CN116579702B - 基于数据分析的脑卒中诊断救护车运行监管系统 - Google Patents
基于数据分析的脑卒中诊断救护车运行监管系统 Download PDFInfo
- Publication number
- CN116579702B CN116579702B CN202310428585.6A CN202310428585A CN116579702B CN 116579702 B CN116579702 B CN 116579702B CN 202310428585 A CN202310428585 A CN 202310428585A CN 116579702 B CN116579702 B CN 116579702B
- Authority
- CN
- China
- Prior art keywords
- value
- analysis
- patient
- path
- ambulance
- 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
- 230000002490 cerebral effect Effects 0.000 title claims abstract description 133
- 208000006011 Stroke Diseases 0.000 title claims abstract description 120
- 206010008190 Cerebrovascular accident Diseases 0.000 title claims abstract description 115
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000007405 data analysis Methods 0.000 title claims abstract description 14
- 238000012544 monitoring process Methods 0.000 title claims description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 200
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000012163 sequencing technique Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000005211 surface analysis Methods 0.000 claims description 21
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 18
- 229910052760 oxygen Inorganic materials 0.000 claims description 18
- 239000001301 oxygen Substances 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 210000004556 brain Anatomy 0.000 claims description 12
- 238000004140 cleaning Methods 0.000 claims description 12
- 239000004593 Epoxy Substances 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 210000003710 cerebral cortex Anatomy 0.000 claims description 4
- 108010054147 Hemoglobins Proteins 0.000 claims description 3
- 102000001554 Hemoglobins Human genes 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 239000000090 biomarker Substances 0.000 claims description 3
- 210000005013 brain tissue Anatomy 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 210000004709 eyebrow Anatomy 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 238000001931 thermography Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000002835 absorbance Methods 0.000 claims 1
- 230000001054 cortical effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000000556 factor analysis Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 73
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 208000026106 cerebrovascular disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- INGWEZCOABYORO-UHFFFAOYSA-N 2-(furan-2-yl)-7-methyl-1h-1,8-naphthyridin-4-one Chemical compound N=1C2=NC(C)=CC=C2C(O)=CC=1C1=CC=CO1 INGWEZCOABYORO-UHFFFAOYSA-N 0.000 description 1
- 206010008092 Cerebral artery thrombosis Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 208000032382 Ischaemic stroke Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 108010002255 deoxyhemoglobin Proteins 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000002008 hemorrhagic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000003447 ipsilateral effect Effects 0.000 description 1
- 230000000302 ischemic effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0835—Relationships between shipper or supplier and carriers
- G06Q10/08355—Routing methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- 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)
- Public Health (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明属于救护车运行监管技术领域，具体是基于数据分析的脑卒中诊断救护车运行监管系统，包括云端平台、运行路径推荐生成模块、患者环境评估模块、运行损害评估模块以及患者影响综合分析模块；本发明是通过运行路径推荐生成模块进行路径推荐分析，以生成推荐路径和候选路径排序结果，将推荐路径以及候选路径排序结果经云端平台发送至脑卒中诊断救护车内的预警显示端，通过多方面因素分析实现救护车运行路径的合理规划和选择推荐，有助于脑卒中患者的及时且稳定转运，且在救护车运行过程中将患者所属环境损害分析和救护车运行损害分析相结合，并生成对应预警信号，降低救护车运动过程对患者造成的损害，进一步保证患者转运途中的安全。
Description
技术领域
本发明涉及救护车运行监管技术领域，具体是基于数据分析的脑卒中诊断救护车运行监管系统。
背景技术
脑卒中主要指的是脑血管意外，对于脑血管意外又分为几种情况，比如缺血性脑血管病以及出血性脑血管病，随着人们生活水平的提高，脑卒中已成为全世界范围内数一数二致死率的疾病；在公开号为CN214967876U的中国专利中公开了一种用于脑卒中疾病诊断的磁共振诊断救护车，包括车辆本体和车辆箱体，车辆箱体内沿车头至车尾方向依次设有设备舱和医疗舱，医疗舱内设有车载磁共振系统，实现脑卒中患者的院前早期诊断；
目前在通过脑卒中诊断救护车将脑卒中患者转运至对应医院前，无法结合多方面因素进行分析并合理规划运行路径，以及将推荐路径和候选路径排序结果发送至对应救护车，难以实现脑卒中患者的及时稳定转运，并且在救护车进行脑卒中患者的转运过程中无法将救护车进行运行损害分析，以及与患者所属环境损害分析相结合，不利于保证患者的安全转运；
针对上述的技术缺陷，现提出一种解决方案。
发明内容
本发明的目的在于提供基于数据分析的脑卒中诊断救护车运行监管系统，解决了现有技术无法结合多方面因素进行分析并合理规划运行路径，且患者转运过程中无法将救护车进行运行损害分析，以及与患者所属环境损害分析相结合，不利于保证患者安全稳定且及时转运的问题。
为实现上述目的，本发明提供如下技术方案：基于数据分析的脑卒中诊断救护车运行监管系统，包括云端平台、运行路径推荐生成模块、患者环境评估模块、运行损害评估模块以及患者影响综合分析模块；
运行路径推荐生成模块，用于基于脑卒中诊断救护车的位置和对应医院的位置以获取到若干组患者运输路径并标记为分析路径i，将分析路径i进行路径推荐分析，通过分析将分析路径i标记为优选路径或非优选路径，将优选路径进行分段追溯分析，通过分析将优选路径标记为候选路径或非候选路径，以及将候选路径排序和生成推荐路径，将推荐路径以及候选路径排序结果经云端平台发送至脑卒中诊断救护车内的预警显示端；
在脑卒中诊断救护车的运行过程中，患者环境评估模块将对应脑卒中患者的所处环境进行分析，通过分析生成环评值HP1或HP2，以及将环评值HP1或HP2经云端平台发送至患者影响综合分析模块；运行损害评估模块将对应脑卒中诊断救护车进行分析，通过分析生成运评值YP1或YP2，以及将运评值YP1或YP2经云端平台发送至患者影响综合分析模块；患者影响综合分析模块，用于通过分析生成高影响预警信号、中影响预警信号或低影响预警信号，将高影响预警信号、中影响预警信号或低影响预警信号经云端平台发送至脑卒中诊断救护车内的预警显示端。
进一步的，云端平台通信连接脑卒中监护模块，脑卒中监护模块采集到脑卒中诊断救护车上的脑卒中患者的监护信息，监护信息包括脑卒中患者的生理信号或影像数据，并将监护信息发送至云端平台，以及将对应脑卒中患者的生理信号和影像数据进行预处理、特征提取、生物标志物识别和卒中类别判断，并将分析结果发送至云端平台，云端平台将对应脑卒中患者的监护信息和分析结果发送至脑卒中诊断救护车内的预警显示端以及对应医院救护端。
进一步的，脑卒中患者的生理信号包括脑皮层脑血氧饱和度以及脑温，通过脑温及脑氧监护仪采集得到，脑温及脑氧监护仪基于氧合和脱氧血红蛋白在近红外光谱中的不同吸光峰值，监测大脑双侧皮层脑组织动-静脉混合氧饱和度；且脑温及脑氧监护仪通过阵列式红外线热成像采集得到脑温，包括脑卒中患者右颞部、右额部、眉心、左额部、左颞部五点同时快速测温，测温范围20-50℃，精度0.01℃；脑卒中患者的影像数据通过车载化磁共振设备采集，对应车载化磁共振设备进行超低场MRI卒中鉴别，磁场强度50mT，分辨率达1.5mm，成像区域26cm直径球，单序列成像时间3分钟以实现临床常用颅脑成像序列。
进一步的，运行路径推荐生成模块的路径推荐分析过程包括：
获取到脑卒中诊断救护车的位置和对应医院的位置，基于两者的位置获取到若干组患者运输路径，将患者运输路径标记为分析路径i，i＝{1,2，…，n}，n表示患者运输路径的数量且n为大于1的正整数；获取到分析路径i的路径距离值，将所有患者运输路径的路径距离值进行求和取平均值获取到路径平均值，若分析路径i的路径距离值未超过路径平均值，则将分析路径i标记为优选路径，否则将分析路径i标记为非优选路径；对优选路径进行分段追溯分析。
进一步的，分段追溯分析的具体分析过程如下：
将对应优选路径等距离划分为若干组子路径并标记为分析目标u，u＝{1,2，…，m}，m表示子路径的数量且m为大于1的自然数；通过分析将分析目标u标记为一级目标、二级目标或三级目标，将路径平均值与对应优选路径的路径距离值进行差值计算获取到路径差距值；将对应优选路径中一级目标、二级目标和三级目标的数量以及路径差距值进行数值计算获取到规划推荐值；
若规划推荐值超过预设规划推荐阈值，则将对应优选路径标记为候选路径，否则将对应优选路径标记为非候选路径，将所有候选路径按照规划推荐值的数值由大到小的顺序进行排序，以及将规划推荐值的数值最大的候选路径标记为推荐路径，将推荐路径以及候选路径排序结果经云端平台发送至脑卒中诊断救护车内的预警显示端。
进一步的，通过分析将分析目标u标记为一级目标、二级目标或三级目标的具体分析过程如下：
通过路面检测分析获取到对应优选路径分析目标u的路面分析值，以及通过路段通行分析获取到对应优选路径分析目标u的行车分析值；若路面分析值未超过预设路面分析阈值且行车分析值未超过预设行车分析阈值，则将分析目标u标记为一级目标；若路面分析值超过预设路面分析阈值且行车分析值超过预设行车分析阈值，则将分析目标u标记为三级目标；
否则将路面分析值与行车分析值进行数值计算获取到目标综分值，若目标综分值超过预设目标综分值范围的最大值，则将分析目标u标记为三级目标，若目标综分值位于预设目标综分值范围内，则将分析目标u标记为二级目标，若目标综分值未超过预设目标综分值范围的最小值，则将对应分析目标u标记为一级目标。
进一步的，路面检测分析的具体分析过程如下：
获取到对应优选路径分析目标u的路面坑洼区数量，以及获取到每个路面坑洼区的面积和平均深度，将路面坑洼区的面积超过预设路面坑洼区面积阈值或路面坑洼区的平均深度超过预设平均深度阈值的路面坑洼区标记为高阻碍区，将高阻碍区的数量与路面坑洼区的数量进行比值计算获取到高阻碍占比值，将高阻碍占比值与路面坑洼区的数量进行数值计算获取到路面分析值。
进一步的，路段通行分析的具体分析过程如下：
获取到当前时间，以及调取对应优选路径分析目标u在相邻历史时期中每天与当前时间相对应时间范围内的车流量数据和行车速度数据，将相邻历史时期中的车流量数据进行求和取平均值获取到车流量均值，以及将相邻历史时期中的行车速度数据进行求和取平均值获取到车速均值；将对应优选路径分析目标u的车流量均值和车速均值进行数值计算获取到行车分析值。
进一步的，患者环境评估模块的具体运行过程包括：
获取到检测时段脑卒中诊断救护车中患者所对应环境的患者环温、患者环湿、患者环氧值和患者环气清洁值，将患者环温与预设患者环温范围的中值进行差值计算并取绝对值获取到患者环温偏离值，同理获取到患者环湿偏离值和患者环氧偏离值，将患者环温偏离值、患者环湿偏离值、患者环氧偏离值和患者环气清洁值进行数值计算获取到患者负温适系数；若患者负温适系数超过预设患者负温适系数阈值，则生成环评值HP1，否则生成环评值HP2；将环评值HP1或HP2经云端平台发送至患者影响综合分析模块。
进一步的，运行损害评估模块的具体运行过程包括：
获取到检测时段脑卒中诊断救护车在运动过程中的平均车速、最大车速值和最小车速值，将最大车速值减去最小车速值得到车速差值，将平均车速与预设适宜车速范围的中值进行差值计算获取到车速偏离值，将车速偏离值与车速差值进行数值计算获取到车速损害值；以及获取到检测时段脑卒中诊断救护车在运动过程中的平均振动频率和平均振动幅度，将平均振动频率和平均振动幅度进行数值计算获取到振动损害值；若车速偏离值超过预设车速偏离阈值或振动损害值超过预设振动损害阈值，则生成运评值YP1，其余情况则生成运评值YP2；将运评值YP1或YP2经云端平台发送至患者影响综合分析模块。
进一步的，患者影响综合分析模块接收环评值HP1或HP2以及运评值YP1或YP2，若获取到HP1∩YP1，则生成高影响预警信号，若获取到HP2∩YP2，则生成低影响预警信号，其余情况则生成中影响预警信号；将高影响预警信号、中影响预警信号或低影响预警信号经云端平台发送至脑卒中诊断救护车内的预警显示端。
与现有技术相比，本发明的有益效果是：
1、本发明中，通过运行路径推荐生成模块将分析路径i进行路径推荐分析，通过分析将分析路径i标记为优选路径或非优选路径，将优选路径进行分段追溯分析以将优选路径标记为候选路径或非候选路径，以及将候选路径进行排序和生成推荐路径，将推荐路径以及候选路径排序结果经云端平台发送至脑卒中诊断救护车内的预警显示端，通过多方面因素分析实现救护车运行路径的合理规划和选择推荐，有助于脑卒中患者的及时且稳定转运；
2、本发明中，在脑卒中诊断救护车的运行过程中通过患者环境评估模块将对应脑卒中患者的所处环境进行分析，运行损害评估模块将对应脑卒中诊断救护车进行分析，患者影响综合分析模块基于环境分析结果和运行损害分析结果并通过分析生成高影响预警信号、中影响预警信号或低影响预警信号，以显著降低救护车运动过程对患者造成的损害，进一步保证了患者转运途中的安全。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；
图1为本发明中实施例一的系统框图；
图2为本发明中实施例二的系统框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
如图1所示，本发明提出的基于数据分析的脑卒中诊断救护车运行监管系统，包括云端平台，云端平台与运行路径推荐生成模块、患者环境评估模块、运行损害评估模块以及患者影响综合分析模块均通信连接，且云端平台通信连接脑卒中诊断救护车内的预警显示端；其中，运行路径推荐生成模块基于脑卒中诊断救护车的位置和对应医院的位置以获取到若干组患者运输路径并标记为分析路径i，将分析路径i进行路径推荐分析，路径推荐分析过程具体如下：
获取到脑卒中诊断救护车的位置和对应医院的位置，基于两者的位置获取到若干组患者运输路径，将患者运输路径标记为分析路径i，i＝{1,2，…，n}，n表示患者运输路径的数量且n为大于1的正整数；获取到分析路径i的路径距离值，将所有患者运输路径的路径距离值进行求和取平均值获取到路径平均值，将分析路径i的路径距离值与路径平均值进行数值比较，若分析路径i的路径距离值未超过路径平均值，则将分析路径i标记为优选路径，若分析路径i的路径距离值超过路径平均值，则将分析路径i标记为非优选路径；
将对应优选路径等距离划分为若干组子路径，将子路径标记为分析目标u，u＝{1,2，…，m}，m表示子路径的数量且m为大于1的自然数；获取到对应优选路径分析目标u的路面坑洼区数量并标记为KWiu，以及获取到每个路面坑洼区的面积和平均深度，调取预先录入存储的预设路面坑洼区面积阈值和预设平均深度阈值，将路面坑洼区的面积超过预设路面坑洼区面积阈值或路面坑洼区的平均深度超过预设平均深度阈值的路面坑洼区标记为高阻碍区；
获取到对应优选路径分析目标u中高阻碍区的数量，将高阻碍区的数量与路面坑洼区的数量进行比值计算获取到高阻碍占比值并标记为GZiu，通过公式MFiu＝tp1*GZiu+tp2*KWiu将高阻碍占比值GZiu与路面坑洼区的数量KWiu进行数值计算，通过数值计算后获取到路面分析值MFiu；其中，tp1、tp2为预设权重系数，tp1＞tp2＞1；并且，路面分析值MFiu的数值大小与高阻碍占比值GZiu与路面坑洼区的数量KWiu均呈正比关系，路面分析值MFiu的数值越大，表明对应优选路径分析目标u的路面越不平整，相对而言行驶过程越不稳定，救护车行驶过程对患者造成的损害越大；
获取到当前时间，以及调取对应优选路径分析目标u在相邻历史时期中每天与当前时间相对应时间范围内的车流量数据和行车速度数据，优选的，相邻历史时期为七天，即获取到前七天中与当前时间相对应时间范围内的车流量数据和行车速度数据；将相邻历史时期中的车流量数据进行求和取平均值获取到车流量均值CLiu，以及将相邻历史时期中的行车速度数据进行求和取平均值获取到车速均值CSiu；
通过公式XFiu＝sk1*CLiu+sk2/CSiu将对应优选路径分析目标u的车流量均值CLiu和车速均值CSiu进行数值计算，通过数值计算后获取到行车分析值XFiu；其中，sk1、sk2为预设比例系数，0＜sk1＜sk2；并且，行车分析值XFiu的数值大小与车流量均值CLiu和车速均值CSiu均呈正比关系，车流量均值CLiu的数值越大、车速均值CSiu的数值越小，则对应优选路径分析目标u的行车分析值XFiu的数值越大，表明对应优选路径分析目标u的通行越不顺畅，越耽误脑卒中诊断救护车进行患者的及时转运；
将路面分析值MFiu和行车分析值XFiu与预先录入存储的预设路面分析阈值和预设行车分析阈值分别进行数值比较，若路面分析值MFiu未超过预设路面分析阈值且行车分析值XFiu未超过预设行车分析阈值，表明对应分析目标u的路面状况和通行状况均较好，则将对应分析目标u标记为一级目标；若路面分析值MFiu超过预设路面分析阈值且行车分析值XFiu超过预设行车分析阈值，表明对应分析目标u的路面状况和通行状况均较差，则将对应分析目标u标记为三级目标；
其余情况则通过公式MBiu＝hg1*MFiu+hg2*XFiu将路面分析值MFiu与行车分析值XFiu进行数值计算后获取到目标综分值MBiu；其中，hg1、hg2为预设权重系数且hg1、hg2均为正数；将目标分析值MBiu与预先录入存储的预设目标综分值范围进行数值比较，若目标综分值MBiu超过预设目标综分值范围的最大值，则将分析目标u标记为三级目标，若目标综分值MBiu位于预设目标综分值范围内，则将分析目标u标记为二级目标，若目标综分值MBiu未超过预设目标综分值范围的最小值，则将对应分析目标u标记为一级目标；
获取到对应优选路径中一级目标、二级目标和三级目标的数量并分别标记为YMi、QMi和SMi，将路径平均值与对应优选路径的路径距离值进行差值计算获取到路径差距值CJi；路径差距值CJi的数值越大，表明对应优选路径的路径距离越短；通过公式将对应优选路径中一级目标数量YMi、二级目标数量QMi和三级目标数量SMi以及路径差距值CJi进行数值计算后获取到规划推荐值GTi；其中，st1、st2、st3、st4为预设比例系数，st4＞st1＞st2＞st3＞0；
需要说明的是，规划推荐值GTi的数值越大，表明对应优选路径越合适；将对应优选路径的规划推荐值GTi与预先录入存储的预设规划推荐阈值进行数值比较，若规划推荐值GTi超过预设规划推荐阈值，则将对应优选路径标记为候选路径，若规划推荐值GTi未超过预设规划推荐阈值，则将对应优选路径标记为非候选路径，将所有候选路径按照规划推荐值的数值由大到小的顺序进行排序以得到候选路径排序结果，以及将规划推荐值的数值最大的候选路径标记为推荐路径。
运行路径推荐生成模块基于脑卒中诊断救护车的位置和对应医院的位置以获取到若干组患者运输路径并标记为分析路径i，将分析路径i进行路径推荐分析，通过分析将分析路径i标记为优选路径或非优选路径，将优选路径进行分段追溯分析，通过分析将优选路径标记为候选路径或非候选路径，以及将候选路径排序和生成推荐路径，将推荐路径以及候选路径排序结果经云端平台发送至脑卒中诊断救护车内的预警显示端。
在脑卒中诊断救护车的运行过程中，患者环境评估模块将对应脑卒中患者的所处环境进行分析，通过分析生成环评值HP1或HP2，以及将环评值HP1或HP2经云端平台发送至患者影响综合分析模块；患者环境评估模块的具体运行过程如下：
获取到检测时段脑卒中诊断救护车中患者所对应环境的患者环温、患者环湿、患者环氧值和患者环气清洁值并分别标记为HW、HS、HY和QJ，其中，患者环温HW、患者环湿HS、患者环氧值HY为对应患者所处环境的实时温度、实时湿度和实时氧气浓度，患者环气清洁值QJ是表示对应患者所处环境中空气洁净状况好坏的数据量值，患者环气清洁值QJ的数值越小，表明患者所处环境中的粉尘浓度越小，则对应患者所处环境的空气状况越好，反之，则表明患者所处环境的空气状况越差；
调取预设患者环温范围、预设患者环湿范围和预设患者环氧范围，预设患者环温范围、预设患者环湿范围和预设患者环氧范围由对应工作人员预先录入并存储至云端平台中，表示适宜脑卒中患者生存的温度范围、湿度范围和氧气浓度范围；将患者环温与预设患者环温范围的中值进行差值计算并取绝对值获取到患者环温偏离值WZ，同理获取到患者环湿偏离值SZ和患者环氧偏离值YZ，通过公式将患者环温偏离值WZ、患者环湿偏离值SZ、患者环氧偏离值YZ和患者环气清洁值QJ进行数值计算，通过数值计算后获取到患者负温适系数WS；
其中，a1、a2、a3、a4为预设权重系数，a1、a2、a3、a4的取值均大于零，a1＞a4＞a3＞a2＞0，需要说明的是，患者负温适系数WS的数值大小与患者环温偏离值WZ、患者环湿偏离值SZ、患者环氧偏离值YZ和患者环气清洁值QJ均呈正比关系，患者负温适系数WS的数值越大，表明对应环境越不适宜脑卒中患者驻留；将患者负温适系数WS与预先录入存储的预设患者负温适系数阈值进行数值比较，若患者负温适系数WS超过预设患者负温适系数阈值，表明对应患者所处环境较差，则生成环评值HP1，若患者负温适系数WS未超过预设患者负温适系数阈值，表明对应患者所处环境较好，则生成环评值HP2。
运行损害评估模块将对应脑卒中诊断救护车进行分析，通过分析生成运评值YP1或YP2，以及将运评值YP1或YP2经云端平台发送至患者影响综合分析模块；运行损害评估模块的具体运行过程如下：
获取到检测时段脑卒中诊断救护车在运动过程中的平均车速、最大车速值和最小车速值，将最大车速值减去最小车速值得到车速差值SC，车速差值SC反映了速度波动状况，车速差值SC的数值越大，表明救护车的速度波动越厉害，越不利于患者的转运；调取预先录入存储的预设适宜车速范围，将平均车速与预设适宜车速范围的中值进行差值计算获取到车速偏离值SP，通过公式SN＝b1*SP+b2*SC将车速偏离值SP与车速差值SC进行数值计算，通过数值计算后获取到检测时段的车速损害值SN；其中，b1、b2为预设权重系数，b1＞b2＞0；车速损害值SN的数值大小与车速偏离值SP与车速差值SC均呈正比关系，车速损害值SN的数值越小，表明车速越稳定也越符合患者的转运速度要求；
获取到检测时段脑卒中诊断救护车在运动过程中的平均振动频率和平均振动幅度QP和QF，通过公式QS＝b3*QP+b4*QF将平均振动频率QP和平均振动幅度QF进行数值计算，通过数值计算后获取到振动损害值QS；其中，b3、b4为预设权重系数且1＜b3＜b4；需要说明的是，振动损害值QS的数值大小与平均振动频率QP和平均振动幅度QF均呈正比关系，平均振动频率QP的数值越小、平均振动幅度QF的数值越小，则振动损害值QS的数值越小，救护车运行过程越稳定且对患者带来的损害越小；
调取预先录入存储的预设车速偏离阈值和预设振动损害阈值，将车速偏离值SN和振动损害值QS与预设车速偏离阈值和预设振动损害阈值分别进行数值比较，若车速偏离值SN超过预设车速偏离阈值或振动损害值QS超过预设振动损害阈值，表明脑卒中诊断救护车运动过程中对患者造成的损害较大，则生成运评值YP1，若车速偏离值SN未超过预设车速偏离阈值或振动损害值QS未超过预设振动损害阈值，表明脑卒中诊断救护车运动过程中对患者造成的损害较小，则生成运评值YP2。
患者影响综合分析模块通过分析生成高影响预警信号、中影响预警信号或低影响预警信号，具体为：患者影响综合分析模块接收环评值HP1或HP2以及运评值YP1或YP2，若获取到HP1∩YP1，表明当前脑卒中诊断救护车运动过程对脑卒中患者带来的安全隐患大，则生成高影响预警信号，若获取到HP2∩YP2，表明当前脑卒中诊断救护车运动过程对脑卒中患者带来的安全隐患小，则生成低影响预警信号，其余情况则生成中影响预警信号；将高影响预警信号、中影响预警信号或低影响预警信号经云端平台发送至脑卒中诊断救护车内的预警显示端，对应管理人员接收到低影响预警信号时不需作出相应举措，在接收到高影响预警信号时对应救护车驾驶人员应当立即进行驾驶速度等方面的调整，在接收到中影响预警信号时驾驶人员根据需要进行相应调整，以显著降低救护车运动过程对患者造成的损害，进一步保证了患者转运途中的安全。
实施例二：
本实施例与实施例1的区别在于，云端平台通信连接脑卒中监护模块，脑卒中监护模块采集到脑卒中诊断救护车上的脑卒中患者的监护信息，监护信息包括脑卒中患者的生理信号或影像数据，脑卒中患者的生理信号包括脑皮层脑血氧饱和度以及脑温，通过脑温及脑氧监护仪采集得到，脑温及脑氧监护仪基于氧合和脱氧血红蛋白在近红外光谱中的不同吸光峰值，监测大脑双侧皮层脑组织动-静脉混合氧饱和度；需要说明的是，缺血性卒中本质是血流量减少，会导致同侧脑皮层脑血氧饱和度的降低，且由于阻塞导致血液中断而引起局部脑温的降低；而出血性脑卒中由于急性期血液代谢产物造成的继发性炎症，颅温会局部性升高，在起病早期，颅温的升降将给医生快速诊断和下一步处理提供依据，给患者治疗争取时间；
且脑温及脑氧监护仪通过阵列式红外线热成像采集得到脑温，包括脑卒中患者右颞部、右额部、眉心、左额部、左颞部五点同时快速测温，测温范围20-50℃，精度0.01℃；脑卒中患者的影像数据通过车载化磁共振设备采集，对应车载化磁共振设备进行超低场MRI卒中鉴别，磁场强度50mT，分辨率达1.5mm，成像区域26cm直径球，单序列成像时间3分钟以实现临床常用颅脑成像序列；脑卒中监护模块将监护信息发送至云端平台，以及将对应脑卒中患者的生理信号和影像数据进行预处理、特征提取、生物标志物识别和卒中类别判断，并将分析结果发送至云端平台，云端平台将对应脑卒中患者的监护信息和分析结果发送至脑卒中诊断救护车内的预警显示端以及对应医院救护端，有助于及时了解对应患者的卒中类别判断，方便进行后续诊治。
本发明的工作原理：使用时，通过运行路径推荐生成模块将分析路径i进行路径推荐分析，通过分析将分析路径i标记为优选路径或非优选路径，将优选路径进行分段追溯分析，通过分析将优选路径标记为候选路径或非候选路径，以及将候选路径排序和生成推荐路径，将推荐路径以及候选路径排序结果经云端平台发送至脑卒中诊断救护车内的预警显示端，通过多方面因素分析实现救护车运行路径的合理规划和选择推荐，有助于脑卒中患者的及时且稳定转运；在脑卒中诊断救护车的运行过程中，患者环境评估模块将对应脑卒中患者的所处环境进行分析，运行损害评估模块将对应脑卒中诊断救护车进行分析，患者影响综合分析模块基于环境分析结果和运行损害分析结果并通过分析生成高影响预警信号、中影响预警信号或低影响预警信号，以显著降低救护车运动过程对患者造成的损害，进一步保证了患者转运途中的安全。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.基于数据分析的脑卒中诊断救护车运行监管系统，其特征在于，包括云端平台、运行路径推荐生成模块、患者环境评估模块、运行损害评估模块以及患者影响综合分析模块；
运行路径推荐生成模块，用于基于脑卒中诊断救护车的位置和对应医院的位置以获取到若干组患者运输路径并标记为分析路径i，将分析路径i进行路径推荐分析，通过分析将分析路径i标记为优选路径或非优选路径，将优选路径进行分段追溯分析，通过分析将优选路径标记为候选路径或非候选路径，以及将候选路径排序和生成推荐路径，将推荐路径以及候选路径排序结果经云端平台发送至脑卒中诊断救护车内的预警显示端；
在脑卒中诊断救护车的运行过程中，患者环境评估模块将对应脑卒中患者的所处环境进行分析，通过分析生成环评值HP1或HP2，以及将环评值HP1或HP2经云端平台发送至患者影响综合分析模块；患者环境评估模块的具体运行过程包括：
获取到检测时段脑卒中诊断救护车中患者所对应环境的患者环温、患者环湿、患者环氧值和患者环气清洁值，将患者环温与预设患者环温范围的中值进行差值计算并取绝对值获取到患者环温偏离值，同理获取到患者环湿偏离值和患者环氧偏离值，将患者环温偏离值、患者环湿偏离值、患者环氧偏离值和患者环气清洁值进行数值计算获取到患者负温适系数；若患者负温适系数超过预设患者负温适系数阈值，则生成环评值HP1，否则生成环评值HP2；将环评值HP1或HP2经云端平台发送至患者影响综合分析模块；
运行损害评估模块将对应脑卒中诊断救护车进行分析，通过分析生成运评值YP1或YP2，以及将运评值YP1或YP2经云端平台发送至患者影响综合分析模块；运行损害评估模块的具体运行过程包括：
获取到检测时段脑卒中诊断救护车在运动过程中的平均车速、最大车速值和最小车速值，将最大车速值减去最小车速值得到车速差值，将平均车速与预设适宜车速范围的中值进行差值计算获取到车速偏离值，将车速偏离值与车速差值进行数值计算获取到车速损害值；以及获取到检测时段脑卒中诊断救护车在运动过程中的平均振动频率和平均振动幅度，将平均振动频率和平均振动幅度进行数值计算获取到振动损害值；若车速偏离值超过预设车速偏离阈值或振动损害值超过预设振动损害阈值，则生成运评值YP1，其余情况则生成运评值YP2；将运评值YP1或YP2经云端平台发送至患者影响综合分析模块；
患者影响综合分析模块，用于通过分析生成高影响预警信号、中影响预警信号或低影响预警信号，将高影响预警信号、中影响预警信号或低影响预警信号经云端平台发送至脑卒中诊断救护车内的预警显示端；患者影响综合分析模块接收环评值HP1或HP2以及运评值YP1或YP2，若获取到HP1∩YP1，则生成高影响预警信号，若获取到HP2∩YP2，则生成低影响预警信号，其余情况则生成中影响预警信号。
2.根据权利要求1所述的基于数据分析的脑卒中诊断救护车运行监管系统，其特征在于，云端平台通信连接脑卒中监护模块，脑卒中监护模块采集到脑卒中诊断救护车上的脑卒中患者的监护信息，监护信息包括脑卒中患者的生理信号或影像数据，并将监护信息发送至云端平台，以及将对应脑卒中患者的生理信号和影像数据进行预处理、特征提取、生物标志物识别和卒中类别判断，并将分析结果发送至云端平台，云端平台将对应脑卒中患者的监护信息和分析结果发送至脑卒中诊断救护车内的预警显示端以及对应医院救护端。
3.根据权利要求2所述的基于数据分析的脑卒中诊断救护车运行监管系统，其特征在于，脑卒中患者的生理信号包括脑皮层脑血氧饱和度以及脑温，通过脑温及脑氧监护仪采集得到，脑温及脑氧监护仪基于氧合和脱氧血红蛋白在近红外光谱中的不同吸光峰值，监测大脑双侧皮层脑组织动-静脉混合氧饱和度；且脑温及脑氧监护仪通过阵列式红外线热成像采集得到脑温，包括脑卒中患者右颞部、右额部、眉心、左额部、左颞部五点同时快速测温，测温范围20-50℃，精度0.01℃；脑卒中患者的影像数据通过车载化磁共振设备采集，对应车载化磁共振设备进行超低场MRI卒中鉴别，磁场强度50mT，分辨率达1.5mm，成像区域26cm直径球，单序列成像时间3分钟以实现临床常用颅脑成像序列。
4.根据权利要求1所述的基于数据分析的脑卒中诊断救护车运行监管系统，其特征在于，运行路径推荐生成模块的路径推荐分析过程包括：
获取到脑卒中诊断救护车的位置和对应医院的位置，基于两者的位置获取到若干组患者运输路径，将患者运输路径标记为分析路径i，i＝{1,2，…，n}，n表示患者运输路径的数量且n为大于1的正整数；获取到分析路径i的路径距离值，将所有患者运输路径的路径距离值进行求和取平均值获取到路径平均值，若分析路径i的路径距离值未超过路径平均值，则将分析路径i标记为优选路径，否则将分析路径i标记为非优选路径；对优选路径进行分段追溯分析。
5.根据权利要求4所述的基于数据分析的脑卒中诊断救护车运行监管系统，其特征在于，分段追溯分析的具体分析过程如下：
将对应优选路径等距离划分为若干组子路径并标记为分析目标u，u＝{1,2，…，m}，m表示子路径的数量且m为大于1的自然数；通过分析将分析目标u标记为一级目标、二级目标或三级目标，将路径平均值与对应优选路径的路径距离值进行差值计算获取到路径差距值；将对应优选路径中一级目标、二级目标和三级目标的数量以及路径差距值进行数值计算获取到规划推荐值；
若规划推荐值超过预设规划推荐阈值，则将对应优选路径标记为候选路径，否则将对应优选路径标记为非候选路径，将所有候选路径按照规划推荐值的数值由大到小的顺序进行排序，以及将规划推荐值的数值最大的候选路径标记为推荐路径，将推荐路径以及候选路径排序结果经云端平台发送至脑卒中诊断救护车内的预警显示端。
6.根据权利要求5所述的基于数据分析的脑卒中诊断救护车运行监管系统，其特征在于，通过分析将分析目标u标记为一级目标、二级目标或三级目标的具体分析过程如下：
通过路面检测分析获取到对应优选路径分析目标u的路面分析值，以及通过路段通行分析获取到对应优选路径分析目标u的行车分析值；若路面分析值未超过预设路面分析阈值且行车分析值未超过预设行车分析阈值，则将分析目标u标记为一级目标；若路面分析值超过预设路面分析阈值且行车分析值超过预设行车分析阈值，则将分析目标u标记为三级目标；
否则将路面分析值与行车分析值进行数值计算获取到目标综分值，若目标综分值超过预设目标综分值范围的最大值，则将分析目标u标记为三级目标，若目标综分值位于预设目标综分值范围内，则将分析目标u标记为二级目标，若目标综分值未超过预设目标综分值范围的最小值，则将对应分析目标u标记为一级目标。
7.根据权利要求6所述的基于数据分析的脑卒中诊断救护车运行监管系统，其特征在于，路面检测分析的具体分析过程如下：
获取到对应优选路径分析目标u的路面坑洼区数量，以及获取到每个路面坑洼区的面积和平均深度，将路面坑洼区的面积超过预设路面坑洼区面积阈值或路面坑洼区的平均深度超过预设平均深度阈值的路面坑洼区标记为高阻碍区，将高阻碍区的数量与路面坑洼区的数量进行比值计算获取到高阻碍占比值，将高阻碍占比值与路面坑洼区的数量进行数值计算获取到路面分析值。
8.根据权利要求6所述的基于数据分析的脑卒中诊断救护车运行监管系统，其特征在于，路段通行分析的具体分析过程如下：
获取到当前时间，以及调取对应优选路径分析目标u在相邻历史时期中每天与当前时间相对应时间范围内的车流量数据和行车速度数据，将相邻历史时期中的车流量数据进行求和取平均值获取到车流量均值，以及将相邻历史时期中的行车速度数据进行求和取平均值获取到车速均值；将对应优选路径分析目标u的车流量均值和车速均值进行数值计算获取到行车分析值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310428585.6A CN116579702B (zh) | 2023-04-20 | 2023-04-20 | 基于数据分析的脑卒中诊断救护车运行监管系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310428585.6A CN116579702B (zh) | 2023-04-20 | 2023-04-20 | 基于数据分析的脑卒中诊断救护车运行监管系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116579702A CN116579702A (zh) | 2023-08-11 |
| CN116579702B true CN116579702B (zh) | 2024-02-20 |
Family
ID=87542313
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310428585.6A Active CN116579702B (zh) | 2023-04-20 | 2023-04-20 | 基于数据分析的脑卒中诊断救护车运行监管系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116579702B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117711610B (zh) * | 2024-02-05 | 2024-04-26 | 四川省医学科学院·四川省人民医院 | 一种网络化mdt多学科的远程会诊车系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105411764A (zh) * | 2015-12-30 | 2016-03-23 | 珠海新康杰特种车辆有限公司 | 一种用于脑卒中急救的救护车 |
| CN107154160A (zh) * | 2017-06-30 | 2017-09-12 | 安徽超清科技股份有限公司 | 一种救护车快速通行引导系统 |
| CN107707606A (zh) * | 2017-07-21 | 2018-02-16 | 涓ユ不 | 脑卒中急救筛查监管医联网系统及其应用方法 |
| CN110595496A (zh) * | 2019-08-14 | 2019-12-20 | 中国平安财产保险股份有限公司 | 基于数据分析的医疗救护路径推荐方法及相关设备 |
| CN110680280A (zh) * | 2019-09-19 | 2020-01-14 | 深圳市第二人民医院 | 脑卒中的医疗质量评估方法、装置、计算机设备及存储介质 |
| CN113053505A (zh) * | 2021-04-12 | 2021-06-29 | 仰恩大学 | 一种5g智能驾驶脑卒中专用急救车系统 |
| CN113261924A (zh) * | 2021-04-15 | 2021-08-17 | 北京雪扬科技有限公司 | 一种脑卒中智能预警系统及方法 |
| CN114861087A (zh) * | 2022-05-10 | 2022-08-05 | 北京安龙脉德医学科技有限公司 | 一种救急就近就能力的急救转运智能推荐系统 |
| CN114937254A (zh) * | 2022-06-16 | 2022-08-23 | 慧之安信息技术股份有限公司 | 基于边缘计算的救护车智能识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090070144A1 (en) * | 2007-09-10 | 2009-03-12 | Sultan Haider | Method and system for stroke prevention and care |
-
2023
- 2023-04-20 CN CN202310428585.6A patent/CN116579702B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105411764A (zh) * | 2015-12-30 | 2016-03-23 | 珠海新康杰特种车辆有限公司 | 一种用于脑卒中急救的救护车 |
| CN107154160A (zh) * | 2017-06-30 | 2017-09-12 | 安徽超清科技股份有限公司 | 一种救护车快速通行引导系统 |
| CN107707606A (zh) * | 2017-07-21 | 2018-02-16 | 涓ユ不 | 脑卒中急救筛查监管医联网系统及其应用方法 |
| CN110595496A (zh) * | 2019-08-14 | 2019-12-20 | 中国平安财产保险股份有限公司 | 基于数据分析的医疗救护路径推荐方法及相关设备 |
| CN110680280A (zh) * | 2019-09-19 | 2020-01-14 | 深圳市第二人民医院 | 脑卒中的医疗质量评估方法、装置、计算机设备及存储介质 |
| CN113053505A (zh) * | 2021-04-12 | 2021-06-29 | 仰恩大学 | 一种5g智能驾驶脑卒中专用急救车系统 |
| CN113261924A (zh) * | 2021-04-15 | 2021-08-17 | 北京雪扬科技有限公司 | 一种脑卒中智能预警系统及方法 |
| CN114861087A (zh) * | 2022-05-10 | 2022-08-05 | 北京安龙脉德医学科技有限公司 | 一种救急就近就能力的急救转运智能推荐系统 |
| CN114937254A (zh) * | 2022-06-16 | 2022-08-23 | 慧之安信息技术股份有限公司 | 基于边缘计算的救护车智能识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116579702A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10028694B2 (en) | Non-invasive systems and methods to detect cortical spreading depression for the detection and assessment of brain injury and concussion | |
| Choi et al. | Prediction tree for severely head-injured patients | |
| CN116579702B (zh) | 基于数据分析的脑卒中诊断救护车运行监管系统 | |
| Ullman-Culleré et al. | Body condition scoring: a rapid and accurate method for assessing health status in mice | |
| US9579028B2 (en) | Arrangement and method for detecting inconsistencies and abnormalities in a body | |
| CU22179A1 (es) | Metodo y sistema para la evaluacion y graficacion de la actividad fisiologica electromagnetica anormal del cerebro y corazon | |
| CN111602173A (zh) | 断层扫描数据分析 | |
| KR102378278B1 (ko) | 생체 신호 분석 시스템 및 이를 이용한 생체 신호 분석 방법 | |
| CN114999237B (zh) | 一种智慧教育互动教学方法 | |
| JP6563749B2 (ja) | データ解析装置及びデータ解析方法 | |
| CN106419938B (zh) | 一种基于运动能量释放估算的注意缺陷多动障碍(adhd)检测系统 | |
| CN115862819B (zh) | 一种基于图像处理的医学图像管理方法 | |
| CN113057599A (zh) | 一种快速评估疼痛的机器 | |
| Afanasieva et al. | Assessing the information flows and established their effects on the results of driver’s activity | |
| CN112508902A (zh) | 白质高信号分级方法、电子设备及存储介质 | |
| CN117558428B (zh) | 一种用于肝脏mri的成像优化方法及系统 | |
| CN115024725A (zh) | 融合心理状态多参数检测的肿瘤治疗辅助决策系统 | |
| Choi et al. | Attention-lrcn: long-term recurrent convolutional network for stress detection from photoplethysmography | |
| Afshar et al. | Age prediction based on brain mri images using extreme learning machine | |
| CN115017996B (zh) | 一种基于多生理参数的脑力负荷预测方法和系统 | |
| EP3261056A1 (de) | Verfahren zur messung und einstufung der schädelform | |
| CN113317790B (zh) | 一种基于持久同调的儿童自闭症神经生物学标记的寻找方法 | |
| Leonberger | The question of organicity: Is it still functional? | |
| CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 | |
| Lithfous et al. | Reduced parahippocampal theta activity during spatial navigation in low, but not in high elderly performers. |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Nian Inventor after: Yuan Yuanshen Inventor after: Pang Kaizhong Inventor after: Huang Xiao Inventor after: Liang Yun Inventor before: Liu Nian Inventor before: Yuan Yuanshen Inventor before: Pang Kaizhong Inventor before: Huang Xiao Inventor before: Chen Qianwei Inventor before: Liang Yun |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |