌电信号的平均值都处于较高值,因此给出的救护指导为“使用癫痫药物-丙茂酸钠,用药量-2片,稍作观察,并将患者置于空气流动的环境中”。
根据本发明的一个实施例,当患者发生癫痫且向医生端发送报警信息和多模态生理信号后的一段时间内,患者端持续性向医生端发送患者的多模态生理信号,以使得医生端能够实时对患者的癫痫情况进行分析,当医生端后续接收到患者的多模态生理信号处于更高水平时,医生端立即向家属端发送即刻送医的指导,并安排就近的救护中心或医疗机构开通绿色通道接收该患者同时提供相关的救护措施。
三、家属端
所述家属端获取报警信号、第一救护指导和第二救护指导,并基于获取到的信息及时对患者进行救护。
根据本发明的一个实施例,家属端接收到患者端的报警信息和报警信号后,可以立即根据报警信息中患者发生癫痫的地理位置前往进行救护。或者当家属接收到患者端的报警信息和报警信号后,无法立即前往患者癫痫发作地点,可以根据指示信息即刻通知其他家属(距离患者最近)前往患者癫痫发作地点进行救护,降低因前往时间而浪费最佳救护时间的可能。
根据本发明的一个实施例,家属端在前往患者发生癫痫的地理位置的途中或在对患者进行救护的初始,家属端会接收到医生端的第一救护指导,根据医生端的第一救护指导对患者的癫痫进行一个初步的控制。
根据本发明的一个实施例,家属端接收到医生端的第二救护指导后,根据第二救护指导对患者进行针对性的救护,包括具体的药物、用药量以及需不需要立刻送医等。
为了更好的展现本发明的一种癫痫监测及远程报警系统,下面结合附图2来说明该系统的工作流程。
如图2所示,癫痫监测及远程报警系统工作流程包括以下步骤:
步骤S1、利用可穿戴设备对患者的多模态生理信号进行实时的持续性采集;
步骤S2、对采集的多模态生理信号进行预处理,其预处理方式包括但不限于数据清洗、数据补全、滑动分窗等;
步骤S3、根据多模态生理信号中不同模态信号的特性,采用不同发特征提取方式对多模态生理信号进行特征提取,并将提取的特征进行融合,得到融合特征;
步骤S4、根据可穿戴设备中内嵌的癫痫监测模型对融合特征进行患者的癫痫发作判断;
步骤S5、输出癫痫监测判断结果;
步骤S6、根据癫痫监测判断结果判断是否发生癫痫,若未发生则将采集到的多模态生理信号进行本地保存;若发生癫痫,则向患者客户端报告判断结果;
步骤S7、患者客户端接收到癫痫发作结果,将患者客户端信息和原始数据进行加密处理,其患者客户端信息包括基本信息(年龄、病史、用药等)、发作信息(位置、开始时间、持续时长、发作强度),其原始数据包括患者癫痫发作前一分钟及发作期间采集的多模态生理信号;
步骤S8、患者客户端向医生端及家属端发送报警信息,其报警信息即为患者客户端信息;
步骤S9、患者端将经过加密处理的原始数据发送至医生端;
步骤S10、医生端接收到的报警信息及原始数据进行二次分析:
1)医生端根据接收到到的报警信息对患者的癫痫发作情况进行初步判断,并向家属端发送初步救护指导;
2)利用医生端所部署的癫痫医学分析模型对原始数据进行分析,医生根据分析结果得到二次判断结果,并给出二次救护指导至医生端;医生端将二次救护指导发送给家属端。
步骤S11、家属端根据接收到的报警信息中的发作信息迅速定位患者发作位置,同时根据接收到的初步救护指导,及时对患者进行初步的救护;家属端根据接收到的二次救护指导对患者采取针对性的救护措施。
根据本发明的一个实施例,所述癫痫监测及远程报警系统的工作流程还可以是:通过多模态智能可穿戴设备对患者的癫痫状态进行持续监测,根据患者的癫痫发作情况,将不同的信息分别发送至指定的医生端和家属端。其中,患者端利用多模态智能可穿戴设备对患者的多模态生理信号进行实时采集,并利用个性化压缩模型对癫痫患者进行癫痫状态监测,一旦监测到患者可能发生癫痫,由可穿戴设备向患者客户端发出报警信息,患者端利用中央服务器将消息发送至对应的医生端与家属端。由于医生端与家属端关注信息的不同,将患者的全部信息进行分类,分为基础信息与专业信息,如:患者的基本情况、发作位置等作为基础信息向两端进行同时发送,以方便患者家属第一时间赶到患者发生癫痫的位置进行救护;而专业信息为患者发生癫痫的多模态生理信号数据,并将专业信息通过加密方式仅发送至医生端,医生端基于专业信息对患者的癫痫情况进行深入分析并给出具有专业性的救护指导,家属根据医生端给出的救护指导对患者实施针对性的救护。
根据本发明的一个实施例,医生端与患者端可实行“一对多”的方式连接,即一位医生对应多位患者,二者可以通过服务器进行监测信息的传递。
根据本发明的一个实施例,患者端与家属端可实行“多对一”的方式连接,即一位患者对应多位家属,二者可以通过服务器进行信息传递。
值得说明的是,为了降低误报率,增强系统的可用性,本发明对报警模块进行了防误报设置,根据本发明的一个实施例,其防误报设置为只有在连续若干个窗口下同时监测到患者癫痫发作时才进行报警。需要注意的是,虽然需要在若干个窗口下同时监测到患者癫痫发作时才进行报警,但是因为可穿戴设备中传感器的采样频率较高,所以这样的设置并不会对报警产生太多的延误。
如上所述,该癫痫监测及报警系统包括患者端、医生端和家属端,根据本发明的一些实施例,该系统还可以包括被监测者端(被监测者未患癫痫,但存在发生癫痫的可能)和家属端,因被监测者未患癫痫,但存在发生癫痫的可能,利用该系统对被监测者进行实时的癫痫监测,并将监测结果发送给家属端,当被监测者发生癫痫时,家属端接收到患者端的报警信息,其报警信息包括:患者发生癫痫的地理位置、发作时间、发作强度以及患者发生癫痫时的多模态生理信号,家属端根据患者发生癫痫的地理位置前往进行救助,并将患者送至附近的救助中心或在接收到患者端的报警信号后拨打急救电话并将患者的癫痫情况汇报给急救人员以此进行初步的控制。
根据本发明的另一些实施例,由于癫痫患者可能没有家属的情况,所以该系统还可以只包括患者端和医生端,当患者发生癫痫时,医生端接收到患者端的报警信息,其报警信息包括:患者的基本信息、发作信息以及患者的多模态生理信号,医生端根据基本信息中的癫痫发作的地理位置前往救助,并通过癫痫医学分析模型根据患者的多模态生理信号得到对患者的癫痫情况的深度分析结果,根据深度分析结果得到针对性的救护指导,根据此救护指导直接对患者实施具有专业性、针对性的救护。
综上所述,与现有技术相比,本发明提出的一种癫痫监测及远程报警系统具有以下优点:
本发明采用“患者-医生-家属”的多终端架构,使用可穿戴传感器对患者的多模态生理信号进行持续监测,利用内嵌在可穿戴设备的癫痫监测模型进行发作判别,提升了癫痫发作监测的实时性。并且通过“患者-家属”端的交互,将发作位置、发作时间等发作信息发送至家属端,以使得家属在第一时间对患者进行救治;通过“患者-医生”端的交互,将详细的多模态生理信号发送至医生端进行医学特征提取及分析,辅助医生进行快速的病情发作情况判断;通过“医生-家属”端的交互,将医生根据患者实时信息给出的针对性救治建议发送至家属端,以在最短时间内对发病患者采取积极且具有针对性和专业性的救护措施,及时地保障了患者的人身安全。
需要说明的是,虽然上文按照特定顺序描述了各个步骤,但是并不意味着必须按照上述特定顺序来执行各个步骤,实际上,这些步骤中的一些可以并发执行,甚至改变顺序,只要能够实现所需要的功能即可。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以包括但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种癫痫监测及远程报警系统,其特征在于,所述系统包括医生端;所述医生端被配置为:
由所述医生端获取患者癫痫发作对应的报警信息和患者的多模态生理信号,所述报警信息是由患者端根据所述患者的多模态生理信号监测到患者癫痫发作而发出的,并且报警信息包括患者的基本信息和癫痫发作信息;
由所述医生端获取第一救护指导并发送给患者端和/或家属端,所述第一救护指导基于所述报警信息和患者的多模态生理信号进行初步分析确定;
由所述医生端获取第二救护指导并发送给患者端和/或家属端,所述第二救护指导根据从所述患者的多模态生理信号识别出的患者的癫痫发作状态、置信度和危险等级确定。
2.根据权利要求1中所述的系统,其特征在于,
所述患者的基本信息包括:患者的姓名、年龄、病史和用药情况;
所述癫痫发作信息包括:地理位置、发作时间、持续时间和发作强度;
所述患者的多模态生理信号包括:运动信号、肌电信号、心率信号和皮肤电阻信号。
3.根据权利要求2中所述的系统,其特征在于,所述医生端部署有癫痫医学分析模型,其中,
所述癫痫医学分析模型包括基于深度神经网络的经训练的第一分析模型,所述经训练的第一分析模型包括:
用于根据报警信息和多模态生理信号提取第一特征向量的特征提取层,
用于根据第一特征向量确定各个模态的信号对癫痫发作识别的重要程度的注意力机制层,
用于根据所述多模态生理信号和各个模态的信号的重要程度识别患者的癫痫发作状态、置信度和危险等级的预测层;
其中,所述第二救护指导根据各个模态的信号的重要程度、所述患者的癫痫发作状态、置信度和危险等级确定。
4.根据权利要求3中所述的系统,其特征在于,所述经训练的第一分析模型是按照以下方式训练得到:
获取第一训练集,其包括多个第一训练样本和每个第一训练样本对应第一标签,所述第一训练样本为预先采集的被试者的多模态生理信号,所述第一标签指示对应第一训练样本被采集时相关被试者的癫痫发作状态和危险等级;
利用所述第一训练集对第一分析模型进行一次或者多次训练,得到经训练的第一分析模型。
5.根据权利要求4中所述的系统,其特征在于,所述癫痫医学分析模型还包括第二分析模型,所述第二分析模型被配置为:根据所述患者的多模态生理信号,确定运动信号、肌电信号、心率信号和皮肤电阻信号中各个信号的平均值、极大值、极小值、方差和均方根;
其中,所述第二救护指导根据各个模态的信号的重要程度、所述患者的癫痫发作状态、置信度、危险等级以及各个信号的平均值、极大值、极小值、方差和均方根确定。
6.根据权利要求1-5之一中所述的系统,其特征在于,所述系统还包括患者端,所述患者端被配置实时采集患者的多模态生理信号,并对采集的多模态生理信号进行预处理和特征提取来确定患者是否发生癫痫;
若患者发生癫痫,患者端被配置为将报警信息和患者的多模态生理信号发送给医生端,并向家属端发出报警信号和/或向患者端的周围环境发出求救信号。
7.根据权利要求6中所述的系统,其特征在于,所述患者端部署有经训练的癫痫监测模型,所述经训练的癫痫监测模型被配置为:获取多模态生理信号的融合特征,并基于多模态生理信号的融合特征确定患者是否发生癫痫;
所述多模态生理信号的融合特征是采用与多模态生理信号相对应的特征提取方法进行提取融合得到。
8.根据权利要求7中所述的系统,其特征在于,所述多模态生理信号的融合特征是采用与多模态生理信号相对应的特征提取方法进行提取融合得到,包括:
采用平均值、方差、极大值、极小值和/或均方根特征提取方法对多模态生理信号中的运动信号进行特征提取;
采用本征模函数对多模态生理信号中的肌电信号、心率信号和皮肤电阻信号进行特征提取;
将对提取到的各个信号的特征进行融合处理,得到多模态生理信号的融合特征。
9.根据权利要求7中所述的系统,其特征在于,所述经训练的癫痫监测模型按照如下方式得到训练:
获取第二训练集,其包括多个第二训练样本和每个第二训练样本对应的第二标签,所述二训练样本为多模态生理信号的融合特征,所述第二标签为与多模态生理信号对应的癫痫发作状态;
利用所述第二训练集对癫痫监测模型进行一次或者多次训练,得到经训练的癫痫监测模型。
10.根据权利要求6中所述的系统,其特征在于,所述系统还包括家属端,所述家属端被配置为获取报警信号、第一救护指导和第二救护指导及时对患者进行救护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730021.8A CN116570246A (zh) | 2023-06-20 | 2023-06-20 | 一种癫痫监测及远程报警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310730021.8A CN116570246A (zh) | 2023-06-20 | 2023-06-20 | 一种癫痫监测及远程报警系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116570246A true CN116570246A (zh) | 2023-08-11 |
Family
ID=87545377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310730021.8A Pending CN116570246A (zh) | 2023-06-20 | 2023-06-20 | 一种癫痫监测及远程报警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116570246A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117224080A (zh) * | 2023-09-04 | 2023-12-15 | 深圳市维康致远科技有限公司 | 大数据的人体数据监测方法装置 |
-
2023
- 2023-06-20 CN CN202310730021.8A patent/CN116570246A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117224080A (zh) * | 2023-09-04 | 2023-12-15 | 深圳市维康致远科技有限公司 | 大数据的人体数据监测方法装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12053285B2 (en) | Real time biometric recording, information analytics, and monitoring systems and methods | |
US20190110754A1 (en) | Machine learning based system for identifying and monitoring neurological disorders | |
Osmani | Smartphones in mental health: detecting depressive and manic episodes | |
US11699529B2 (en) | Systems and methods for diagnosing a stroke condition | |
Redmond et al. | What does big data mean for wearable sensor systems? | |
CN107408144A (zh) | 医疗先兆事件估计 | |
US20160217260A1 (en) | System, method and computer program product for patient triage | |
CN109887568A (zh) | 基于医嘱的健康管理系统 | |
WO2018227239A1 (en) | Mental state indicator | |
WO2019075522A1 (en) | RISK INDICATOR | |
CN113317761A (zh) | 一种数据分析系统 | |
CN116570246A (zh) | 一种癫痫监测及远程报警系统 | |
CN110755091A (zh) | 一种个人心理健康监测系统及方法 | |
Mohan et al. | Artificial Intelligence and IoT in Elderly Fall Prevention: A Review | |
WO2022115387A1 (en) | System for the detection and management of mental, emotional, and behavioral disorders | |
Shahraki et al. | The Impact of Brain–Computer Interface on Lifestyle of Elderly People | |
CN116825337A (zh) | 患者安全护理预警系统 | |
WO2023034816A1 (en) | Systems and methods for provoking and monitoring neurological events | |
Chen et al. | Biovitals™: a personalized multivariate physiology analytics using continuous mobile biosensors | |
McHale et al. | An IoT approach to personalised remote monitoring and management of epilepsy | |
Wang et al. | Monitoring for elderly care: the role of wearable sensors in fall detection and fall prediction research | |
CN109195505B (zh) | 生理测量处理 | |
Singh et al. | Hybrid deep learning model for wearable sensor‐based stress recognition for internet of medical things (IoMT) system | |
Sheela et al. | IoT Enabled Health Monitoring System using Machine Learning Algorithm | |
CN110974215B (zh) | 基于无线心电监护传感器组的预警系统及方法 |
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 |