CN116831541A - 一种用于监视连续的生物医学信号的方法和系统 - Google Patents

Abstract

本发明公开了一种用于监视连续的生物医学信号的方法和系统，属于信号监视技术领域，该监视方法具体步骤如下：(1)选择合适的传感器与设备收集生物医学信号；(2)对采集到的生物医学信号进行处理滤波并实时显示；(3)依据采集到的生物医学信号进行体征预测并生成评估报告；(4)存储预测结果并向工作人员反馈相关预测以及评估报告；(5)实时记录工作人员操作信息并优化监控平台性能；本发明能够准确地进行体征预测，同时能够高效处理连续采集的生物医学信号，提高工作人员的信号分析效率，节省工作人员分析时间，能够有效地提高各医学信号传输效率，保证监控平台使用流畅性，提高工作人员使用体验。

Description

一种用于监视连续的生物医学信号的方法和系统

技术领域

本发明涉及信号监视技术领域，尤其涉及一种用于监视连续的生物医学信号的方法和系统。

背景技术

监视连续的生物医学信号是一种重要的医疗技术，它涉及对患者的生理信号进行持续、实时地监测和记录。这些生物医学信号可以包括心电信号、脑电信号、呼吸信号、血压信号、体温信号、血氧饱和度信号等。为了实现连续监视，无线通信技术被广泛应用。用于从有生命的人或动物获得信息的信号可被称为生物医学信号。在人或动物的身体中执行的很多生理过程可生成包括生物医学化学信号、电信号、物理信号等各种类型的生物医学信号。连续监视生物医学信号在感测产生生物医学信号的身体的变化方面是重要的；连续监视生物医学信号可以帮助医护人员及时发现患者生理异常或疾病的迹象，从而进行早期干预和治疗，有助于提高治疗效果和预后，且可以提供患者的个性化医疗数据，医护人员可以根据患者的生理状态和病情调整治疗方案，实现个性化医疗。

经检索，中国专利号CN106886675A公开了用于监视连续的生物医学信号的方法和系统，该发明虽然能够立即检查生物医学信号是否异常，并且精确地监视生物医学信号，但是无法准确地进行体征预测，无法高效处理采集地生物医学信号，工作人员信号分析效率差；此外，现有的用于监视连续的生物医学信号的方法和系统医学信号传输效率低，且监控平台使用会出现卡顿情况；为此，我们提出一种用于监视连续的生物医学信号的方法和系统。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种用于监视连续的生物医学信号的方法和系统。

为了实现上述目的，本发明采用了如下技术方案：

一种用于监视连续的生物医学信号的方法，该监视方法具体步骤如下：

(1)选择合适的传感器与设备收集生物医学信号；

(2)对采集到的生物医学信号进行处理滤波并实时显示；

(3)依据采集到的生物医学信号进行体征预测并生成评估报告；

(4)存储预测结果并向工作人员反馈相关预测以及评估报告；

(5)实时记录工作人员操作信息并优化监控平台性能。

作为本发明的进一步方案，步骤(1)所述传感器与设备具体包括心电图传感器、脑电图电极贴片、肌电传感器、血压计、胸带式呼吸传感器、体温传感器、脉搏血氧仪、血糖监测仪、多导睡眠图系统、气流传感器以及身体成分仪；

步骤(1)所述生物医学信号具体包括心电信号、脑电信号、肌电信号、血压信号、呼吸信号、体温信号、脉搏氧饱和度信号、血糖信号、睡眠信号、呼吸道信号以及体重信号。

作为本发明的进一步方案，步骤(2)所述生物医学信号处理滤波具体步骤如下：

步骤一：获取传感器或设备采集到的生物医学信号，并通过带阻滤波去除干扰信号，再依据各生物医学信号特性、噪声类型和所需的频率范围，选择高通滤波或低通滤波对信号进行过滤；

步骤二：通过基线漂移校正去除采集到的各生物医学信号中慢速变化的信号成分，再通过运动校正去除部分生物医学信号中的运动伪像，并通过坐标转换使信号在正确的空间位置；

步骤三：检测各组生物医学信号中存在的缺失值，并标记各缺失值在对应信号中的所在位置，对各组生物医学信号中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，之后对各组信号进行归一化处理。

作为本发明的进一步方案，步骤(3)所述体征预测具体步骤如下：

步骤①：抽取相关类型的生物医学信号，之后将各组医学信号进行标准化处理并将各组医学信号整合成测试数据集，同时筛除测试数据集中的异常医学信号；

步骤②：将测试数据集划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中，根据输入数据和当前的权重和参数计算输出，并获取该神经网络的线性组合以及能量函数，当能量函数小于目标误差时，训练过程结束并输出预测模型；

步骤③：将测试集导入预测模型中并获取对应预测输出，之后使用损失函数计算真实数据与检测概率之间的损失值，若损失值未满足预设条件，则重新训练该模型并更新该预测模型参数；

步骤④：将处理后的各组感知数据输入训练好的预测模型中，之后预测模型对采集的生物医学信号进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，并输出预测曲线以及评估报告。

作为本发明的进一步方案，步骤③所述预测模型参数具体更新步骤如下：

步骤Ⅰ：在预测模型的规定区间内初始化网络连接权值，计算预测模型的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差；

步骤Ⅱ：当局部误差超出预设阈值后，依据学习规则方程对预测模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值；

步骤Ⅲ：将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换预测模型原有参数。

一种用于监视连续的生物医学信号的系统，包括监控平台、信号采集模块、预处理模块、体征预测模块、更新调整模块、平台优化模块以及数据存储模块；

所述监控平台用于工作人员对采集的生物医学信号、预测结果以及评估报告；

所述信号采集模块用于采集生物医学信号；

所述预处理模块用于对采集到的生物医学信号进行处理滤波；

所述体征预测模块用于依据生物医学信号对相关体征信息进行预测反馈；

所述更新调整模块用于对体征预测模块参数信息进行更新优化；

所述平台优化模块用于优化监控平台运行性能；

所述数据存储模块用于存储采集的生物医学信号、预测结果、评估报告以及工作人员操作信息。

作为本发明的进一步方案，所述平台优化模块运行性能优化更新具体步骤如下：

第一步：平台优化模块为监控平台的各组功能界面生成一个启动链表，并依据LRU链表顺序，将各组启动链表按照各功能界面被访问次数由少到多进行进一步链接；

第二步：依据各组功能界面的交互信息实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止；

第三步：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至压缩区域中。

相比于现有技术，本发明的有益效果在于：

1、该用于监视连续的生物医学信号的方法通过抽取相关类型的生物医学信号，之后将各组医学信号进行预处理后划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中计算输出，当能量函数小于目标误差时，训练过程结束并输出预测模型，将测试集导入预测模型中并获取对应预测输出，之后使用损失函数计算真实数据与检测概率之间的损失值，若损失值未满足预设条件，则重新训练该模型并更新该预测模型参数，将处理后的各组感知数据输入训练好的预测模型中，之后预测模型对采集的生物医学信号进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，并输出预测曲线以及评估报告，能够准确地进行体征预测，同时能够高效处理连续采集的生物医学信号，提高工作人员的信号分析效率，节省工作人员分析时间。

2、本发明通过平台优化模块为监控平台的各组功能界面生成一个启动链表，并将各组启动链表按照各功能界面被访问次数由少到多进行进一步链接，依据各组功能界面的交互信息实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至压缩区域中，能够有效地提高各医学信号传输效率，保证监控平台使用流畅性，提高工作人员使用体验。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种用于监视连续的生物医学信号的方法的流程框图；

图2为本发明提出的一种用于监视连续的生物医学信号的系统的系统框图。

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。

实施例1

参照图1，本实施例公开了一种用于监视连续的生物医学信号的方法，该监视方法具体步骤如下：

选择合适的传感器与设备收集生物医学信号。

具体的，传感器与设备具体包括心电图传感器、脑电图电极贴片、肌电传感器、血压计、胸带式呼吸传感器、体温传感器、脉搏血氧仪、血糖监测仪、多导睡眠图系统、气流传感器以及身体成分仪；生物医学信号具体包括心电信号、脑电信号、肌电信号、血压信号、呼吸信号、体温信号、脉搏氧饱和度信号、血糖信号、睡眠信号、呼吸道信号以及体重信号。

对采集到的生物医学信号进行处理滤波并实时显示。

具体的，获取传感器或设备采集到的生物医学信号，并通过带阻滤波去除干扰信号，再依据各生物医学信号特性、噪声类型和所需的频率范围，选择高通滤波或低通滤波对信号进行过滤，通过基线漂移校正去除采集到的各生物医学信号中慢速变化的信号成分，再通过运动校正去除部分生物医学信号中的运动伪像，并通过坐标转换使信号在正确的空间位置，检测各组生物医学信号中存在的缺失值，并标记各缺失值在对应信号中的所在位置，对各组生物医学信号中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，之后对各组信号进行归一化处理。

依据采集到的生物医学信号进行体征预测并生成评估报告。

具体的，抽取相关类型的生物医学信号，之后将各组医学信号进行标准化处理并将各组医学信号整合成测试数据集，同时筛除测试数据集中的异常医学信号，将测试数据集划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中，根据输入数据和当前的权重和参数计算输出，并获取该神经网络的线性组合以及能量函数，当能量函数小于目标误差时，训练过程结束并输出预测模型，将测试集导入预测模型中并获取对应预测输出，之后使用损失函数计算真实数据与检测概率之间的损失值，若损失值未满足预设条件，则重新训练该模型并更新该预测模型参数，将处理后的各组感知数据输入训练好的预测模型中，之后预测模型对采集的生物医学信号进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，并输出预测曲线以及评估报告。

需要进一步说明的是，在预测模型的规定区间内初始化网络连接权值，计算预测模型的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差，当局部误差超出预设阈值后，依据学习规则方程对预测模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值，将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换预测模型原有参数。

存储预测结果并向工作人员反馈相关预测以及评估报告。

实时记录工作人员操作信息并优化监控平台性能。

实施例2

参照图2，本实施例公开了一种用于监视连续的生物医学信号的系统，包括监控平台、信号采集模块、预处理模块、体征预测模块、更新调整模块、平台优化模块以及数据存储模块。

监控平台用于工作人员对采集的生物医学信号、预测结果以及评估报告；信号采集模块用于采集生物医学信号；预处理模块用于对采集到的生物医学信号进行处理滤波。

体征预测模块用于依据生物医学信号对相关体征信息进行预测反馈；更新调整模块用于对体征预测模块参数信息进行更新优化；平台优化模块用于优化监控平台运行性能；数据存储模块用于存储采集的生物医学信号、预测结果、评估报告以及工作人员操作信息。

具体的，平台优化模块为监控平台的各组功能界面生成一个启动链表，并依据LRU链表顺序，将各组启动链表按照各功能界面被访问次数由少到多进行进一步链接，依据各组功能界面的交互信息实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止，将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至压缩区域中。

Claims (7)

1.一种用于监视连续的生物医学信号的方法，其特征在于，该监视方法具体步骤如下：

(1)选择合适的传感器与设备收集生物医学信号；

(2)对采集到的生物医学信号进行处理滤波并实时显示；

(3)依据采集到的生物医学信号进行体征预测并生成评估报告；

(4)存储预测结果并向工作人员反馈相关预测以及评估报告；

(5)实时记录工作人员操作信息并优化监控平台性能。

2.根据权利要求1所述的一种用于监视连续的生物医学信号的方法，其特征在于，步骤(1)所述传感器与设备具体包括心电图传感器、脑电图电极贴片、肌电传感器、血压计、胸带式呼吸传感器、体温传感器、脉搏血氧仪、血糖监测仪、多导睡眠图系统、气流传感器以及身体成分仪；

步骤(1)所述生物医学信号具体包括心电信号、脑电信号、肌电信号、血压信号、呼吸信号、体温信号、脉搏氧饱和度信号、血糖信号、睡眠信号、呼吸道信号以及体重信号。

3.根据权利要求2所述的一种用于监视连续的生物医学信号的方法，其特征在于，步骤(2)所述生物医学信号处理滤波具体步骤如下：

步骤一：获取传感器或设备采集到的生物医学信号，并通过带阻滤波去除干扰信号，再依据各生物医学信号特性、噪声类型和所需的频率范围，选择高通滤波或低通滤波对信号进行过滤；

步骤二：通过基线漂移校正去除采集到的各生物医学信号中慢速变化的信号成分，再通过运动校正去除部分生物医学信号中的运动伪像，并通过坐标转换使信号在正确的空间位置；

步骤三：检测各组生物医学信号中存在的缺失值，并标记各缺失值在对应信号中的所在位置，对各组生物医学信号中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，之后对各组信号进行归一化处理。

4.根据权利要求3所述的一种用于监视连续的生物医学信号的方法，其特征在于，步骤(3)所述体征预测具体步骤如下：

步骤①：抽取相关类型的生物医学信号，之后将各组医学信号进行标准化处理并将各组医学信号整合成测试数据集，同时筛除测试数据集中的异常医学信号；

步骤②：将测试数据集划分为训练集和测试集，再初始化神经网络的权重和参数，之后将训练集导入该神经网络中，根据输入数据和当前的权重和参数计算输出，并获取该神经网络的线性组合以及能量函数，当能量函数小于目标误差时，训练过程结束并输出预测模型；

步骤③：将测试集导入预测模型中并获取对应预测输出，之后使用损失函数计算真实数据与检测概率之间的损失值，若损失值未满足预设条件，则重新训练该模型并更新该预测模型参数；

步骤④：将处理后的各组感知数据输入训练好的预测模型中，之后预测模型对采集的生物医学信号进行卷积、池化、反卷积以及全连接处理进行分析、处理和计算，并输出预测曲线以及评估报告。

5.根据权利要求4所述的一种用于监视连续的生物医学信号的方法，其特征在于，步骤③所述预测模型参数具体更新步骤如下：

步骤Ⅰ：在预测模型的规定区间内初始化网络连接权值，计算预测模型的输出，再比较期望输出与实际输出，同时计算所有神经元的局部误差；

步骤Ⅱ：当局部误差超出预设阈值后，依据学习规则方程对预测模型的权值进行训练以及更新，并依据预设的学习率以及步长列出所有可能的数据结果，对于每一组数据，选取任意一个子集作为测试集，其余子集作为训练集，训练模型后对测试集进行检测，并统计检测结果的损失值；

步骤Ⅲ：将测试集更换为另一子集，再取剩余子集作为训练集，再次计算损失值，直至对所有数据都进行一次预测，通过选取损失值最小时对应的组合参数作为数据区间内最优的参数并替换预测模型原有参数。

6.一种用于监视连续的生物医学信号的系统，其特征在于，包括监控平台、信号采集模块、预处理模块、体征预测模块、更新调整模块、平台优化模块以及数据存储模块；

所述监控平台用于工作人员对采集的生物医学信号、预测结果以及评估报告；

所述信号采集模块用于采集生物医学信号；

所述预处理模块用于对采集到的生物医学信号进行处理滤波；

所述体征预测模块用于依据生物医学信号对相关体征信息进行预测反馈；

所述更新调整模块用于对体征预测模块参数信息进行更新优化；

所述平台优化模块用于优化监控平台运行性能；

所述数据存储模块用于存储采集的生物医学信号、预测结果、评估报告以及工作人员操作信息。

7.根据权利要求6所述的一种用于监视连续的生物医学信号的系统，其特征在于，所述平台优化模块运行性能优化更新具体步骤如下：

第一步：平台优化模块为监控平台的各组功能界面生成一个启动链表，并依据LRU链表顺序，将各组启动链表按照各功能界面被访问次数由少到多进行进一步链接；

第二步：依据各组功能界面的交互信息实时对各组启动链表中的各组页面进行数据更新，并从LRU链表的头部依次选择被访问次数最少的功能界面启动链表进行受害页面选择，直至回收足够的受害页面后停止；

第三步：将选择的受害页面合并为一个块并进行标记，之后唤醒一个压缩驱动程序以解析被标记的块，并获得属于该块的物理页，再将该物理页复制到缓冲区中，然后调用压缩算法将缓冲区中的该物理页压缩到压缩块中，并将压缩块存储至压缩区域中。